《SICP》笔记：计算机程序的构造和解释，以及编程世界的“无所住而生其心”

Tue, 08 Aug 2023 10:40:00 +0800

《SICP》笔记：计算机程序的构造和解释，以及编程世界的“无所住而生其心”

目标读者：写过几年代码、用过不止一门语言、想知道“编程这件事的本质到底是什么”的程序员。
参考书籍：Harold Abelson & Gerald Jay Sussman, Structure and Interpretation of Computer Programs（SICP，中译《计算机程序的构造和解释》）
阅读目标：不求逐章复述，而是提炼一条主线——过程与数据的对偶，看清抽象、求值、解释器这三件事如何环环相扣。

0. 写在前面：为什么这本书被称为 CS 的“佛经”

SICP 是 MIT 的传奇教材。1980 年代到 2000 年代，MIT 的计算机导论课 6.001 用它做教材：第一堂课不教语法，直接写求平方根的牛顿法；第一学期结束，学生要用 Scheme 写出一个 Scheme 解释器。这门课出了名地难，也出了名地改变人——无数程序员回忆它是“第一次觉得编程是一门手艺，而不是一门手艺活”的时刻。

几个背景事实，帮你定位这本书：

书出版于 1985 年（第一版），语言用的是 Lisp 方言 Scheme。Lisp 诞生于 1958 年（John McCarthy），是现存第二老的高级语言（第一是 Fortran，1957 年）。
2008 年 MIT 把 6.001 换成了 Python 课程。Sussman 本人的解释是：现在工程师更多是在“把不理解的黑盒零件拼起来”，而不是从零构造系统——时代变了。但 SICP 的地位反而因此更稳固：它不再是一门课的教材，而是程序员自我修炼的经典。
Paul Graham（Y Combinator 创始人）1995 年用 Lisp 写了 Viaweb——史上最早的 Web 应用之一，1998 年被雅虎以约 4900 万美元收购。他后来写《黑客与画家》，反复鼓吹 Lisp 的威力，把 SICP 式的抽象能力说成是 Viaweb 能以 3 个人对抗几十人团队的“秘密武器”。这个故事后面还会用到。

这本书为什么这么神？一句话：它讲的不是“怎么写代码”，而是**“计算是什么”**。全书有一条暗线：

计算的本质 = 过程（process）与数据（data）的对偶。程序在二者之间不断转换：数据可以被当作过程执行，过程也可以被当作数据传递。到书的结尾，我们用一个程序（求值器）把语言自己解释了一遍——这就是编程世界的“言语道断，心行处灭”。

这个博客另有佛学笔记，读完全文你会发现，SICP 的气质确实和《金刚经》那句“应无所住而生其心”隐隐相通：不执着于任何固定的表示（无所住），才能自由地在过程与数据之间切换（生其心）。但先把技术内容讲扎实，佛的部分放最后。

1. 一句话理解 SICP：抽象的三层结构

SICP 开篇就给出了“什么是编程语言”的定义。任何一门强大的语言，必须提供三样东西：

基本表达（primitive expressions）：语言提供的最小积木，比如数字 2、运算符 +。
组合手段（means of combination）：把简单东西拼成复杂东西，比如 (+ 2 3)。
抽象手段（means of abstraction）：给复杂东西命名，然后像用基本积木一样用它，比如 (define (square x) (* x x))。

一句话理解全书：SICP 就是在“过程”和“数据”两个战场上，反复演示这三层结构怎么玩。

第 1 章：过程的抽象（用函数表达计算过程）。
第 2 章：数据的抽象（用构造函数/选择函数把表示藏起来）。
第 3 章：模块化、对象与状态（引入赋值后，代换模型失效，必须换环境模型）。
第 4 章：元语言抽象（写一个求值器，用语言解释语言）。
第 5 章：寄存器机器（解释器如何在真实机器上跑起来）。

读 SICP 的正确姿势，不是记知识点，而是看作者怎么用同一把刀（三层抽象）切开五个不同的问题。这把刀，就是这本书真正想传给你的东西。

2. 过程抽象：牛顿法开方，SICP 的第一个“当头棒喝”

6.001 第一堂课就讲平方根。这不是随便选的例子——它完整演示了“一个数学定义（声明性知识）”和“一个计算过程（操作性知识）”之间的鸿沟，而弥合这个鸿沟，正是编程的本质。

2.1 数学定义 ≠ 计算过程

数学上，$\sqrt{x}$ 的定义是：“满足 $y^2 = x$ 且 $y \ge 0$ 的那个 $y$”。这个定义完美，但不能算——它没告诉你怎么找到这个 $y$。

