OCG 认知手册

Open Cognitive Graph · Handbook v1.0

认知手册 · 第一版

目录

• 第一章：认知为什么需要结构
• 第二章：认知的最小单元
• 第三章：认知如何组织成系统
• 第四章：认知如何被使用
• 第五章：如何开始

第一章：认知为什么需要结构

人类最有价值的知识，从来不在数据库里

它在专家的判断里，在研究者的推理链条里，在评审者对"这个答案好在哪里"的感知里。以隐性的方式存在，无法传递，无法审计，无法执行。

设想一个场景：你需要评估一套教育方法是否真正培养了高阶认知。你找来了领域专家，他告诉你"这个方法不错"。你问他为什么，他说"有经验的人一眼就能看出来"。

这个答案不是错的，但它有一个根本的问题：它无法被传递。换一个专家，可能得出不同结论。换一个机构，评估标准就变了。专家离开，判断就消失。

这不是专家的问题，这是知识表达方式的问题。

现有的知识系统——包括知识图谱——解决的是存储和检索的问题。但真正的挑战从来不是"知识在哪里"，而是"这个推理，凭什么成立"。

知识图谱告诉你 A 和 B 有关系，关系的类型是什么。它是一张地图，精确描述了知识的地形。但地图不会告诉你：在什么条件下走这条路、这个判断的依据是什么、谁做出了这个决定、它在另一个语境里还成立吗。

OCG 解决的是一个不同的问题。

知识图谱 vs. OCG

这不是升级，是层次的跃迁。从记录知识，到运行认知。

显性化：OCG 的根本任务

人类的高阶认知——专家的判断逻辑、研究者的推理路径、评审者的评估标准——一直存在。只是以隐性的方式存在于人脑中，从未被赋予一个可以外化的形式。

OCG 做的一件事是：让它出来。

这个过程叫做显性化。显性化不是记录，不是摘要，不是标注。它是给推理结构一个可以运行的形式——让原本只能靠师徒传承的判断，变成可以被传递、被审计、被系统执行的结构。

显性化之后，隐性认知获得了四种新能力：

• 可传递：判断结构可以跨人、跨机构共享
• 可审计：每一步推理都有来源、有语境、有状态
• 可执行：结构化推理可以驱动系统行为
• 可积累：知识不随人的离开而消失，可以迭代演化

与工具无关

OCG 是一套认知方法论，不是一个特定的软件系统。

任何可以承载认知的工具，都可以运行 OCG：

• 纸笔建模——研究者手工绘制领域认知结构
• 人工协作——团队共同构建和审核推理记录
• AI 辅助——从自然语言文本自动抽取认知结构
• 全自动化——系统持续更新、验证、执行图谱

方法论与实现解耦。这意味着 OCG 可以从一个研究者的笔记本开始，也可以运行在一个机构级的决策系统上。入门门槛是理解这套语法，而不是掌握某种技术。

本手册的位置

在开始阅读之前，有必要说明这份手册在 OCG 整体文档体系里处于哪个位置。

OCG 有三种文档，回答三类不同的问题：

认知手册（本文档）：为什么这样建模？如何理解 OCG 的核心概念？适合初次接触 OCG 的研究者、机构决策者、领域建模者。

形式化规范（OCG Formal Specification）：字段定义、类型约束、状态机、验证规则、API 接口、conformance class。适合实现 OCG 系统的工程师和标准贡献者。

领域手册（Domain Profile / Project Handbook）：某个具体领域（教育、环评、医疗、治理）如何基于 OCG 落地，包含领域专属的 Relation Vocabulary、Context Registry 和评估 Rubric。

这三份文档构成一个层次：认知手册提供理解，形式化规范提供约束，领域手册提供落地。你现在读的是第一层。

> 本章认知锚点 > > 知识的核心挑战不是存储和检索，而是推理的可信性。OCG 通过显性化，给隐性认知一个可以运行的结构——这是一套认知语法，与书写工具无关。

第二章：认知的最小单元

先认识三个基本对象

在理解 CDC 之前，需要先认识 OCG 里的三个基本对象。它们是整个系统的词汇基础。

Concept：认知对象

Concept 是 OCG 里的认知单元。它不等同于数据库里的"实体"，也不是简单的名词标签。

Concept 是语义稳定的认知结构——在某个领域里，专家们对它的含义有共识，它能够参与推理，能够成为关系的主体或客体。

比如：

• 慢性失眠 是一个 Concept（在睡眠医学域里语义稳定）
• 变式迁移能力 是一个 Concept（在认知评估域里语义稳定）
• VOCs 是一个 Concept（在大气环境域里语义稳定）

