控制层和方向层的分野：OpenProse、Natural-Language Agent Harnesses 与 AGE的比对分析
相关项目：OpenProse（
@openprose/reactor）、NLAHs（Natural-Language Agent Harnesses arxiv.org/abs/2603.25… 模板 github.com/entropy-clo…](github.com/entropy-clo…](github.com/entropy-clo… 的生产级实施实例） AGE 方法论系列文章：Attractor Before Harness: AI 大规模开发的方法论 、 从 Spec-Driven Development 到 AGE
起点
OpenProse、Natural-Language Agent Harnesses（NLAHs）和 Attractor-Guided Engineering（AGE）都在试图解决同一个问题：AI agent 的产出不可靠，怎么办？
前两者在控制层给出答案——OpenProse 用确定性 runtime 让目标可被精确维护，NLAHs 用自然语言文档让 harness 策略可被审查。AGE 追问的则是控制层之前的问题：控制到底应该维护什么结构？
如果方向层不存在，更好的 runtime 和更清晰的 harness 只会让结构整体漂移。
OpenProse 从运行时抽象出发——设计一种让 AI agent 长期维护"持续为真"目标的合约语言和运行引擎。
NLAHs 从表示媒介出发——将 agent harness 策略从 tangled controller code 外化为可编辑的自然语言文档，由共享运行时 IHR 解释执行。
AGE 从工程过程出发——设计一种让人类和 AI 协作时系统持续向稳定结构收敛的文档-流程体系。
OpenProse 问的是：怎样让一个目标不变。NLAHs 问的是：怎样让一次 agent run 按可审查的策略执行。AGE 问的是：系统被推偏之后，为什么还会回到正确方向。
约定：本文中 "NLAHs" 指论文提出的整体框架（Natural-Language Agent Harnesses），"NLAH" 指单份策略文档，"IHR" 指共享运行时（Intelligent Harness Runtime）。
Fixed Point ≠ Attractor
OpenProse 和 AGE 的核心抽象对应两个不同的数学对象。
Fixed Point（不动点）：f(x) = x。系统放在这个点上就不动了。判定条件是严格的等式。不动点可以是稳定的（附近的点向它收敛），也可以是不稳定的（附近的点远离它）。Fixed point 不蕴含 basin of attraction 的概念。
Attractor（吸引子）：一个集合（点、极限环、奇怪吸引子），使得周围一个区域（吸引域，basin of attraction）内的所有初始状态都会随时间演化向它收敛。关键性质不是"放上去不动"，而是"从附近出发会被拉回来"。吸引子不必是一个点，可以是一个流形。系统不需要精确到达它——只要在 basin 内，轨迹在收敛就行。
OpenProse 的指纹比对 fingerprint == fingerprint 是 fixed point 检测：输出和之前一样吗？一样就不动了。
AGE 的"系统向稳定结构收敛"可按 attractor 判据理解：系统不需要精确到达某个理想状态，只要控制机制持续把它拉回稳定结构附近。
一个是状态判定——"到了没有"。一个是过程判定——"方向对不对"。
Control Target ≠ Attractor：本体论区别
收敛机制（fixed point vs attractor）的区分之外，还有一个更深的本体论差异：控制目标 vs 吸引子。
控制目标（Control Target）
控制框架已经建立后，定义"控制应该朝向哪里"。它假设：
- 控制框架本身已经存在
- 执行者会按照指令行动
- 偏离时通过重新执行指令来纠正
控制目标是外部强加的 specification，驱动执行者去符合它。
数学吸引子（Attractor）
吸引子由系统自身动力学产生——周围区域内的所有初始状态都随时间演化向它收敛。关键性质：
- 它是涌现的——由系统动力学定义，不是外部强加的指令
- 扰动-恢复——推走它，动力学会把它拉回来
- 系统不需要"知道"它——水不需要知道洛伦兹吸引子就按它运动
- 它是方程定义的流形——不枚举每个正确状态，只定义约束关系
吸引子为控制提供最终因（final cause）。它在控制之前，不在控制之内。
注意：AGE 的吸引子只是一种类比，它不是自然涌现的数学对象，而是工程化构造的语义场：人定义结构约束，流程把这些约束转化为跨会话的恢复动力学。它的判据不是"没有外部设计"，而是"扰动后的恢复是否由持久结构场驱动，而非由一次性指令驱动"。
打个比方
操作手册告诉工人怎么组装零件。工人按手册做，偏离了对照手册纠正。手册是控制目标——它需要工人"知道"它并主动执行。
重力井是吸引子——不管你怎么推物体，物体的动力学自然把它拉回来。物体不需要"知道"重力井的存在。
OpenProse 和 NLAHs 的不变量都是控制目标
