输入处理输出结构递归嵌套模型技能ipo-model
IPO Model（SkillHub）
IPO Model（ClawHub）
name: ipo-model
author: 王教成 Wang Jiaocheng (波动几何)
description: >
输入处理输出结构递归嵌套模型 — 万物基元与世界模型。
一切任务均可分解为 输入→处理→输出 的递归嵌套结构，任意层级的任意节点均可继续展开为子IPO。
不使用工具时：用IPO分析问题、生成产物（纯认知输出）。
使用工具时：在IPO分析产物基础上，进一步用IPO生成命令、脚本，调用 Tool / Skill / MCP。
工具调用层级：command → script → Tool → Skill → MCP，由简到繁逐级升级。
此技能是认知世界和改造世界的统一方法论，适用于所有类型的任务。
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。
IPO 模型实战案例
按使用场景积累，供后续快速参考。
格式模板
### [场景名称] **用户需求**：xxx **IPO分析**： \`\`\` IPO: [任务名] ├── I: ... ├── P: ... └── O: ... \`\`\` **工具选择**：xxx **关键决策**：xxx案例库
（随使用积累）