StructuredCognitionResult 1.1 契约源

§0 范围与定位

本文件是 ADR-008 supplement 锁定的 StructuredCognitionResult 1.1 工程契约的单点 Pydantic schema 派生源。事实源是 ADR-008 supplement 机制层输出契约扩展；本文件做工程化派生（字段表 + enum 清单 + 字段间约束 + Pydantic v2 草案），方便 EvalHarness M0 schema 实施任务一次 load。字段语义、触发条件、机制间反向耦合、回路收敛上限以 ADR-008 supplement 为准；本文件不复述机制定义，仅以「来源 §N.M」回引。

正向语义读法（ADR-013 Build-Y over Prevent-X）：本契约不是「一堆字段表 + 一堆禁令」。每个子模型 / 字段先回答「这字段产出什么用户价值（产出意图）」，约束挂在意图之下——约束是为了保住那份价值，不是凭空列禁令。§2 每个子模型段开头标注 「产出意图」；阅读时先读意图，再读字段表与 §4 约束。

§1 顶层契约（StructuredCognitionResult）

字段	类型	默认	必选	来源
`structured_result_version`	`Literal["1.1"]`	`"1.1"`	必选	§2 开篇
10 要素字段（1.0 主体 inline）	`main_answer` / `supporting_evidence` / `multi_perspectives` / `counter_evidence` / `prerequisites` / `invalidation_conditions` / `uncertainty_and_gaps` / `sources` / `follow_up_questions` / `historical_judgment_links`	见 §5 `StructuredCognitionResultV10Body`	必选	ADR-008 主体 + product-definition §7
`phase_evidence`	`PhaseEvidence \| None`	`None`	M3 启用必选	§2.1
`causal_graph`	`TransmissionGraph \| None`	`None`	M5 启用必选	§2.2
`regulation_status`	`RegulationStatus \| None`	`None`	MCA 轴 3 = F2/F3 必选	§2.3
`applicability_flags`	`ApplicabilityFlags \| None`	`None`	M6 启用必选	§2.4
`posterior`	`BimodalPosterior \| None`	`None`	M7.uq 启用必选	§2.5
`s1`	`NarrativeNumberConsistency`	—	必选（横切）	§2.6

Task schema 元数据 mca_bucket: MCABucket 必选；不进入 StructuredCognitionResult 本体（§2.7）。

10 要素的产出意图（1.0 主体，product-definition §7）：每个要素先回答它给用户什么价值——

main_answer = 让用户第一屏就看到「结论 / 倾向」（非指令式，是认知材料）。
supporting_evidence = 让用户看到「凭什么这么判断」的依据，可自行核验。
multi_perspectives = 让用户看到「同一件事还有哪些看法」，不被单一视角锚定。
counter_evidence = 让用户主动看到「反方证据」，对冲确认偏误（空也要明示理由）。
prerequisites = 让用户看清「这判断在什么前提下才成立」。
invalidation_conditions = 让用户拿到「什么情况下该推翻这判断」的可证伪触发器（强约束非空：没有失效条件的判断不可发布）。
uncertainty_and_gaps = 让用户看到「哪里还不确定 / 信息有缺口」，而非伪装全知。
sources = 让用户看到来源与时间戳，判断时效与可信度。
follow_up_questions = 给用户「可以继续追问什么」的入口，把单次问答变成可深入的探究。
historical_judgment_links = 让用户回看「过去相关判断」，形成可追溯的判断链。

§2 子模型字段表

§2.1 PhaseEvidence + ClockPhase + ClockPhaseMatrix（来源 §2.1）

产出意图：让用户看到「现在处在市场周期的哪一段、各时钟是否相互矛盾」，而不是只给一个孤立的涨跌判断。下面的字段与约束都服务于「周期位置可被复盘、矛盾被显式标注」这份价值。

PhaseEvidence：clocks: list[ClockPhase]（M3 不激活为 []）/ phase_matrix: ClockPhaseMatrix | None（综合层产；M3 不激活为 None）。

ClockPhase：clock_id: str（取值 M3.t1–M3.t9）/ phase_label: str（机制自定枚举 late-debt / growth / speculative / hedge / ponzi 等）/ confidence: float ∈ [0,1] / evidence_ref: str。

ClockPhaseMatrix：axes: list[str]（N ≤ 9）/ cells: list[list[CellLabel]]（CellLabel 见 §3）/ contradictions: list[ContradictionEntry]。

ContradictionEntry：axes: list[str] / type: str / severity: Literal["low","medium","high"]。

