ELIZA 程序谱系研究：用系统发生学方法重建 27 个实现版本的家族树

ELIZA 的谱系

我们能否仅从代码本身构建出 ELIZA 程序的家族树？本页报告 ELIZAGen 代码系统发育项目的当前进展，该项目将 ELIZA 的各种实现视为生物标本，并对其应用系统发育学的工具。

六十多年来，ELIZA 被重新实现了数百次：被复制、跨语言移植、根据已发表的描述重建、为教学而简化，以及被重新构想为艺术。软件没有那种锚定生物或手稿谱系的物质连续性，因此我们比较的不是源文本，而是架构。每个程序由一组抽象特征来描述（它是否对关键词排序？它是否有回溯匹配器？它是否保留对先前输入的记忆？），由此得到的特征矩阵用 PAUP* 进行分析，这是来自进化生物学的标准简约法软件。

当前语料库包含 27 个标本，时间跨度为 1965–2025 年，涵盖八种语言，由 13 个二元特征描述。这项工作仍在进行中，并已写成一篇论文草稿，Reconstructing Program Genealogies from Abstract Program Descriptions: The ELIZA Case Study（Jeff Shrager，2025 年 12 月）。

解读这棵树

完整 ELIZA 的基部分支多歧。根部是那些保留了整个 ELIZA 架构、且在这些特征上无法区分的程序：Weizenbaum 1965 年的 MAD-SLIP 原版、Bernie Cosell 1966 年的 BBN Lisp（根据 CACM 论文编写，未见过 Weizenbaum 的代码）、其他几个 Lisp 版本、1970 年的 SNOBOL 和 Burroughs B5500 Algol 版本、一个 Java 版本，以及 Anthony Hay 2021 年的 C++ 重建版。六十年，语言迥异，但设计相同。

一个衍生出的简化分支。从这个核心分支出去的主要是微型计算机时代的 BASIC 版本（Jeff Shrager 1973 年 BASIC ELIZA 的后代，该版本于 1977 年发表在 Creative Computing 上），以及 Python、JavaScript 和一些简化版 Lisp 版本。这些版本通常去掉了回溯、记忆和关键词优先级，原因可能是早期微型计算机的限制、教学目的（例如 Norvig 1991 年在 PAIP 中的 Lisp），或者仅仅是因为不同的编程文化。

验证标本。三个标本用于检验该方法：

• 一对逐字节完全相同的克隆（E18、E20）以零分支长度聚在一起，符合预期。
• 一个对照（E22，一个与对话无关的模式匹配文件工具）嵌套在 ELIZA 分支内部。因此，当前的特征捕捉的是通用的模式匹配架构，而非任何专门对话性的东西，需要更好的对话特征。
• LadyMouth（E21，Sarah Ciston 的女性主义批判艺术聊天机器人）在所有特征上得分均为零。它处于最大距离处：从角色和批判角度看，它是一个类似 ELIZA 的程序，但从架构角度看并非如此，并作为一个已确认的离群值。

论文认为，这一结果最好不应被解读为一条字面意义上的传承谱系，而应被解读为一张文本传统的地图，展示各实现之间如何通过保留、改编、趋同式重新实现和批判而产生关联。

它是如何制作的

1. 收集并规范化。 样本从档案、出版物和代码库中收集，然后进行轻度规范化（空白、注释、元数据）。
2. 用 LLM 提取特征，再人工整理。 语言模型为第一个程序提出结构和行为特征。词汇表经人工编辑，然后对所有样本进行轮询式扩展，直到不再出现新特征，每轮之后都进行人工整理。
3. 分类。 每个样本都按冻结的词汇表打分，生成一个程序×特征矩阵。
4. 推断树。 该矩阵被转换为 NEXUS 格式，并在 PAUP* 中以简约法分析（启发式搜索、TBR 分支交换），所得树用 Biopython 绘制。

特征

基于规则的模式匹配

行为由一组显式规则驱动，每条规则都有模式和相应的响应，而不是纯粹的过程式或统计式逻辑。

关键词优先级

关键词或规则带有数值优先级，决定应用哪条规则。

同义词转换

在应用规则之前，通过映射将表层形式（同义词、屈折变化）规范化为规范词元。

回溯匹配器

匹配器可以消费可变长度的输入片段，并在其上回溯以满足复杂模式。

通配符与字符类

模式语言支持通配符（例如数字片段占位符）以及词元类或基于属性的匹配。

片段存储

匹配到的输入片段会被存储起来，供后续在生成响应时引用。

模板重组

响应通过填充模板来构建，模板按位置引用匹配到的片段。

记忆规则

选定的过往输入会被存储，之后由专门的记忆规则检索。

兜底规则

当没有更具体的规则匹配时，会应用一条显式的默认（“最后手段”）规则。

标点敏感

输入使用一组显式的分隔符和断字符进行分词，因此标点会影响词元和短语的划分。

有序记忆

记忆按顺序回忆（而非随机）。

列表/符号处理

程序主要使用列表和符号处理，而非字符串处理。

可分离脚本

脚本本质上与语言处理代码分离（无论是否位于单独文件中）。

样本及其特征

✓ = 存在该特征，空白 = 不存在，? = 无法确定。每个样本名称都链接到所分析的（规范化）源代码。

数据、代码与论文

所有内容都在 ELIZAGen GitHub 仓库的 genealogy 文件夹中：

• 论文草稿：PDF · LaTeX 源码 · 参考文献
• 结果：特征矩阵（CSV） · 特征词汇表（YAML） · NEXUS 文件 · 树 · PAUP* 日志
• 流程：操作指南与 README · elizagen_library.py · cvs2nexus.py · draw_paup_trees.py
• 样本：全部 27 个程序的源代码
• 工作笔记：分析过程中的 LLM 对话

本项目源于 2022 年的博客文章 A Code-Based ELIZA Phylogeny。如果您知道有应该纳入该语料库的 ELIZA 实现（尤其是微型计算机之前的、非英语的或艺术性的实现），请写信给 Jeff Shrager（jshrager@gmail.com）。