OpenProse 的 Responsibility（Goal/Maintains/Continuity）是外部定义的 specification。运行时通过指纹比对检测偏离，偏离了就重新 render。这是控制目标 + 确定性执行。收敛靠 runtime 强制重新执行 specification。
NLAHs 的 harness pattern（contract + stages + state / validation / recovery / stopping rules）告诉 IHR 应该怎么组织一次 task run。IHR 不是硬编码控制器，而是用 runtime policy 解释 NLAH，把条款落实为 child-agent calls、state updates、validation gates 和 artifact contracts。如果 agent 偏离，起作用的是 validation / recovery / stopping rules 等控制目标，不是系统动力学自然收敛。"behavior is flexible but still policy-guided" 不是吸引子语义，是运行时语义约束下的弹性执行。
AGE 的 owner-doc 体系在类比意义上具备吸引子性质
- 扰动-恢复动态：AI 改了代码（扰动）→ test/audit 发现偏离 → 修正 → 系统回到结构附近。跨会话的扰动-检测-纠正循环构成了收敛动力学。
- 隐式定义的流形：
docs/architecture/不是枚举每个正确状态，而是定义约束方程。满足约束的状态构成流形，局部实现多样，整体被拉向同一类结构。 - 跨会话涌现：上百次 commit、几十个 plan、多次审计叠加后的长期收敛——这是"系统行为"，不是"某次执行"。
AGE 的恢复同样依赖文档作为真值源。区别不只是粒度和时间尺度，而是约束对象不同：控制层指令约束一次执行如何完成；方向层约束未来所有执行结果允许落入的结构区域。
机制层的结构性平行
三个体系的机制层存在结构性平行：
| OpenProse | NLAHs | AGE | |
|---|---|---|---|
| 真值源 | Responsibility (Goal/Maintains) | NLAH (contract + run rules) | Owner docs (docs/architecture/) |
| 解释者 | OpenProse reactor | IHR runtime | AI agent 读文档 |
| 执行单元 | render | task run | plan（重大变更时） |
| 检测 | 指纹比对 | validation gates | CI + audit |
| 关闭条件 | postcondition + receipt | completion gates + artifacts | Closure Gates + 独立 closure audit |
| 纠正 | 重新 render | retry / recovery / honest stop | 修正代码，重读文档 |
机制槽位相似，但语义不同。这个表只说明三者都是控制系统，不说明它们控制的是同一类对象。OpenProse 和 NLAHs 让一次执行更可控；AGE 判断这些执行累积后是否仍指向同一个长期结构。
差异不在机制层，而在机制层之上的方向层是否存在。OpenProse 的 Responsibility 和 NLAHs 的 NLAH 都是自包含的 specification——它们定义了自己的完成条件（指纹相等 / contract 满足），不需要外部引用"系统应该向什么结构收敛"。AGE 也有完成条件（CI gates、audit 通过），但 owner docs 的不可替代作用是：当局部完成条件与长期结构方向冲突时，提供裁决依据。CI 可以判定某次 import 是否通过；owner-doc 决定为什么 flux-react 不能反向依赖 renderer 包。前者是控制门，后者是方向层。
这就是方向层 vs 控制层的区别：不是机制不同，而是控制之上有没有一个独立的、持久的目标结构为所有控制提供最终因。
三者的本体论位置
三者的关系不是层次关系（project-level attractor ⊃ run-level attractor），而是本体论差异：
方向层（Attractor）——AGE: owner-doc 定义的长期收敛结构
↑ 为控制提供最终因
│
控制层（Control Target）——NLAHs/OpenProse: specification + runtime 执行
↑ 控制机制的实现
│
机制层（Mechanism）——IHR/reactor/CI: 具体的检测、执行、恢复
AGE 文章的核心论点正是：方向层先于控制层。 没有定义"朝哪里收敛"，控制机制就没有统一意义。NLAHs 和 OpenProse 都在控制层做创新——NLAHs 用 NL 提高策略的可审计性和可移植性，OpenProse 用确定性 runtime 提高执行的精确性和成本效率。但它们都不能回答方向层的问题：系统应该向什么结构长期收敛？ 一个可证伪的表述是：如果移除 AGE 的 owner-doc 优先级链、日志和 bug 蒸馏后，系统仍能在长期重构中保持同等架构方向，那么 AGE 的方向层主张就是多余的。
三个体系的前提假设