Concept 不是孤立存在的。它的含义依赖于它所在的域。同一个词，在不同域里可能是不同的 Concept。

Relation：认知机制

Relation 是 OCG 里表达认知机制的工具。它不是普通的"关联"，它描述的是两个 Concept 之间为什么有关系、通过什么机制发生联系。

OCG 定义了几类核心关系：

• 结构关系：is-a、part-of、includes、depends-on
• 逻辑关系：requires、implies、contradicts、not-a
• 类比关系：analogous-to、maps-to、transfers-to
• 语境关系：valid-in、constrained-by、interpreted-as、contested-in

关键点：Relation 在 OCG 里是有方向的、有类型的，并且必须绑定 Domain 才能使用。一个没有 Domain 的 Relation，在 OCG 里是不完整的。

Domain：关系成立的语境域

Domain 是 OCG 最重要的设计之一，也是它与知识图谱最核心的区别。

Domain 声明了：一个 Relation 在什么条件下成立。

causes 这个关系，在诊断域里成立、在治疗域里不一定成立、在统计相关域里含义完全不同。Domain 把关系从"全局声明"变成了"语境声明"——关系只在它声明的 Domain 里有效。

这个设计消除了跨语境的推理滑动，让每一条关系都是可审计的、边界清晰的机制表达。

Domain 的表达格式：@{领域}.{子域}.{框架}

例如：

@subject.mathematics.algebra
@education.ai_literacy.teacher_education
@environment.atmospheric.emission_standard

三个对象的关系

Concept  ──[Relation @ Domain]──  Concept

这是 OCG 里最基础的表达结构。两个 Concept，一个在特定 Domain 下成立的 Relation，构成了一个可以被推理的最小语义单元。

在此基础上，加入语境声明、证据支撑和来源元数据，就得到了 OCG 的核心构件：CDC。

一条 CDC 在说什么

如果知识图谱的最小单元是"节点和边"，OCG 的最小单元是一个完整的推理步骤。它有一个名字：CDC，Context-Dependent Cognitive Unit，上下文依赖认知单元。

为什么需要"最小单元"

任何可以运行的系统，都需要定义它的原子操作。

数学的原子是公理，编程语言的原子是语句，知识图谱的原子是三元组（主体-关系-客体）。这些原子的设计，决定了这个系统能做什么，不能做什么。

知识图谱的三元组 A → relates_to → B 能做一件事：表达 A 和 B 之间存在某种关系。但它做不到：说明这个关系在什么条件下成立、谁断言了它、它支持什么判断。

CDC 的设计从这里出发。一条 CDC 的完整结构是：

CDC := ⟨ 源概念, 关系@域, 目标概念, 语境, 证据, 来源 ⟩

六个要素，每一个都有认知功能，缺一不可。

关键设计：R@D

CDC 里最重要的设计是 R@D——关系必须绑定域（Domain）。

在知识图谱里，关系是全局的。causes 就是 causes，不管在哪个领域，不管在什么条件下。

在 OCG 里，关系是语境依赖的。causes@诊断域 和 causes@教学域 是两个不同的关系，因为它们的成立条件、推理含义、支持的判断都不同。

这个设计有一个深刻的含义：OCG 不允许无上下文的关系存在。 每一条关系都必须声明它在哪个域里成立。这保证了推理不会在语境之间滑动，也保证了每一条推理步骤都是可审计的。

三个领域的 CDC 示例

CDC 是跨领域的结构，同样的语法在不同领域产生不同的认知价值。

医学领域（诊断分类）

来源：WHO ICD-11 关于慢性失眠的定义

源概念:   慢性失眠
关系@域:  causes @ 功能影响域
目标概念: 日间功能损害
语境:     ICD-11 诊断标准
来源:     WHO ICD-11 · 7A00
状态:     accepted

