Shadow-Loom：基于叙事图形世界模型的因果推理

故事之所以吸引读者，源于其具有原因、秘密与后果。Shadow-Loom 是一个实验性开源框架，将叙事转化为版本化的图形世界模型，使两类引擎可作用于其上：一种基于珠尔曼因果梯阶（Pearl's ladder of causation）的因果物理，另一种基于祖先多世界网络（Ancestral Multi-World Networks）的反事实微积分；另一种则依据四种结构读者状态（神秘、戏剧性讽刺、紧张、惊喜）对同一图形进行评分——这源自 Sternberg 的好奇心/紧张/惊喜三角论，紧张形式化为结构影响线中关于故事理解的工作。大语言模型仅用于边界：提取、渲染与审计；识别、干预与反事实推理在类型化代码中完成。该系统以研究构件形式提供，而非作为评估过的 NLP 模型；代码、 fixture 与管道均以开源方式发布。