CH 06语言与意义：从维特根斯坦到词向量
这一章会解释一个你可能从没想过要解释的现象：为什么「向量相似」能代表「意思相近」，以及它什么时候会骗你。 更重要的是，它会给你一个关于提示词的哲学解释——为什么给小样本示例比写一段规则描述更有效。 答案来自维特根斯坦的「意义即用法」。这不是牵强的类比， 它解释了你在提示词工程里观察到的几乎每一个反常现象。
6.1指称论：名字如何指向东西
最朴素的意义理论是：一个词的意义就是它所指的东西。「苹果」的意义就是苹果这个东西。
这个理论直观上很有吸引力，但它很快撞上几个反例——而这些反例恰恰预告了今天在向量检索里遇到的问题。
| 反例 | 问题 | 今天的对应现象 |
|---|---|---|
| 没有指称的词 | 「独角兽」「福尔摩斯」不指向任何实际存在的东西，但我们显然理解它们的意思 | 模型能处理虚构实体，检索时也会匹配到虚构内容—— 向量空间里它们与其他词有正常的位置关系 |
| 指称相同但意义不同 | 「晨星」和「暮星」都指金星，但古人并不知道它们是同一颗。 「晨星是暮星」这句话有信息量，而「晨星是晨星」没有 | 同义不同词：向量检索会把它们判为相似（正确）， 但如果你需要区分「用户说的是早上看到的还是晚上看到的」，它就无法区分 |
| 一词多指 | 「银行」在「河岸」和「金融机构」两个意义上指不同的东西 | 多义词问题：静态词向量会把两个义项混在一个向量里， 导致「这条河的银行」和「银行的利率」在空间里靠得过近 |
第三行是你在 RAG 里会实际遇到的。静态词向量对多义词的处理是把所有义项平均—— 这恰好是它的一个结构性弱点。上下文相关的表征（如 Transformer 的中间层）能缓解这个问题， 但不会消除它，因为「哪个义项」往往依赖世界知识和语境，而这两者都有覆盖不到的情况。
6.2弗雷格的涵义与指称
1892 年，弗雷格用一个区分解决了「晨星/暮星」问题。这个区分是语言哲学里最重要的工具之一。
| 概念 | 德文 | 含义 | 例子 |
|---|---|---|---|
| 指称 | Bedeutung | 词指向的对象 | 「晨星」和「暮星」的指称相同 —— 都是金星 |
| 涵义 | Sinn | 对象被呈现的方式（mode of presentation） | 「早晨出现在东方的那颗星」vs「傍晚出现在西方的那颗星」—— 涵义不同，所以两句话信息量不同 |
涵义是介于对象和符号之间的东西：同一个对象可以被不同的方式给出，而这些方式本身是有意义的。
—— 弗雷格《论涵义与指称》（1892）的核心思路但反过来：用户问「合同里的违约金怎么算」，文档里两处都提到「违约金」， 一处是甲方的、一处是乙方的。指称相似、涵义完全不同—— 这是向量检索会失败的地方。因为「哪一方的」这个信息不在词本身的相似度里。
把这两类分开统计，你会知道该往哪个方向优化。大部分团队把它们混在一起，于是优化方向不明。
6.3维特根斯坦前期：图像论
维特根斯坦是这个领域最特殊的哲学家——他提出了两套完全对立的理论， 而且后一套是对前一套的自我否定。了解这个转折，对你有直接价值， 因为它跟 AI 的两条路线之争是同一个结构。
《逻辑哲学论》（1921）：语言是世界的图像
命题是实在的图像。命题与它所描述的事实共享逻辑形式。
—— 前期维特根斯坦的核心主张（大意）他的想法是：语言能描述世界，是因为语言和世界具有相同的逻辑结构。 一个命题里的要素排列方式，对应着世界上的对象的排列方式。 所以「语言如何可能描述世界」这个问题，答案是：因为两者同构。
他还推出一个惊人的结论：凡是不能被这样结构化表达的东西（伦理、美学、生命意义）， 都无法被言说——只能被「显示」。这本书最后一句非常有名：