同一段文字里还有：

{ 慢性失眠  is_a       睡眠-觉醒障碍   @ ICD-11分类域   }
{ 慢性失眠  has_symptom 难以入睡       @ 症状学域       }
{ 慢性失眠  temporal    ≥3夜/周        @ 时间约束域     }
{ 慢性失眠  temporal    ≥3个月         @ 时间约束域     }

一段自然语言，显性化为多条独立可审计的推理步骤。

教育领域（能力评估）

来源：对学习者答题表现的系统性观察

源概念:   常规题正确率高 + 变式题正确率低（同一概念）
关系@域:  indicates @ 推理与迁移能力域
目标概念: 变式迁移能力不足
语境:     数学概念掌握评估
来源:     学习者表现数据
状态:     proposed

这条 CDC 把一个评估者原本隐性的判断——"这个学习者会做题但不会迁移"——变成了可以被审核、可以被质疑、可以被后续数据更新的结构化主张。

环评领域（影响路径）

来源：工业排放标准和大气化学机制

源概念:   涂装工艺使用有机溶剂
关系@域:  emits @ 大气环境域
目标概念: VOCs（挥发性有机物）
语境:     工业排放评估
来源:     GB 排放标准 / 大气化学机制
状态:     accepted

这条 CDC 是一个影响路径的起点。它可以继续延伸：

{ VOCs  reacts_with  NOx  @ 大气光化学域  → 生成 O₃ }
{ O₃    causes       光化学烟雾  @ 区域大气域        }

三条 CDC 串联，构成了从工艺决策到环境影响的完整推理链。

CDC 的六个要素各自承担什么

源概念（Source）：推理的起点。可以是一个概念、一个能力、一个事件。

关系@域（Relation@Domain）：推理的机制。R@D 是 OCG 设计的核心——关系必须绑定域，才能成为机制，而不仅仅是连接。

目标概念（Target）：推理的终点。推理步骤从源到目标，表达了一个有方向的认知主张。

语境（Context）：解释框架。同一个 CDC，在不同语境下可能有不同含义。语境声明保证 CDC 的含义不会被误读。

证据（Evidence）：支撑。这条推理依据什么成立？可以是文献、专家判断、实验数据、课程标准，或学习者的实际表现。

来源（Provenance）：责任链。谁创建了这条 CDC？什么时候？经过了什么审核？这让每一条推理都具备可追溯性。

CDC 的状态：推理是活的

每一条 CDC 都有一个状态字段，反映这条推理当前的可信程度：

draft → proposed → accepted → validated → contested → deprecated

这意味着 OCG 里的推理不是静态的。一条 CDC 可以被质疑（contested），可以被修订，可以被废弃并替换。知识在演化，推理结构也在演化。这是 OCG 作为活系统的关键设计。

> 本章认知锚点 > > OCG 的三个基本对象是 Concept（认知对象）、Relation（认知机制）、Domain（关系成立的语境域）。CDC 在此基础上加入语境、证据和来源，构成一个完整的推理步骤。R@D 保证每条关系都是语境绑定的机制。CDC 是跨领域的——同样的语法在医学、教育、环评里产生同样严格的推理结构。

第三章：认知如何组织成系统

从一条推理，到一个可运行的认知结构

单条 CDC 是推理的最小单元。但现实世界的认知从不是孤立的——判断依赖判断，推理连接推理，最终形成一个可以支撑决策和行动的结构。

这一章描述 OCG 如何把 CDC 组织成一个可运行的系统。

推理图：CDC 的网络

当多条 CDC 相互依赖、相互支撑，就形成了推理图（Reasoning Graph）。

推理图是一个有向图，节点是 CDC，边表示"这条推理依赖那条推理"。读一张推理图，你看到的是一个完整的认知路径：推理是怎么一步一步走到最终判断的。

一个教育评估的推理图可能长这样：

[ 学习者回答了 Why 问题 ]
        ↓  identify @ 评估域
[ 回答展示了边界分析能力 ]
        ↓  maps_to @ 能力域
[ 具备 L3 级概念辨析能力 ]
        ↓  requires @ 课程域
[ 需要进入高阶内容序列 ]
        ↓  triggers @ 教学域
[ 生成个性化学习路径 ]

