pfd

感知优先设计（PFD）：v0.7.0

作者： Stefan Kovalik / Aurochs 框架版本： 3.6（2026-04-20）。约 100 条引用，整合国际研究，方法论姊妹章节，文化校准元规则，以及横跨 L0–L4 的 7 条新增层级规则 事实来源： framework/PERCEPTION-FIRST-DESIGN.md — 框架层级描述发生变化时，请同步更新此技能中的层级摘要。框架是规范版本；此技能由框架派生而来。 许可证： CC BY-SA 4.0。PFD™ 是 Stefan Kovalik 的商标（USPTO 序列号 99686343）。实践豁免：在工作中应用 PFD 不会触发相同方式共享条款。请参阅插件根目录中的 LICENSE 和 NOTICE。 路径约定： 本文档中的所有路径均相对于插件根目录。技能本地路径（references/...）从此技能所在目录解析；仓库级路径（framework/...、corpus/...）从插件根目录解析。

---

PFD 是什么

一种以心理学为依据的设计框架，根植于人类感知的真实运作方式。不是“让它更漂亮”——而是根据人们如何感知、处理信息并做出决定来设计。

核心论点： 用户不会思考——除非你让他们开始思考。注意力默认处于关闭状态。设计要问的不是“如何不浪费他们的注意力”，而是“当你激活他们的注意力时，他们会思考什么、感受如何，接下来会做什么？”

适用于任何与人沟通的内容：界面、着陆页、电子邮件、广告、文案、演示文稿、提案、推介、产品描述和文档。五个层级旨在引发语言产生前的唤醒反应——在观看者的分析性思维开始运作之前，其神经系统就已做出反应。

---

三种模式

模式 1：PFD 评估（清单） 通过 5 个层级逐一检查现有设计。每个层级都会验证设计或标记问题。适用于快速审查。

模式 2：PFD 推导（生成式） 自下而上地逐一处理 5 个层级。每个层级都会产生一项硬性要求。解决方案从累积的约束中自然浮现——而不是来自直觉或领域惯例。

模式 3：PFD 分析（描述式） 将 5 个层级作为预测性视角逐一审视，而非约束条件。输出层层递进的后果、权衡取舍和整合效应。适用于假设变化问题（“如果 X，会发生什么”）、机制问题（“X 为什么有效”）和行为观察（“用户说 X 却做 Y，为什么”）。产出结果，而非建议。认知契约是描述性的，而非指导性的。

模式检测（自动）

当技能在没有明确命令的情况下激活时（例如，“pfd 这个”“对这个运行 PFD”），检查输入并选择模式：

模式 1 — 评估，当输入是一个成品时：

• URL、网页链接或实时页面
• 屏幕截图、样稿、图片或 PDF
• HTML、CSS 或 DOM 片段
• 需要审查的现有文案块、邮件、演示文稿或设计
• 短语：“审计这个”“审查这个”“给这个打分”“……有什么问题”“评估”

模式 2 — 推导，当输入是一个问题时：

• 要设计的目标或结果（“为 X 设计一个引导流程”）
• 设计问题（“用模态框还是内联展开？”）
• 诊断请求（“我们在结账环节流失了用户——为什么？”）
• 短语：“我们应该……吗”“我们该怎么做”“……的正确做法是什么”“设计一个”“解决这个问题”

模式 3 — 分析，当输入是假设、机制或观察时：

• 假设性的变更（“如果我们移除 X，会发生什么”）
• 机制问题（“为什么这有效”“这个技巧是如何起作用的”）
• 需要解释的行为观察（“用户说 X，却做 Y”）
• 关于现有系统的反事实或思想实验
• 短语：“如果……会发生什么”“为什么 X 有效”“会有什么变化”“假设我们替换……”“……有什么影响”

有歧义？只询问一次：

“有三个选项：评估现有内容（URL／屏幕截图）、解决设计问题（目标／问题），还是分析机制或假设（如果……会怎样／为什么）？你选哪个？”