对于不可言说之物，必须保持沉默。
—— 《逻辑哲学论》第 7 节这条思路今天仍在：知识图谱、形式化验证、结构化输出校验。 它的力量在需要精确性的场合；它的弱点是覆盖不了那些「没法被清晰结构化」的知识—— 而后者恰恰是人类知识的大部分。
6.4维特根斯坦后期：意义即用法
1953 年出版的《哲学研究》（遗著）里，维特根斯坦推翻了自己前期的立场。 这个转折是本节核心。
不要问一个词意指什么，要问它怎么被使用。 一个词的意义，就是它在语言中的用法。
—— 《哲学研究》的核心主张（大意，§43 附近）语言游戏
他提出「语言游戏」这个概念：语言不是一套固定的「词—对象」映射， 而是嵌在具体活动中的、有规则但规则不明确的一系列实践。
他举了个著名的例子：一块石板、工人喊「石板！」—— 这个词在这个场景里是命令，不是描述，也不是命名。 换一个场景（建筑师在讨论材料清单），同一个词的功能完全不同。
你会下棋，但你说不出完整体现棋类规则的那个规则集（包括所有关于「怎样算认真下棋」的默契）。 你遵守规则，但规则不是你脑子里的一个明确清单。
这一点延伸出一个著名难题：遵守规则的悖论—— 没有任何一种行动方式不能被称为「符合规则」，如果允许对规则做足够灵活的解释的话。 那是什么决定了我们该这样而不是那样用词？维特根斯坦的答案是共同体的实践， 不是个人的内在规则。
这在方法论上与「意义即用法」高度一致：不是先给定义再学用法， 而是从用法中归纳出意义。 这解释了为什么统计学习能处理大量词汇语义——它抓住了用法的规律性。
同时也解释了它的弱点：它只能学到被写下来的用法。 没有被文字化的用法（默契、语境、身体经验）它学不到。
6.5家族相似性：概念没有本质
维特根斯坦还提出了一个对 AI 分类任务很有启发性的看法：很多概念没有共同的本质。
棋类、牌类、球类、奥林匹克、儿童拍手游戏、单人纸牌……它们有什么共同点？
如果你去找一个所有游戏都具备、且只有游戏具备的特征，你会发现找不到： 有些有输赢，有些没有；有些有竞争，有些没有；有些有规则，有些很随意； 有些是娱乐，有些是职业。
但它们之间像家族成员一样相互相似——两个人可能都不像第三个， 但都能通过一串中间相似关系连起来。
维特根斯坦的结论：这个概念是由相似性的网络构成的，它没有「本质」。 你不需要先给出一个完备的定义才能正确使用这个词。
这个对应关系非常深：维特根斯坦说概念由相似性网络构成， 而向量空间正是这种网络的一个可实现形式。这也是为什么向量检索在「模糊的、没有清晰边界的」 语义任务上表现很好。
但它同时揭示了弱点：当一个任务需要清晰边界时 （比如「哪些文件属于必须留存的合规材料」），相似性网络给不出硬判定—— 你需要额外的规则层。
6.6蒯因与翻译的不确定性
1960 年，蒯因在《语词与对象》里提出了一个思想实验，它对「语义等价」这个概念本身提出了挑战。
你作为语言学家来到一个完全陌生的部落。一只兔子跑过，当地人指着它说「gavagai」。
「gavagai」是什么意思？最自然的猜测是「兔子」。但同样一致的解释还有：
- 「兔子」
- 「兔子的某个部分」（比如兔子的耳朵）
- 「兔子的出现」（一个事件，不是物体）
- 「兔性」（一个抽象性质，像「红色」那样）
- 「未经分离的兔子部分的总和」
蒯因的论点：无论你收集多少观察，这些假设都与证据完全一致—— 因为你可以相应调整其它词的解释来保持整个系统自洽。 所以「指称」（reference）是在观察上不可确定的。
它的两个后果
| 后果 | 内容 | 对 AI 的意义 |
|---|---|---|
