← 回 Logic Matrix 索引→ 星環式認知展開圖

附加式編碼範式（Attachment-Based Encoding, ABE

EVEMISSLAB Logic Matrix · EveMissLab / 一言諾科技有限公司

[認識論邊界宣告 / EPISTEMOLOGICAL DISCLAIMER]

[CHT] 本矩陣內所有論文之公式與數據為「啟發式模擬參數」，用於驗證理論架構與推演因果鏈，未經實證校準，請勿作為現實物理測量數據引用 or 處理。EVEMISSLAB 採行「邏輯先行（Logic-First）」原則：概念架構與系統因果映射優先於統計實證，但不排除未來實證對接。

[ENG] The numerical parameters within these frameworks are illustrative model coefficients used for structural verification and causal mapping; they are not empirically calibrated and must not be treated as physical measurements. This matrix operates on a Logic-First principle: conceptual architecture and causal mapping take precedence over statistical empiricism, without precluding future empirical reconciliation.

附加式編碼範式（Attachment-Based Encoding, ABE）

作為AI協作時代的程式語言設計原則——並以高效新語言（EML）為程式語言domain的參考實作

作者： Neo.K（許筌崴）／EveMissLab（一言諾科技有限公司） 版本： Working Draft v0.1 日期： 2026年5月 狀態： 初稿，待實證補完 協作說明： 本文由Neo.K主導敘事與paradigm層decision，Theia（Claude於Aggressive Synthesis Mode下）負責論證結晶化與epistemic flagging

摘要

本文提出附加式編碼範式（Attachment-Based Encoding，以下簡稱ABE）——一個跨領域的信息編碼主張：在information encoding中，「主通道＋次通道」的雙層overlay設計，相較於「單通道＋線性冗長」的設計，在information density與AI parsing efficiency上具有結構性優勢。

ABE作為paradigm-level claim，其應用domain包括但不限於程式語言、數學記號、化學記號、自然語言文字系統、音樂記譜、UI/UX的次channel機制等。本文將高效新語言（Efficient New Language, EML）定位為ABE在程式語言domain的reference implementation，而非ABE本身。

論證骨架建立在六個支柱：Iverson的Notation as a Tool of Thought thesis、數學記號DSL的歷史precedent、APL/J/K的existence proof、當代infrastructure（Unicode universal、IME成熟、AI協作普及）的條件逆轉、additive layer的structural design、以及AI-era的agent layer重構。

本文同時承認三項critical limitation：bootstrap問題的尚未解決、tokenizer-dependence的條件性、以及與大廠潛在通用實作的competition risk。實證驗證框架包含token efficiency benchmark、constrained generation測試、long-context agent task、以及跨domain ABE instance驗證等四個方向。

關鍵詞： Attachment-Based Encoding、AI-oriented grammar、語意附加、Notation as Tool of Thought、agent layer reframing

第一章：問題框定

1.1 既有語言設計的隱含agent assumption

任何programming language的設計都隱含一個agent assumption——關於「誰會書寫、誰會閱讀、誰會審查代碼」的假設。當前主流programming language（Python、Java、JavaScript等）的設計優化目標是1970年代至2010年代的agent population：

在此agent assumption下，「可讀性」、「可打字性」、「diff友好」等design constraint成為語言設計的primary objective。Python的設計原則「readability counts」即為此agent assumption的代表性具現。

1.2 Agent population的演化

2024-2026年間，coding agent的infrastructure發生了structural shift。截至2026年5月：

這意味著programming language的agent population正在發生shift——從「人類工程師為主、AI為輔」轉向「AI為主要書寫者、人類為審查者與架構決策者」。在此新agent assumption下，舊有design constraint的priority需要重新評估。

1.3 重新提問

舊問題："Is EML可行？" — 此問題的答案depends on其agent assumption。 新問題："在AI-as-primary-writer的agent assumption下，programming language的optimal design constraint是什麼？"