OpenProse：会话终将结束，责任不应随之消失
OpenProse 的核心隐喻来自 React。它把 AI agent 的每一次执行建模为一个 render。
三个关键假设：
- AI 的价值在于 bounded render——有限、可审计的单次推理
- 持续性的来源不是会话，而是 world-model 的持久状态和 receipt 链
- 成本与"意外"成正比，与时间无关——如果没有变化，render 不执行
这是 runtime-first 的世界观：先定义好"什么在运行时保持为真"，再考虑工程过程。
NLAHs：策略不应埋在代码里
NLAHs（Natural-Language Agent Harnesses）的核心隐喻来自可编辑的策略文档。NLAH+IHR 体系把 agent harness 拆成四层栈。
三个关键假设：
- Harness 策略可以从 tangled controller code 中分离出来，用可编辑的自然语言表达
- NL 携带策略，code 携带机制——精确操作留在代码里，可检查的策略留在 NL 里
- 共享 runtime（IHR）可以为不同的 NLAH 提供统一的执行基底
这是 representation-first 的世界观：策略的表示媒介决定了它的可审查性、可移植性和可分析性。
AGE：先定义系统要回到哪里，再讨论怎么回去
AGE 的核心隐喻来自动力系统理论。
三个关键假设：
- AI 是结构上不同于人类的扰动源——高频、高振幅、无持续方向感
- Attractor 必须先于 harness 存在——"朝哪里纠正"先于"如何纠正"
- 文档是 attractor 的载体，代码是 attractor 的瞬时投影——两者都不是 attractor 本身
这是 process-first 的世界观：先定义好"系统应该向什么结构收敛"，再设计运行时的行为。
分歧一览
| 维度 | OpenProse | NLAHs | AGE |
|---|---|---|---|
| 核心问题 | 如何让 AI 持续维护一个为真的目标？ | 如何将 harness 策略外化为可审查的 NL？ | 如何让系统在 AI 高频扰动下持续向稳定结构收敛？ |
| 问题域 | 单个 responsibility 的生命周期 | 单次 task run 的 harness 策略 | 整个仓库的演化轨迹 |
| 时间尺度 | 单次 render（分钟）到持续 serve（天） | 单次 task run（分钟到小时） | 单次 commit（分钟）到项目演化（月/年） |
| 不变量性质 | 控制目标（specification + fixed point） | 控制目标（specification + 软约束） | 工程化方向场（engineered attractor-like structure） |
| 稳定性概念 | Fixed point——指纹相等即不动 | Policy conformance——符合策略即正确 | Attractor——在 basin 内即收敛 |
| "对了"的含义 | 输出与期望精确匹配（二值） | 执行路径符合 NLAH 规定的策略 | 系统在收敛方向上（方向性） |
| 控制机制 | 确定性指纹比对（零 LLM） | IHR 解释 NL policy（依赖 LLM） | 扰动-恢复动力学（test→audit→fix） |
| 策略执行 | Runtime 强制 | Runtime + NL 指导 | 制度化流程诱导，而非 runtime 强制 |
核心抽象对比
最小原语
OpenProse 的 Responsibility 是一个自包含的计算单元，有明确的输入边界（Requires）、输出边界（Maintains）、目标（Goal）和连续性约束（Continuity）。执行产生一个 receipt——内容寻址、链式可验证的决策证明。
NLAHs 的 NLAH 文档 是一个可编辑的策略描述，定义了 task run 的 lifecycle policy：contract、stages、roles、state rules、verification rules、recovery rules 和 stopping conditions。NLAH 不是"告诉模型怎么回答"，而是"告诉 runtime 怎么组织一次多步执行"。
IHR 的执行语义不是把 NLAH 编译成代码，也不是让一个 agent 读完文档后自由发挥。它用固定 runtime-policy prompt 把 base agent 变成 parent orchestrator：parent 读取 NLAH，把 contract、stages、state rules、validation rules、recovery rules 和 stopping conditions 落实为 child-agent task packets、handoff、状态文件、artifact gates 和 completion checks。阶段内部仍由 child agent 智能执行；测试、parser、validator、benchmark adapter 这类精确操作由 scripts/adapters 承担。
AGE 的 Attractor 不是一个对象，是一个结构性质，由三层组成：
- 结构层：少量高层不变量（如包依赖方向
