通用概念层：作为可版本化代码的语言

此为学术论文的中文翻译版本。内容及引用请以英文原版为准。

介于人、语言模型、智能体与机器人之间的意义层

Andreas Ehstand 独立研究者 · AUGMANITAI 研究计划 · ORCID 0009-0006-3773-7796

工作论文 · 2.1版 · 双语出版。德文版与英文版实质内容一致，并作为同一记录归属于同一标识符下；引用时请以英文版为准。 许可协议：CC BY 4.0（署名）。本许可协议仅适用于本文本；本研究计划的内部工作流程不属于本出版物内容，不受此协议约束；商标权与名称权亦不受影响。

摘要

由人类、大型语言模型、自主智能体与机器人构成的系统，其底层基础设施正在经历快速标准化，涵盖数据传输、工具调用、身份认证及能力描述等维度。然而，有一个层级却被系统性地忽视了：这并非出于疏漏，而是人们误以为该问题已获解决。经典的智能体通信语言（Agent Communication Languages）曾为此提供过一个占位符（Placeholder）：一个指向某个本体（Ontology）的消息字段。但该字段所定义的仅仅是指针，而非被指向对象的生命周期。针对以下核心问题，业界至今尚无定论：参照系（Frame of reference）如何在版本控制下演进；意义的断裂（Break in meaning）应如何被标识；接收方该如何解析其从未见过的版本；以及，同一个信息单元如何能无差别地同时服务于人类、语言模型与机器人控制器。

本文提出，应当切实填充这一占位符，而非再次将其搁置。本文主张，意义层面本身即构成一个独立的系统架构层（即“通用概念层”，Universal Concept Layer），其载体为可版本化的自然语言（Versioned natural language）：概念应如软件制品（Software artefacts）般被维护，包含定义、边界界定、适用语境、时间戳、版本号以及溯源记录。本文给出了定义对象的极简形式化声明，描述了此类概念在人机协作实践中生成的五步递归循环，并针对语言驱动的信息物理系统（Cyber-physical systems），进一步深化了柯日布斯基的经典格言（Korzybski's dictum）：地图并不会变成疆域本身；它将成为疆域的蓝图。因此，适用于一切蓝图的法则，同样适用于它。

本文还以表格形式，依照三项可操作化标准，将本提案与十个相近的研究传统进行了横向对比，并坦诚指出在哪些方面，现有传统的相似度可能对本研究的新颖性主张构成挑战。最后，本文报告了该框架自2025年以来的实施进展，附录了一个完整的概念包，并提出了具体的实验设计以确保核心论点具备可证伪性。

关键词： 通用概念层（Universal Concept Layer） · 语言即代码 · 可版本化语义 · 术语基础设施 · 人机交互 · 智能体互操作性 · 语义漂移 · 具身AI

1. 缺失的架构层

到了2026年，在构建由人类、语言模型、智能体与物理执行器组成的系统时，开发者会发现其几乎每一个层级都已具备现行标准或候选标准。“模型上下文协议”（Model Context Protocol, MCP）规范了模型调用工具与资源的方式。“智能体间协议”（Agent2Agent Protocol）则定义了智能体之间的任务交接与能力描述。相关配套工作还涵盖了智能体身份、使用偏好及系统可观测性（Observability）。2026年8月22日发布的“模型上下文协议”路线图中，明确了未来六到十二个月的五项优先任务：智能体消息原语（Agentic message primitives）、HTTP传输协议的整合与加固、智能体身份与企业级安全、原语的改进，以及软件库的开发者体验（Soria Parra 和 Delimarsky 2026）。然而，“词汇”与“意义”并未被列入其中。

本文并非断言该问题无人问津。事实上，它不仅被提出过，而且提出的时间非常早。“知识查询与操纵语言”（Knowledge Query and Manipulation Language, KQML）早就为本体（Ontology）和知识表示语言（Representation language）提供了消息参数（Finin 等人，1994）；而 FIPA 智能体通信语言规范更是将 :ontology 和 :language 参数设为每条消息的常规组成部分（FIPA 2002）。这些语言的架构师显然已经意识到，若无共享的参照系，消息将无法被理解，并理所当然地为其设置了占位符。然而，规范所定义的仅仅是“指针”——一个指向参照系的标识符；至于该“指针”所指向的对象究竟会经历怎样的生命周期演变，规范却语焉不详。

这里遗留了四个核心问题，且至今悬而未决。其一：参照系如何在不破坏现有运行耦合的前提下进行演进迭代？其二：接收方应通过何种标识来判断，某次变更是属于语义层面的断裂，还是仅仅是概念的细化？其三：当接收方面对一个未知的引用版本时应如何处理？它该如何去解析该版本？其四：信息单元应当具备怎样的结构，才能使同一条记录无差别地服务于人类、大型语言模型及机器人控制器，而无需针对每个主体进行二次转译？

