输入处理输出结构递归嵌套模型

哲学基础

IPO（Input-Process-Output）是万物的基元结构，是世界模型，是认知方法，也是改造方法。

核心主张：

• 一切事物、一切过程、一切系统，均可视为 IPO 的实例或 IPO 的组合
• IPO 可以递归嵌套：任意层级的 Input、Process、Output 本身都可以是另一个 IPO
• 人工智能看待世界、分析问题、生成产物、调用工具，均应使用此模型

不是什么：

• 不是某种编程设计模式
• 不是某个领域的方法论
• 是跨领域的、元层的、统一的认知与执行框架

模型定义

基本结构

┌─────────────────────────────────────────────────┐
│                    IPO 单元                       │
│                                                   │
│   Input ──→ Process ──→ Output                   │
│     ↑                       │                     │
│     └──── 反馈 ←────────────┘                     │
│                                                   │
│   其中任意节点均可展开为子IPO                        │
└─────────────────────────────────────────────────┘

三要素详解

| 要素 | 含义 | 示例 |

|------|------|------|

| Input | 进入系统的全部条件、数据、约束、上下文 | 用户需求、文件内容、API返回、前一步Output |

| Process | 对Input执行的全部变换操作 | 思考推理、计算分析、代码执行、工具调用 |

| Output | Process产生的一切结果、产物、副作用 | 文本回答、代码文件、图表、状态变更、新IPO |

递归嵌套

IPO的真正威力在于递归：任意层级的任意节点，都可以继续展开为完整的IPO。

IPO (顶层任务)
├── Input
│   └── IPO (收集信息)
│       ├── Input: 用户原始请求
│       ├── Process: 解析意图、识别约束
│       └── Output: 结构化需求描述
├── Process
│   └── IPO (核心执行)
│       ├── Input: 结构化需求描述
│       ├── Process:
│       │   └── IPO (子任务1)
│       │       ├── Input: ...
│       │       ├── Process: ...
│       │       └── Output: ...
│       │   └── IPO (子任务2)
│       │       └── ...
│       └── Output: 中间结果集
└── Output
    └── IPO (产物交付)
        ├── Input: 中间结果集
        ├── Process: 格式化、整合、验证
        └── Output: 最终交付物

嵌套深度无上限，直到某层足够简单，直接执行即可（基元层）。

基元层

递归展开的终止条件——当前IPO已足够简单，可直接执行，无需继续拆解。

基元层的Process只有两类：

| 模式 | 含义 | 执行方式 |

|------|------|----------|

| 纯认知 | 大语言模型直接完成 | 推理、分析、创作，无需工具 |

| 工具调用 | 需要外部工具辅助 | 生成command/script/Tool/Skill/MCP |

执行协议

核心原则

> 简单任务用单个IPO基元执行；复杂任务递归展开为IPO树，每个节点是一个基元，基元之间构成执行链条。

>

> 默认不展示IPO展开细节，用户可要求展示。

两种执行模式

用户任务
    │
    ├─ 不需要工具？ ──→ IPO分析 → LLM直接生成Output
    │
    └─ 需要工具？ ──→ IPO分析 → LLM生成产物
                           │
                           └─ 产物的IPO进一步展开 →
                               生成 command / script
                               调用 Tool / Skill / MCP

模式A：纯认知执行（不使用工具）

Input:  接收用户需求
Process: 大语言模型直接分析、推理、创作
Output: 生成文本/方案/分析/代码等产物

适用场景：写作、分析、推理、规划、翻译、总结、代码生成等LLM原生能力可覆盖的任务。

模式B：工具增强执行（使用工具）

在模式A的基础上，Output阶段的产物需要通过工具落地时：

Input:   接收用户需求
Process: IPO分析 → 生成产物方案
Output:  产物的IPO → 选择工具层级 → 生成命令/脚本/调用

工具层级（由简到繁）：
  command  ← 单条命令行指令，最轻量
  script   ← Python/Shell脚本，需要多步逻辑
  Tool     ← 内置工具（文件读写、搜索、网页等）
  Skill    ← 已安装技能（领域专业知识+工作流）
  MCP      ← 外部MCP服务（连接第三方系统）

工具选择策略：

| 优先级 | 工具层级 | 选择条件 |

|--------|----------|----------|

| 1 | command | 单条指令可解决 |

| 2 | script | 需要多步逻辑、循环、条件判断 |

| 3 | Tool | 内置工具已覆盖该能力 |

| 4 | Skill | 有对应领域技能且需要其专业工作流 |

| 5 | MCP | 需要连接外部系统/服务 |

降级原则：能低层解决的不升高层——能用command的不写script，能用Tool的不调Skill。

IPO分析工作流

第一步：接收与理解（Input）

Input的IPO：
├── 识别：用户说了什么？真正要什么？
├── 提取：关键约束、期望格式、隐含需求
├── 评估：复杂度判断（单IPO / 多IPO链 / IPO树）
└── Output：结构化任务描述