flux-core → ... → flux-renderers、七种原语闭集、编译优先管道） - 载体层：承载这些不变量的可审计文档（
docs/architecture/） - 实现层：当前代码中体现这些不变量的部分
Responsibility 和 NLAH 都是实例——你可以数出"这个项目有 23 个 responsibility"或"这个 benchmark 有 1 个 NLAH"。Attractor 是一个性质——你不能数出"这个项目有 5 个 attractor"，它更像"这个系统的吸引子是一个低维流形"。
三个体系都有把 AI 行动收束成可关闭单元的机制：OpenProse 的 render、NLAHs 的 task run、AGE 的 plan。Render 的闭包由输入指纹、postcondition 和 receipt 决定；task run 的闭包由 NLAH 的 task contract、validation rules、artifact contracts 和 stopping conditions 决定；plan 的闭包由 Plan Status、Current Baseline、Goals、Non-Goals、execution/proof checklist、Closure Gates 和独立 closure audit 决定。
Plan 不是待办列表，而是一次重大变更能否关闭的证据结构：先核对当前基线，限定目标与非目标，执行中逐项证明，最后由独立审计确认 scope 内事项已经完成或被诚实移出。它和 owner-doc 的关系也不是每次修改文档，而是用 owner-doc 判断当前变更的边界和关闭条件；只有当变更改变 live baseline、public contract 或 owner behavior 时，closure 才要求同步文档。
NLAH 和 AGE plan 在机制形态上接近：都用自然语言定义 contract、阶段、证据和停止条件，都反对只靠 agent 自述完成。但两者关闭的对象不同：NLAH 关闭的是一次 run，证明执行轨迹满足 harness policy；plan 关闭的是一次变更，证明当前 scope 的结果、证据和文本状态都足以被独立审计接受。
| NLAH | AGE plan | |
|---|---|---|
| 对象 | 一次 agent run 的 harness policy | 一次重大变更的 closure contract |
| 执行结构 | IHR parent orchestrator + child agents | 实现 agent / 人类按 plan 执行，独立 reviewer 或 fresh subagent 关闭审计 |
| 证据载体 | STATE_ROOT、artifacts、run logs | plan checklist、proof、verification output、daily log |
| 停止条件 | task contract、artifact contract、stopping conditions | Closure Gates、scope 内 checklist、deferred adjudication、closure audit |
| 失败后处理 | run 内 retry / recovery / honest stop | 不关闭、补 proof、改状态、拆出 non-blocking follow-up 或新 plan |
状态模型
| OpenProse | NLAHs | AGE | |
|---|---|---|---|
| 状态表示 | 内容寻址的 world-model（形式化） | 文件系统状态（STATE_ROOT + artifacts） | 代码 + 文档 + 日志（非形式化） |
| 判定机制 | 确定性指纹函数（canonicalizer） | validation gates + artifact contracts | CI 命令 + 人工审查 |
| 历史记录 | Receipt ledger（链式可验证） | Artifact 文件 + 日志（单次 run 内） | 日志 + Bug Notes + Git history |
| 稳定性语义 | Fixed point 检测（hash == hash） | Policy conformance（符合策略） | Attractor 收敛（在 basin 内且方向正确） |
| 跨会话记忆 | Receipt chain（链式可验证） | 无（单次 run 内的文件状态） | 有（logs、bugs、discussions、plans） |
技术实现对比
OpenProse 是严格的两阶段架构：编译期用 LLM 产生确定性工件（Forme DAG、canonicalizer、postcondition validators），运行期从不调用 LLM，所有决策都是确定性的。AGE 没有"编译一次然后运行"的分离，验证持续嵌入在每次变更中——typecheck → build → lint → test → 审计 → 日志，永远在验证方向。NLAHs 处于两者之间：NL policy 与确定性 hooks 分离，但 IHR 运行时依赖 LLM 解释策略。