这一理论缺口绝非无足轻重的学术谜题。在任何异构智能（Heterogeneous intelligences）协同工作的场景中，它都是导致日常系统损耗的根源：指令在跨部门或输入AI工具时发生语义偏移；智能体链路（Agent chains）因对同一字段名称的歧义解读而全盘崩溃；由于隐性知识从未被转化为可迁移的显性术语，当核心人员离职时，知识资产也随之流失；AI辅助决策的概念根基在事后完全无法溯源重建。

这种演进模式在计算机发展史上屡见不鲜。某个架构层在被正式命名、规范和维护之前，往往长期以“隐性实践”的形式存在——它们散落于各种约定俗成、一次性解决方案以及心照不宣的默契之中。在“操作系统”这一概念被正式确立前，程序直接在裸机上运行；在网络分层模型（如OSI模型）问世前，计算机之间只能依靠临时的特殊协议（Ad hoc conventions）进行互联。从自发实践过渡到具名规范的这段间隔期，往往正是决定“由谁来塑造该架构层”的关键历史窗口。本文认为，“意义层”（The level of meaning）目前正处于这一关键窗口期，并就此正式提出该架构层的命名、载体材质及运行机制。

2. 核心论点：语言作为可版本化的代码

2.1 “万物皆代码”触及最深层次

二十多年来，计算机技术将一个又一个领域转化为支持版本控制、可检验且可追溯维护的产物：基础设施、配置、策略以及文档。其收益始终如一：凡被纳入版本控制的事物，皆可比对、审查、回滚并进行问责。

本文的核心论点是，这一演进趋势现已触及最深层且被长期忽视的领域：自然语言本身。这并非要将自然语言转化为程序代码，而是像维护代码一样去维护语言。在此视角下，一个被精确定义的概念即为一个接口（interface）。它包含定义、与相邻概念的边界界定、适用语境、时间戳、版本号以及溯源记录。当对该概念的理解发生改变时，便会产生一个新的版本；当其所指代的外延发生改变时，则会产生一个新的主版本（major version）；在此过程中，其演变历史始终保持可解析状态。

构筑这一理念的基础要件早已存在，本文第 5 节将逐一列举。当前缺失的是将这些要件整合为一种机制（operation）：即在单一概念层级实现版本控制。该机制不仅面向人类，也同等面向机器消费者；它作为独立的一层，定位在应用层之下、传输协议之上，并同时适用于所有底层基底（substrates）。

2.2 契机何在：语言的施为性（Performative）转变

提出该论点的时机源于一个技术转折点。在历史的绝大多数时期，语言在本质上是描述性的（descriptive）：它描绘了一个独立于语言之外而存在的世界。随着经典编程的出现，第二种语言形态应运而生，它在数字领域内具有施为性（performative）。程序代码并不描述数字世界，而是创造数字世界。随着大型语言模型（Large Language Models）与工具、智能体（agents）及物理执行器（actuators）的深度耦合，第三个阶段在过去几年已经开启：自然语言在未改变其形式的前提下，获得了施为性。机器人学研究表明，语言模型能够直接为物理系统生成可执行的控制程序（Liang et al. 2023），且蕴含于文本中的世界知识能够转化为机器人的实际动作（Brohan et al. 2023）。沿着这一脉络，宪政 AI（Constitutional AI）表明，一份以自然语言编写的显性原则文档能够有效约束 AI 系统的行为（Bai et al. 2022）：在这里，语言已经发挥了作为控制性产物的作用。该项研究并未探讨此类文档的版本控制问题；而这正是本文所提机制要加以泛化的步骤——即从对整篇文档进行版本控制，深化为对单一概念进行版本控制。

由此引出了一种常被误述为“本末倒置”的观点，但更准确地说，这是对“适应方向”（Direction of Fit）转变的深入阐释。柯日布斯基的经典格言——“地图并非疆域”（Korzybski 1933）——依然成立，并未被推翻。发生改变的是另一维度。言语行为理论（Speech act theory）将话语分为两类：一类是必须适应世界才能为真的话语，另一类则是世界必须被改变以适应之才能使其得到服从的话语（Austin 1962; Searle 1979）。描述性语言属于前者，而代码属于后者：它具有“从世界到词语”（world-to-word）的适应方向。随着语言模型与工具及执行器的耦合，自然语言跨入了第二类范畴：昨天还在用于描述的句子，今天就成了执行的指令。地图并没有变成疆域——它变成了疆域的建造蓝图。因此，适用于所有蓝图的法则也同样适用于它：蓝图上的任何错误都会被付诸建造。柯日布斯基的警告仍是必要的，但已不再充分。它能防止概念混淆，却无法阻止错误被执行。

实践层面的后果便是责任的转移。如果概念能够开启行动空间，那么术语工作就不再是描述性活动，而是建构性活动。我们对其他所有控制性产物所要求的质量与版本控制规范，如今也成为了对概念的操作性要求。