§2.2 TransmissionGraph + 子结构（来源 §2.2）

产出意图：让用户看到「钱 / 风险从哪传导到哪、哪条路径有反向力量、相关性是否进入尾部联动」，而不是只给一个静态的相关系数。correlation_regime 服务于「让用户在尾部联动 / 制度切换时被提前提醒」这份价值。

TransmissionGraph：nodes: list[Node] / edges: list[Edge] / reverse_forces: list[ReverseForce] / endogeneity: dict[str, Literal["endogenous","exogenous"]]（按 edge_id 键）/ correlation_regime: CorrelationRegime（M5 启用必选；regime_label 至少 normal）/ unbalanced_loop_warnings: list[UnbalancedLoopWarning]。

Node：id: str / object_ref: str / node_type: Literal["entity","relation","attribute"]。

Edge：id: str / from_node: str / to_node: str / edge_type: Literal["causal","reflexivity","shared-book","institutional-friction","cross-market-mapping"] / form: str | None（shared-book 四形态 acute-liquidity / structural-holder-rotation / policy-credit / a-share-retail-acute）/ path_confidence: float ∈ [0,1] / translation_loss: float ∈ [0,1]。

ReverseForce：edge_id: str / force_type: Literal["arbitrageur","policy-hedge","liquidity-supplier","fundamental-reverter","structural-flow"] / evidence_ref: str。

CorrelationRegime：regime_label: Literal["normal","tail-coupled","regime-switched"] / pair_correlations: list[PairCorrelation] / regime_shift_trigger: str | None。

PairCorrelation：node_id_a: str / node_id_b: str / correlation: float ∈ [-1,1] / regime_label_local: Literal["normal","tail-coupled","regime-switched"]。

UnbalancedLoopWarning：edge_id: str / reason: str。

§2.3 RegulationStatus（来源 §2.3）

产出意图：让用户看到「制度摩擦（涨跌停 / T+N / 熔断 / 限售等）会不会让一个理论上成立的判断在实操中失效」，把监管不确定性显式呈现而非默认忽略。

RegulationStatus：friction_layer: list[FrictionItem] / failure_modes: list[FailureModeFlag] / regulatory_uncertainty: float ∈ [0,1]。

FrictionItem：friction_type: Literal["t-plus-n","price-limit","trading-halt","intraday-regulatory-change","short-sell-restriction","circuit-breaker","foreign-investor-quota"] / severity: Literal["low","medium","high"] / affected_node_ids: list[str] / evidence_ref: str。

FailureModeFlag：mode: Literal["a-acute-liquidity","b-structural-holder-rotation","c-policy-credit","d-a-share-retail-acute"] / confidence: float ∈ [0,1] / triggered_by_friction: bool / evidence_ref: str。

§2.4 ApplicabilityFlags + PillarApplicability（来源 §2.4）

产出意图：让用户看到「这套判断的适用边界——估值 / 因子 / 衍生品三支柱各自是否适用、为什么不适用」，避免把一个只在某支柱成立的结论误当全局结论。reason 服务于「不适用要给得出理由，用户能据此自己判断」这份价值。

ApplicabilityFlags：valuation: PillarApplicability / factor: PillarApplicability / derivatives: PillarApplicability。

PillarApplicability：level: Literal["applicable","partial","not-applicable"] / reason: str | None（level=applicable 时可为 None）/ evidence_ref: str | None。

§2.5 BimodalPosterior + PosteriorMode（来源 §2.5）

产出意图：让用户看到「双峰 / 重尾的风险结构，而不是一个虚假精确的单点预测」——两个模态各自的概率与尾宽把「可能大涨也可能大跌」显式摊开。

kelly_cap 已退役（ADR-021，2026-06-04）：BimodalPosterior 原含 kelly_cap（认知层凯利上界估计），owner 定调其无用且误导，已从代码（FinBayes 684d69d）与本契约移除；不确定性仍由双峰重尾分布（mode_a / mode_b / tail_width）承载。

BimodalPosterior：fit_method: Literal["prompt-direct","multi-scenario-fit","bayesian-module"] / mode_a: PosteriorMode / mode_b: PosteriorMode / slow_thinking_triggered: bool / prior_family: Literal["bimodal-fat-tail-default","single-mode-normal","single-mode-fat-tail","custom"]。（kelly_cap 已退役，见 ADR-021。）