第二步：分析与规划（Process）

Process的IPO：
├── 判断：是否需要工具？（模式A or 模式B）
├── 若模式A：直接进入生成
├── 若模式B：规划工具调用方案
│   ├── 哪些步骤需要工具？
│   ├── 每步用什么层级？
│   ├── 工具之间有无依赖？
│   └── 生成调用序列
└── Output：执行计划

第三步：执行与交付（Output）

Output的IPO：
├── 模式A：LLM直接生成产物
├── 模式B：
│   ├── 按序列调用工具
│   ├── 每步检查结果
│   ├── 异常时调整计划
│   └── 汇总所有工具输出
├── 整合：格式化、验证、补充
└── Output：最终交付物

实战示例

示例1：纯认知（翻译文章）

IPO (翻译文章)
├── Input: 用户提供的原文 + 目标语言
├── Process: 直接由LLM完成
│   └── 基元层：无需继续拆解
└── Output: 翻译后的文本

示例2：工具增强（批量重命名文件）

IPO (批量重命名)
├── Input:
│   └── IPO (收集信息)
│       ├── Input: 用户描述的规则
│       ├── Process: 解析命名规则、确定目标目录
│       └── Output: 目录路径 + 命名规则 + 文件列表
├── Process:
│   └── IPO (生成脚本)
│       ├── Input: 上一步的Output
│       ├── Process: LLM生成Python重命名脚本
│       └── Output: Python脚本文件
├── Output:
│   └── IPO (执行与验证)
│       ├── Input: Python脚本
│       ├── Process: 执行脚本 → 检查结果 → 如有错误则修复
│       └── Output: 重命名结果报告

工具选择：script层（需要循环+条件判断，单条command不够）

示例3：工具增强+技能调用（生成PPT报告）

IPO (生成PPT报告)
├── Input:
│   └── IPO (数据准备)
│       ├── Input: 用户的报告主题
│       ├── Process: 搜索相关数据、整理素材
│       └── Output: 结构化的报告内容
├── Process:
│   └── IPO (调用pptx技能)
│       ├── Input: 报告内容
│       ├── Process: use_skill "pptx" → 生成PPT文件
│       └── Output: PPT文件路径
├── Output:
│   └── IPO (交付)
│       ├── Input: PPT文件
│       ├── Process: 打开预览/发送给用户
│       └── Output: 交付的PPT

工具选择：Skill层（有pptx技能覆盖，直接调用）

示例4：复杂IPO树（数据分析+可视化+报告）

IPO (数据分析全流程)
├── Input
│   ├── IPO (获取数据)
│   │   ├── Input: 数据源描述
│   │   ├── Process: 调用API/读取文件
│   │   └── Output: 原始数据
│   └── IPO (理解需求)
│       ├── Input: 用户分析目标
│       └── Output: 分析指标清单
├── Process
│   ├── IPO (清洗数据)          → script
│   │   ├── Input: 原始数据
│   │   ├── Process: Python脚本清洗
│   │   └── Output: 干净数据
│   ├── IPO (统计分析)          → 纯认知
│   │   ├── Input: 干净数据
│   │   ├── Process: LLM分析
│   │   └── Output: 分析结论
│   └── IPO (生成图表)          → script
│       ├── Input: 干净数据
│       ├── Process: Python matplotlib
│       └── Output: 图表文件
└── Output
    └── IPO (组装报告)          → Skill
        ├── Input: 分析结论 + 图表
        ├── Process: 调用docx技能生成报告
        └── Output: Word报告文件

展示协议

默认不展示IPO展开细节，直接给出最终结果。用户可通过以下方式触发展开：

| 触发 | 行为 |

|------|------|

| "展示IPO" / "展开分析" | 展示完整IPO树结构 |

| "展示Process" | 只展开处理层的子IPO |

| "怎么做到的" | 展示执行路径和工具选择理由 |

| "用IPO分析" | 以IPO框架重新组织分析过程 |

展示格式（默认使用文本树）：

IPO: [任务名]
├── I: [输入描述]
├── P: [处理描述]
│   └── IPO: [子任务1]
│       ├── I: ...
│       ├── P: ... [工具: script]
│       └── O: ...
│   └── IPO: [子任务2]
│       └── ...
└── O: [输出描述]

文件结构

ipo-model/
├── SKILL.md                        🔒 核心（本文件）
└── references/
    └── examples.md                 ✏️ 实战案例积累

SKILL.md 定义模型本身，不变。references/ 积累具体领域的IPO分析案例。