每一步都是一条 CDC，每一步都有语境、有来源、有状态。整条路径从学习者的一个回答，走到了一个具体的教学行动——完全可追溯，完全可审计。

系统四层架构

OCG 系统由四层构成，每一层都有明确的认知功能：

第一层：认知层（Cognition Layer）

这是理解世界的层。在这里，现实被压缩为 Concept、Domain 和 Relation。建模者在这一层工作，把领域知识转化为 CDC 的语言。

输出：概念空间，域空间，关系词汇表。

第二层：结构层（Graph Layer）

这是组织推理的层。单条 CDC 在这里被连接成推理图，形成影响路径（Impact Pathway）和领域子图（Subgraph）。

输出：可以被查询、可以被遍历的认知图谱结构。

第三层：执行层（Execution Layer）

这是推理激活判断的层。两个核心模块：

Card（决策单元）：对推理结构运行规则，输出判断——这个项目是否合规？这个学习者处于哪个能力层级？这个方案有什么风险？

Action（执行单元）：判断触发行动——生成报告、创建任务、触发预警、发起审批、输出整改方案。

第四层：反馈层（Feedback Layer）

这是系统自我演化的层。执行结果（Outcome）被回写到图谱，更新 CDC 的状态，优化推理规则。系统在使用中持续学习。

执行层的核心：Card 机制

Card 是 OCG 系统里推理结构与系统行为之间的桥梁。

Card 面向系统消费，而非直接面向用户。用户未必看到一个叫"Card"的界面元素，但系统通过 Card 把图谱里的推理结构转化为判断输出——这个判断再经由 Action 触发具体行为。Card 是让"结构化认知"变成"可执行结果"的关键一步。

一个 Card 的结构：

Card = {
  输入:   (概念, 关系, 域)
  逻辑:   判断规则
  输出:   状态 / 风险 / 分类 / 触发条件
}

Card 的类型对应不同的判断需求：

• 识别型：这是什么？属于哪个类别？
• 风险型：这里有什么风险？风险等级是什么？
• 合规型：是否满足标准？差距在哪里？
• 触发型：什么条件下启动什么流程？
• 预测型：基于当前结构，下一步最可能发生什么？

Card 不是硬编码的规则库。它的判断逻辑来自图谱中的推理结构——图谱更新了，Card 的判断也随之更新。这是 OCG 系统与传统规则引擎的根本区别。

从隐性到执行：完整链路

把四层架构连起来，一次完整的 OCG 运行是这样的：

现实输入
  → 概念抽取（认知层）
  → 关系绑定 R@D（认知层）
  → 图谱生成（结构层）
  → Card 计算（执行层）
  → Action 触发（执行层）
  → Outcome 回写（反馈层）
  → 结构更新（认知层）

这是一个闭环。它从现实出发，经过结构化的认知处理，产生具体的行动，然后把结果反馈回系统，让系统持续演化。

给用户看的，不是结构

OCG 系统对外呈现的界面，不暴露内部的 CDC、Relation、Domain 这些结构层语言。用户看到的是：

• 领域地图：这个领域里有哪些核心概念，它们如何关联
• 影响路径图：一个决策或事件会沿着什么路径产生什么影响
• 项目评估器：输入一个项目，自动生成结构化评估报告
• 执行中心：任务、预警、审批、报告的统一入口
• 结果追踪：行动产生了什么 Outcome，图谱如何更新

结构在后面运行，用户感知到的是判断和行动。这是 OCG "可消费"的设计原则：复杂性隐藏在系统内部，价值呈现在界面上。

> 本章认知锚点 > > OCG 系统由四层构成：认知层负责理解，结构层负责组织，执行层负责判断和行动，反馈层负责演化。Card 是推理激活行动的桥梁——它面向系统消费，把图谱推理转化为可执行的判断输出。用户看不见结构，只看见判断和行动。