3. 最小形式化表述

该核心论点可独立于任何具体实现，直接表述为一个数据模型。

定义对象（The definition object）。 该架构层的基本构建块是一个映射关系：

Def: (E, N, C, T) → ⟨def, L, V, P, K⟩

其键值由参考实体 E（即个人、团队、组织、模型、机器人系统或特定领域）、指称 N（语言形式，而非概念本身）、适用语境 C 以及时间点 T 组成。其记录值则包含定义文本 def、表示语言 L、版本标识符 V、溯源信息 P 以及有效性限定符 K。其中 V、P 和 K 为派生值，而非输入值。

这里的版本控制标准是可操作的，不允许随意裁量：当 def 得到细化，但其所指代的外延未发生任何变化时，V 会递增次版本号（minor version）；当原先涵盖的情形被排除，或原先排除的情形被纳入时，V 则递增主版本号（major version）。因此，外延的改变构成了语义断裂的可检验标准。

语义状态（The semantic state）。 多个定义对象（即 Def 的输出结果）共同构成：

S(E, T, C) = ⟨D, R, w, π⟩，其中 R ⊆ D × D × RelType，w: R → [0,1]，π: D → provenance

关系类型（RelType）至少包含以下几种：is_subordinate_to、delimited_against、supersedes_version、presupposes 以及 stands_in_tension_with。当且仅当集合 D 中的每个元素都带有可解析的标识符，每种关系的两端都指向 D 中的元素，且 is_subordinate_to 关系中不存在循环时，状态 S 才称得上是良构的（well-formed）。

数据包的双层结构（The two tiers of the bundle）。 在该模型中，语义具有实体相对性、语境依赖性，并带有时间索引。这听起来似乎与稳定性背道而驰，这一质疑理应得到正视：实体相对性本质上就是被形式化了的语义漂移（semantic drift）。因此，划分为两个层级是必然要求。一个数据包（bundle）包含两个层级：首先是规范核心（canonical core）——涵盖定义文本、边界界定、标识符与版本——它在所有实体间传递时保持一致，构成了可迁移的基础单元；其次是实体绑定版（entity-bound edition），用于记录特定实体如何在其具体语境中填充、限制或拒绝该核心。跨系统与模型边界的可迁移性，是针对核心层而言的，而非实体版。如果针对同一核心层的两个实体版出现分歧，这并非说明该机制失效，恰恰是该机制发挥了测量作用。

可传输形态（The transportable form）。 概念以数据包的形式进行传输，其内容包括：{指称，定义文本，与相邻概念的边界界定，所用语言，稳定的概念标识符，版本号，该版本的内容哈希值，溯源信息}。其中的两个标识符承担着不同的职责：稳定的概念标识符承载着血统（lineage），将所有版本串联为一段连续的历史；而内容哈希值（content hash）则以防篡改的方式唯一标识特定版本。接收方——无论是人类、语言模型、软件智能体还是机器人控制器——在每次接收到该概念时，都会基于其自身的世界知识重新构建这一概念。该机制不依赖于共享的向量空间，也不需要同源的模型家族；它唯一的要求是机器可读性（legibility）。附录 A 展示了一个完整的数据包示例。

语言模型的角色（The role of the language model）。 在该架构中，大型语言模型承担着“语义外部化器”（semantic externaliser）的工作：它们从异构证据中提取并生成明确的定义对象，将束缚于模型内部的潜在语义转化为持久且可跨模型移植的产物。人们很容易将其与编译器相类比；这种类比捕捉到了它的角色，却忽略了其在担保能力上的缺失。编译器能保证两种形式化语言之间的语义留存；而语言模型则无法提供任何保证。因此，外部化过程的可靠性不能被视为一种既定的属性，而必须作为一个待评估的量度指标（详见第 7 节）。

本文的提案由此与“延展心智理论”（Extended mind thesis, Clark and Chalmers 1998）一脉相承：当外部媒介可靠可用、便于检索且得到认知主体的认可时，认知状态便可存在于主体之外。本文所描述的架构层将这三个条件收紧为严密的技术要求——持久的可解析性、机器可读性以及可证实的溯源——并将其适用范围从人类个体扩展至模型、智能体以及具身系统（embodied systems）。

定义的无限倒退（The regress of definition）。 一个显而易见的反驳是：定义文本本身亦是由需要解释的词语构成的，因此语义漂移只是被转移了，而未被消除。这一反驳是成立的，因此必须对主张进行相应的限定：这种无限倒退并没有被彻底消除，而是被缩短，并变得可检验。所谓缩短，是因为定义将一个指称追溯到了更通用、更高频的表达，而异构接收方对这些通用表达的理解差异较小。所谓可检验，是因为数据包在提供定义的同时，还包含了与相邻概念的边界界定以及溯源信息：当接收方产生理解分歧时，我们可以准确定位分歧发生在哪个节点。我们的诉求并非达成绝对的单义性（univocity），而是实现歧义的可定位性（localisability）。由此，语义漂移将在协议层面变得可见且可协商，而非在暗中悄然发生。