| 指称的不可测性 | 你无法从行为中唯一确定一个词指的是什么 | 「模型内部的符号指向什么」在原则上无法从行为判定—— 这为第 5 章的争论提供了另一个视角 |
| 整体论 | 信念不是逐个面对检验的，而是作为一个整体面对经验。 任何单个信念都可以通过调整其他信念而保住 （这个观点常被称为迪昂-蒯因论题） | 这解释了为什么「失败复盘」常常无法定位原因—— 一个方案失败时，你总能调整其它解释（数据、参数、实现细节）来保住主假设。 这是第 3 章波普尔讨论里提到的那个问题的更深根源 |
当你做 A/B 测试或消融实验时，「改了 X，效果变了」这个结论是不牢靠的—— 因为效果变化可能来自 X 与其它变量的交互，而不只是 X 本身。 整体论说的是：假设不是单独被检验的。
应对方式：做消融而不是只做增量。不要只测「加了 X 之后怎样」， 也要测「拿掉 X 之后怎样」；而且要在不同的其它配置下重复测一次。 如果结论在不同配置下不稳定，说明你抓到的不是 X 的独立效果。
6.7【工程锚点】词向量与分布假设
现在把上面所有东西落到最重要的一个工程点上。为什么「向量相似」能代表「意思相近」？
词语的意义由它的上下文决定。你可以通过一个词与谁相伴出现来认识它的意义。
—— 分布假设。Harris（1954）系统阐述；Firth 的这句表述流传最广这个假设在哲学上恰好就是「意义即用法」的可计算版本： 用法 = 上下文分布。所以词向量不是工程师的临时发明，它是一个哲学立场的数学实现。
| 对照 | 维特根斯坦（1953） | 词向量（现代） |
|---|---|---|
| 意义来自 | 用法 | 上下文分布 |
| 表示方式 | 相似性网络，无清晰边界 | 高维空间中的位置与距离 |
| 能否给定义 | 不能，也不需要 | 不能，也不试图 |
| 边界情况 | 边缘案例由共同体实践决定 | 由距离阈值决定（这里就出问题了） |
用一个数字去切一个本来没有清晰边界的东西，必然会在某些地方出错—— 而错在哪里，取决于你的数据分布，不能靠理论预判，只能靠观察失败案例。 这解释了为什么检索阈值几乎总是需要按场景分别调，没有一个通用值。
分布相似的四种失效模式
下面是你在 RAG 里实际会遇到的（建议按这四类整理你的失败案例）：
| 模式 | 例子 | 对策 |
|---|---|---|
| ① 语义对立 | 「这个方案可行」和「这个方案不可行」—— 只差一个否定词，向量相似度极高，但意思相反 | 否定词敏感的处理；把否定信息作为额外特征； 关键是别用相似度做「是否支持」的判断 |
| ② 多义混淆 | 「撤销订单」和「撤销权限」——动作相同、领域不同， 检索时容易跨领域串味 | 元数据过滤（按领域/模块分区）、分库检索 |
| ③ 领域术语 | 通用模型不认识你们内部的缩写、代号、历史项目名 | 同义词表/business glossary；对这些词做额外映射；考虑领域微调 |
| ④ 数量与否定细节 | 「满三年 10 天」和「满五年 10 天」——差别只在一个数字， 但这类细节往往是用户最关心的 | 向量检索对数字极不敏感。 对含数字、日期、金额的查询，加规则检索或结构化过滤作为补充 |
根本原因：向量空间编码的是「语义」，而数字的具体值在语义上的差异很小—— 「三年」和「五年」在语义上都是「一段时间」。但对用户来说， 这正是他问的那个唯一重要的东西。
通用教训：向量检索擅长「大致是这类话题」，不擅长「精确的数值约束」。 凡是涉及数字、日期、版本号、代码标识符的查询，都需要额外的精确匹配通道。
6.8【工程锚点】提示词工程的哲学读法
这一节是本章最有实操价值的部分。它能解释你在提示词调试中反复遇到的那些「不讲道理」的现象。
核心洞察：你在教一个「语言游戏」，不是在写规格说明
