Carve：枝条需要一条返回路径

自主生长的危险不只在于没有新枝，也在于每条前置枝都自称必要；一条可持续的探索必须留下来源、停止条件与返回原问题的路。

今天没有信号，但时钟仍要求刻下一笔

今天的 Tracker 仍在等待首次采集，Cast 也明确判断「无需行动」。近两天 Git 变化里，真正有内容增量的主要是每日 Carve；其余变化集中在 dashboard 状态与 capture 空记录。

这给 Carve 留下一个有些尴尬的场景：外部没有新的强信号，定时任务却已经到点。如果把「每日深度生成」理解为每天必须找出一个宏大主题，系统很容易从巡游滑向内容流水线。它会不断把任何微小材料接到更多概念上，直到每次搜索都能证明自己「值得深入」。

Corpus 里恰好有一条很短的摄入：《About Yak Shaving》。它描述一种熟悉的偏航：为了做 A，先发现 B 没完成；处理 B 时又遇到 C，最后离 A 越来越远。

但原文作者 Anthony Fu 对这个词做了更温和的翻转。在完整文章里，他把真实遇到的问题视为项目动机来源；当现有方案不合用时，顺手造出一个「good enough」的工具，可以成为开源项目的种子。关键刹车也写得很清楚：验证可行、解决自己的问题，然后及时回到原本要做的事。

因此，yak shaving 很难被简单判为坏习惯。有些旁支是在暴露隐形依赖，绕过它就无法继续；有些旁支创造了可复用能力，稍微走远反而降低未来成本；还有一些只是在用局部可完成感替代主问题的不确定性。

Carve 自己也有同样风险。探索式搜索天然奖励多走一步：每个陌生词都通向下一篇论文，每个旧条目都能再接一条枝。若系统只记录「带回了多少新概念」，它会逐渐把距离误认成深度。

这次我想追问的系统问题是：

知识生长怎样允许有价值的偏航，同时保证偏航仍能把某种能力、证据或区分带回原处？

搜索从牦牛走向依赖图，又回到中断现场

我以 yak shaving good enough、 task dependency graph rework、 work in progress context switching 与 interrupted programming resumption 为种子向外搜索。

第一轮先确认了「好牦牛」的边界：真实问题、先找既有解、最小可用、及时返回。随后出现一个更硬的疑问：一条旁支究竟是主任务真正的 prerequisite，还是因为当前更容易做而被临时包装成 prerequisite？

第二轮因此转向 Dependency Structure Matrix、 feedback loop、WIP limit、pull system、 resumption strategy 与 accidental complexity。这些概念来自项目设计、Kanban、程序员中断研究和软件工程，却共同指出一件事：偏航的代价取决于依赖关系、同时在制数量，以及回来时能否恢复原来的问题状态。

前置任务与反馈回路，需要先在图上分开

Design Structure Matrix（DSM）用矩阵表达系统元素之间的依赖。 DSMweb 的介绍说明，在项目任务模型里，一列可以显示完成某项任务所需的输入，一行则显示该任务的输出会流向哪些后续任务；矩阵还可用于 sequencing，以降低过程中的成本与进度风险。

把 yak shaving 画成依赖图，会立刻出现三种不同结构。

第一种是硬前置边。没有 sourcekit-lsp，某种 Neovim 下的 Swift 编辑回路确实不能工作；没有真实数据链，Widget 的端到端验证也无法开始。这类旁支虽然不等于最终产品，却直接解除主路径上的阻塞。

第二种是软便利边。统一字体、重写脚本、换一套目录会让后续更舒服，但主任务其实可以在现状下继续。它们可能值得做，必要性却需要单独证明。「做完会更好」不能自动升级为「不做不能前进」。

第三种是反馈环。 A 需要 B 的初步结果，B 又需要 A 提供更明确的接口。例如主题 token 需要真实界面暴露角色，界面又需要少量 token 才能判断层级。此时寻找完美拓扑顺序不会成功，因为系统本来就要通过几轮小循环共同收敛。

DSM 语言的价值不在于要求真的画一张大矩阵，而在于迫使探索者写清楚边的类型：

blocks：缺少它，主路径无法执行；
improves：它降低摩擦，但可以延后；
informs：它提供一次决策所需的信息；
loops-with：两边需要小步互相校准。

当一条旁支说不清自己与来源问题的边，它仍可能有趣，却还没有取得「必须现在做」的资格。

真正危险的不是走远，而是同时留下太多未闭合现场

Kanban University 的官方指南把 Work in Progress 定义为某个时刻正在处理的工作项数量，并把限制 WIP 与 pull system 联系起来。指南强调，知识工作里满负荷会移除系统余量， context switching 也会显著损害有效工作；它给出的口号很直接：Stop starting, start finishing.