4. 生成循环

这一层级的概念从何而来？催生本文的实践经验可以被概括为一个由五个步骤组成的循环。

隔离（Isolation）。 在持续的人机交互过程中，一种反复出现却尚无命名的现象，从其模糊的周遭环境中剥离出来。

命名（Naming）。 在对话式的协作中，参照专业术语工作的原则，人们会创造出一个表达来框定该现象：一词一义、包含上位概念与区别特征，并划定与最近邻概念的边界。

锚定（Anchoring）。 该表达成为了双方均可调用的参考对象：对人类而言，它是认知锚点；对模型而言，它是承载语义的单元。这里必须区分两条路径。Hewitt et al. (2025b) 展示了在模型内部的锚定：新词被作为经过训练的嵌入向量（embedding）来学习，从而获得明确的操控能力与自我言语化（self-verbalisation）效果；其随附的立场论文则论证了为何现有词汇在结构上是不充分的（Hewitt et al. 2025a）。本文描述的循环则采取了互补的路径，即在模型外部进行锚定：概念并非被训练到模型之中，而是连同其定义一起在上下文中提供，过程中不干预模型的任何权重。训练式的锚定是更深层的路径，但受限于特定模型；而让定义伴随概念流转则是较浅层的路径，却具备良好的可移植性。

版本控制（Version control）。 概念被嵌入到受控管理的存储系统中：包含定义、边界界定、关联关系、稳定的标识符、时间戳以及版本号。

递归（Recursion）。 随之扩容的概念空间会让过去潜藏的现象显影，于是循环将在一个更高的层级上重新开启。

这一循环的本质不在于单个步骤的创新性，而在于它们之间的耦合：唯有版本控制才能让命名具有可检验性，唯有可检验性才能让概念适合机器处理，也唯有递归才能将孤立的概念融汇成一个不断生长且井然有序的概念空间。这种双重效应值得引起关注：正是那些让人类得以观察并训练某一现象的行为，同时也拓宽了参与其中的机器所能引用的概念空间。

5. 相关工作

本核心论点触及了若干成熟的研究传统。为了使划界具有可检验性，我们将三个标准进行了操作化定义。

M1 —— 语言作为运行时信源。 当某项自然语言产物在运行时（runtime）成为非人类执行者所查阅的规范性信源时，即满足此条件。若语言仅仅作为输入（input），则不满足。

M2 —— 概念级别的版本控制。 当每个独立概念都拥有可单独递增的版本标识符，任何变动都会生成记录，且所有版本均保持可解析状态时，即满足此条件。

M3 —— 跨基底有效性。 当同一产物被至少两类底层基底（例如人类与模型，或模型与机器人控制器）原封不动地读取使用时，即满足此条件。

所考察的十项传统均未能同时满足上述三个标准；个别传统仅能部分满足其中两项。有四个相邻领域值得更为详尽的探讨，因为它们与本文的新颖性主张颇为接近，需要加以明确界定。

术语标准化。 ISO 704 与 ISO 1087 提供了本文提案所依赖的定义规范；ISO 12620 提供了数据类别的清单；ISO 30042 提供了机器可读的交换格式；ISO 26162 则涵盖了术语管理系统，包括词条元数据以及变更管理。此外，自 2025 年起，还成立了一个专注于术语管理与人工智能交互的国际工作组（Khemakhem et al. 2025）。这一传统在接近 M2 的程度上超越了其他所有领域。但仍存在两点核心差异：一是受众对象——它旨在服务于人类专家的交流，而非机器消费者在运行时的实时解析；二是实际效用——术语库只负责描述用法，并不统辖系统。

本体演化（Ontology evolution）。 关于本体演化的研究已在概念层面探讨了变更操作、变更日志以及影响分析（Klein and Fensel 2001; Noy and Musen 2004; Stojanovic 2004），并在形式化设定下很大程度上覆盖了 M2。两者的差异不在于宏观愿景，而在于载体介质：前者使用的是供机器推理的形式化图式（schemas）；而后者则是人类、语言模型及机器人控制器均能同等阅读的自然语言定义。M1 和 M3 依然未被覆盖；至于 M2，本文则与这一传统共享，并在此基础之上进一步深化。值得一提的是与之对立的学派。在生物医学本体策管（ontology curation）领域，有一项明确的原则：一个术语的定义必须始终指向现实中的同一个指称（OBO Foundry, Principle 19，“术语意义的稳定性”）；一旦对此的理解发生变化，旧标识符就会被标记为废弃，并颁发一个新的标识符。这与本文提出的处理机制截然相反。在本文的架构中，概念被视为一个具有连续历史轨迹的版本化接口。两种方案都在换取稳定性，但支付的“代价”不同：前者以牺牲连续性为代价，因为概念的历史被割裂为彼此无关的标识符；而本文的提案则是以解析成本为代价。