PosteriorMode：value: float / weight: float ∈ [0,1] / tail_width: float ≥ 0。

§2.6 NarrativeNumberConsistency + 子结构（来源 §2.6）

产出意图：让用户看清「故事（叙事）和数字是否相互印证、印证强度多大、是谁在带动谁」——当叙事远超数字（远期外推 / 数据脱节 / 口径不可比）时给出方向性提醒；正向耦合时也明确告知「这次叙事和数字是对得上的」。backtrigger / convergence_flag 服务于「让这份一致性判断在内部可被复算、收敛可控」。

NarrativeNumberConsistency：s1_mode: list[S1Mode]（可多选）/ coupling_direction: Literal["narrative-leads-numbers","numbers-lead-narrative","decoupled","positive-coupled"] / coupling_strength: float ∈ [0,1] / evidence: S1Evidence / falsification_ref: str | None / backtrigger: list[BackTrigger] / confidence: float ∈ [0,1] / second_order_branch: AttentionMarketBranch | None（由 §4 联动条件决定）/ convergence_flag: ConvergenceFlag。

S1Evidence：narratives: list[str] / numbers_ref: list[str]（引用 id，不复制）。

BackTrigger：target: Literal["M5","M6","M7","M7b-meta"] / reason: str / priority: Literal["high","medium","low"]。

AttentionMarketBranch：attention_signals: list[AttentionSignal] / narrative_self_consistency: float ∈ [0,1]。

AttentionSignal：signal_type: Literal["funding-rate","on-chain-first-sign","concentration","kol","micro-cycle-phase"] / value: float / evidence_ref: str。

ConvergenceFlag：loop_count: int ∈ [0,3] / converged: bool / convergence_method: Literal["hash-stable","confidence-soft","max-loops","multimodal-archive"]。

§2.7 MCABucket（Task schema 元数据，来源 §2.7）

产出意图：给整条判断打上「当前市场上下文特征」标签（投资者结构 / 衍生品成熟度 / 制度摩擦等七轴），让同一套机制在不同市场环境下被正确加权、复盘时可按环境分层。属 Task 元数据，不入 result body；用户面如需呈现由 widget 翻译为「市场上下文」。

MCABucket：axis_1_investor_structure: Literal["L1","L2","L3"] / axis_2_derivatives_maturity: Literal["D1","D2","D3"] / axis_3_institutional_friction: Literal["F1","F2","F3"] / axis_4_non_market_actor: Literal["N1","N2","N3"] / axis_5_credit_environment: Literal["C1","C2","C3"] / axis_6_information_availability: Literal["I1","I2","I3"] / axis_7_currency_cross_border: Literal["K1","K2","K3"] / bucket_label: Literal["B1","B2","B3","B4","B5a","B5b","B6","B7"] / worst_axis: str（如 axis_4_N3）/ tag_version: str（如 mca-v1.0）。

七轴语义（投资者结构 / 衍生品成熟度 / 制度摩擦 / 非市场参与者注入 / 信用环境 / 信息可得性 / 货币与跨境约束）来源 ADR-007 supplement §2.2。

§3 enum 取值清单

Literal	取值
`structured_result_version`	`1.1`
`node_type`	`entity` / `relation` / `attribute`
`edge_type`	`causal` / `reflexivity` / `shared-book` / `institutional-friction` / `cross-market-mapping`
`edge.form` 建议值	`acute-liquidity` / `structural-holder-rotation` / `policy-credit` / `a-share-retail-acute`
`force_type`	`arbitrageur` / `policy-hedge` / `liquidity-supplier` / `fundamental-reverter` / `structural-flow`
`endogeneity` 值域	`endogenous` / `exogenous`
`regime_label`	`normal` / `tail-coupled` / `regime-switched`
`phase_matrix.cells` 单元 (CellLabel)	`aligned` / `lead-1` / `lead-2` / `lag-1` / `lag-2` / `opposed` / `not-applicable`
`severity`	`low` / `medium` / `high`
`friction_type`	`t-plus-n` / `price-limit` / `trading-halt` / `intraday-regulatory-change` / `short-sell-restriction` / `circuit-breaker` / `foreign-investor-quota`
`failure_mode`	`a-acute-liquidity` / `b-structural-holder-rotation` / `c-policy-credit` / `d-a-share-retail-acute`
`pillar.level`	`applicable` / `partial` / `not-applicable`
`fit_method`	`prompt-direct` / `multi-scenario-fit` / `bayesian-module`
`prior_family`	`bimodal-fat-tail-default` / `single-mode-normal` / `single-mode-fat-tail` / `custom`
`s1_mode`（多选）	`a-far-extrapolation` / `b-source-missing` / `c-narrative-data-detachment` / `d-unit-accounting-incompatible` / `positive-coupling`
`coupling_direction`	`narrative-leads-numbers` / `numbers-lead-narrative` / `decoupled` / `positive-coupled`
`backtrigger.target`	`M5` / `M6` / `M7` / `M7b-meta`
`backtrigger.priority`	`high` / `medium` / `low`
`attention.signal_type`	`funding-rate` / `on-chain-first-sign` / `concentration` / `kol` / `micro-cycle-phase`
`convergence_method`	`hash-stable` / `confidence-soft` / `max-loops` / `multimodal-archive`
`bucket_label`	`B1` / `B2` / `B3` / `B4` / `B5a` / `B5b` / `B6` / `B7`
七轴档位	`L1/L2/L3` · `D1/D2/D3` · `F1/F2/F3` · `N1/N2/N3` · `C1/C2/C3` · `I1/I2/I3` · `K1/K2/K3`