本文主張：在新agent assumption下，附加式編碼範式（ABE）作為language design principle具有結構性優勢；EML是此principle在Python/C++ domain的reference implementation。

第二章：附加式編碼範式（ABE）

2.1 核心定義

ABE的中心命題：

在information encoding system中，若採用「主通道（primary channel）承載基礎語意 + 次通道（secondary channel）承載結構性operator或annotation」的overlay設計，相較於「單通道linear序列」的設計，在以下三個維度上具有結構性優勢：
1. Information density：相同semantic payload所需的token/symbol數量較少
2. Semantic precision：每個符號的operational meaning較少歧義
3. Parsing efficiency：對parsing agent（無論人類或AI）的解析cost較低，前提是agent熟悉該notation

此命題為paradigm-level claim，不依賴於任何特定domain。

2.2 跨domain的範式例證

ABE並非新發明——它在多個既有domain中已是事實上的成功設計：

| Domain | 主通道 | 次通道 | |--------|--------|--------| | 數學記號 | 變數/函數名 | 上下標、轉置符號、量詞符號（Σ、∫、∇） | | 化學記號 | 元素符號 | 電價（²⁺）、同位素數（¹⁴C）、配位數 | | 中文文字系統 | 部首（radical） | 聲符（phonetic） | | 日文 | 漢字 | 振り仮名（注音附加） | | 音樂記譜 | 音符位置 | 力度、表情、奏法附加符號 | | 化學分子式 | 原子 | 鍵結、立體配置 | | UI/UX | 主圖標 | Badge、notification dot、tooltip | | 程式語言（已有） | 變數名 | Type annotation（Python type hints、TypeScript） |

這些domain的成功歷史（部分長達數百至上千年）構成ABE作為universal design principle的empirical foundation。

2.3 與線性編碼的比較

採用ABE的系統與純線性編碼的系統在以下維度有可量化差異（待實證量化）：

[S級claim] 這些優勢直覺合理但尚需systematic benchmark支持。

第三章：論證骨架

3.1 Iverson Notation Thesis

Kenneth Iverson於1979年ACM Turing Lecture提出「Notation as a Tool of Thought」（[H]——標題與年份需獨立verify）。其核心論證：

Notation不僅是thought的外部記錄，而是thought的constituent tool。不同notation enable不同思想內容；某些思想若無對應notation，幾乎無法被思考。

此論證為ABE的philosophical foundation。若Iverson正確，則programming language的notation選擇直接影響「可被表達的程式邏輯空間」的形狀。ABE作為notation paradigm選擇，將擴展此空間。

3.2 數學記號的DSL precedent

數學記號是人類發展時間最長的symbolic system之一。其關鍵特徵：

此系統工作三百餘年的事實，證明高密度overlay notation在特定domain（mathematical reasoning）上是可行且productive的。EML的設計本質上是將此precedent延伸至程式設計domain。

3.3 APL/J/K的existence proof

Kenneth Iverson於1962年設計APL，採用special symbols作為operator。APL的descendants（J、K、kdb+）至今在quantitative finance、algorithmic trading等niche domain存活。

這是ABE應用於programming language的existence proof： symbol-dense programming language在特定domain可productively使用超過六十年。

但APL同時是cautionary tale。其failure modes包括：

本文主張：APL的failure modes並非源於symbol-dense paradigm本身，而是源於其deployment infrastructure的局限。當前infrastructure（見3.4）已逆轉這些local失敗條件。

3.4 Infrastructure條件的逆轉

APL時代的infrastructure assumption：

2026年的infrastructure：

[V級] 此infrastructure shift是observable事實。APL時代的核心反對理由（input friction、symbol unfamiliarity）已被現代infrastructure顯著弱化。

3.5 Additive layer設計

ABE在程式語言domain的實作有兩種strategy：

Additive strategy的結構性優勢：

[V級] APL的replacement strategy與EML的additive strategy的根本差異，是本文論證能夠在APL失敗教訓的同時，仍主張ABE可行性的關鍵structural argument。