牛顿法（Newton’s method，SICP 中归为 Heron of Alexandria 的巴比伦法特例）给出的是一个过程：从任意猜测 $y$ 出发，反复取 $y$ 和 $x/y$ 的平均值作为新猜测，直到足够接近：

$$ y_{n+1} = \frac{y_n + x / y_n}{2} $$

2.2 用小数字完整走一遍：求 $\sqrt{2}$

从猜测 $y_0 = 1$ 开始：

迭代	当前猜测 $y_n$	$x / y_n$	新猜测（取平均）
0	1	2	(1 + 2) / 2 = 1.5
1	1.5	1.3333…	(1.5 + 1.3333) / 2 = 1.4167
2	1.4167	1.4118	(1.4167 + 1.4118) / 2 = 1.4142

三步就到 1.4142，误差已经小于 $10^{-4}$。真实值是 1.41421356…。收敛速度是平方级的——每迭代一次，有效位数大约翻倍。

2.3 Scheme 实现：嵌套定义把复杂性藏起来

SICP 把牛顿法写成一组互相调用的过程，最后用 define 的内部嵌套把辅助过程全部藏起来：

(define (sqrt x)
  (define (good-enough? guess)
    (< (abs (- (square guess) x)) 0.001))
  (define (improve guess)
    (average guess (/ x guess)))
  (define (sqrt-iter guess)
    (if (good-enough? guess)
        guess
        (sqrt-iter (improve guess))))
  (sqrt-iter 1.0))

注意这里发生了什么：

用户只看到 (sqrt 2)，不用知道里面有迭代、有容忍度、有牛顿公式。这就是过程抽象：把一个过程当作黑盒，用名字调用它。
辅助过程 good-enough?、improve、sqrt-iter 定义在 sqrt 内部，外面的代码根本看不见它们，而且它们直接共享参数 x，不用层层传递。
这是 SICP 给新人的第一棒：函数不是用来“复用代码”的，是用来“命名计算过程、压制细节”的。

避坑提示：SICP 练习 1.7 指出，good-enough? 用固定阈值 0.001 对很小的数（如 sqrt 0.0001）和很大的数（如 sqrt 1e13）都会出错——前者精度不够，后者因为浮点精度问题可能不收敛。工程上的修法是判断“新旧猜测的相对变化量是否足够小”，而不是绝对误差。这个练习至今仍是理解“数值代码里的坑”的最佳入门。

3. 高阶函数：sum/integral 通用模板，抽象出“模式”本身

3.1 三个长得像的求和

SICP 第 1 章的下一个重点：数学家早就发现一堆求和过程长得几乎一样，只是“每一项怎么算”和“下一项怎么来”不同：

; 从 a 加到 b
(define (sum-integers a b)
  (if (> a b) 0 (+ a (sum-integers (+ a 1) b)))))

; 从 a 的立方加到 b 的立方
(define (sum-cubes a b)
  (if (> a b) 0 (+ (cube a) (sum-cubes (+ a 1) b)))))

; 莱布尼茨级数求 π：1/1 - 1/3 + 1/5 - ...
(define (pi-sum a b)
  (if (> a b) 0 (+ (/ 1.0 (* a (+ a 2))) (pi-sum (+ a 4) b))))

三个过程的骨架一模一样。SICP 的做法：把骨架抽出来，让“每一项怎么算（term）”和“下一项怎么来（next）”变成参数：

(define (sum term a next b)
  (if (> a b)
      0
      (+ (term a) (sum term (next a) next b))))

; π 级数就剩两行
(define (pi-sum a b)
  (sum (lambda (x) (/ 1.0 (* x (+ x 2))))
       a
       (lambda (x) (+ x 4))
       b))

sum 就是一个高阶函数（higher-order procedure）：以过程为参数、以过程为返回值的过程。

3.2 一句话理解高阶函数

高阶函数 = 把“算法中的变化点”变成参数。你传进去的不是数据，是行为。

如果你觉得眼熟，那就对了：

你在 JavaScript 里写的 array.map(fn)、array.filter(fn)、array.reduce(fn, init)，就是 sum 的亲戚。
Python 的 sorted(lst, key=fn)、Java 的 Comparator，传的都是“行为参数”。
数值积分 $\int_a^b f \approx \sum f(x),dx$ 在 SICP 里就是 sum 换一套 term/next 的事——积分器和求和器共享同一个骨架，这在数学上是黎曼和，在代码上就是高阶函数。
设计模式里的 Strategy、模板方法，本质都是“手写的高阶函数”——语言不支持把函数当值传递，就只能用类和接口模拟。这也是为什么 Peter Norvig 那篇著名文章指出：GoF 23 个设计模式里有 16 个在有头等函数的语言里“要么消失、要么简化到看不见”。