§4 字段间依赖约束（来自 ADR-008 supplement 显式条款）

mode_a.weight + mode_b.weight = 1.0（±1e-6 容差，§2.5）。
applicability_flags.valuation.level == "not-applicable" ⇒ s1.second_order_branch 必须非 None（§2.4 / §2.6）。
applicability_flags.valuation.level == "applicable" ⇒ s1.second_order_branch == None（§2.6）。
applicability_flags.valuation.level == "partial" ⇒ 主流程 + 二阶并行，second_order_branch 非 None（子系统文档锁定）。
applicability_flags.derivatives.level == "not-applicable" ⇒ posterior.fit_method 不得选依赖衍生品 IV 的 bayesian-module 实现路径（§2.4 末段）。
causal_graph.correlation_regime.regime_label == "regime-switched" ⇒ posterior 强制必选（§2.5）。
M5 启用 ⇒ causal_graph.correlation_regime.regime_label 至少 normal，不可缺省（§2.2）。
MCA axis_3_institutional_friction ∈ {F2, F3} ⇒ regulation_status 必选；F1 时可缺省为空对象（§2.3）。
pillar.level == "applicable" 时 reason 可为 None；partial / not-applicable 时 reason 应非空（§2.4）。
convergence_flag.loop_count ∈ [0, 3]，N=3 上限（§2.6 / ADR-007 supplement §2.3 v1 锁定）。
概率类字段（path_confidence / translation_loss / confidence / coupling_strength / regulatory_uncertainty / weight / narrative_self_consistency / ClockPhase.confidence / FailureModeFlag.confidence）值域 [0, 1]；tail_width ≥ 0；correlation ∈ [-1, 1]。（kelly_cap 已退役，见 ADR-021。）
s1.evidence.numbers_ref 与 s1.falsification_ref 仅存引用 id，不复制 10 要素内容（§2.6）。

§5 Pydantic v2 草案

字段在跨 milestone（M0 → M1 → M2）从 Optional → required 的收紧时点与 audit 触发条件见里程碑字段宽紧度演化矩阵。

# src/finbayes/cognition/types.py
from __future__ import annotations
from typing import Literal, Optional
from pydantic import BaseModel, ConfigDict, Field

S1Mode = Literal["a-far-extrapolation","b-source-missing","c-narrative-data-detachment","d-unit-accounting-incompatible","positive-coupling"]
RegimeLabel = Literal["normal","tail-coupled","regime-switched"]
PillarLevel = Literal["applicable","partial","not-applicable"]
Severity = Literal["low","medium","high"]
CellLabel = Literal["aligned","lead-1","lead-2","lag-1","lag-2","opposed","not-applicable"]
NodeType = Literal["entity","relation","attribute"]
EdgeType = Literal["causal","reflexivity","shared-book","institutional-friction","cross-market-mapping"]
ForceType = Literal["arbitrageur","policy-hedge","liquidity-supplier","fundamental-reverter","structural-flow"]
FrictionType = Literal["t-plus-n","price-limit","trading-halt","intraday-regulatory-change","short-sell-restriction","circuit-breaker","foreign-investor-quota"]
FailureMode = Literal["a-acute-liquidity","b-structural-holder-rotation","c-policy-credit","d-a-share-retail-acute"]
FitMethod = Literal["prompt-direct","multi-scenario-fit","bayesian-module"]
PriorFamily = Literal["bimodal-fat-tail-default","single-mode-normal","single-mode-fat-tail","custom"]
CouplingDirection = Literal["narrative-leads-numbers","numbers-lead-narrative","decoupled","positive-coupled"]
BackTriggerTarget = Literal["M5","M6","M7","M7b-meta"]
Priority = Literal["high","medium","low"]
AttentionSignalType = Literal["funding-rate","on-chain-first-sign","concentration","kol","micro-cycle-phase"]
ConvergenceMethod = Literal["hash-stable","confidence-soft","max-loops","multimodal-archive"]
BucketLabel = Literal["B1","B2","B3","B4","B5a","B5b","B6","B7"]