边缘情况：

• URL 加假设（“这是页面，如果我们移除导航会怎样？”）归入分析模式。假设才是要处理的内容；URL 只是背景。
• 问题加假设措辞（“我们正在考虑移除 X，会有什么影响？”）归入分析模式。假设措辞优先。
• 没有问题的 URL 默认归入评估模式。
• 提问方式优先于基于成品的路由。

通过命令强制指定：

• /perception-first-design:solve — 始终使用模式 2（推导解决方案）
• /perception-first-design:evaluate — 始终使用模式 1（审查成品）
• /perception-first-design:analyze — 始终使用模式 3（描述性级联）
• /perception-first-design:all — 组合模式，对同一输入运行全部三种模式

---

5 层依赖栈

自下而上修复。上游故障会阻碍所有下游环节。

认知负荷（L0）

“没有处理带宽，就无法感知任何东西。”

• 工作记忆：约 3-5 个信息块（Cowan，2001、2010——而非 Miller 的“7±2”）
• 无意识处理也会消耗工作记忆（Hassin 等，2009）：即使没有刻意注意，视觉噪声也会占用带宽
• 必须消除额外负荷（糟糕的设计），以便为内在负荷（任务本身）释放带宽
• 当处理需求超出容量时 → 大脑会默认选择离开
• 约束类型： 同时处理能力的上限

实践中： 减少选项。渐进式披露。智能默认值。删除不必要的字段。清理用户从未有意识注意到的背景噪声（不一致的间距、脱离系统规范的颜色）。无论用户是否察觉，工作记忆都会为此买单。 失败信号： 放弃填写表单、选项过多的页面跳出率高、“我该点哪里？”

第 1 层：第一印象架构

“你的网站只有 50 毫秒。”

• 视觉吸引力的判断会在 50 毫秒内形成（Lindgaard et al., 2006）
• 美感—易用性效应：越美观，就越被认为好用（Kurosu & Kashimura, 1995）
• 5 阶段子程序（Leder et al., 2004）：感知 → 隐性整合 → 显性分类 → 认知掌握 → 评估。每个阶段都可能独立失效。
• 在 L1，语言前唤醒有两种极性（Mori, 1970; Pessiglione et al., 2007）：恐怖谷反应会在分析开始前扼杀 L1；潜意识奖励线索则会在意识察觉前通过 L1。
• 第一印象就是激活点——将注意力从关闭切换为开启
• 约束类型： 时间门槛——一旦失败，下游内容都不会被评估

实践建议： 首屏／开篇就是论点陈述。视觉品质必须与价格档次相匹配。检查恐怖谷诱因（不自然的 AI 照片、不协调的动画时序、不对称的面孔）。 失败信号： 跳出率高、页面停留时间短。“看起来不靠谱。”产品更差的竞争对手却胜出。

第 2 层：加工流畅性

“越容易加工，就越让人觉得是真的。”

• 易读字体会被认为更真实（Reber & Schwarz, 1999）
• 这种效应具有普遍性：真实性、信心、好感、信任（Alter & Oppenheimer, 2009）
• 主观感受到的流畅性，而非客观可测量的流畅性（Forster, Leder & Ansorge, 2013）：Lighthouse 得分与实际体验到的流畅性相关，但并不相同。L2 就存在于两者的差距中。
• 跨模态感官连贯性：所有元素讲述同一个故事（Spence, 2011）
• 一致性胜过创造力。不一致会不断侵蚀信任。
• 约束类型： 信号质量——不一致会削弱真实性／信任信号

实践建议： 最多使用 2 种字体。3-4 种颜色。保持间距一致。保持语气和风格一致。为主观感受到的流畅性设计，而不是为了通过指标。 失败信号： 不同接触点的品牌形象不一致。视觉／文案品质与价格档次不匹配。

第 3 层：感知偏差优化

“这不是为你设计的，而是为他们设计的。”