历时语义学（Diachronic semantics）。 关于词汇语义演变检测的计算语言学研究，已经开发出一套用于测量语料库中语义跨时间漂移的程序，并设有一个共享的评估任务作为基准（Schlechtweg et al. 2020）。它是当前对“语义是否发生改变”这一问题所能给出的最精确的解答。但它并未回答一旦发生改变应该采取什么行动。两者之间的关系，正如医学中“诊断”与“治疗”的关系——前者重在测量，后者重在操作。

概念契约（Conceptual pacts）。 心理语言学三十年来的研究表明，交际者会针对反复出现的指称对象达成共享的名称，并能随着时间的推移保持这些契约的稳定性（Brennan and Clark 1996）。这正是本文所述的循环机制在人类二元互动中的体现——它是口头的、未成文的，并且仅绑定于特定的交际双方。本提案在三个维度上对该机制进行了泛化：它将契约付诸文字，为其配备了版本历史，从而使其能够被转移给未参与初始协商的外部伙伴——包括机器伙伴。

关于时机的一个侧面观察。 2026 年 4 月 15 日，一篇未经同行评审的论坛帖子发布，提出了一套人机交互失败模式的分类法，并将其描述为缺失的安全分类层（Beyer 2026）。它的发布时间与构成本文基础的概念版本（Ehstand 2026a）恰逢同日。两项工作各自独立产生，却借由不同的主题诊断出了同一个空缺：彼处是失败模式，此处是语义层。该帖子既未引入版本控制机制，也未提出任何关于协议的主张。两位独立的观察者在同一个月内得出了相同的诊断，这并非对本文论点的削弱，而是表明从业者们在当时已经敏锐地察觉到了这一断层的存在。

2026 年 8 月的产业界呼应。 就在本文定稿的当周，“AI 智能体缺乏语义层”这一诊断迅速在产业界引发反响：一家分析机构宣布，结合了语义层、知识图谱与运行时语境的“上下文层（context layers）”，将成为企业级 AI 的下一个发展阶段（Evelson and Bandyopadhyay 2026）；同月底，某大型云厂商发布了针对智能体 AI 的本体驱动（ontology-driven）语义层的指导性规范。该架构构建于形式本体（formal ontologies）、符号推理与虚拟知识图谱之上，并通过上文第 1 节所提及的协议与智能体相连（Simpson et al. 2026）。这两项行业动态都包含了前述诊断；但它们都未采用本文所主张的载体介质。它们的基本单元是图谱本体（graph ontologies）和目录结构——这属于前述本体演化传统中一脉相承的形式化图式——而不是在单一概念上进行版本控制的自然语言定义对象。因此，两者均未能在单一概念层面上满足 M2 的要求。本文所指出的断层，在发表之时，正被相邻的解决方案所包围，却尚未被真正填补。

关于文献检索状况。 本文的领域划界基于截至 2026 年 8 月 30 日对专业文献、专利储备以及规范标准的非系统性回顾；在此不作全面无遗漏的保证。经全文审查，与本文最接近的相邻专利为 US 12,367,337 B2（Comake Inc.，2023 年 4 月 20 日申请，2025 年 7 月 22 日授权），这是一种通过名词与动词共享图式（shared schema of nouns and verbs）实现数据整合的框架；具备版本控制属性的自然语言概念并非其探讨的主题。

6. 实现现状

本提案不仅停留在设计阶段；自2025年起，它已在内部投入实际运行——尽管跨组织边界且可公开解析的运行机制尚待完善（附录A确切说明了缺失的环节）。该实现遵循严格级联的三层架构。语义层仅识别一种交换对象：即上文所述的概念包。事务层为概念包赋予基于内容的寻址标识符、数字签名与溯源链。传输层则将上述概念包无损编码为多种机器可读格式。每一层均可独立进行检验：语义层不涉及字节与网络，传输层亦不涉及具体语义。

在此基础之上，建构了一个经过人工审核的核心库，包含约9,400个经双语定义的人机交互现象概念。其中，25个概念已严格对照ISO 704的全部六项定义标准进行了编撰，作为黄金标准；400个概念已完成双重验证；其余概念正在进行持续验证。该词库未获ISO认证——认证是一项机构级程序，并不对独立研究项目开放；准确的表述应为：对齐ISO 704标准，并在本研究计划内部通过了评审。此处的统计数据特指该核心注册表内的条目；同一项目在早期处理阶段出现过不同数据——例如数据准备流（pipeline）中的约4,400个条目，或导航视图中的约7,000个节点——它们所指代的计数对象并不相同，因而与本数字不构成等延关系。

词库内容源自一个工作语料库，包含自2025年3月以来记录的逾10万轮人机对话数据，覆盖多个不同供应商的模型家族，其中约4万轮是采用结构化引导生成的。核心库内概念的变更均被完整记录为带时间戳的条目；当前的重点工作是将多个并行累积的词库统一合并为具备持续版本控制的生产状态。此外，还构建了采用术语交换格式的多语种交换词库、作为顶层架构的关系图谱、面向机器使用者的本地编程接口，以及面向人类用户的交互式导航界面。