class _Base(BaseModel):
    model_config = ConfigDict(extra="ignore")

class ContradictionEntry(_Base):
    axes: list[str]; type: str; severity: Severity

class ClockPhase(_Base):
    clock_id: str; phase_label: str
    confidence: float = Field(ge=0.0, le=1.0)
    evidence_ref: str

class ClockPhaseMatrix(_Base):
    axes: list[str]; cells: list[list[CellLabel]]
    contradictions: list[ContradictionEntry] = []

class PhaseEvidence(_Base):
    clocks: list[ClockPhase] = []
    phase_matrix: Optional[ClockPhaseMatrix] = None

class Node(_Base):
    id: str; object_ref: str; node_type: NodeType

class Edge(_Base):
    id: str; from_node: str; to_node: str; edge_type: EdgeType
    form: Optional[str] = None
    path_confidence: float = Field(ge=0.0, le=1.0)
    translation_loss: float = Field(ge=0.0, le=1.0)

class ReverseForce(_Base):
    edge_id: str; force_type: ForceType; evidence_ref: str

class PairCorrelation(_Base):
    node_id_a: str; node_id_b: str
    correlation: float = Field(ge=-1.0, le=1.0)
    regime_label_local: RegimeLabel

class CorrelationRegime(_Base):
    regime_label: RegimeLabel
    pair_correlations: list[PairCorrelation] = []
    regime_shift_trigger: Optional[str] = None

class UnbalancedLoopWarning(_Base):
    edge_id: str; reason: str

class TransmissionGraph(_Base):
    nodes: list[Node] = []
    edges: list[Edge] = []
    reverse_forces: list[ReverseForce] = []
    endogeneity: dict[str, Literal["endogenous","exogenous"]] = {}
    correlation_regime: CorrelationRegime
    unbalanced_loop_warnings: list[UnbalancedLoopWarning] = []

class FrictionItem(_Base):
    friction_type: FrictionType; severity: Severity
    affected_node_ids: list[str]; evidence_ref: str

class FailureModeFlag(_Base):
    mode: FailureMode
    confidence: float = Field(ge=0.0, le=1.0)
    triggered_by_friction: bool; evidence_ref: str

class RegulationStatus(_Base):
    friction_layer: list[FrictionItem] = []
    failure_modes: list[FailureModeFlag] = []
    regulatory_uncertainty: float = Field(ge=0.0, le=1.0)

class PillarApplicability(_Base):
    level: PillarLevel
    reason: Optional[str] = None
    evidence_ref: Optional[str] = None

class ApplicabilityFlags(_Base):
    valuation: PillarApplicability
    factor: PillarApplicability
    derivatives: PillarApplicability

class PosteriorMode(_Base):
    value: float
    weight: float = Field(ge=0.0, le=1.0)
    tail_width: float = Field(ge=0.0)

class BimodalPosterior(_Base):
    fit_method: FitMethod
    mode_a: PosteriorMode; mode_b: PosteriorMode
    slow_thinking_triggered: bool
    prior_family: PriorFamily

class S1Evidence(_Base):
    narratives: list[str] = []
    numbers_ref: list[str] = []

class BackTrigger(_Base):
    target: BackTriggerTarget; reason: str; priority: Priority

class AttentionSignal(_Base):
    signal_type: AttentionSignalType; value: float; evidence_ref: str

class AttentionMarketBranch(_Base):
    attention_signals: list[AttentionSignal] = []
    narrative_self_consistency: float = Field(ge=0.0, le=1.0)

class ConvergenceFlag(_Base):
    loop_count: int = Field(ge=0, le=3)
    converged: bool
    convergence_method: ConvergenceMethod

class NarrativeNumberConsistency(_Base):
    s1_mode: list[S1Mode] = []
    coupling_direction: CouplingDirection
    coupling_strength: float = Field(ge=0.0, le=1.0)
    evidence: S1Evidence
    falsification_ref: Optional[str] = None
    backtrigger: list[BackTrigger] = []
    confidence: float = Field(ge=0.0, le=1.0)
    second_order_branch: Optional[AttentionMarketBranch] = None
    convergence_flag: ConvergenceFlag