• 用户依靠自动驾驶模式做决定，之后再为其找理由（Nisbett & Wilson, 1977; Kahneman, 2011）
• 调查问卷 = 系统 2 合理化。分析数据 = 系统 1 行为。两者之间的差距 = 问题藏身之处。
• 预测处理：大脑生成预测；匹配 = 自动驾驶模式；违背预测 = 注意力被触发（Clark, 2013）
• 信任是感知的产物，而非论证的产物（Seckler et al., 2015）：视觉连贯性直接驱动信任；视觉效果薄弱时，用户会以低质量的先验认知过滤每个论点
• 约束类型： 信息不对称——用户说的 ≠ 用户响应的

实践建议： 根据分析数据呈现的情况设计，而不是根据调查问卷的说法设计。测试情绪反应，而非用户声称的偏好。信任数据不佳时，先修复视觉连贯性，再改写文案。 失败信号：“用户说他们想要 X，却去做 Y。”内部团队偏好 ≠ 用户行为。

第 4 层：决策架构

“铺设路径。”

• 构建环境，让正确的选择成为最容易的选择
• 合乎伦理的说服：一致性（用户目标 = 业务目标）、真诚（展示的内容 = 交付的内容）、黄金法则（你是否愿意亲身经历这种体验？）
• 展示，而非描述（Hertwig & Erev，2009）：基于描述做出的决策会低估罕见事件。互动式预览、试用和样品能让决策从描述转向体验。
• 让语言风格与承诺距离相匹配（Trope & Liberman，2010）：近期行动使用具体语言（“立即购买”）；抽象承诺使用高层次解释水平的语言（“合作关系”）。不匹配会让人觉得流于交易或言过其实。
• PFD 消除感知真实价值的障碍——但不会凭空创造价值感知
• 约束类型： 行为结构——环境塑造决策

“减少选项”取决于情境。 减少选择能缓解决策节点上的犹豫不决——例如购买页面、一次性承诺和不熟悉的选项。但这不适用于专家工具面板、浏览／参考界面，或减少选项会损害工作效率的工作区。原则是：简化决策节点，而非整个环境。

实践中： 让 CTA 成为体验的自然落点。逐步建立信任。避免暗黑模式。根据情境匹配选项密度：转化节点保持精简，专家工作区提供丰富选项。对于风险、价格或不确定性：通过互动展示，而非描述。 失败信号： 用户完成任务，却觉得自己受到了操纵。转化率高，但留存率低。专家因工具被隐藏或精简而感到沮丧。

---

推导协议

规则零： 在分析完所有 5 层并汇总要求之前，不要提出任何解决方案。

步骤 1 — 陈述设计问题

用户想做什么？是什么阻碍了他们？他们的体验如何？ 不要将问题描述为缺少功能或与其他工具的比较。

步骤 2 — 自下而上分析各层

针对每一层（L0 → L1 → L2 → L3 → L4）： a. 陈述约束（生物／心理方面的硬性限制） b. 陈述违反情况（当前设计如何违背这一约束） c. 推导要求（设计必须做到什么——不是“应该”做到什么） d. 标记为 R[n] e. 添加一行 **Citations:**，列出框架研究基础中 1-2 项最有力的支持性研究。格式：Author (Year) for [reason]，多项之间用分号分隔。