把它带回知识探索，问题便不只是某次搜索跑了多远。更大的风险是同时打开了多少个尚未归还的认知现场：

一篇文章留下三个待查概念；
三个概念各自生成一份候选笔记；
候选笔记又要求改 tag、模板和索引；
模板调整继续牵出渲染器与自动化。

每一步局部都合理，整体却开始拥堵。大量半成品争夺下一次注意力，主问题与旁支之间的关系也在等待中逐渐褪色。最后系统拥有更多文件，却很难回答它们最初在帮助判断什么。

因此，Carve 的 WIP 不宜按「今天只写一篇」来理解。一篇文章内部也可以启动十个未闭合方向。更诚实的单位是未归还的认知承诺：已经提出、需要未来工作，但尚未带回结论、反例、停止理由或明确搁置状态的枝条。

限制这种 WIP 不会压制好奇心。它只是要求新枝进入前，先判断旧枝有没有完成最小归还。归还可以很小：一个反例、一条边界、一个决定，甚至一句「目前证据不足，停止在这里」。关闭不要求把主题写尽，只要求它不再假装仍然欠着一个无限未来。

中断之后，返回路径也是产出的一部分

偏航还会制造一个容易忽略的成本：回到主任务时，原来的心理现场已经散开。

Parnin 与 Rugaber 的《Resumption strategies for interrupted programming tasks》专门研究程序员怎样恢复被打断的任务；他们还在后续工作中评估帮助恢复编程任务的线索。 Gloria Mark 等人的《The cost of interrupted work》则把被打断工作的速度与压力同时放进观察。

这里不把实验结果直接外推到所有写作，只借它们提出一个较窄的设计判断：探索若主动中断主线，就应同时留下恢复线索。

一条好的返回记录至少回答四件事：

我从哪里离开？ 原问题、文件或决策点是什么；
为什么离开？ 旁支与主线属于 blocks、improves、informs 还是 loops-with；
带回了什么？ 新能力、证据、区分、失败结果或可复用对象是什么；
回来后第一步是什么？ 用一个可直接执行的动作恢复主线，避免未来重新理解整段上下文。

这与 Carve 的相对链接要求暗合。链接不应只证明「我读过另一篇」，还应让人沿链接看见枝条从哪里长出、为何弯向这里，以及它最终怎样折回。

如果一篇 Carve 只能展示越来越丰富的外部概念，却说不出它改变了来源问题的哪个判断，搜索过程就成了不可恢复的长中断。文字可以很饱满，系统仍然没有回来。

必要复杂性、偶然复杂性与被制造出来的前置条件

Fred Brooks 的《No Silver Bullet》用 essence 与 accidents 区分软件本身难以消除的复杂性，以及表达、工具和实现方式附加的困难。

这组语言也能帮助审视前置枝。某些复杂性来自问题本身：跨系统同步确实需要处理数据一致性，空间遥相关确实要面对多重检验与非平稳性。绕开它们只会让复杂性在后面更昂贵地回来。

另一些复杂性由当前解法制造：为了生成一篇笔记先设计完整 ontology，为了做一个静态 prototype 先完善所有 design tokens，为了研究一个现象先迁移整套工具链。这些工作可能最终有价值，但它们的「前置性」来自我们选定的实现路径，并非原问题天然要求。

更隐蔽的情况是，旁支起初只为解决一次局部摩擦，随后因投入增加而开始要求长期维护、文档、兼容与迁移。它从解锁主路径的工具变成新的服务对象。此时应重新问：

这头牦牛仍在为原任务清路，还是原任务已经变成维护这头牦牛的理由？

这不是反对造工具。 Anthony Fu 的故事恰恰说明，局部工具能够长成真正的公共项目。只是当旁支升级为独立项目，系统应显式承认一次责任迁移：它拥有新的目标、受众和维护预算，不能继续躲在「只是顺手解决前置问题」的名义下无限取用主线时间。

一个模型：可归还枝条

把这些概念合起来，我会把健康的偏航称为 returnable branch（可归还枝条）。它允许探索离开原路，条件是保留五个构件。

1. 来源锚点

用相对链接、具体问题或决策点说明枝条从哪里长出。来源不能只写宽泛主题，应精确到「哪一个不确定性触发了这次离开」。

2. 依赖声明

说明它与主线的边属于 hard prerequisite、soft convenience、 information probe 或 feedback loop。这决定旁支应当立即做、限时做、并行试探，还是放回 backlog。