AGE 明确识别了自验证陷阱：AI 从同一上下文生成代码和所有评判材料（类型、测试、文档、完成总结），如果理解有偏差，所有"验证证据"会朝同一个方向偏离。对策是强制生成和评判分离——闭包审计必须由新上下文执行。OpenProse 通过编译期冻结确定性函数来绕过同一个问题。NLAHs 在论文的评估场景中靠 benchmark autograder 规避，但在生产部署中同样需要外部验证机制来避免自验证陷阱。
对"一致性"的理解——三种语义
这是三个体系最深层的分歧点。
OpenProse 的 fixed-point 一致性：每个 responsibility 的 render 产出 world-model，通过 canonicalizer 得到指纹。指纹和上次一样，系统"一致"。判定是二值的：相等或不相等，没有"差不多一致"。组合层面，每个 responsibility 都在自己的不动点上，DAG 拓扑正确，则整个系统一致。自底向上，每个局部不动点组合成全局不动点。
NLAHs 的 policy-conformance 一致性：agent 的执行路径是否遵循 NLAH 规定的策略。Paper 定义了 pattern-preservation、stage-coverage、artifact-contract compliance 等指标来度量。不是二值的——NLAH 允许灵活执行，但要求策略结构（阶段、角色、验证门、状态规则）被保留。Paper 的 RQ2 发现 NLAH 保留了可识别的工作流结构（workflow preservation 0.63-0.67, stage coverage 0.57-0.82），但信息传递是主要弱点（handoff recall 低至 0.32）。
AGE 的 attractor 一致性：不是二值的。一个系统可以"大部分在 attractor 附近，但某个子系统偏离了"——这不是"不一致"，而是"在 basin 内但偏离中心"。判定标准是方向性的：系统是在向 attractor 收敛，还是在远离？一次 commit 可以通过所有测试（在 basin 内），但如果引入了架构偏移（比如逆转包依赖方向），系统的轨迹就不再向 attractor 收敛了。自顶向下——即使每个模块的测试都通过（每个局部都在不动点），整体仍然可以偏离 attractor。
AGE 的原始论断："所有 state-level checks 都能通过，但系统整体在漂移"。nop-chaos-flux 的 Plan 76 是一个实例：移除 array-editor 局部状态镜像的尝试产生了 11 个测试失败——不是因为单个 bug，而是因为测试本身已经漂移到了与旧实现的时序耦合状态。每个累积的变更都通过了 review 和 CI，但从 attractor 视角看，测试套件已经漂离了能支持结构性演化的位置。这恰恰是 attractor 概念存在的原因。
这个区分不是术语偏好：
- Fixed point 方法只能检测"是否精确到达"——对"在收敛方向上但还没到达"和"已经偏离"的区分能力很弱
- Attractor 方法天然关注轨迹方向——不需要系统精确到达，只需要系统在收敛，而收敛本身就是可持续的
- Fixed point 在离散状态空间（如 world-model 的指纹）中工作良好；Attractor 在连续状态空间（如架构的演化）中更有表达力
- 这直接解释了为什么 OpenProse 用
hash == hash（离散等式），AGE 用"CI 通过 + 文档一致 + 架构边界完整"（多维收敛信号）
三个维度
对 AI 的定位。 OpenProse 把 AI 建模为有界的 render 函数，角色是执行器。NLAHs 把 AI 建模为被 harness policy 组织的执行系统：parent orchestrator 按 runtime policy 解释 NLAH，child agents 执行具体任务，角色分化为编排者 + 执行者。AGE 把 AI 建模为高频、高振幅、无持续方向感的扰动，角色是扰动源 + 执行器——同时被约束和被使用。
对文档的理解。 OpenProse：*.prose.md 就是程序，如果任何东西与 Markdown 不一致，Markdown 是对的。NLAHs：NLAH 文档是策略——规定"怎么做"但不直接"执行"，最可审查的部分从实现细节中分离出来。AGE：文档是 attractor 的载体层，代码是 attractor 的瞬时投影，载体层定义了它应该回到哪里。
失败处理。 OpenProse：失败产生 failed receipt，即时的、个体的，每个 render 独立记录。NLAHs：NLAH 定义 Recovery Rules（重试、回退、证据），失败的 artifact 保留供分析，但不跨 run 蒸馏。AGE：失败产生结构化 Bug Note，反复出现的失败模式被蒸馏为 guardrails，按渐进自动化阶梯升级（笔记 → 检查清单 → 启发式脚本 → lint 规则 → CI 门控）。
渐进式自动化的实证：nop-chaos-flux 的工具链
AGE 方法论有一个核心论断：能落实为确定性检查的，会逐步从轨迹数据中抽取为确定性脚本。
nop-chaos-flux 的工具链为这条论断提供了完整的实证。实际发生的 5 级渐进自动化阶梯：
