范叶亮写智能体、模型和数据系统时，习惯先把定义和边界钉死。把「Ising 模型，Hopfield 网络和受限的玻尔兹曼机」整理成可落地的中文笔记：问题在哪、默认做法会踩什么坑、该怎么选。原站导航和广告已去掉。

Ising 模型

Ising 模型 最早是由物理学家威廉·冷次在 1920 年发明的，他把该模型当成是一个给他学生恩斯特·易辛的问题。易辛在他一篇 1924 年的论文 1 中求得了一维易辛模型的解析解，并且证明它不会产生相变。 二维方晶格易辛模型相对于一维的难出许多，因此其解析的描述在一段时间之后才在 1943 年由拉斯·昂萨格给出 2 。

Ising 模型假设铁磁物质是由一堆规则排列的小磁针构成，每个磁针只有上下两个方向。相邻的小磁针之间通过能量约束发生相互作用，同时受到环境热噪声的干扰而发生磁性的随机转变。涨落的大小由关键的温度参数决定，温度越高，随机涨落干扰越强，小磁针越容易发生无序而剧烈地状态转变，从而让上下两个方向的磁性相互抵消，整个系统消失磁性，如果温度很低，则小磁针相对宁静，系统处于能量约束高的状态，大量的小磁针方向一致，铁磁系统展现出磁性。而当系统处于临界温度 $T_C$ 时，Ising 模型表现出一系列幂律行为和自相似现象 3 。

Hopfield 神经网络

由于 Ising 模型的高度抽象，可以很容易地将它应用到其他领域之中。例如，将每个小磁针比喻为某个村落中的村民，而将小磁针上下的两种状态比喻成个体所具备的两种政治观点，相邻小磁针之间的相互作用比喻成村民之间观点的影响，环境的温度比喻成每个村民对自己意见不坚持的程度，这样 Ising 模型就可以建模该村落中不同政治见解的动态演化。在社会科学中，人们已经将 Ising 模型应用于股票市场、种族隔离、政治选择等不同的问题。另一方面，如果将小磁针比喻成神经元细胞，向上向下的状态比喻成神经元的激活与抑制，小磁针的相互作用比喻成神经元之间的信号传导，那么，Ising 模型的变种还可以用来建模神经网络系统，从而搭建可适应环境、不断学习的机器，例如 Hopfield 网络或 Boltzmann 机。

如图所示，每个节点都有两种状态 $s_i \in \{+1, -1\}$ ，则我们可以定义这个系统的能量为

离散型 Hopfield 神经网络

$$ E = -H \sum_{i=1}^{N}{s_i} – J \sum_{<i, j>}{s_i s_j} $$

其中 $H$ 为外界磁场的强度， $J$ 为能量耦合常数， $\sum_{<i, j>}$ 表示对于相邻的两个节点的函数值求和。因此，可以得出

连续型 Hopfield 神经网络

对于整个系统的演变，除了系统的总能量以外，还受到节点所处环境的热噪声影响。我们利用温度 $T$ 表示环境对节点的影响，当 $T$ 越高时，节点状态发生变化的可能性越大。此时，则有两种力量作用在每个节点上

不难想像，当 $T = 0$ 时，节点状态完全受其邻居和外部磁场影响，当 $J = 0, H = 0$ 时，节点处于完全的随机状态。

受限的玻尔兹曼机 (RBM)

对于 Ising 模型，我们利用蒙特卡罗方法进行模拟。初始化系统状态为 $s_i^{\left(0\right)}$ ，对于任意时刻 $t$ ，对其状态 $s_i^{\left(t\right)}$ 进行一个改变，将其中一个节点变为相反的状态，得到新的状态 $s'_i$

$$ s_i^{\left(t+1\right)} = \begin{cases} s'_i & \text{with probablity of } \mu \\ s_i^{\left(t\right)} & \text{with probablity of } 1-\mu \end{cases} $$

网络结构及其概率表示

其中 $\mu = \min\left\lbrace\dfrac{e^{E\left(s_i^{\left(t\right)}\right) – E\left(s'_i\right)}}{kT}, 1\right\rbrace$ 表示接受转移的概率； $k \approx 1.38 \times 10^{23}$ 为玻尔兹曼常数。我们利用蒙特卡罗方法对其进行模拟 $T = 4J/k$ 的情况，我们分别保留第 $0, 1, 5, 50, 500, 5000$ 步的模拟结果

# 每一轮状态转移 each_round <- function ( current_matrix , ising_config ) { n_row <- nrow ( current_matrix ) n_col <- ncol ( current_matrix ) for ( i in 1 : n_row ) { for ( j in 1 : n_col ) { current_row <- sample ( 1 : n_row , 1 ) current_col <- sample ( 1 : n_col , 1 ) s <- current_matrix[current_row , current_col] e <- – ( current_matrix [ ( current_row -1-1 ) %% n_row +1 , current_col] + current_matrix[current_row , ( current_col -1-1 ) %% n_col +1 ] + curren

值得单独记下的点

• 当每个节点的方向同外部磁场一致时，系统能量越小；反之系统能量越大。
• 对于 $J > 0$ ，当相邻的节点方向相同时，系统能量越小；反之系统能量越大。
• 节点邻居和外部磁场的影响，这种影响使得当前节点尽可能的同其邻居和外部磁场保持一致，即尽可能是系统的总能量达到最小。
• 环境的影响，这种影响使得每个节点的状态以一定的概率发生随机变化。
• 当 $x_i^{\left(t\right)} = -1, x_i^{\left(t+1\right)} = 1$ 时， $\Delta x_i^{\left(t\right)} = 2, net_i^{\left(t\right)} \geq 0$ ，则可得 $\Delta E \left(t\right) \leq 0$ 。
• 当 $x_i^{\left(t\right)} = 1, x_i^{\left(t+1\right)} = -1$ 时， $\Delta x_i^{\left(t\right)} = -2, net_i^{\left(t\right)} < 0$ ，则可得 $\Delta E \left(t\right) < 0$ 。
• 当 $x_i^{\left(t\right)} = x_i^{\left(t+1\right)}$ 时， $\Delta x_i^{\left(t\right)} = 0$ ，则可得 $\Delta E \left(t\right) = 0$ 。
• 网络中所有的神经元随时间 $t$ 同时更新，网络状态随时间连续变化。

落地时建议先做的 5 件事

1. 先写清任务能不能被自动验证：能验证的交给系统和评测，不能验证的留给人审。
2. 本地部署先算显存、延迟和失败回滚，不要只看能跑通一次。
3. 多智能体只在单智能体触到上下文或专业边界时再拆。
4. Token、微调和压缩都要有对照数字，避免口号式优化。
5. 结论写成可检查清单：接口、超时、评测集、回滚版本。

和智能体产品怎么接

龙虾PRO做 OpenClaw 落地时，最该拿走的是「单智能体先做好工具和提示，再谈编排」。数字员工、技能市场和网关应共用同一套评测与权限，而不是各写一套角色人设。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源