第四章：认知如何被使用

三种角色，一个系统

OCG 系统里有三种不同的使用者，他们在系统里做不同的事，得到不同的价值。理解这三种角色，是理解 OCG 如何被实际运用的起点。

角色一：建模者

建模者是把现实压缩进 OCG 的人。

他的工作是：识别一个领域里的核心概念，定义这些概念之间的关系，声明这些关系成立的域和语境，并把这些判断显性化为 CDC 记录。

建模者不必是技术专家。他需要的是领域知识和结构化思维——能够回答"这个关系在什么条件下成立"的能力。

建模者的输入是：领域文献、专家访谈、课程标准、政策文件、实验数据——任何包含领域认知的材料。

建模者的输出是：一套经过结构化的 CDC 记录，构成领域认知图谱的基础。

一个建模者会问的问题：

• 这个领域的核心概念是什么？
• 这些概念之间最重要的机制关系是什么？
• 这些关系在哪个域里成立？有什么边界条件？
• 这个判断的来源是什么？可信程度如何？

角色二：使用者

使用者是从 OCG 系统里获取判断和行动建议的人。

他不需要理解图谱的内部结构。他面对的是系统的执行层界面——领域地图、评估报告、影响路径、行动建议。

使用者的价值在于：他能够获得有来源、有语境、有推理链条支撑的判断，而不是一个无法追溯的"结论"。

一个使用者的典型场景：

机构负责人需要评估一个新的教学项目。他在 OCG 系统里输入项目描述，系统自动匹配领域图谱，生成结构化评估报告。报告里每一条判断都有推理链条可以追溯——"这个方法被标注为 L2 级认知培养，因为它只涉及举例，而没有触及边界分析。"

他可以接受这个判断，也可以质疑它。如果他质疑，系统会展示支撑这个判断的 CDC 链条，他可以看到每一步推理依据的是什么来源。

这是使用者在 OCG 系统里得到的根本不同：判断是可读的，不是黑箱的。

角色三：评估者

评估者是使用 OCG 框架来测量认知能力的人。

评估这件事，在 OCG 里有一套具体的工具和方法。它不是抽象的"打分"，而是基于两个相互支撑的框架：WBCA（Why-Based Cognitive Assessment，基于 Why 问题的认知评估）和 HCB（Human Cognitive Benchmark，人类认知基准）。

WBCA：Why 问题作为认知评估工具

为什么 Why 问题能评估认知

评估认知能力面临一个根本难题：知识可以被检索，但推理不能。一个能流利背出定义的学习者，和一个真正理解这个概念边界的学习者，在大多数标准测试里看起来是一样的。

Why 问题解决的正是这个问题。

一个设计良好的 Why 问题，不是在问"这是什么"，而是在问"为什么 X 不等于 Y"——它在两个常被混淆的概念之间制造一个认知冲突。这个冲突无法通过检索回答，只能通过推理回答。

这意味着：一个学习者对 Why 问题的回答，直接暴露了他推理的结构。回答的质量不取决于他知道多少，而取决于他推理得多深。

WBCA 把这个洞察转化为评估框架：通过设计结构化的认知冲突问题，把"推理过程"变成可观察、可评估的对象。

Why 问题的九层分类

并非所有 Why 问题都在测量相同的认知深度。WBCA 把认知冲突 Why 问题分为九个层次，从局部到系统性依次递进：

层次越高，需要整合的认知框架越宽，对系统性推理能力的要求越强。

L0–L4：推理深度的五个层级

对任意 Why 问题的回答，WBCA 用同一把尺子来衡量推理深度，与问题所在层次无关：

L3 和 L4 的关键区别不在于答案的长度，而在于：推理是否触及了概念的边界，以及是否能在边界之外继续延伸。

一个具体的例子，针对 Why 问题"为什么会用 AI 工具不等于 AI 素养"：

L1 回答："AI 素养包括理解 AI 的工作原理、局限性和伦理影响。"

L2 回答："你可以很熟练地用提示词，但不理解为什么 AI 给出这些输出，也不知道什么时候不该信任它。"

L3 回答："提示词技能是操作性的、领域特定的：它优化的是与一个内部逻辑不透明的系统的交互。AI 素养要求的是认识论上的可及性——以推理者而非操作者的身份评估 AI 输出的能力。边界条件是：一个高效的提示词使用者如果无法识别 AI 在错误时表现出的过度自信，他就没有在任何有意义的层面上具备 AI 素养。"