class MCABucket(_Base):
    axis_1_investor_structure: Literal["L1","L2","L3"]
    axis_2_derivatives_maturity: Literal["D1","D2","D3"]
    axis_3_institutional_friction: Literal["F1","F2","F3"]
    axis_4_non_market_actor: Literal["N1","N2","N3"]
    axis_5_credit_environment: Literal["C1","C2","C3"]
    axis_6_information_availability: Literal["I1","I2","I3"]
    axis_7_currency_cross_border: Literal["K1","K2","K3"]
    bucket_label: BucketLabel
    worst_axis: str
    tag_version: str

class StructuredCognitionResultV10Body(_Base):
    """1.0 主体（10 认知要素 inline 完整模型）。

    字段提取自 product-definition.md §7 十要素表与 m0-walking-skeleton §3 的
    `StructuredCognitionResult` 1.0 schema 草案。M0 已实现前 7 个内容字段；
    剩余 3 个（multi_perspectives / prerequisites / follow_up_questions /
    historical_judgment_links）由 1.0 主体在 1.1 完整模型合并时一次补齐。

    内部 `model_config` 单独使用 `extra="forbid"`，语义是「锁 identity / 版本 / 安全
    相关字段完整性」（防止 1.0 直出漏 structured_result_version 等核心键），不是
    「禁止认知要素层按任务动态增减」——动态组合由 tasks-fields-mapping 决定，不靠
    全局 forbid 固化（ADR-013 去全局固化）；合并到 `StructuredCognitionResultFullV11`
    后由后者的 `extra="ignore"` 覆盖（见下方 ConfigDict 合并语义锁）。
    """
    model_config = ConfigDict(extra="forbid")

    # 10 认知要素（product-definition §7）
    main_answer: str = Field(..., min_length=30)              # 1. 结论 / 倾向（第一屏题眼回应，≥30 字硬约束）
    supporting_evidence: list[str] = Field(default_factory=list)  # 2. 依据
    multi_perspectives: list[str] = Field(default_factory=list)   # 3. 多视角
    counter_evidence: list[str] = Field(default_factory=list)     # 4. 反方证据（M0 允许空但必须明示理由）
    prerequisites: list[str] = Field(default_factory=list)        # 5. 成立条件
    invalidation_conditions: list[str] = Field(..., min_length=1) # 6. 失效条件（M0 必填非空）
    uncertainty_and_gaps: list[str] = Field(default_factory=list) # 7. 不确定性 / 信息缺口
    sources: list[dict] = Field(default_factory=list)             # 8. 来源与时间戳
    follow_up_questions: list[str] = Field(default_factory=list)  # 9. 可继续追问项
    historical_judgment_links: list[str] = Field(default_factory=list)  # 10. 历史判断链接

    # 1.0 主体内部 audit 字段（不暴露到 1.1 顶层 audit）
    non_instruction_notice: str = "本回答是认知材料，不是执行指令。"
    schema_validation_passed: bool = True


class StructuredCognitionResult11MinimalAdditions(_Base):
    """1.1 新增 6 顶层字段（与 m0-walking-skeleton §3.5 `StructuredCognitionResult11Minimal`
    对应；本类提供 1.1 完整版字段类型，M0 子集见 m0-pack）。"""
    structured_result_version: Literal["1.1"] = "1.1"
    phase_evidence: Optional[PhaseEvidence] = None
    causal_graph: Optional[TransmissionGraph] = None
    regulation_status: Optional[RegulationStatus] = None
    applicability_flags: Optional[ApplicabilityFlags] = None
    posterior: Optional[BimodalPosterior] = None
    s1: NarrativeNumberConsistency


class StructuredCognitionResultFullV11(
    StructuredCognitionResultV10Body,
    StructuredCognitionResult11MinimalAdditions,
):
    """1.1 完整模型：1.0 十要素 + 1.1 新增 6 顶层字段，共 16 顶层字段
    （Task 元数据 `mca_bucket: MCABucket` 不入本模型本体，由 Task 携带，见 §2.7）。

    ConfigDict 合并语义见下方「ConfigDict 合并语义锁」段。
    """
    # extra="ignore" 是设计意图（不是疏忽）：承接 ADR-008 supplement §3.1 兼容策略，
    # 旧 1.0 consumer 读到 1.1 输出时必须能忽略新字段不报错；1.0 主体内部用 forbid
    # 防误用、合并后由本层 ignore 覆盖，详见 §6 与 m0-pack §3.5 注释。
    model_config = ConfigDict(extra="ignore")

