# TFT **Repository Path**: mofahuizhang/TFT ## Basic Information - **Project Name**: TFT - **Description**: TFT · 信任截断分析框架(Truncation Framework of Trust)—— 契约—信任坐标体系。核心命题:信任是截断——主体在注意力稀缺约束下于某处停止监测,以信任外推填补未监测空缺。以注意力稀缺为唯一公设,fct(监测覆盖度)为核心变量,构建契约轴(X)与信任轴(Y)二维坐标系,经四象限分类、信任—契约偏差、Z轴动态演化,覆盖自然人/组织/人机三层交互。含AI产业应用专题(语义理解/RLHF/人机交互/产品定位/AI对齐/安全归因/多Agent/监管分层/垄断锁定九章)。 - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-09-06 - **Last Updated**: 2026-11-21 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # TFT · 信任截断分析框架 **Truncation Framework of Trust | 契约—信任坐标体系 | 注意力稀缺为唯一公设** > **v1.0**(2026-07)—— 著作权登记版,首次公开发布。 > 完整文档:[docs/TFT-v1.0-full.md](docs/TFT-v1.0-full.md) > AI产业应用:[docs/TFT-AI-Industry-v1.0.md](docs/TFT-AI-Industry-v1.0.md) > > 两篇正文以江苏版权登记件为准:`docs/登记原件/` 存登记 docx 原件,正文 md 由原件转出。 --- ## 核心命题 > **信任是截断**——主体在注意力稀缺约束下于某处停止监测,以信任外推填补未监测的空缺。 这一命题将信任从"美德""情感""选择"还原为一种**认知经济行为**,是本框架的原创锚点。 --- ## 理论根脉 | 来源 | 贡献 | |---|---| | **费孝通《乡土中国》"差序格局"** | 关系结构洞察——信任如何随关系距离衰减、圈层如何分化 | | **赫伯特·西蒙注意力稀缺理论** | 认知机制基础——为什么信任存在、如何校准、为何有传播极限 | | **西蒙有限理性体系** | 机制层核心——有限理性、满意原则、渴望水平适应、顺从性 | 前者回答"关系是什么形态",后者回答"关系为什么以截断方式运作"。 --- ## 公设与核心变量 ### 唯一公设:注意力稀缺 个体的认知资源存在上限,无法对全部交互施以完整监测。此约束构成全部推论的基石。 > 西蒙进一步指出:"信息的丰富创造注意力的贫困"——AI驱动的信息爆炸直接压缩了主体的可行监测覆盖度。 ### 核心变量:fct(监测覆盖度) - **定义**:主体对交互过程实际监测的比例,取值 [0, 1] - **fct = 0**:纯信任(零监测) - **fct = 1**:完全契约(全采样监测,所需注意力趋于无穷,不可承受) - **现实之中**:恒有 fct < 1 ### fct 的生成机制 主体设定 fct 的过程并非最优化计算,而是遵循西蒙的**有限理性与满意原则**: - 有限理性是过程评价——主体因注意力稀缺、信息不完整、计算能力有限,无法全局搜索最优监测水平 - 满意原则是结果评价——主体设定"渴望水平",达到即可停止搜索 由此推出**有限理性定理**:主体实际设定的 fct 系统性低于理论最优值,三条可检验推论: 1. 实际信任外推比例系统性偏高——"信得过多"不是非理性,而是满意策略的结构性后果 2. fct 随经验反馈动态调整——连续失信触发 fct 上升,连续守信触发 fct 下降 3. 高频低风险交互中 fct 趋近于零,低频高风险交互中 fct 显著提升 --- ## 契约—信任二维坐标系 ### 契约轴(X) 度量关系的显性保障程度(规则、边界、权责、对价、制度约束)。 - 标度近似:**契约强度 ≈ 10 × fct** - 0分:无规则,纯情义 - 10分:极度规则化,纯交易 ### 信任轴(Y) 度量主体托付后背的主观意愿(情感托付、口碑积累、关系亲密度)。 - **独立维度**:Y 取决于对方实际信誉(履约历史、口碑积累、关系亲密度等),不能由 fct 一般推出 - 0分:完全防备 - 10分:全然信任 > 经验前提的诚实声明:Y 轴独立于 X 轴是经验观察的归纳,而非注意力稀缺的逻辑必然。 --- ## 四象限分类 以两条临界线切分平面: | 临界线 | 分值 | 含义 | |---|---|---| | 契约临界线 | 6分(经验约定,待校准) | 越此线以规则与对价为主导;未越此线以情义与默契为主导 | | 信任临界线 | 5分(经验约定,待校准) | 越此线具备情感兜底;未越此线信任击穿,跌入脆弱博弈区 | | 象限 | X | Y | 名称 | 特征 | |---|---|---|---|---| | **Ⅰ** | 高 | 高 | 稳健协作区 | 规则完备 + 信任充足,最健康的关系形态 | | **Ⅱ** | 低 | 高 | 情义兜底区 | 信任充足但规则缺失,熟人关系典型,破裂后损失感知远超账面 | | **Ⅲ** | 低 | 低 | 脆弱博弈区 | 规则缺失 + 信任击穿,一次性交易/陌生人博弈 | | **Ⅳ** | 高 | 低 | 契约防御区 | 规则完备但信任不足,高风险交易/法律关系典型 | --- ## 三层交互主体 同一套 fct 机制可贯穿三类主体,注意力上限在不同层级呈现不同形态: | 主体层 | 注意力稀缺表现 | 典型场景 | |---|---|---| | **自然人层** | 情绪注意力与共情能力的稀缺 | 熟人借贷、直播间消费、婚恋关系 | | **组织层** | 管理注意力与品牌声誉维护成本的约束 | 企业信用、品牌危机、供应链协作 | | **人机层** | 信任维护与风险监测精力的上限 | AI产品信任、算法决策、自动驾驶 | --- ## AI产业应用专题(九章) 基于信任截断分析框架应用于AI产业的九个具体问题,按"从内到外"排列: ### 第一部分 AI内部机制 | 章节 | 问题 | 框架增益 | |---|---|---| | **第一章** | 语义理解:从词汇关联到因果结构 | 将"信任""声誉""品牌"拆解为可追溯因果链,提升长尾推理/跨文化泛化/可解释性 | | **第二章** | RLHF训练:fct瓶颈与标注质量 | 标注员fct系统性偏低→标注质量偏低;渴望水平差异→标注员间系统性差异;顺从性→标注趋同 | ### 第二部分 AI与用户交互 | 章节 | 问题 | 框架增益 | |---|---|---| | **第三章** | 人机交互:信任状态识别与策略选择 | 用户当前坐标在哪个象限?ΔX/Δt与ΔY/Δt是否健康?断崖风险识别 | | **第四章** | 产品定位:XY平面上的战略选择 | 产品应定位在哪个象限?不同象限的用户预期与风险结构不同 | ### 第三部分 AI系统安全 | 章节 | 问题 | 框架增益 | |---|---|---| | **第五章** | AI对齐:双轴匹配的可操作化 | "对齐悖论"(越对齐越不被信任)拆解为XY双轴问题,消除"对齐=信任"的朴素混淆 | | **第六章** | 安全归因:X轴问题与Y轴问题 | X轴问题(规则缺失)和Y轴问题(信任不足)的解决路径截然不同,混为一谈导致资源错配 | ### 第四部分 AI产业与治理 | 章节 | 问题 | 框架增益 | |---|---|---| | **第七章** | 多Agent信任传递:信道差异 | 多Agent系统中信任链条的衰减函数形式,信道差异对信任传递的影响 | | **第八章** | 监管分层:按风险配置X/Y | 不同风险等级的AI应用应配置不同的X(规则强度)和Y(信任阈值) | | **第九章** | 注意力补贴与垄断锁定 | AI平台通过注意力补贴锁定用户,Y轴下降到何种水平判定为强制依附 | ### 第五部分 方法论自检 | 章节 | 内容 | |---|---| | **第十章** | 希尔伯特理念与专题方法论自检——问题外化/形式化/状态管理,A-1至A-9开放问题登记 | --- ## 与LBAF的方法论联动:截断—偏置—归因 TFT(信任截断分析框架)与LBAF(损益分析框架)共享同一个底层数学结构:**截断产生偏置,偏置扭曲判断,判断进入归因**。这不是两个框架的简单拼接,而是方法论的真正复用——LBAF问的是"收益在哪里被截断了",TFT问的是"信任在哪里被截断了",统计学问的是"数据在哪里被截断了",同一个问题,三个域。 ### 底层同构:截断→偏置→归因三联结构 | 层 | LBAF(损益核算域) | TFT(信任核算域) | 统计学(数据域) | |---|---|---|---| | **截断** | 反事实实现型终点被截断(只记录"发生了什么",不记录"没发生但本应发生什么") | 信任关系被截断(破裂关系从样本消失、未破裂的崩塌风险不可见、失败案例被选择性忽略) | 数据在阈值处被系统性切断(左截断/右截断/删失) | | **偏置** | 质量评价系统性偏离真实值(高估治愈率、低估避免事件价值) | 信任判断系统性偏离真实值(高估系统可信度、低估崩塌风险) | 估计值系统性偏离真实值(幸存者偏差、发表偏置) | | **归因** | 多源归因(主效应/交互项/残差) | 信任破裂的多源归因(哪次事件、哪个主体、哪个制度环节) | 偏置来源分解(截断函数识别、选择性校正) | 核心算子:观测值 = 真实值 × 截断函数。