L4 回答：在 L3 之上，继续说："这个区分对应一个更宽的模式：工具熟练度与领域理解之间的鸿沟。有趣的问题是：AI 素养的最低认识论门槛应该是什么——而现有的教育框架是否甚至尝试过定义它。"

这四个回答对应的认知深度，是可以被系统性地观察和记录的。

HCB：测量什么样的认知能力

WBCA 提供了评估工具——Why 问题和 L0-L4 rubric。HCB（Human Cognitive Benchmark）回答的是另一个问题：在 AI 时代，我们应该测量哪些人类认知能力？

HCB 的核心主张是：当 AI 系统能以更低成本完成越来越多的知识性任务时，真正具有差异化价值的人类能力，是那些 AI 无法可靠替代的：监控自身认知过程的能力、评估推理质量的能力、在复杂系统中思考和设计的能力。

HCB 把这些能力组织为三个域、十二个节点：

域一：认识论调节（Epistemic Regulation）

核心问题：我真的理解了这个，还是只是在复述它？

这个域测量的是一个人监控和治理自身认知过程的能力——在面对复杂主张之前，先知道自己站在哪里。

节点 1.1 认知觉察：准确识别自己当前认知状态的能力——区分真正的理解与流畅的复述，区分基于证据的判断与直觉。

节点 1.2 概念辨析：识别和表达概念边界条件的能力——不只知道一个概念包含什么，还知道它排除什么、在什么条件下适用、在什么条件下不适用。

节点 1.3 不确定性容忍：在真正的不确定性状态中表示、维持并有效推理的能力——抵抗过早收敛，把"我不知道"视为合法的认识论状态而非失败。

节点 1.4 盲点识别：识别自身认知局限中系统性模式的能力——哪类问题自己一贯忽视，哪些假设自己一贯不质疑，哪些视角自己的训练和经验让它变得不可见。

域二：推理评估（Inferential Reasoning）

核心问题：这个结论真的有支撑吗，我怎么知道？

这个域测量的是评估推理质量的能力——既包括别人的推理，也包括自己的。

节点 2.1 来源追溯：重建一个主张的来源链条的能力——把结论追溯回其原始证据基础，识别在传递、转化或不当推断过程中发生了什么。来源追溯不等于引用能力；它需要主动重建推理链，而非仅仅找到原始文档。

节点 2.2 假设识别：浮现一个论证所依赖的隐含前提的能力——尤其是很少被明确陈述的价值假设和结构假设。

节点 2.3 证据评估：评估证据对特定结论的证明价值的能力——区分相关性与因果性，识别混淆变量，评估证据适用的范围条件，在矛盾证据之间保持有效张力而不过早解决矛盾。

节点 2.4 论证重构：识别论证中的结构性缺陷并重构出更严格版本的能力——不只是反驳，而是改进。论证重构要求分析能力（识别缺陷）和建构能力（提出修复方案）同时在场。

域三：系统思维（Systems Thinking）

核心问题：这背后的结构是什么，我能在其中设计吗？

这个域测量的是在复杂适应性系统中理解、分析和设计的能力。

节点 3.1 动态演化理解：把系统当前状态理解为持续发展轨迹中一个时刻的能力——识别驱动变化的力量、维持或破坏均衡的反馈机制，以及发生质变的条件。

节点 3.2 多层因果分析：区分近端原因、结构性原因和根本原因的能力，以及追溯连接它们的因果路径。多层因果分析是有效干预的推理基础：识别在因果链条的哪个位置干预会产生持久而非症状性的效果。

节点 3.3 结构设计：把分析性理解转化为可行结构方案的能力——设计与激励相容、对失败模式具有鲁棒性、能够演化的机制。结构设计以建构性维度区别于问题识别：不只理解为什么现有结构失败，还能说明替代结构如何成功。

节点 3.4 治理思维：就多方协调进行推理的能力——识别相关主体的利益、权力关系和合法性主张，理解规则如何被制定、被质疑和被修订，设计在真实冲突条件下维持有效合作的治理机制。