步骤 3 — 汇总要求

列出 R1-R5。每一项都不可妥协。解决方案必须同时满足所有要求。 发生冲突时，较低层级的要求优先。

步骤 4 — 推导解决方案

什么方案能同时满足 R1、R2、R3、R4 和 R5？ 如果没有单一干预措施能覆盖全部五项，最小必要组合是什么？

步骤 5 — 检验现有方案（如有）

根据完整的要求集检查现有方案，并指出不足。

步骤 6 — 找出缺口

没有任何方案满足的要求 = 非显而易见的解决方案所在之处。

输出结尾

以一行斜体文字结束输出：

初步发现。对某项要求运行 Ralph Loop，补充引用，切换到分析／评估，或提出任何后续问题以深入探讨。

不可妥协。只保留这一行斜体文字，不要添加项目符号菜单。

---

分析协议

规则零： 将 5 层作为描述性视角逐层分析，而非约束。产出分析结果，而非建议。不要转入解决问题模式。

步骤 1 — 重述问题

说明正在分析的变化、机制或反事实。以具体情况为依据。避免将其重述为待解决的问题。

步骤 2 — 自底向上逐层分析，将每层作为描述性视角

对于每一层（认知负荷 → 第一印象 → 处理流畅性 → 感知偏差 → 决策架构）： a. 说明该层的心理现实（约束） b. 追踪变更如何影响这一层的感知或认知 c. 从四个维度对后果进行压力测试（每个后果都必须呈现至少两个维度的发现，最好涵盖全部四个）： - 用户群体差异（新手、重度用户、无障碍需求、设备、人口统计特征） - 相邻基础设施（扩展、API、自动化、依赖产品、集成、受监管界面） - 先例（其他地方是否尝试过类似变更？结果如何？） - 时间结构（即时／短期／长期：秒至分钟、天至周、月至年） d. 输出：机制说明，以及一条包含压力测试发现的“会发生什么：”预测。

每层提出一个后果。五个层级级联后果不可或缺。

步骤 3 — 检查权衡

变更是否只会将该层推向一个方向，还是会同时推向两个方向？当某一层会产生双向作用时，应将权衡作为子发现纳入后果（而不是另设一个后果）。

示例：在“移除 URL 栏”的分析中，钓鱼风险是双向的。事件数量会减少，但单次事件的严重程度会上升。净效应取决于哪一方占主导。存在权衡时，不要断言单向影响。

步骤 4 — 检查综合效应

当各层的后果叠加时会发生什么？默认检查以下三种模式：

• 社会聚合（个体体验汇聚为集体信号：反弹、病毒式讨论、监管行动）。面向消费者时始终检查。若级联分多个阶段，应呈现各阶段的时间波。
• 锁定不对称（替代行为形成后，重新引入旧做法的逆转速度慢于替代行为的锁定速度）。涉及行为变化时始终检查。恢复很少与扰动对称。
• 生态系统级联（下游产品、衍生产品、集成继承该变更）。当对象处于平台层级时始终检查。

级联过程中还可能出现其他综合效应。请留意，并使用 [Cross-layer + Social Aggregation]、[Cross-layer] 或其他适当的跨层标签标注。使用字母标签（A、B、C）与编号的层级级联区分。

步骤 5 — 设置输出格式

• **标题：**问题
• 副标题：“X 个层级级联后果，Y 个综合效应。”写明具体数量。

每个后果（编号或字母标记）包含四个结构要素：

1. 标题，使用抽象的分析性名称和方括号中的层级标签（## N. [标题] [层级] 或 ## N. [标题] [层级 A × 层级 B]）
2. 标题正下方的斜体具体副标题。用通俗语言概述后果，不使用框架术语。即使读者不了解 PFD，也能仅凭这一行理解后果。
3. 正文，包含机制说明和“会发生什么：”预测。
4. 正文末尾的引用行。格式为：**引用：**作者（年份），用于[理由]；作者（年份），用于[理由]。 从框架研究资料中选取 1–3 项最有力的支持性研究。若应用预测没有直接引用：“应用预测；无直接框架引用。最相关的旁证：[相关引用]。”

副标题和引用均不可或缺。

• **层级级联：**按级联顺序列出 5 个编号后果，采用上述四要素结构。
• **综合效应：**另设章节，使用字母标签（A、B、C……）和 [Cross-layer ...] 标题标签，采用相同的四要素结构。
• **结尾提示：**输出最后以单独一行斜体文字结束：