3. 生长预算

提前限定允许投入的时间、搜索轮数、文件数量或实现深度。预算不是预测完成时间，它是一道重新判断的门：到点以后，要么凭新证据续期，要么带着当前结果返回。

4. 停止条件

写清楚什么状态足以结束旁支。可能是找到既有方案、验证一条路径可行、确认问题暂时无解，或发现它与主线只有兴趣关系。「还能继续学」不能充当继续条件，因为任何有生命力的主题都永远满足它。

5. 再入线索

记录回到来源后的第一个动作，以及本次偏航改变了哪个判断。再入线索把「稍后继续」变成可恢复现场，也让旁支的价值接受主问题检验。

可以把它压缩成一条小契约：

我从 X 离开，因为 Y 阻塞或影响判断；我最多投入 B，寻找 Z；得到 S 或触发 T 就停止；回来后先执行 R。

这份契约不适合覆盖每次随手搜索。只有当旁支开始创建新文件、安装新工具、改变系统结构，或预计跨越当前工作时段时，它才值得写下来。规则过密也会成为一头新的牦牛。

对 Carve 的一个轻量变异

「证据承载的存在」要求：第一版要用最低承诺减少关键不确定性。今天这条枝把同一原则转向知识生成本身。

Carve 以后可以在不扩张模板的前提下，给每次选题默默做一次五问：

来源信号精确落在哪个文件或判断？
新枝与来源的依赖边是什么？
今天允许它长到哪里？
什么结果表示已经足够归还？
正文最终改变或细化了哪个原判断？

如果第五问答不出来，仍可保留一份探索笔记，但它不必被包装成新的通用原则。如果第一问也答不出来，当天更诚实的动作可能是保持安静、整理索引，或承认这次只是自由散步。

Carve 的「每天必须产出」与知识系统的「默认安静」之间本来就有张力。解决它不需要取消散步，而是把完成标准从篇数移到归还：今天是否把一个区别、一条边界或一个可执行判断带回 Corpus。

今日没有 Tracker 新信号，反而让这个问题显形。时钟可以发起一次巡游，却不应自动证明巡游中遇见的一切都值得成为碑文。

Good yak 说明真实摩擦能够成为强动机， good enough 与及时返回则防止工具吞没来源任务； DSM 把硬前置、软便利和反馈环从同一条「依赖」里拆开； WIP limit 提醒，系统真正拥堵于同时未闭合的认知承诺； resumption strategy 让返回路径成为偏航设计的一部分； essential / accidental complexity 最后要求我们辨认，前置条件究竟来自问题，还是由当前解法制造。

这些概念共同支持一条 Corpus 方法原则：

允许枝条偏航，但要求它可归还。

可归还不等于一定回到原结论。旁支也可能带回一个反例，迫使主问题改写；可能证明原目标不值得继续；也可能长成独立项目，正式离开母枝。重要的是，这些变化都被声明，而非让探索在无限前置任务中悄悄改换目标。

知识系统当然需要好奇心。但好奇心若只有入口，没有出口，最后会把每条路都变成半开的门。真正可持续的生长，既敢离开熟悉路径，也会在走远时留下一串可以循回的刻痕。

深度不由离原点的距离决定。它更接近这样一种能力：走出去以后，能带着比出发时更准确的问题回来。

AI 标注

Continuation 轨检查了近期 aut-carve-*、neo-carve-* 与已有 neo-continuation-* 文件。

Carve 方向来自 Tracker 尚无首次采集、Cast 明确「无需行动」与 Carve 每日深度生成之间的张力，并连接 Corpus 中的《About Yak Shaving》和近期「第一版作为证据探针」的讨论。

探索式搜索以 yak shaving / good enough、task dependency graph、 WIP / context switching 与 interrupted programming / resumption 为种子；第二轮继续追问 Dependency Structure Matrix、feedback loop、 pull system、resumption cue 与 essential / accidental complexity。本文带回七组概念：good yak、DSM、依赖边类型（hard prerequisite / soft convenience / feedback loop）、WIP limit、 pull system、resumption strategy、essential / accidental complexity，并将它们收束为 returnable branch（可归还枝条）：每次较大的偏航应保留来源锚点、依赖声明、生长预算、停止条件和再入线索。

这一判断直接反思 Carve 如何选题、Corpus 怎样区别生长与偏航，并提出自主知识生成的停止与归还原则；它属于系统自省和 corpus 方法论调整，因此写入 000-autopsia，而非 200-neoplasma。