HCB 的输出：能力档案而非单一分数

HCB 不产生一个总分，它产生一份能力档案——十二个节点上的能力层级分布。

一个学习者可能在来源追溯（节点 2.1）上达到 L3，同时在结构设计（节点 3.3）上仍处于 L1。这种差异化档案是 HCB 最重要的输出，因为它直接指向：这个人的认知发展在哪里停滞了，哪里需要干预。

能力档案可以在三个粒度上使用：

• 个人粒度：追踪一个人在不同时间点的能力发展轨迹
• 机构粒度：描绘一个群体的认知能力分布，指导课程设计
• 政策粒度：跨机构比较认知能力水平，识别系统性的能力缺口

认知结构与来源无关

WBCA 和 HCB 描述的是对人类认知的评估。但 OCG 的评估框架有一个更根本的性质，值得单独说明：

它不关心认知输出的来源。

一份由领域专家撰写的评估报告，一段由 AI 系统生成的推理链条，一个学习者对 Why 问题的回答——在 OCG 的框架里，面对的是同一个问题：这个输出的推理结构是什么？它的关系是语境绑定的吗？它的判断有来源和状态吗？

任何可以被结构化的输出，都可以在 OCG 里被建模，然后被约束和评估。

这对 AI 时代的认知评估有一个直接含义：当一个机构使用 AI 辅助决策时，它需要回答的不是"这个 AI 够不够好"，而是"这个 AI 的输出，是否具备可审计的推理结构"。OCG 提供的，正是做出这个判断所需要的语法。

换句话说：评估认知，不是评估人或机器，是评估推理结构本身。这是 OCG 评估框架最深层的设计原则。

三种角色的关系

这三种角色不是孤立的。他们共同维持了 OCG 系统的认知循环：

建模者把领域认知显性化为图谱，使用者从图谱获取判断和行动，评估者用 WBCA 和 HCB 测量认知能力，评估结果再反馈回图谱，更新它的结构。

这是一个认知生态，而不是一个单向工具。

认知三角：OCG 的底层逻辑

理解了三种角色，就能理解 OCG 表达的认知结构：

知识（推理）
      ↓
行为（能力）
      ↓
判断（决策）
      ↓
    认知

知识通过推理结构被显性化，推理结构支撑能力的表达，能力通过 WBCA 和 HCB 转化为可测量的判断，判断驱动决策和行动。

CDC 是这个三角的载体——它同时承载了知识（推理步骤）、行为（能力信号）和判断（Card 输出）。这也是为什么 CDC 被称为"数据即推理"：读一条 CDC，就是完成了一次推理。

> 本章认知锚点 > > OCG 的评估体系由两个工具构成：WBCA 用认知冲突 Why 问题让推理结构可见，HCB 定义了 AI 时代值得测量的十二种认知能力。两者共同提供了一个来源中立的评估语法——任何认知输出，无论来自人还是 AI，都可以在 OCG 框架里被结构化和评估。评估的对象不是人或机器，是推理结构本身。

第五章：如何开始

入口不是技术，是一个领域问题

使用 OCG 不需要先搭建系统，不需要先学会所有概念。唯一需要的是：你有一个领域，你想让这个领域里的核心判断变得可见、可传递、可审计。

从这里出发就够了。

第一步：选择一个领域问题

OCG 最好的入口，是一个你已经在做但做得不透明的判断任务。

比如：

• 我们评估学习者的高阶思维，但标准只存在于评审者的脑子里
• 我们分析一个政策的影响路径，但推理链条没有被记录下来
• 我们做项目合规审查，但判断依据散落在各个文件里，无法追溯
• 我们设计课程序列，但"为什么这门课在那门课之前"从未被显性化

任何一个这样的场景，都是 OCG 建模的起点。

第二步：识别核心概念和关系

在你选定的领域里，找出最重要的几个概念，以及它们之间最关键的关系。

不需要穷举，不需要完整。OCG 的建模原则是：从最重要的推理开始，逐步扩展。

问自己：

• 这个领域里，什么概念是核心的？
• 这些概念之间，最重要的机制关系是什么？
• 这个关系在什么条件下成立？在什么条件下不成立？
• 这个判断我从哪里得到的？

第三步：写出第一条 CDC

把你的第一个判断写成 CDC 格式。不需要完美，不需要完整——先把它写出来。

源概念:   [你的领域概念]
关系@域:  [关系类型] @ [域名称]
目标概念: [目标概念]
语境:     [这条关系在什么语境下成立]
来源:     [你的判断依据是什么]
状态:     draft