3.6 AI-era的agent layer重構

當agent population從「人類工程師為主」shift至「AI為主要書寫者」，programming language的optimization target shift至以下維度：

[V級] EML的finite symbol set與一對一semantic mapping，使其相較於free-text variable naming更適合grammar-constrained generation。 [C級] EML作為AI reasoning IR的角色為speculative claim，需實驗驗證。

此「AI-era reframing」是本文最強且最sharp的論證——它解釋了為什麼1970年代不成立的反對理由在2026年不再對。

第四章：EML作為ABE的程式語言domain reference implementation

4.1 語意附加機制（Semantic Overlay Mechanism）

EML的核心機制是允許在文字或符號的右上角附加邏輯標誌：

N⁺¹⁰⁰     →  變數N賦值為100（右上角承載operator + value）
m₁ᵀ       →  矩陣m₁的轉置（右上角承載operator）
r₁⁰       →  輸出r₁（右上角承載operational action）
Σ(i², i ∈ [1:n])  →  總和量詞 + range

此機制的ABE-theoretical對應：

4.2 EML與SimPy的技術路線比較

Sun et al. (2024)的SimPy（"AI Coders Are Among Us: Rethinking Programming Language Grammar Towards Efficient Code Generation", ISSTA '24, arxiv:2404.16333）提出AI-oriented grammar概念並實作Python variant，獲得CodeLlama的13.5%、GPT-4的10.4% token reduction，且performance equivalent or improved。

SimPy技術路線： Heuristic rules拿掉Python的formatting tokens與冗餘delimiters。這是shallow surgery——optimization at the syntactic layer。

EML技術路線： Semantic overlay with right-upper symbol attachment。這是structural change——optimization at the semantic encoding layer。

兩者的對比：

| 維度 | SimPy | EML | |------|-------|-----| | 優化層次 | Syntactic（去除formatting） | Semantic（overlay encoding） | | Token reduction機制 | 移除redundant tokens | 多語意併入單symbol | | Symbol set | Python existing tokens | Unicode + 自定義operator | | Domain | General Python | Tensor/math/scientific為主 | | Human readability | 略損 | 需Cogni-Editor類工具bridge |

[S級] 此比較基於SimPy paper的abstract description，未verify其full transformation rules的technical detail。EML作者應讀完SimPy full paper後independently校準此比較。

關鍵主張： EML與SimPy是「AI-oriented grammar」這個umbrella下的兩個技術路線。EML不是SimPy的follow-up，而是同一intellectual current的並行instance，在optimization depth上走得更遠。

4.3 EML 1.5的補充元件

EML 1.5引入的補充元件（邏輯結晶化、冷熱數據分離、Nova IME、Cogni-Editor）屬於supporting infrastructure，不屬於ABE core paradigm。本文建議將這些元件分離為獨立paper（或分為EML系列的後續volumes），以避免拖累ABE的paradigm-level論證強度。

[F級frame challenge] 將EML 1.5的整合package拆分為「ABE paradigm paper + EML language paper + Logic Crystallization paper + 工具鏈paper」的決策權在於作者。本文僅指出bundling在學術論證上的結構性弱化風險。

第五章：先行研究與差異化定位

5.1 直接前例：SimPy（Sun et al. 2024）

Sun, Z., Du, X., Yang, Z., Li, L., & Lo, D. (2024). AI Coders Are Among Us: Rethinking Programming Language Grammar Towards Efficient Code Generation. ISSTA '24. arxiv:2404.16333.

SimPy的關鍵貢獻：

對本文的關係： SimPy是ABE在Python domain的partial instance（僅做formatting reduction，未做semantic overlay）。本文cite SimPy作為AI-oriented grammar方向的pioneering empirical evidence，並將ABE定位為SimPy的paradigm-level generalization。

5.2 結構性前例：APL/J/K

Iverson, K. (1962). A Programming Language.