ConfigDict 合并语义锁（C-E + C-J）：

多继承顺序：StructuredCognitionResultFullV11(StructuredCognitionResultV10Body, StructuredCognitionResult11MinimalAdditions)。Pydantic v2 多继承 model_config 取最末次显式声明者（本类自身的 extra="ignore" 覆盖父类）。即 1.0 主体的 extra="forbid" 在合并到 1.1 完整模型后被 extra="ignore" 覆盖，理由：1.0 → 1.1 兼容契约（ADR-008 supplement §3.1：旧 consumer 必须能忽略 1.1 新字段不报错）。
extra="ignore" 是设计意图，不是疏忽：1.1 输出契约用 extra="ignore" 承接 ADR-008 supplement §3.1 兼容策略（旧 1.0 consumer 必须能忽略 1.1 新字段不报错）；1.0 主体单独使用时（如 M0 阶段 StructuredCognitionResult 直出）保持 extra="forbid"，但其语义范围是**「锁 identity / 版本 / 安全相关字段完整性」**（防止 1.0 直出漏 structured_result_version 等核心键），不是「禁止认知要素层按任务动态增减字段」——「单次输出携带哪些认知要素」由 task_type × 机制激活 动态决定（事实源 field_composition_policy / contracts/tasks-fields-mapping.yaml），不靠全局 forbid 钉死（ADR-013 Build-Y over Prevent-X，去全局固化）。Codex 实施时不得把 StructuredCognitionResultFullV11.model_config 改为 extra="forbid"，否则破坏兼容契约引入 schema drift。
顶层 audit 字段策略：1.1 顶层只暴露 structured_result_version: Literal["1.1"]；1.0 主体内部的 schema_validation_passed 在合并模型中保留但不计入「audit-versioning 暴露面」（即 audit 层仅以 structured_result_version 作为版本筛选键）。
JSON 序列化口径：合并模型序列化时统一用 model_dump(by_alias=False, exclude_none=False)，确保 10 要素 + 6 新字段在单一 JSON object 中输出（10 要素中 list 字段允许 []，6 新字段在未启用机制时输出 null）。
合并函数接口规约（供综合层在 1.0 + 1.1 两阶段产出时一次合并使用）：

接口签名 merge_cognition_result_v1_1(base: dict, extension: dict) -> dict：base = StructuredCognitionResultV10Body.model_dump()（10 要素 + 内部 audit），extension = StructuredCognitionResult11MinimalAdditions.model_dump()（6 顶层字段 + structured_result_version）；输出 StructuredCognitionResultFullV11.model_validate(merged).model_dump()，顶层 structured_result_version 强制 "1.1"（extension 覆盖 base 残留），键冲突以 extension 为准（两类字段命名理论不重叠），历史遗留未知字段由 extra="ignore" 静默丢弃不 raise。

跨字段约束（§4 第 1 / 2 / 3 / 5 / 6 / 8 条）不在草案以 model_validator 强制实现，留 EvalHarness M0 实施任务在 cognition/types.py 落盘时按 Pydantic v2 @model_validator(mode="after") 加约束。

§6 与 1.0 兼容性

承接 ADR-008 supplement §3.1：

旧 consumer（声明 structured_result_version = "1.0"）必须能忽略新字段不报错；合并模型 StructuredCognitionResultFullV11 顶层 model_config = ConfigDict(extra="ignore") 已就位（覆盖 1.0 主体的 extra="forbid"，合并语义见 §5 「ConfigDict 合并语义锁」），序列化层在反序列化 1.1 输出到 1.0 consumer 时 6 新字段以「未知字段宽容」模式跳过。
新 consumer 收到 structured_result_version = "1.0"（或缺省）时，6 新字段以 None 缺省；评测维度 D4 / D6 / D7 缺字段时降级为「文本层评测」并标注 degraded-text-only，不阻断管线。
每条 Judgment Record 顶层写入 structured_result_version + mca_bucket；撤回 / 降级支持按版本筛选。
1.x 系列承诺向后兼容；2.0 走变更协议 L4 + 14 天异议期。