  初步发现。对某个后果进行 Ralph Loop、补充引用、切换到 solve / evaluate，或提出后续问题以深入探讨。

单独一行、斜体、独占一行。不可省略。不要扩展菜单。

---

反模式

反模式	失败原因
先入为主地提出解决方案（“我们需要一个侧边栏”）	污染需求空间
照搬竞争对手（“Miro 能做到 X”）	以领域为驱动，而非以感知为驱动
工程优先（“怎样做最快？”）	优化的是工作量，而非感知
清单模式（事后评估）	只能改进，无法生成
跳过层级	违反依赖关系栈
软性要求（说“应该”，而非“必须”）	让解决方案绕过差距问题
分析过程中滑入解决模式	当问题需要的是结果时却给出建议；违反描述性约定
存在权衡时只考虑单向影响	忽略层级的双向作用；如钓鱼攻击导致全面上升的示例
在分析中将各层视为孤立部分	忽略综合效应（反弹、锁定不对称、生态级连锁反应）
分析中每项后果的深度不足	单句看似正确，却显得平淡；深度标准是经过多段落压力测试的发现
标题没有斜体的具体副标题	抽象标题不便于快速浏览；缺乏框架背景的读者需要通俗易懂的一行说明来理解分析
每项后果或要求都缺少 Citations 行	输出会像是主观看法，而非有证据支撑；框架的研究基础决定了它的可信度
将结尾提示扩展成项目列表	在输出最耗尽工作记忆（WM）的时刻增加负担；诱发由调查驱动的格式膨胀；结尾提示应为一行斜体文字，绝不能是列表

---

应用 PFD 后

洞察日志（必须 — 每次分析都要记录）

每次推导或评估 PFD 后，都要在 references/insights-log.md 中追加一条记录：

### YYYY-MM-DD — [Brief description of what was analyzed]
**Type:** url | text | image | html | css | copy | directory
**Domain:** [e.g., SaaS landing, ecommerce PDP, email, portfolio, dashboard]
**Key finding:** [The non-obvious thing PFD surfaced — one sentence]
**Layer(s):** [L0/L1/L2/L3/L4]
**Promote?:** yes | maybe | no
**Notes:** [Cross-references, patterns, connections to prior findings]

例行分析也要这样做。洞察有时在于 PFD 遇到了什么困难、哪个层级模棱两可，或者该协议无法妥善处理什么问题。

累积经验 — 分片语料库（v0.5+）

经验以原子文件的形式存储在 references/learnings/ 下，并按主要层级组织。使用轻量级索引，并按需读取原子文件，绝不预先加载整个大型文件。

查询顺序：

1. 读取 references/learnings/_index.md — 轻量级，每条经验占一行（可扩展至 1000 条以上）
2. 扫描索引，找出与当前任务相关的原子文件，并记录其路径
3. 通过 Read 深入查看具体原子文件 — 只读所需文件
4. 如需以编程方式筛选（例如“所有标记为 fluency 的 L2 经验”），读取 references/learnings/_search.json，而不是 Markdown 索引

**先采用成本最低的方式：**扫描索引 → 有针对性地读取原子文件 → 最后才回退到旧版大型文件。

不要预先加载 accumulated-learnings.md — 这个大型文件仅是 L1–L19 迁移前的回退方案。只有当索引指向迁移前的内容，或作为获取广泛背景信息的最后手段时，才读取它。Phase 2 批量迁移完成后，该文件将彻底退役。

添加新经验（当 insights-log 中 Promote?: yes 时）：

1. 创建原子文件：references/learnings/{layer}/l<NNN>-<slug>.md，并包含 YAML frontmatter（必填：id、title、layer、date、contributor、source；可选：secondary_layers、updated、related、tags）
2. 重新生成索引：python scripts/gen-pfd-index.py（在仓库根目录运行）
3. 将原子文件、重新生成的 _index.md 和 _search.json 一并提交
4. 如果该经验改变了评分行为，则在 .claude-plugin/plugin.json 中递增补丁版本号

---

参考文件

在相关情况下加载以下文件：

• references/learnings/ — 分片的累积经验（29 个知识单元，分布于 L0/L1/L2/L3/L4/cross/meta）。通过 _index.md（人工）或 _search.json（机器）查询。按需加载。
• references/accumulated-learnings.md — 为保持向后兼容而保留的分片前单体文件。不要预先加载；请使用上述分片加载器。
• references/citation-standards.md — 面向公众或客户展示 PFD 时必须加载。区分硬科学与从业者综合分析。
• references/mvs-psychology-reference.md — 各层心理学资料库，附有原始研究引用。每项 PFD 违规都可追溯至此处的引用。
• references/pfd-spatial-extension.md — 将 PFD 应用于画布工具、空间界面或布局系统（Figma、Miro、Notion、Cognograph）时加载。
• references/practitioner-corrections.md — 从业者修正层。默认为空；填入审查修正内容，以将评估准确度从 LLM 基线提升至从业者级别。