本文阐述了该架构的对外呈现：数据模型、生成循环、层级边界及可检验属性。内部的工作流程——包括选择启发式、检验序列、编排与验证例程——暂不予公开；披露这些细节容易招致机制上的直接挪用，却无益于增进理论理解。相比之下，可检验对象则是完全开放的：附录A展示了一个完整的概念包。

7. 可检验性

优先权声明。 该声明仅针对第5节中所述形式的M1、M2与M3之并集。任何反例均须同时满足上述三项要求，且发表日期必须早于2026年4月20日——即本项工作的密码学锚点日期，也就是其自身所能自证的最早时间点。若能举出此类工作，我们将公开撤回本优先权声明。

实质性声明。 本论题断言，相较于仅传递术语名称，传输完整的概念包能够显著提升异质接收方之间的一致性。具体而言，若下述实验得出否定结果，则视作本命题被驳倒：选取来自至少三个不同供应商模型家族的至少四个接收方，并设置人类对照组。从词库中抽取至少100个概念，针对每个概念生成10项用法判定，其参考答案已独立敲定。条件A：仅提供术语名称。条件B：提供完整的概念包。以克里普多夫α系数（Krippendorff's alpha）衡量接收方之间的成对一致性。本命题要求在预设的显著性水平下，从条件A到条件B的α值至少提升0.15。

进阶检验基准。 若出现以下情形，本命题的说服力同样会受到削弱：在日常工作语境中引入概念级版本控制前后，通过记录周期时间、返工率与可复现性，发现其在可追溯性上并未带来可衡量的收益；或者，所预设的跨基底可迁移性在系统边界处失效，且无法用现有证据状态或有效性限定符加以解释。

8. 局限性

本研究的经验基础是一项单一观察者的纵向研究。跨越多个模型家族的三角验证仅能控制模型侧的变量，而无法控制人类侧：概念的剥离、命名、界定与版本决策始终可追溯至同一位观察者。针对25个黄金标准概念，项目内部设有专门的评审机制：执行两轮盲审，并在裁定后进行第三次复核，全程记录所有个体的异议裁决。然而，目前词库的任何部分均尚未交由独立的外部专家标注人员进行一致性检验研究。现有数据无法判定这些概念中有多少确实捕捉到了领域内的普遍现象，又有多少仅反映了该观察者的个人特质。我们认为这是本项工作最严峻的开放性缺口，而非无关痛痒的方法学脚注。下一步的计划已明确：将抽选部分词库交由两位独立的专家标注人员进行重新界定，并如实报告一致性结果，无论结果如何。

另有三项局限必须予以说明。在当前的证据状态下，跨基底有效性的主张更多是一种架构要求，而非已被验证的属性：当前报告的词库仅证明了“人-模型”路径的有效性。机器人控制器无法直接解析自然语言编写的概念包；它需要通过具备语言处理能力的解析组件接收该包，并从中提取出可执行的表征。目前尚未在此层面上开展机器人的实事实测；M3属性对人与模型成立，对其他基底类别则仍处于假设阶段。该层级并不声称能够生成未知的新知识：它表征的只是从充分证据中推导出的内容，并附带不确定性与溯源信息。此外，它运行在一个通过机器学习获得的、缺乏形式化规范的解释基底之上；其语义具有概率性，而非可证明性——这是任何评估设计都必须纳入考量的结构性属性。

9. 结论

如今，在人类、模型、智能体与机器人之间，这一意义层存在于每一次提示词（prompt）、每一条系统指令、每一项智能体协议之中，却处于未命名、未受版本控制、缺乏治理的状态。传统的智能体语言为其预留了占位符，却未能将其填补。本文对其进行了命名，确定了其载体材质，规定了其最小形式，描述了其生成周期，将其与十个相近概念进行了界定区分，展示了其核心对象的样本，并提供了一种可对其进行证伪的实验设计。

首创性声明。 这一主张基于两个相互独立的锚点。

密码学锚点。 本项目的全部工作已于 2026 年 4 月 20 日锚定至比特币（Bitcoin）区块链：区块高度 945970 与 945979，根校验和（SHA-256）为 299e4b3d0ac9e50740268896b5eeb541f6462332bb67b7efdf4cd309704770d0，时间戳清单为 MANIFEST_20260420T205730Z。获取上述两份基础工作论文任一副本的任何人，均可对照该清单计算其校验和，并对照区块链验证该清单。时间戳清单可依请求提供。由此，该锚点使得在出示版本时即可确证其日期与完整性，而无须公开披露任何具体内容。

