质量信号

一个数字：0–10,000

sentrux 计算一个连续分数，称为质量信号。它是 5 个根因指标的几何平均值，每个指标归一化到 [0, 1]，然后缩放到 0–10,000。

quality_signal = (modularity × acyclicity × depth × equality × redundancy) ^ (1/5) × 10000

为什么用几何平均值？

纳什社会福利定理（1950）证明几何平均值是满足以下条件的唯一聚合方式：

1. 帕累托最优——如果所有分数提升，信号就提升
2. 对称性——所有根因权重相等
3. 独立性——无关维度不影响结果

实际意义：你无法在拉高一个指标的同时拉低另一个指标来刷分。提升几何平均值的唯一方法是改善所有因子。这迫使真正的架构改善发生。

为什么不用字母评级？

字母评级制造了人为的边界。79 分 = B，81 分 = A。AI 代理会去刷边界而不是真正改善。使用连续分数，每 +1 分的意义相同。代理在改善边际趋近零时自然收敛——就像梯度下降一样。

为什么不用 20 个代理指标？

代理指标（耦合率、死代码率、函数长度）度量的是症状，而非根因。AI 代理可以刷单个代理指标——添加假的导入来提升内聚度，表面上拆分函数。指标提升了，但代码并没有变好。

根因指标度量的是基本的结构属性，只能通过真正的架构改变来提升。

5 个根因

一个代码库是一个有向图 G = (V, E)，其中 V = 文件，E = 依赖关系。这个图恰好有 5 个独立的结构属性：

指标	理论	度量内容	边还是节点？
模块性	Newman 2004	边是否聚集成模块？	边
无环性	Martin 2003	是否存在环形边？	边
深度	Lakos 1996	边链有多深？	边
均衡性	Gini 1912	节点属性是否集中？	节点
冗余度	Kolmogorov	是否存在多余的节点？	节点

3 个边属性 + 2 个节点属性 = 总共 5 个。再增加更多将是冗余的。

归一化

modularity  = (Q + 0.5) / 1.5          # 有界 [-0.5, 1] → [0, 1]
acyclicity  = 1 / (1 + cycles)          # 无界 → sigmoid
depth       = 1 / (1 + max_depth / 8)   # 无界 → sigmoid，中点为 8
equality    = 1 - gini                   # 有界 [0, 1] → 取反
redundancy  = 1 - ratio                 # 有界 [0, 1] → 取反

5 个指标中有 3 个没有任意参数。只有 2 个需要 sigmoid 中点。

收敛

Iteration 1: signal = 5800 → equality is lowest (3500)
  → refactor god function → equality improves → signal = 6300

Iteration 2: signal = 6300 → modularity is lowest (5500)
  → extract module → modularity improves → signal = 6900

Iteration 3: signal = 6900 → redundancy is lowest (7200)
  → remove dead functions → redundancy improves → signal = 7400

  ...diminishing returns → natural convergence

没有人为的停止点。AI 在每次变更的边际改善趋近零时自然收敛——与梯度下降完全一致。

理论基础

理论	年份	提供的内容
控制论（Wiener）	1948	反馈回路架构
系统工程（钱学森）	1954	分解为独立子系统
Kolmogorov 复杂度	1963	理论基准真值
图模块性（Newman）	2004	模块性 Q 指标
纳什议价	1950	几何平均值作为最优聚合
Gini 系数	1912	不均衡度量
Tarjan 算法	1972	环检测
Lakos 层次化	1996	依赖深度