如果你把提示词当成写给程序的规格说明（「如果输入是 X，就输出 Y」）， 你会持续困惑——因为它不按规格说明的方式工作。
如果你把它当成在建立一个语言游戏（维特根斯坦意义即用法）—— 你在通过示例和语境，告诉模型「在这个场景里，什么样的话是合适的」—— 那么它的行为就变得可预测了。
所以「写清楚规则」经常不如「给三个例子」有效——这不是模型的缺陷，它与语言运作的方式一致。
四个由这个视角解释的现象
| 你观察到的现象 | 用「语言游戏」解释 |
|---|---|
| 换个说法效果差很多 | 你在无意中把提示词放进了不同的「游戏」。 「请总结」和「提取要点」在语料里对应的用法模式不同， 触发的是不同类型的输出。措辞不是包装，措辞就是语义输入本身。 |
| 明确的规则被无视 | 禁忌式的规则（「不要提到 X」）本身就是一种引入 X 的用法—— 你在提示词里建立了一个关于 X 的语境。 更好的做法是示范正确行为，而不是宣告禁止行为。 |
| 角色设定有效 | 「你是一位有 20 年经验的审校编辑」不是在描述一个身份， 而是在指定一个语言游戏——它锚定了大量「这类人会怎么说话、 关注什么、什么话不会说」的隐含约定。这些约定没法被逐条写出， 但可以被一个标签唤起。 |
| 示例顺序会影响结果 | 示例是用法示范，而用法示范的顺序构成了语境。 最后出现的示例往往影响最大（就像对话里的最近上下文）。 这是「语境决定意义」的直接体现。 |
- 示例质量：示例是否覆盖了边界情况？是否前后一致？
- 示例一致性：如果两个示例的处理方式矛盾，模型会学到混乱的用法
- 回归测试：改提示词必须重跑测试集——因为语义是整体性的（见 6.6 的整体论）
- 版本管理：提示词是有语义的代码，必须像代码一样管版本
一句话总结：把提示词当作「有语义的产物」而不是「自然语言写的配置」， 你就会自然地去做回归测试和版本管理——因为语义的改动会有非局部的影响。
一个实用推论：为什么「改一处」经常让别处坏掉
这是提示词维护中最常见、也最令人沮丧的现象。用整体论（6.6）来解释非常清楚：
所以你在末尾加了一句约束，可能改变模型对前面所有内容的理解—— 因为整段提示词构成了一个语境，而语境里的每一部分都参与决定「用法」。
这就是为什么提示词的调试必须配回归测试集： 你无法通过阅读提示词来预测改动的影响，因为影响是整体性的。 唯一可靠的办法是改完跑一遍。
6.9动手练习
-
给检索失败案例分类。收集你项目里 20 个检索失败的案例，按 6.7 节的四种模式归档：
语义对立 / 多义混淆 / 领域术语 / 数值细节。
产出：四类各占多少 + 针对占比最高的那类的改进方案 -
做一个「示例 vs 规则」对照实验。选一个你现在的提示词任务，写两个版本：
① 用文字详细描述规则 ② 给 3 个输入输出示例（不给规则）。
在同一个测试集上比较。
这个实验会让你直观理解「意义即用法」：大多数情况下示例版会更好 -
做一个否定词的极端测试。取 20 对「意思相反但用词高度相似」的句子
（「支持 X」/「不支持 X」、「需要审批」/「无需审批」），
看你的检索和模型能否可靠区分。
如果区分率低，说明你的系统在否定/极性上不可靠，这在合规、安全类场景是硬伤 -
给提示词建版本和回归集。把当前提示词固定为一个版本号，
建一个 20–30 条的代表性测试集（含边界案例），改提示词必须重跑。
这是把「提示词是语义产物」这个认识落地的最直接方式 - 检查数值类查询。列出你系统里所有「用户会问具体数字」的场景 （天数、金额、比例、版本号、期限），检查它们是否有精确匹配通道， 还是完全依赖向量检索。
6.10自测题