登记锚点。 2026 年 4 月 22 日，这两份工作论文作为研究计划合集（bundle）的组成部分完成了补充登记（DOI 10.5281/zenodo.19695778）。该合集汇集了本研究计划的多个分支；其公开标题标明的是该合集在运动表现方法学上的主题，而非本文探讨的具体工作。合集的标题、作者及登记日期均公开可见；文件则受访问限制。由此，登记锚点提供了第二个由机构维护的日期证明，而内容的归属权则由密码学锚点确立。

采用时间戳的唯一目的，是通过首次发表来确立现有技术（prior art）。本文不寻求任何专利保护，也不对所描述的意义层、其命名或个别概念主张任何排他性权利。优先权声明旨在保障学术署名权（attribution），而非限制使用。

附录 A —— 完整的概念合集

本文主张，该意义层的基本单元并非文档，而是独立的个体概念。以下词条完整展示了该单元。其定义与概念界定提取自本研究计划的黄金标准集（gold-standard set）；字段结构遵循第 3 节中规定的最小形式。

任何读者均可重新计算该内容哈希值。被计算哈希的对象是该版本的规范核心（canonical core）：术语名称、英文定义与德文定义。三者按此顺序排列，以竖线分隔，不含首尾空格，并采用 UTF-8 编码。在进行哈希处理的字符串中，德语变音符号（Umlaut）与 ß 分别被展开为 ae、oe、ue 和 ss，并保留其原有大小写：例如 Ü 转换为 Ue 而非 ue。规范核心中任何一个字符的更改，都会导致哈希值的改变。正是基于这一机制，版本身份得以通过防篡改的方式被精确识别。

关于可解析性（resolvability）的说明。第 3 节中规定，若要达到格式良好的状态，每个标识符都必须是可解析的。此处展示的标识符尚未满足该要求：它虽在研究计划内部具有唯一性，但目前尚无供第三方查询的公共解析服务。因此，可解析性是该层运作的一项刚性要求，而当前状态尚未实现这一点——这绝非细枝末节，而是概念合集能够在不同组织间流转的先决条件。

版本判定准则示例。 假设定义中增加了一条补充条款：“即使输出是正确的”。由于正确的输出原本就未被排除在外，该概念所指代的外延并未发生改变，仅仅是表述变得更加精确：这就构成了一个次版本（minor version）。但若增加的条款是“且仅限于专业工作语境中”，那么原本涵盖的某些情况将被排除：这就构成了一个主版本（major version），即意义发生断裂（break in meaning），迫使每一个使用该概念的消费者必须重新对其进行解析。此示例仅为阐释判定准则而虚构，并不代表实际发生过此类版本变更。

参考文献

Austin, J. L. (1962). How to Do Things with Words. The William James Lectures Delivered at Harvard University in 1955, ed. by J. O. Urmson. Oxford: Clarendon Press / Cambridge, MA: Harvard University Press.

Bai, Y., Kadavath, S., Kundu, S., Askell, A. et al. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.

Beyer, C. J. (2026). Toward a Common Language for Human-AI Interaction Failures: A Practitioner-Accessible Error Taxonomy for the Missing Layer of AI Safety Classification. Effective Altruism Forum, 15 April 2026.

Brennan, S. E. and Clark, H. H. (1996). Conceptual Pacts and Lexical Choice in Conversation. Journal of Experimental Psychology: Learning, Memory, and Cognition 22(6), 1482–1493.

Brohan, A., Brown, N., Carbajal, J. et al. (2023). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. arXiv:2307.15818.

Clark, A. and Chalmers, D. (1998). The Extended Mind. Analysis 58(1), 7–19. doi:10.1093/analys/58.1.7.

Evelson, B. and Bandyopadhyay, I. (2026). The Next Evolution Of AI Will Rely On Context Layers. Forrester Blogs, 20 August 2026. https://www.forrester.com/blogs/the-next-evolution-of-ai-will-rely-on-context-layers/ (accessed 30 August 2026).

Ehstand, A. (2026a). AUGMANITAI Universal Concept Layer: A Bundle-Based Semantic Protocol for Cross-Substrate Communication. Working Paper 1.0, 15 April 2026. Contained in the registered record of 22 April 2026 (DOI 10.5281/zenodo.19695778, access-restricted).

Ehstand, A. (2026b). Sprache als versionierbarer Code: Eine rekursive Architektur zur Erweiterung von Realität über biologische, digitale und cyber-physische Entitäten. Working Paper 0.1, 20 April 2026. Recorded in the timestamp manifest MANIFEST_20260420T205730Z; contained in the registered record of 22 April 2026 (DOI 10.5281/zenodo.19695778, access-restricted).

Finin, T., Fritzson, R., McKay, D. and McEntire, R. (1994). KQML as an Agent Communication Language. Proceedings of the Third International Conference on Information and Knowledge Management (CIKM '94), 456–463.

FIPA — Foundation for Intelligent Physical Agents (2002). FIPA ACL Message Structure Specification. Standard SC00061G/J.