Tier 1: 轨迹捕获（Bug Notes + Logs）
62+ bug fix notes, 72 daily dev logs
Tier 2: 模式蒸馏（Architecture Guardrails + Audit Rules）
8 guardrails distilled from bugs, 19 dedicated audit rules
Tier 3: 编码化的审查模式（Skills/Prompts）
24 reusable audit/review prompt templates
Tier 4: 启发性嫌疑扫描器（Heuristic Scanners, exit 0）
12 focused audit scanners, informational output
Tier 5: 硬门控自动化（Hard Gates, CI-blocking, exit 1 on failure）
14 hard gate scripts, 30+ ESLint rules, dependency-cruiser, Semgrep, Husky pre-commit
实例 A：构建产物污染源码目录
Tier 1 — Bug #23：packages/*/src/ 中残留的 .js 文件在 Vitest 运行时暗中覆盖了 .ts 源码，导致测试失败但根因不在测试代码。共发现 102 个过期文件。
Tier 2 — Guardrail #6 "No Build Artifacts In Source Directories" 被蒸馏进 docs/references/architecture-guardrails-from-bugs.md，附有 bug 证据链接。
Tier 5 — scripts/verify-no-src-artifacts.mjs 成为硬门控（CI-blocking），同时 scripts/clean-src-artifacts.mjs 提供清理能力。pnpm lint 链在 ESLint 之前先跑 clean + verify。
从 bug 到 CI 门控，完整走完了 5 级。
一个思想实验：如果用 OpenProse 或 NLAHs 管理 nop-chaos-flux
如果把 nop-chaos-flux 的架构不变量建模为 OpenProse responsibilities，会得到运行时精确的变化检测，但无法回答为什么这些不变量应该这样组织、如何演化。如果把 plan 执行建模为 NLAHs，会得到结构化的执行流程，但无法回答 100 次 plan 之后系统是否仍在收敛。两者都是控制层工具；都不覆盖方向层。
AGE 的 owner-doc 系统处理这些问题。OpenProse 的 responsibility 合约不覆盖方向层。NLAHs 的策略文档不覆盖跨会话的轨迹演化。两者都是优秀的控制层工具，但吸引子（方向层）不在它们的问题域内。
结论
OpenProse 回答的是："给定一个需要持续为真的目标，如何用 AI 高效、安全、可审计地维护它？"——微观运行时问题。
NLAHs 回答的是："给定一个 tangled 的 controller code，如何把可复用的 harness 策略外化为可审查、可移植、可消融分析的 NL 文档？"——表示媒介问题。
AGE 回答的是："给定一个在 AI 扰动下持续演化的系统，如何保证它不会偏离稳定结构？"——宏观过程问题。
三者守护的是不同形式化/工程化稳定性语义，甚至不同本体论层次。OpenProse 信任算法（确定性函数、内容寻址、链式验证）来维持不动点；NLAHs 信任可审查的 NL 策略（IHR 解释执行、模块可消融）来维持策略遵循；AGE 信任的不是泛泛流程，而是可审计、可累积、可对抗复核、能把失败沉淀为未来约束的过程。OpenProse 和 NLAHs 在控制层做创新；AGE 在方向层做贡献。
真正的分歧在于失败会在哪里累积：OpenProse 把失败局部化到 responsibility，NLAHs 把失败局部化到 task run，AGE 把失败看作跨会话轨迹的信号。
在 nop-chaos-flux 的实践中，AGE 的渐进自动化阶梯已经跑通：62+ bug notes → 8 guardrails → 14 硬门控 + 12 启发性扫描器 + 30+ ESLint 规则。Bug #23（构建产物污染）完整走完了从 bug note 到 CI-blocking 硬门控的 5 级蒸馏。72 个日志文件记录了系统的轨迹，46 个执行计划是局部收敛机制，58 个架构文档的优先级链是 attractor 的载体层。
OpenProse 可以把 AGE 已经明确的局部不变量变成精确的变化检测。NLAHs 可以把 harness 变成可消融对象。两者都是优秀的控制层工具；但吸引子（方向层）不在它们的问题域内。它们可以成为控制层执行器，不能替代方向层裁判。
可以这么说：如果一个项目连续通过 CI、review 和 harness contract，却在 50 次 AI-assisted change 后出现包边界逆转、测试语义耦合和 owner-doc 冲突，那么 OpenProse/NLAHs 的控制层成功了，而 AGE 要处理的问题才刚刚显现。这就是三者的分界线：不是谁更全面，而是谁能看见长期漂移。
控制层能告诉 AI 怎么纠错；方向层决定了什么才叫错。