3.3 lambda 与 let：不命名，也是自由

(lambda (x) (* x x)) 造出一个匿名过程。SICP 特意强调：能给过程命名（define）当然好，但能不命名也同样重要——很多小过程只用一次，为它发明一个名字反而污染命名空间。

工程对照：这就是你写 list.sort(key=lambda x: x.age) 时干的事。let 则只是 lambda 的语法糖：

(let ((a 1) (b 2))
  (+ a b))
; 等价于
((lambda (a b) (+ a b)) 1 2)

一句话理解：let 不是“定义变量的特殊语法”，而是“立刻调用一个匿名函数”。变量绑定就是函数参数绑定。这个视角在第 4 章写求值器时会回报你——let 根本不用实现，翻译成 lambda 就完了。

4. 数据抽象：有理数例子，和“抽象屏障”这道墙

4.1 用之前，先假装它存在

SICP 第 2 章开篇的方法论非常反直觉：先有“愿望思维”（wishful thinking）——假设有理数的构造函数和选择函数已经存在，先把用它们的上层代码写完，再回头实现它们。

; 假设这三个东西存在：
; (make-rat n d)  → 构造一个 n/d 的有理数
; (numer x)       → 取分子
; (denom x)       → 取分母

; 于是加法直接写出来：
(define (add-rat x y)
  (make-rat (+ (* (numer x) (denom y))
               (* (numer y) (denom x)))
            (* (denom x) (denom y))))

用小数字验证：$\frac{1}{2} + \frac{1}{3} = \frac{1\times3 + 1\times2}{2\times3} = \frac{5}{6}$。对。

关键点：add-rat 的代码里没有任何一处依赖“有理数内部怎么存”。它只依赖 make-rat/numer/denom 这三个接口承诺的行为。这条接口，SICP 称之为抽象屏障（abstraction barrier）。

4.2 屏障之下，表示随便换

因为有屏障，下面这些是可以在不改变 add-rat 一行的前提下完成的修改：

存原始分子分母，约分留给打印时做；
在构造时就约分（SICP 练习 2.1：用 gcd 化简）；
保证分母恒为正，把符号统一挪到分子。

这就是数据抽象的工程价值：表示的修改被关进笼子，使用方无感知。 你在工程里天天享受这个红利：

java.util.List 背后是 ArrayList 还是 LinkedList，调用方不该关心；
HTTP API 的响应字段内部存 JSON 还是 protobuf，客户端不该关心；
数据库的存储引擎从 MyISAM 换 InnoDB，SQL 不变。

一句话理解：数据抽象不是“封装”这个 OOP 词汇的专利，它是更根本的原则——“用一组行为约定代替对表示的直接依赖”。Java 的接口、C 的 opaque pointer、Rust 的 trait，全是这道墙的不同砌法。

5. cons/car/cdr 与闭包性质：一对盒子造出整个数据世界

5.1 唯一的胶水：cons

Scheme 的数据组合手段只有一个：cons。(cons 1 2) 造出一个序对（pair），car 取左，cdr 取右。就这一个盒子，SICP 搭出了列表、树、表、集合……全部数据结构。

(cons 1 (cons 2 (cons 3 nil)))   ; 这就是列表 (1 2 3)
(cons (cons 1 2) (cons 3 4))     ; 这就是一棵二叉树

为什么够了？因为 SICP 给出了闭包性质（closure property）：

组合手段满足闭包性质 = 组合出来的东西，本身还能继续被同样的手段组合。

cons 出来的序对，可以再被 cons。这一句话是数据世界的“递归基”：列表是嵌套的 cons，树是嵌套的 cons，任何层级结构都是嵌套的 cons。

工程对照：HTML 的 DOM 树满足闭包性质（元素套元素）；Unix 管道满足闭包性质（任何命令的输出都能进下一个命令的输入）；JSON 满足闭包性质（对象里套对象）。满足闭包性质的组合手段，组合成本不随复杂度增长——这是 SICP 对“为什么 Lisp 和 Unix 都能小核心、大生态”的统一解释。

5.2 最炸裂的一课：cons 可以不用数据实现

SICP 2.1.3 有一个让无数人第一次头皮发麻的段落：cons、car、cdr 可以只用过程（函数）实现，不用任何数据结构：

(define (cons x y)
  (lambda (m) (m x y)))

(define (car z)
  (z (lambda (p q) p)))

(define (cdr z)
  (z (lambda (p q) q)))