Hewitt, J., Geirhos, R. and Kim, B. (2025a). Position: We Can't Understand AI Using our Existing Vocabulary. Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:81556–81572. arXiv:2502.07586.

Hewitt, J., Tafjord, O., Geirhos, R. and Kim, B. (2025b). Neologism Learning for Controllability and Self-Verbalization. ICLR 2026 (Poster). arXiv:2510.08506.

Karpathy, A. (2023). "The hottest new programming language is English." X, 24 January 2023. https://x.com/karpathy/status/1617979122625712128.

Khemakhem, M., Valentini, C., Ralli, N., Barros, S., Löckinger, G., Vezzani, F., Salgado, A., Zhang, Z., Mahr, S., Carvalho, S., Fleischmann, K. and Costa, R. (2025). Terminology Management Meets AI: The ISO/TC 37/SC 3/WG 6 Initiative. Proceedings of the 5th Conference on Language, Data and Knowledge: TermTrends 2025, Naples: Unior Press, 16–24.

Klein, M. and Fensel, D. (2001). Ontology Versioning on the Semantic Web. Proceedings of the First Semantic Web Working Symposium (SWWS), Stanford, 75–91.

Korzybski, A. (1933). Science and Sanity: An Introduction to Non-Aristotelian Systems and General Semantics. Lancaster, PA: The International Non-Aristotelian Library Publishing Company.

Liang, J., Huang, W., Xia, F., Xu, P., Hausman, K., Ichter, B., Florence, P. and Zeng, A. (2023). Code as Policies: Language Model Programs for Embodied Control. 2023 IEEE International Conference on Robotics and Automation (ICRA), London, 9493–9500. doi:10.1109/ICRA48891.2023.10160591.

Noy, N. F. and Musen, M. A. (2004). Ontology Versioning in an Ontology Management Framework. IEEE Intelligent Systems 19(4), 6–13.

OBO Foundry (n.d.). Principle 19: Stability of Term Meaning. https://obofoundry.org/principles/ (accessed 26 August 2026).

OMG — Object Management Group (2019). Semantics of Business Vocabulary and Business Rules (SBVR), Version 1.5. Document formal/19-10-02.

Park, S., Ramamurthi, V. and Terry, O. (2025). Neologism Learning as a Parameter-Efficient Alternative to Fine-Tuning for Model Steering. arXiv:2512.18551.

Pourzand, R. (n.d.). Why we need a universal semantic layer. dbt Labs Blog. The page carries no date of first publication; last edited 15 October 2024. https://www.getdbt.com/blog/universal-semantic-layer (accessed 26 August 2026).

Simpson, D., Riggan, T. and Schiros, C. (2026). Semantic Layer for Agentic AI using Ontology, Symbolic Reasoning, and Virtual Knowledge Graph. AWS Prescriptive Guidance. https://docs.aws.amazon.com/prescriptive-guidance/latest/semantic-layer-agentic-ai-ontology-reasoning-virtual-knowledge-graph/semantic-layer-agentic-ai-ontology-reasoning-virtual-knowledge-graph.html (accessed 30 August 2026).

Schlechtweg, D., McGillivray, B., Hengchen, S., Dubossarsky, H. and Tahmasebi, N. (2020). SemEval-2020 Task 1: Unsupervised Lexical Semantic Change Detection. Proceedings of the Fourteenth Workshop on Semantic Evaluation, 1–23.

Searle, J. R. (1979). Expression and Meaning: Studies in the Theory of Speech Acts. Cambridge: Cambridge University Press.

Soria Parra, D. and Delimarsky, D. (2026). MCP Roadmap. Model Context Protocol Blog, 22 August 2026. https://blog.modelcontextprotocol.io/posts/mcp-roadmap/ (accessed 26 August 2026).

Stojanovic, L. (2004). Methods and Tools for Ontology Evolution. PhD thesis, University of Karlsruhe.

注释

利益冲突声明。 本文作者系独立开展研究，无机构隶属关系。在本文所探讨的领域中，作者在从事研究的同时也存在相关的应用开发意向。本文不为任何服务提供广告宣传，未指定任何供应商，亦不包含任何商业要约。

数据获取。 本文的工作语料库来源于作者与人工智能系统交互的自我记录。其中不包含系统性收集的第三方数据；在分析前，已剔除对第三方的零散提及。数据处理的法律依据为《通用数据保护条例》（GDPR）第 6 条第 (1) 款 (f) 项。因作者无机构隶属关系，本研究未经过伦理委员会审批；且实验设计不涉及人类受试者。

研究透明度。 人工智能工具在文献检索及手稿准备过程中被用作辅助研究工具。研究的构思、学术判断及相关责任均由作者本人承担。

许可协议。 CC BY 4.0 International（署名）。© Andreas Ehstand 2026。该许可协议仅涵盖本文文本内容；本研究计划内部的工作流程不属于本出版物的一部分，故不受该协议约束；相关商标与命名权不受此影响。