完整框架：framework/PERCEPTION-FIRST-DESIGN.md（约 870 行，约 100 条引用）。

---

基于资料库的评估（v1）

执行模式 1 评估时，加载资料库以进行深入分析。模式 2（求解）可按需加载设计系统配置文件和从业者修正内容，用于设定约束。模式 3（分析）处理自然语言输入，无需加载资料库。

执行模式 1 评估时：

1. 阅读 corpus/core/tier2-prompt-template.md，了解评估流程
2. 按照模板中的加载顺序操作（评估标准 -> 约束 -> 修正内容 -> 设计系统配置文件 -> 启发式规则 -> 示例）
3. 遵循模板中的评估说明
4. 评估后，按照下方的洞察日志流程记录发现

资料库提供：

• 启发式规则（corpus/heuristics/）——附有心理学引用的具体检测标准
• 设计系统配置文件（corpus/design-systems/）——针对特定框架的检测方法和修复建议
• 示例（corpus/worked-examples/）——校准锚点，展示各分数区间的表现

（从业者修正内容记录在 references/practitioner-corrections.md 中——这是唯一可信来源。）

何时使用资料库，何时快速评估：

• 快速 PFD 扫描（无 URL，仅查看设计）：直接使用该技能的 5 层结构（无需资料库）
• 完整 PFD 审查（提供了 URL，且要求详细分析）：按照模板加载资料库
• PFD 推导（生成设计）：加载 references/practitioner-corrections.md 和设计系统配置文件以设定约束