写第一条 CDC 的过程，往往会揭示你原本没意识到的问题：这个关系真的是因果的吗？还是只是相关？它在这个域里成立，在另一个域里还成立吗？它的来源是权威文献，还是只是惯例？

这些问题本身，就是显性化的价值。

建模者的五个阶段

认知显性化不是一次性的动作，它是一个有阶段的过程。每个阶段都有自己的价值产出——不是完成任务，而是让某种原本不可能的事变得可能。

建模：把隐性判断变成可以被看见的结构。这是显性化的起点。一个领域里原本只存在于专家脑中的推理，第一次有了可以被传递的形式。

固化：让结构获得可信度。经过审核、标注来源、声明状态之后，一条 CDC 不再只是一个人的判断，它成为一个有据可查的认知主张——可以被引用，可以被质疑，可以被机构采用。

延伸：让单条推理生长为推理网络。孤立的 CDC 连接成推理图，影响路径变得可见，跨领域的认知迁移变得可能。一个领域的建模成果，开始对其他领域产生价值。

核验：让推理结构接受现实检验。执行层的 Card 和 Action 把图谱推理转化为实际判断和行动，Outcome 回写告诉你结构哪里准确、哪里需要修正。图谱第一次和现实发生了真实的摩擦。

迭代：让认知系统持续演化。现实在变，知识在更新，图谱随之更新。这个阶段的价值不是某一次修正，而是建立了一个可以自我更新的认知基础设施——不再依赖某个人，而是依赖结构本身。

这五个阶段连起来说的是一件事：一个领域的隐性认知，如何一步步变成可运行、可传递、可演化的公共资产。

不同入口：根据你的工具和目标

如果你从研究出发：

从文献综述开始建模。选择一篇核心文献，把其中最重要的五条推理显性化为 CDC。然后问：这五条推理之间有依赖关系吗？把它们连成推理图。

如果你从教育评估出发：

从一个 Why 问题开始。设计一个针对核心概念的 Why 问题，收集学习者回答，尝试把不同质量的回答映射到 L0–L4 层级，并说明为什么。这个说明，就是你的第一批 CDC。

如果你从机构决策出发：

从一个已有的判断流程开始。选择你们机构里一个重复出现的判断任务（合规审查、项目评估、能力评级），把现有的判断标准显性化为 Card——输入是什么，判断规则是什么，输出是什么。

如果你有 AI 工具：

把你的领域文本（政策文件、课程标准、研究报告）输入 AI 系统，要求它按照 CDC 格式抽取核心推理结构。把 AI 的输出当作草稿，人工审核、修订、补充来源和语境。

与 OCG 社区连接

OCG 是一个开放治理的标准，不是一个封闭产品。

你建模产生的 CDC 记录，可以提交到 OCG 公共注册表，接受社区审核，获得认证状态。你使用的关系类型（Relation Vocabulary）是公开的，任何人都可以提案新增或修订。

治理流程确保 OCG 的权威性来自过程，而不是来自单一机构——提案、技术审核、社区意见、正式决策、发布记录，每一步都是公开的、机器可读的。

这意味着你在 OCG 上的建模工作，不只是你自己的知识资产，它可以成为一个领域的公共认知基础设施。

一个起点的承诺

OCG 不承诺立刻给你一个完整的系统。它承诺的是：你的第一条 CDC，就是一个开始。

从一个判断开始，把它写清楚——在什么条件下成立，依据是什么，支持什么行动。

这个动作本身，就已经在做 OCG 的核心工作：让隐性认知变得可见。

> 本章认知锚点 > > 入口是一个领域问题，不是技术配置。从最重要的推理开始，写出第一条 CDC。不同背景有不同的入口路径。OCG 的价值从第一条显性化的判断就开始了。

附录：核心词汇表

附录：三类文档对照

OCG Handbook v1.0 · Open Cognitive Graph · opencognitivegraph.org