Discovery Fabric 的五层结构通过反馈回路耦合运行，形成持续探索的认知织构。
Product | Discovery Fabric
发现织构（Discovery Fabric）是奥思拉提出的科学发现架构。
它不是单一模型，也不是自动化脚本集合，而是将感知、假设、实验、评估、知识演化编织为反馈型系统的认知基础设施。
Discovery Fabric 五层流式回路
五层并非线性流水线，而是通过反馈耦合形成可持续演化的认知网络。
Perception 感知与输入层
将实验数据、仿真结果、文献与历史记录抽象为可推理对象。
Hypothesis 假设生成层
并行生成可检验假设，提升解释空间覆盖率与竞争性。
Experimentation 实验与行动层
将假设转换为实验方案、参数扫描和仿真/实物执行接口。
Evaluation 评估与选择层
基于一致性和信息增益动态筛选探索路径。
Knowledge Evolution 知识演化层
更新知识结构并复用历史路径，实现长期认知积累。
系统定位与工程边界
Discovery Fabric 不是把传统流程自动化，而是把研究行为重构为可持续认知过程。系统会在执行中不断更新评估准则、重排探索优先级，并维护可追踪的历史路径。
这意味着系统并非“写完即止”，而是长期保留并演化知识结构，支持教材、实验报告与研究综述在同一认知底座上持续生成。
研究目标驱动层级协同，不依赖单模型偶然发挥
评估层根据不确定性与信息增益动态调度
知识演化层沉淀失败经验，降低重复试错成本
Loop A · 现象到假设
新数据进入后即时触发解释空间扩展，不等待人工批处理。
Loop B · 假设到行动
系统将候选假设转为可执行策略，并在约束条件下自动调度。
Loop C · 结果到演化
评估结果反向修正知识结构，使下一轮探索更具信息效率。
Discovery Fabric 特性
非线性反馈：新结果可直接触发新假设并行探索：多条解释路径可同时演化失败记忆：失败本身沉淀为后续结构信息