Q1. 弗雷格的「涵义」和「指称」怎么区分？它在检索里对应什么问题？
指称是词指向的对象；涵义是对象被呈现的方式。 「晨星」和「暮星」指称相同（金星）但涵义不同，所以「晨星是暮星」有信息量。
检索里的两个对应问题：
- 同指不同说法（用户说「降低延迟」，文档写「优化响应时间」）—— 向量检索的强项，可以解决。
- 说法相似但所指不同（甲方违约金 vs 乙方违约金）—— 向量检索的弱项，因为「属于哪一方」不在词的相似度里， 需要元数据或结构约束。
Q2. 「意义即用法」为什么能解释 LLM 的工作方式？
因为语言模型的训练完全不依赖词典定义——它只看词在真实文本中如何被使用， 用上下文分布来刻画意义。这正是「意义即用法」的可计算实现： 用法 ≈ 上下文分布。
同时这个视角解释了它的弱点：它只能学到被文字化的用法。 那些没有被写下来的默契、语境依赖、身体经验，它学不到。
Q3. 家族相似性对 AI 分类任务有什么启发？
很多概念没有共同本质，而是由交叉重叠的相似性网络构成。 人们不需要完备定义就能正确使用这些词。
启发有两个方向：
- 正面：这解释了为什么向量空间（用距离表达相似性）能很好地处理模糊语义任务—— 它天然是「相似性网络」的实现形式。
- 反面的：当任务需要清晰边界时（合规判定、安全分类、 责任归属），相似性网络给不出硬判定，需要额外的规则层。 试图用一个相似度阈值来做需要硬边界的判定，是常见的架构错误。
Q4. 为什么给示例常常比写规则描述更有效？
因为模型的训练方式是从用法中归纳意义，而不是从定义中推导行为。 你给示例时在给出用法，你写规则时在给出定义。
这与维特根斯坦的论点一致：学一个词的意思，是看它在哪些场合怎么用， 而不是背定义。定义永远不完整，用法才是标准。
实用推论：当提示词效果不佳时，先怀疑「我没说清」不如先怀疑「我没示范」。 加两三个边界情况的示例，往往比再加一段规则说明更有效。
Q5.【动手题】用户反馈「问年假天数，答案经常不对」。你的排查顺序是什么？
第一，判断是不是检索问题——先看检索到的片段里有没有正确的数字。 如果没有，问题在检索层（这是最常见的情况）。
第二，如果检索错了，检查是不是「数值不敏感」（6.7 第四类）。 用「满三年 10 天」的查询去检索，看返回的是不是包含了「满五年」的段落。 这类失败几乎必然出现，因为向量空间对具体数字不敏感。
第三，检查是不是「多段拼合」问题。 制度文档里年假条款常常分散在几处（基本规则、特殊情况、例外）， 如果只检索到其中一段，答案就会不完整—— 而模型很可能会补全缺失的部分（这是第 3 章的忠实性幻觉）。
第四，如果检索正确但答案错，检查是不是模型在做补全（忠实性幻觉）。 用第 3 章的方法：把答案拆成句子，逐句检查能否在检索到的材料里找到支持。
最后，针对根因给方案：
- 数值不敏感 → 加规则检索/结构化过滤通道，把含数字的条款单独建索引
- 条款分散 → 把年假相关的所有条款预先聚合成一个完整块，而不是让检索去拼
- 模型补全 → 加「只使用提供材料」的强约束 + 答案引用检查
注意这个排查的特征：每一步都在缩小可能的原因， 而不是直接猜「改个提示词试试」。这种结构性排查比试错快得多。
- 能说清「意义即用法」和「分布假设」的关系——它们其实是同一个主张的哲学版与可计算版。
- 能解释为什么向量检索擅长模糊语义、不擅长精确数值。
- 完成检索失败案例的四类归档，并针对占比最高的一类给出方案。
- 做过一次「示例 vs 规则」对照实验，能说出哪个更有效以及为什么。
- 能解释「为什么改提示词一处会让别处坏掉」——用整体论，而不是用「模型不稳定」。
- 所有涉及数值、日期、标识符的查询，都有精确匹配通道。