§7 半人工标注承接

承接 ADR-008 supplement §5.1 与 Phase 7 半人工标注 SLA 附录。

允许人工标注覆盖（v1）：

causal_graph.edges[?].form ∈ {"policy-credit", "a-share-retail-acute"}（任务 A / B）。
regulation_status.failure_modes[?].mode ∈ {"c-policy-credit", "d-a-share-retail-acute"}（与 form 联动）。
mca_bucket.axis_4_non_market_actor = "N3"（任务 D，Audit Trail 标注「半人工」）。
posterior.slow_thinking_triggered（任务 C，M7.meta-v1 推翻路径）。
applicability_flags.{valuation|factor|derivatives}.level 中 applicable ↔ partial 边缘判定（not-applicable 门槛较硬，推翻须附 reason + evidence_ref）。

必须模型自动产出：phase_evidence.clocks.* / phase_evidence.phase_matrix.cells / causal_graph.nodes / causal_graph.edges 主体结构 / causal_graph.correlation_regime.regime_label / posterior.mode_a / posterior.mode_b / s1.coupling_strength / s1.confidence / s1.convergence_flag.*。

§8 待对齐项

phase_evidence.clocks[?].phase_label 未严格枚举化（机制自定枚举），下游按字符串处理；M3 v1 校准后再决议是否升级为 Literal。
causal_graph.edges[?].form 在 ADR-008 supplement §2.2 列举 shared-book 四形态但未声明封闭枚举；草案保留 Optional[str]。
causal_graph.endogeneity 键约束（必须覆盖所有 edges[?].id，还是允许子集）未显式说明，草案按「子集允许」实现。
regulation_status.friction_layer 在 MCA 轴 3 = F1 时「整体 None 与字段为空对象」二选一未锁定。
s1.evidence.numbers_ref / s1.falsification_ref 引用失效时的处理路径（重评 / 降级 / 阻断）由 Phase 7+ 决议。
mca_bucket.worst_axis 多桶命中边界（N3 + F3 同时命中）的裁决规则在 MCAClassifier 子系统 §7 已 flag，本契约不锁定。
~~kelly_cap 与战略不变量「FinBayes 不直接下单」的下游消费协议未在本契约层声明~~ → kelly_cap 已退役（ADR-021），本条作废。
子系统 placeholder 类型见 4 子系统文档「子模型类型 placeholder」段（知识图谱服务 / 一致性中间件 / 市场上下文分类器 / 评测台架），M0 阶段为接口签名 import 链闭合给的最小定义；M1+ 收紧路径见各子系统 §9 实现里程碑映射 + 后续 milestone-field-evolution-matrix.md。

§9 关联资产

工程契约事实源：ADR-008 supplement 机制层输出契约扩展。
行为契约事实源：ADR-007 supplement 金融认知体系第一版正式构成。
4 子系统索引：认知体系工程承接子系统目录。
子系统文档：知识图谱服务 · 一致性中间件 · 市场上下文分类器 · 评测台架。
M0 最小子集 + 10 要素 Pydantic v0：M0 走通骨架工程包。
半人工标注 SLA：Phase 7 半人工标注 SLA 附录。
架构索引：FinBayes 工程架构文档 §29。

§10 变更记录

2026-05-29 Build-Y 换轨（ADR-013）：补正向语义——§0 加「正向语义读法」；§1 加 10 要素「产出意图」；§2.1–§2.7 每子模型加「产出意图」（约束挂在意图之下，不凭空列禁令）。§5 ConfigDict 合并语义锁第 2 条 + StructuredCognitionResultV10Body 文档串明确 extra="forbid" 仅锁 identity / 版本完整性、不固化认知要素动态组合（与 contracts/structured-cognition-result.yaml 同步）。字段名 / 类型未变（无漂移）。

§0 范围与定位​

§1 顶层契约（StructuredCognitionResult）​

§2 子模型字段表​

§2.1 PhaseEvidence + ClockPhase + ClockPhaseMatrix（来源 §2.1）​

§2.2 TransmissionGraph + 子结构（来源 §2.2）​

§2.3 RegulationStatus（来源 §2.3）​

§2.4 ApplicabilityFlags + PillarApplicability（来源 §2.4）​

§2.5 BimodalPosterior + PosteriorMode（来源 §2.5）​

§2.6 NarrativeNumberConsistency + 子结构（来源 §2.6）​

§2.7 MCABucket（Task schema 元数据，来源 §2.7）​

§3 enum 取值清单​

§4 字段间依赖约束（来自 ADR-008 supplement 显式条款）​

§5 Pydantic v2 草案​

§6 与 1.0 兼容性​

§7 半人工标注承接​

§8 待对齐项​

§9 关联资产​

§10 变更记录​