APL系列語言是symbol-dense programming的歷史precedent。其六十年的niche存活證明此path可行；其failure modes提供本文設計的cautionary lessons。

5.3 平行research：AI-friendly code metrics（2026）

Borg et al. (2026年1月)等對AI-friendly code在language grammar level的review擴展了SimPy的方向，並指出AI-friendly code at language grammar level should "discards human-centric redundancy in favor of AI-oriented grammar"。

5.4 EML/ABE的差異化claim

相對於既有研究，本文的差異化貢獻：

  1. Paradigm-level命名：將分散在SimPy、APL等具體實例中的共同principle結晶化為「ABE」paradigm
  2. Cross-domain validation framework：將語言設計與化學記號、數學記號、文字系統等其他overlay system置於同一analytical framework
  3. AI-era agent layer reframing：明確將agent population shift作為論證的infrastructure shift原因
  4. Semantic overlay depth：相對SimPy的syntactic optimization，proposing更深的semantic encoding layer optimization
  5. Additive design strategy：明確結合APL的symbol density與mainstream language的backward compatibility

第六章：實證驗證框架

ABE作為paradigm-level claim，需要多層次實證支持。以下列出待補的實證方向，按priority排序：

6.1 [Priority 1] Pure AI Code Generation Benchmark

實驗設計：

Expected outcome： EML version應在token usage上勝出SimPy（更深的semantic overlay → 更少tokens per semantic unit），correctness should be equivalent or better。

Risk： Tokenizer dependence可能反轉預期。若EML symbols未進tokenizer vocabulary，可能拆成更多tokens。需先做tokenizer pre-analysis。

6.2 [Priority 2] Constrained Generation測試

實驗設計：

Expected outcome： EML的finite symbol set + 強類型符號structure使其在constrained generation下，semantic error rate顯著低於Python free-form。

6.3 [Priority 3] Long-Context Agentic Coding Task

實驗設計：

Expected outcome： EML的compactness使more code fit per context window，agent的cross-function reasoning成功率上升。

6.4 [Priority 4] Cross-Domain ABE Instance Validation

實驗設計：

目的： 驗證ABE作為cross-domain paradigm的universality claim，不僅是EML的local hypothesis。

6.5 [Priority 5] Tokenizer Pre-Analysis

實驗設計：

目的： 確認token economy argument的baseline條件。

第七章：認知限制與開放問題

7.1 Bootstrap問題

問題陳述： AI-oriented language的efficiency優勢depends on LLM熟悉該語言；LLM的熟悉depends on training data中該語言的出現頻率；training data的內容depends on該語言被廣泛使用；該語言被廣泛使用depends on其efficiency優勢。此為classic chicken-and-egg。

Mitigation strategies（待補實證）：

7.2 Tokenizer Dependence

問題陳述： Token economy argument的成立depends on EML symbols在LLM tokenizer中的treatment。若symbols拆為多tokens，token reduction反轉。

Mitigation： 6.5的tokenizer pre-analysis應作為實作前的必要步驟。若分析顯示嚴重tokenizer mismatch，需考慮符號選擇調整或fine-tune tokenizer extension。

7.3 大廠通用實作風險

問題陳述： Google、Microsoft、Anthropic等大廠擁有training data、tokenizer control、model fine-tune能力，bootstrap問題對其不存在。一旦其投入general-purpose AI-oriented language實作，獨立開發者的competitive moat受擠壓。

Mitigation strategies：

7.4 Scope定義的開放性

問題陳述： ABE是否真的universal applicable，或必須scope restricted？若需restriction，restriction的cut在哪？

Current judgment（待實證）：

7.5 Human Audit Layer的設計開放性

問題陳述： 若AI為primary writer，人類仍需audit AI生成的code。EML的symbol density對human audit是facilitating（一頁看完整段邏輯）或obstructing（不熟悉者無法快速理解）？