截断函数一旦不为1,观测值就是真实值的偏置估计。 ### TFT双菜单(平移自LBAF第六章覆盖定理) LBAF的核心方法是双菜单评价:菜单A(事件实现型)记录已观测到的事件,菜单B(反事实实现型)记录被截断的事件,菜单B覆盖率决定评价偏置方向。TFT直接平移这套方法: | TFT双菜单 | 内容 | 偏置方向 | |---|---|---| | **菜单A(已实现信任事件)** | 已观测到的信任建立、维持、修复、破裂 | 只看菜单A → 高估系统可信度 | | **菜单B(被截断信任事件)** | 未被观测到的破裂、未发生的建立、被选择性忽略的失败、沉默的退出 | 菜单B覆盖率越低 → 信任评价偏置越大 | ### 联合指标:信任—损益耦合度 TFT与LBAF联动产生的原创指标,衡量一个主体的损益账户变化如何影响其信任截断阈值: \[ \text{信任—损益耦合度} = \frac{\Delta \text{信任截断阈值}}{\Delta \text{主体负担率}} \] 具体场景:患者负担率上升10% → 信任截断阈值下降多少(更容易因一次失误而失去信任)?医生劳动负荷上升 → 医生对患者的信任截断阈值如何变化(更容易防御性医疗)?这个指标直接回答了医疗系统的核心问题:经济负担如何转化为信任危机。 ### 联合方法论:截断—偏置—归因三联诊断 | 步骤 | 操作 | LBAF工具 | TFT工具 | 统计学工具 | |---|---|---|---|---| | **第一步:识别截断点** | 数据/信任/收益在哪里被切断? | 双菜单覆盖率检查 | 信任截断阈值定位 | 截断函数识别 | | **第二步:量化偏置方向** | 高估还是低估?偏置幅度? | 反事实获益缺口 | 信任评价偏置方向 | 偏置估计与校正 | | **第三步:多源归因** | 截断来自哪个主体/环节/窗口? | 主效应/交互项/残差 | 信任破裂多源归因 | 选择性偏置分解 | ### AI领域三个联合应用 1. **AI对齐中的信任截断诊断**:RLHF本质上是截断—偏置过程——只记录标注者选择的"更优回答",截断了未被选择但可能更优的回答和未覆盖场景。TFT+LBAF可以诊断用户对AI的信任在哪里被截断(对齐税导致的能力截断?信息截断?)。 2. **AI评测的双菜单**:菜单A(基准测试分数、人工评测通过率)+ 菜单B(被截断的能力——未被测试的场景、边缘案例、对抗样本、长期使用中的退化)。菜单B覆盖率越低,AI能力评价偏置越大。 3. **AI事故的信任—损益联合归因**:一次AI事故后,同时核算损益账户(平台/用户/开发者损失)和信任账户(用户信任截断阈值下降、平台信任修复成本),以及二者的耦合度(损益损失如何转化为信任损失,信任损失又如何反作用于损益)。 --- ## 项目结构 ```text TFT/ ├── README.md # 本文件 ├── LICENSE # CC BY-NC 4.0 + 商业授权双授权 ├── CHANGELOG.md # 版本变更记录 ├── CITATION.cff # 学术引用格式 ├── docs/ │ ├── TFT-v1.0-full.md # 主文档:信任截断分析框架(著作权登记版,原件转出) │ ├── TFT-AI-Industry-v1.0.md # AI产业应用专题(九章+方法论自检,原件转出) │ └── 登记原件/ # 江苏版权登记 docx 原件两件 └── .gitignore ``` --- ## 许可证 本项目采用 **CC BY-NC 4.0 + 商业授权双授权**。 - **非商业使用**:免费,需署名(BY),不得用于商业目的(NC) - **商业使用**:需联系作者获得年度商业授权 详见 [LICENSE](./LICENSE)。 --- ## 引用 见 [CITATION.cff](./CITATION.cff)。 --- ## 相关项目 - [nACGD](https://github.com/mofahuizhang/nACGD) —— 层级化通用认知框架:人类与AI协同认知底座 - [LBAF](https://github.com/mofahuizhang/LBAF) —— 损益分析框架:医学统计应用与人工智能结构复用 - [SUI](https://github.com/mofahuizhang/SUI) —— 语义寻址语言:面向大模型的语义编码协议 - [SCION](https://github.com/mofahuizhang/SCION) —— 提示词寻址篇:面向大模型的外部语义控制层 - [Gn](https://github.com/mofahuizhang/Gn) —— 通用病机分析框架 --- ## 作者 邵寿鹏 创作完成日期:2026年7月(v1.0)