---

版本历史

• v0.7.0 (2026-04-28)：新增模式 3（分析）。新增命令 /perception-first-design:analyze（针对假设情境、机制问题和行为观察进行描述性级联分析）和 /perception-first-design:all（组合式三模式运行器）。正式确立分析协议：对 5 层级联后果逐项从 4 个维度进行压力测试（用户群体差异、相邻基础设施、先例、时间结构），并分析综合效应（社会聚合、锁定不对称、生态系统级联）和汇总权衡。扩展模式检测：现在，单独激活技能时，类似“如果 X 会怎样”“为什么 X 能起作用”的表述会路由至模式 3。将 SKILL.md 中的“Two Modes”部分改名为“Three Modes”。新增 4 条反模式，涵盖分析模式特有的失误（滑入解决模式、存在权衡时只看单向影响、分析时将各层视为孤岛、对单项后果分析不深入）。根据 URL 栏/Chrome 思想实验校准规范；该实验在 v2.1 时代引发了专家的“惊叹”。v0.6.0 的 solve 将该问题压缩成了一个结论；v0.7.0 的 analyze 则会给出该问题真正需要的描述性级联分析。
• v0.6.0 (2026-04-27)：为上架市场做好准备。在 .claude-plugin/plugin.json（仓库根目录）中新增插件清单，采用规范指定的组件布局（根目录下的 skills/、commands/、scripts/，不设嵌套的 skill/ 子目录）。新增市场目录 .claude-plugin/marketplace.json，支持可自托管分发，并可同时提交至 Anthropic 官方市场。重命名命令：在 /perception-first-design: 命名空间下，将 pfd 改为 solve（模式 2 推导），将 pfd-audit 改为 evaluate（基于语料库的模式 1 审计）。新增模式检测规则，根据输入形式在 solve 和 evaluate 之间自动路由单独激活的技能。校准活动新增 9 个原子条目（l021-l029）；重新生成 _index.md，共收录 29 个原子条目。将 mvs-psychology-reference.md 添加到技能参考文件中，方便技能快速查阅。许可证简化为单一的 CC BY-SA 4.0，并附带实践豁免（原为 MIT + CC BY-SA 双许可证）。在仓库根目录新增 NOTICE 文件，说明商标条款并列出许可/禁止使用示例。新增 .gitignore，用于排除操作系统杂项和私有工作文件。明确路径约定。修正内容统一记录于 references/practitioner-corrections.md（唯一事实来源）。
• v0.5.0 (2026-04-21)：采用分片式经验架构。将从单体文件 accumulated-learnings.md 中累积的 20 条经验迁移至 references/learnings/ 下的原子文件，并按主要层级（L0/L1/L2/L3/L4/meta/cross）组织。通过 scripts/gen-pfd-index.py 根据原子文件的 YAML frontmatter 生成 _index.md（供人阅读）和 _search.json（供机器读取）。更新 SKILL.md 加载器，支持延迟加载——先扫描索引，按需读取原子文件。可扩展至 1000 多条经验，且不会显著增加每次激活的开销。保留单体文件作为指针，以兼容外部链接。框架 v3.6 未作更改。
• v0.4.0 (2026-04-20)：框架 v3.6：扩展国际引用。新增 17 条引用，涵盖 6 个研究传统（DE/AT/CH、JP、CN、FR、NL/IL/Scandinavia）。新增“方法论姊妹领域”部分（Kansei/Nagamachi、Gestalt/Wertheimer+Metzger、神经美学/Skov+Nadal+Leder）。新增“文化校准”元规则：架构具有普适性，校准则因文化而异；跨区域推广前，需针对目标市场用户验证 L1 和 L3。将 7 条新层级规则纳入 L0–L4，作为有效框架规则，而非脚注。强化前语言唤醒的实证基础（Hassin 2013、Pessiglione 2007、Mori 1970）。新增经验 #20：扩展国际引用。主文档：817 → 872 行。
• v0.3.9 (2026-04-16)：新增经验 #19（多产物参与场域与中继用户模式）。针对一位欧洲企业潜在客户开展的两轮收敛式 PFD Ralph Loop，发现了相同的结构性缺口——PFD 的 5 层结构假设只有一个产物，且买家就在面前；B2B 参与场景则涉及由中继用户评估的多个产物。计划在再完成 2-3 次参与验证后，于 v0.4 正式纳入 L5。相关候选观察（历法/时机层）已记录在洞察日志中，尚未提升为正式内容。
• v0.3.8 (2026-04-02)：在“What PFD Is”中新增统一目标说明：明确将前语言唤醒作为 5 层结构的目标。
• v0.3.7 (2026-03-16)：规范层级编号：基础层（L0）→ L1 → L2 → L3 → L4。修正编号偏移错误（原为 L2-L5）。框架内容未变，仅统一编号。
• v0.3.6 (2026-02-26)：新增经验 #16（近似色彩不对称）。框架 v3.3：新增 Bujack et al. 2022 + Brainard 2022（55 条引用）。新增 L2 色彩限定说明（感知空间与物理空间、OKLCH）。为设计令牌 linting 中的近似错误严重程度加权。对“薛定谔已完成”这类标题进行审慎分析——应引用非加和性发现，而非采用“已完成”的说法。
• v0.3.4 (2026-02-25)：与框架 v3.2 学术审查结果同步。共 53 条引用（新增 5 条）。修正对 Tractinsky 2006 的错误描述、Miller 1956 正文内容和 Zak 2015 的限定语。根据 Cowan 2010，将 WM 3-4 调整为 3-5。更新 citation-standards.md，加入完整审查日志。
• v0.3.0 (2026-02-24)：按规范目录结构重新整理插件。扩展技能描述，涵盖设计、营销、文案、写作和沟通。将经验、引用和 PFD-S 移至 references/，以支持渐进式披露。新增 /pfd 命令。
• v0.2.0 (2026-02-19)：综合 9 位专家的 PFD 头脑风暴成果。新增经验 #9-12：时间/会话连续性、约束作为分布、视觉通道审查、路径式与调查式知识。
• v0.1.1 (2026-02-19)：新增产品层面推导所得的经验 #6-8。
• v0.1 (2026-02-19)：初始原型。包含推导协议、5 个层级、PFD-S 和 5 条累积经验。