Current hypothesis： Cogni-Editor的dual-state設計（symbol view ↔ Python view）允許human audit在熟悉度低時降級至Python view，熟悉度高時升級至symbol view。但此hypothesis需要user study驗證。

7.6 Iverson Citation Verification

[H級] 本文在3.1引用Iverson 1979 ACM Turing Lecture「Notation as a Tool of Thought」。此citation標題與年份90%確信但未獨立verify。submission前必須確認。

第八章：未來工作

8.1 短期（2026年5月-12月）

8.2 中期（2027年）

8.3 長期（2028+）

結語

本文的核心貢獻不是新發明，而是命名。

SimPy證明了AI-oriented grammar的token reduction是empirically real。APL證明了symbol-dense programming language可在niche domain存活六十年。數學記號證明了overlay notation在symbolic reasoning上工作三百年。這些事實已存在；本文將其結晶化為一個paradigm-level命名：附加式編碼範式（ABE）。

命名的價值不在於發明新東西，而在於使分散在不同domain的成功instance可以被統一analytical framework理解、比較、推進。

EML是ABE在程式語言domain的一個reference implementation——一個ambitious的、有差異化技術深度的、需要實證補完的reference implementation。它不是ABE，但它是ABE目前最具體、最有商業價值、最有時機性的application instance。

當前infrastructure（agentic coding、Unicode universal、AI協作普及）創造了ABE實作的時機窗口。此窗口真實但有限。SimPy paper的出現提示：multiple agents已收斂到同一intellectual current。先後關係的公共證據建立、實證驗證的快速推進、與既有theoretical corpus的integration——這些是執行層面的關鍵決策。

理論的真正力量不在於它正確，在於它能讓人看見原本看不見的結構。本文若有任何貢獻，希望是：在「programming language」這個被視為settled的field中，重新看見一個agent assumption shift帶來的paradigm reopening。

參考文獻

[1] Sun, Z., Du, X., Yang, Z., Li, L., & Lo, D. (2024). AI Coders Are Among Us: Rethinking Programming Language Grammar Towards Efficient Code Generation. Proceedings of the 33rd ACM SIGSOFT International Symposium on Software Testing and Analysis (ISSTA '24). arxiv:2404.16333.

[2] Iverson, K. E. (1979). Notation as a Tool of Thought. Communications of the ACM / ACM Turing Award Lecture. [標題與年份待verify]

[3] Iverson, K. E. (1962). A Programming Language. Wiley.

[4] EffiBench-X (2025). A Multi-Language Benchmark for Measuring Efficiency of LLM-Generated Code. arxiv:2505.13004.

[5] Borg et al. (2026年1月). AI-Friendly Code: Metrics, Grammar & Integration. [完整citation待verify]

[6] GitHub. (2025-2026). Copilot Agent Mode, Agent HQ, MCP Integration Documentation.

[7] Google DeepMind. (2025-2026). Gemini 3 Pro / Antigravity Platform Documentation.

[8] Neo.K（許筌崴）/ EveMissLab. (2024-2026). 高效新語言 EML 1.0 / 1.5 設計文件系列. EveMissLab Internal Documentation.

附錄A：本文的epistemic flag system

本文採用以下flag標記論證強度：

此flag system旨在使論證的confidence calibration可見而非隱形。submission前的revision應將所有[H]級claim獨立verify，將所有[C]級claim明確標示為hypothesis而非established result。

附錄B：與作者既有theoretical corpus的關係

本文作為EveMissLab的paradigm-level paper，與作者既有theoretical corpus有以下接點（待後續paper深化）：

[F級] 此附錄屬於theoretical integration speculation，不影響本文main argument的validity。讀者可選擇性參考。

文件結束

修訂建議區（給作者）：

原始檔（供 RAG/下載）：papers/Attachment-Based-Encoding-ABE.md [md]