# QPI 三元定性模型 ## 模型名称 QPI 三元定性模型 ## 模型 ID `qpi` ## 一句话定义 QPI 用于判断某个认知主体在特定上下文中，如何将期望—现实落差框定为 Question、Problem、Issue、mixed 或 no-call，并识别其中的上下文缺口、动态演化和误框定风险。 ## 模型类型 `routing_model` QPI 是前置路由模型，不是最终分析模型。 ## 所在流程位置 `pre_analysis` 它应在深度分析、系统建模或执行拆解之前调用。 ## 来源文章 - `article_qpi_primary_001`: 《问题之锚：从混沌现实到认知秩序的重构》 - `article_qpi_contextual_2025_001`: 《解构“问题”：认知主体与现实映射的动态框架》 - `article_cognitive_os_synthesis_001`: 《Wantsong认知操作系统》 ## 来源证据片段 - `excerpt_qpi_primary_spectrum_001`: 支撑 QPI 的三元分类和核心匮乏物定义。 - `excerpt_qpi_primary_question_001`: 支撑提问对应数据匮乏。 - `excerpt_qpi_primary_problem_001`: 支撑难题对应路径、方法和资源匮乏。 - `excerpt_qpi_primary_issue_001`: 支撑课题对应动态平衡和演化。 - `excerpt_qpi_primary_pathology_reduction_001`: 支撑暴力降维误用识别。 - `excerpt_qpi_primary_pathology_inflation_001`: 支撑恶意升维误用识别。 - `excerpt_qpi_contextual_subjectivity_001`: 支撑 QPI 必须基于主体和上下文场景判断。 - `excerpt_qpi_contextual_gap_001`: 支撑问题作为期望—现实落差的定义。 - `excerpt_qpi_contextual_dynamic_001`: 支撑问题框架会随时间和新信息演化。 - `excerpt_qpi_cognitive_os_application_001`: 支撑 QPI 在问题定义阶段的应用位置。 ## 核心问题 谁在什么场景下，把什么期望—现实落差框定成了哪类问题；这个框定是否缺上下文、正在演化或存在误框定风险？ ## 核心机制 QPI 先执行 no-call gate，再确认主体位置、场景上下文、责任范围、经验水平、问题拥有者、来源和时间尺度。 如果缺少主体或场景，QPI 只能输出 provisional classification，不能高置信定性。此时必须给出 `missing_context`、`evidence_gap` 和澄清问题。 - 缺数据，归为提问，适合搜索、检索、自动化。 - 缺路径、方法或资源，归为难题，适合工程求解和资源调配。 - 缺共识、确定性或动态秩序，归为课题，适合对话、博弈、干预和演化。 完成分类后，还要检查是否存在暴力降维、恶意升维、手段错配、工具解法主义或过早定性。 QPI 必须区分： - `intra_frame_mixed`: 同一主体、同一场景、同一阶段内，多类匮乏物同时存在。 - `inter_viewpoint_divergence`: 同一句输入在不同主体、责任位置或时间尺度下会被框定成不同 QPI 类型。 ## 输入类型 - 模糊问题 - 复杂问题 - 业务问题描述 - 组织冲突叙述 - 需求或故障初始表述 - 需要进入深度分析前的问题定义 ## 输出类型 - 问题类型判断 - 分类作用域 - 是否临时判断 - 主体位置 - 场景上下文 - 责任范围 - 经验水平 - 问题拥有者 - 问题来源 - 时间尺度 - 期望现实落差 - 上下文充足度 - 缺失上下文 - 三类匮乏物强度 - 主导匮乏物 - 分类理由 - 分类置信度 - 多视角分类 - 动态阶段 - 可能演化轨迹 - 成功标准稳定性 - 硬反馈可用性 - 治理负荷 - 澄清问题 - 证据缺口 - 核心匮乏物判断 - 误判风险 - 推荐处理路径 - 后续模型调用建议 ## 适用场景 - 用户输入的问题定义不清。 - 同一问题被不同主体以不同方式理解。 - 用户急于求解但尚未判断问题性质。 - 问题中混杂事实、路径、利益、共识和系统结构。 - 需要决定后续调用哪些认知模型。 - 怀疑存在暴力降维、恶意升维或手段与目标错配。 ## 不适用场景 - 用户只是查询明确事实。 - 用户已经给出明确执行任务。 - 输入是纯创意写作且不需要问题定性。 - 问题已经被清楚分类且只需要执行后续步骤。 - 输入不是问题定义，而是纯粹的润色或格式转换请求。 ## 调用关键词 - 问题到底是什么 - 为什么解决不了 - 卡在哪里 - 技术问题还是组织问题 - 方向是不是错了 - 为什么反复出现 - 该怎么定义这个问题 - 这个问题怎么拆 - 缺数据 - 缺路径 - 缺共识 ## 负向触发条件 - 请直接查询 - 请直接改写 - 只要清单 - 不要分析原因 - 不要展开 - 只改错别字 ## 相关模型 - `intellectual_archaeology`: 当 QPI 判断问题偏中重型难题或课题时，可进入思想考古做深度建模。 ## 冲突模型 无明确冲突模型。 ## 学科底座关联 - 问题定义理论 - 决策科学 - 系统论 - 复杂系统 - 组织行为 - 工程问题分解 ## 常见误用 - 把 QPI 当作完整解决方案，而不是问题定义和路由模型。 - 把所有复杂叙事都归为课题，逃避可执行的难题拆解。 - 把系统性课题暴力压缩成个人执行难题。 - 把具体可解决的难题恶意升维成不可处理的课题。 - 在事实缺口上过度建模，拖慢本应直接检索的提问。 - 忽略问题拥有者，直接给出单一视角的分类。 - 把缺少主体和场景的复杂短句直接判成高置信 Q/P/I。 - 把跨主体视角分歧误写成同一主体内的 mixed。 ## 失败信号 - 核心匮乏物识别错误，导致后续资源配置错位。 - 未识别权力叙事，接受了伪问题或甩锅框架。 - 把动态平衡型课题误判为可终结的难题。 - 把明确工程障碍误判为需要无限讨论的课题。 - 分类没有给出理由。 - 分类之后没有给出后续处理路径。 - 缺少 `subject_position` 或 `scenario_context` 时仍输出 high confidence。 - 只按表层关键词定性，忽略责任范围、成功标准、硬反馈和治理负荷。 ## 可信度等级 `medium` QPI 的三分结构、核心匮乏物、主体性和动态性有清晰来源支撑，但真实输入中经常出现上下文不足、多视角分歧和同一主体内的 Q/P/I 混合状态，仍需要更多边界案例稳定判断。 ## 稳固性状态 `B` 需要继续稳定化。 ## 稳定性评估 - 概念清晰度：较高，提问、难题、课题的核心匮乏物清楚。 - 机制稳定性：中高，扫描匮乏物和匹配处理范式的机制明确。 - 边界清晰度：中等，混合型问题、多视角分歧和上下文不足场景仍需更多测试。 - 来源证据质量：较高，主体性和动态性来自 2025 原文，核心匮乏物和误框定规则来自 2026 原文，应用规则来自综合文档。 - 回归测试表现：pending，当前已有 55 条 QPI 回归用例；其中 Round 03 / 03.1 已纳入 owner-reviewed case layer、selector no-call、multi-perspective 和低上下文 provisional 边界用例，Round 03.2 已纳入普通 how-to / 词义判断 no-call 陷阱。生命周期仍保持 draft。 评级理由：三分结构清晰，适合作为入口路由模型，但需要补充大量边界案例，防止过度升维或降维。 下一步稳定化动作：补充主体-上下文-动态案例、混合问题、误用问题和轻量问题测试，并记录主导匮乏物与多视角分歧判断标准。 ## 回归测试状态 `pending` 当前已有 55 条 QPI 回归用例，覆盖 positive、boundary、misuse、no_call、selector_gate 和 pipeline。Round 03 / 03.1 重点新增： - owner-reviewed flow / disappointment / organizational year-end-review cases； - `case_qpi_international_logistics_no_call_001` - `case_qpi_research_capacity_problem_not_issue_001` - `case_qpi_multi_perspective_requires_viewpoint_output_001` - `case_qpi_low_context_provisional_no_high_confidence_001` - `case_qpi_direct_summary_no_call_001` - `case_qpi_analysis_override_should_call_001` Round 03.2 重点新增： - `case_qpi_how_to_excel_no_call_001` - `case_qpi_how_to_markdown_pdf_no_call_001` - `case_qpi_dictionary_judgment_no_call_001` ## 示例输入 - “我们团队每次都说要长期主义，但一到季度 KPI 就回到短期动作，这到底是什么问题？” - “我知道要做模型库，但不知道先用数据库还是文件系统，这属于什么问题？” ## 示例输出 - “第一个输入更接近课题，因为它涉及激励结构、时间尺度冲突和组织共识。” - “第二个输入更接近难题，因为目标明确，主要缺的是实现路径和技术取舍。” ## 输出契约 输出必须包含： - `problem_owner`: 谁的问题；未知时写 `unknown`。 - `classification_scope`: `subject_contextual | multi_perspective | insufficient_context | no_call`。 - `is_provisional`: 缺少主体或场景时必须为 `true`。 - `subject_position`: 当前认知主体的位置；未知时写 `unknown`。 - `scenario_context`: 问题发生的场景；未知时写 `unknown`。 - `responsibility_scope`: 个体学习、团队执行、跨职能治理、owner 治理或 `unknown`。 - `context_sufficiency`: `high | medium | low`。 - `missing_context`: 缺少哪些主体、场景、目标、资源、责任或时间信息。 - `problem_source`: 问题从哪里被提出，是否可能带有立场、恐惧或甩锅框架。 - `time_scale`: `short_term | mid_term | long_term | mixed | unknown`。 - `expectation_reality_gap`: expected、reality、gap_summary；未知时写 `unknown`。 - `scarcity_profile`: 分别标出 `data_scarcity`、`path_or_resource_scarcity`、`consensus_or_order_scarcity` 的强度。 - `dominant_scarcity`: `data | path_resource | consensus_order | mixed | unknown`。 - `classification`: `question | problem | issue | mixed | no_call`。 - `classification_confidence`: `high | medium | low`。 - `classification_by_viewpoint`: 多视角分歧时列出不同主体下的分类和理由。 - `dynamic_stage`: `initial | evolving | recurring | stabilized | unknown`。 - `possible_trajectory`: 问题可能从 Q 到 P、从 P 到 I，或反向收敛。 - `success_criteria_stability`: `stable | unstable | contested | unknown`。 - `hard_feedback_availability`: `high | medium | low | unknown`。 - `governance_load`: `high | medium | low | unknown`。 - `evidence_gap`: 还缺哪些信息才能稳定判断；mixed 或 low confidence 时必须填写。 - `misclassification_risk`: 暴力降维、恶意升维或手段错配风险。 - `recommended_clarifying_questions`: 上下文不足时必须给出需要补问的问题。 - `recommended_next_step`: 检索、工程拆解、共识协调、补充上下文或不调用。 - `next_model_candidates`: 后续可调用模型 ID。 ## 深度控制 原则：先定性，再决定是否进入深层模型。 停止条件： - 如果只是明确事实查询，停止在提问层并建议检索。 - 如果已明确是执行任务，停止继续路由。 - 如果分类证据不足，先输出 `evidence_gap` 并要求补充上下文。 - 如果负向触发命中且没有复杂问题信号，输出 `classification=no_call`。 过度调用警告：QPI 是前置路由模型，不应替代后续具体分析模型。 ## 产品化建议 QPI 应作为问题回答系统的前置路由模型，用于防止系统在问题类型错误的情况下直接给答案。 selector 应优先使用 `trigger_keywords`、`negative_triggers`、模型级 hard exclusion、`pipeline_position` 和 `selection_priority` 做规则推荐。 ## 版本信息 - version: `0.1` - last_updated: `2026-06-17` - status: `draft`