走一遍 (car (cons 1 2))：

(cons 1 2) 返回一个匿名函数，它等着别人告诉它“你要左还是要右”。
(car z) 把 (lambda (p q) p) 塞给它，意思是“给我左边那个”。
结果：1。

这意味着什么？“数据”和“过程”的边界是虚构的。 一个序对可以完全用行为（“当被问到时左右各报什么”）来定义，不占用任何存储意义上的“盒子”。这就是第 0 节说的对偶性第一次显形：

数据是被冻住的过程；过程是活过来的数据。 佛家说“色即是空，空即是色”，SICP 说“数据即过程，过程即数据”——结构上是同一个句式。

（历史彩蛋：这套“用函数编码数据”的玩法不是 SICP 发明的，是 Alonzo Church 1930 年代 λ 演算里的 Church 编码——连自然数都可以用纯函数定义。SICP 把它拿来当头棒喝用。）

6. 求值的两个模型：代换模型优雅，环境模型救命

6.1 代换模型：把函数调用当代数化简

求值一个组合式，最朴素的模型是代换模型（substitution model）：把形参全部替换成实参，然后化简。

(square (+ 2 3))
→ (square 5)
→ (* 5 5)
→ 25

这个模型简单、优雅，而且可以直接证明程序正确性（这正是函数式编程“可推导”的理论基础）。SICP 用它讲清了**应用序（先算实参再代入）与正则序（先代入再按需算）**的区别——后者就是第 7 节惰性求值的种子。

6.2 赋值一来，代换模型当场死亡

第 3 章引入 set!（赋值）之后，代换模型立刻崩溃。考虑一个取钱过程：

(define balance 100)
(define (withdraw amount)
  (set! balance (- balance amount))
  balance)

(withdraw 25) 得 75，再 (withdraw 25) 得 50。同样的表达式、同样的参数，两次结果不同——代换模型的基石“相同表达式有相同值”（引用透明性）碎了。表达式不再是值的替身，时间进入了程序：值取决于“你什么时候问”。

6.3 环境模型：变量不再“是”值，而是“在”某个环境里的格子

替代方案是环境模型（environment model）：

环境 = 一串框架（frame），每个框架是一张“变量名 → 值”的表，框架之间用指针连成链，最后终结于全局环境。
变量求值 = 从当前框架往外一层层找，找到第一个绑定。
lambda 求值 = 造出一个过程对象，它携带两样东西：参数+函数体，和一个指向定义时环境的指针。
调用过程 = 建一个新框架，把实参绑进去，新框架的外层指针指向过程对象里存的那个环境。

flowchart TD
    GE["全局环境<br/>balance = 50<br/>withdraw = 过程对象"]
    PO["过程对象<br/>参数: amount<br/>函数体: set! balance ...<br/>环境指针 ──→"]
    E1["框架 E1<br/>amount = 25"]
    PO --> GE
    E1 -->|"外层指针"| GE
    GE -.->|"调用 withdraw 25 时创建"| E1

为什么函数式程序员迷恋“纯函数、不可变数据”？SICP 给了最诚实的答案：不是因为美，而是因为一旦引入赋值，你从此失去了代换模型这个思维工具，必须用环境模型这种更贵的心智模型去追每一个变量的历史。 工程对照：

Redux 的“单一不可变 state 树”，本质是在 JS 里人工维持代换模型可用；
Rust 的所有权与借用检查，是编译器帮你控制“谁在什么时候能改什么”；
并发 bug 的根源几乎都是“共享可变状态”——环境模型里那条指针链，到了多线程就是一场灾难。

避坑提示：闭包捕获的是环境（变量的格子）而不是当时的值。经典面试题——Python 里 fns = [lambda: i for i in range(3)]，三个函数都返回 2——就是这句话的具象化。JS 的 var 循环、Go 的 goroutine 循环变量（Go 1.22 之前的坑）都是同一原理。学完环境模型，这类 bug 你一眼看穿。

7. 流与惰性求值：用“无穷的数据结构”把时间装回瓶子

7.1 问题：状态和赋值污染了一切，能不要吗？

第 3 章结尾 SICP 问了一个漂亮的反问：我们引入赋值是为了建模“随时间变化的状态”（比如银行账户余额）。但换个视角——余额不是“一个会变的格子”，而是“一个无穷序列：每次交易后的全部余额历史”。变化的东西，可以被重新表示成一个不变但无穷的东西。

问题是：无穷的序列怎么在有限的内存里表示？答案：只在你看它的时候才算它——这就是流（stream）和惰性求值（lazy evaluation）。

7.2 流的实现：cons 的另一半推迟到以后

流的全部魔法在一对操作里（SICP 用 cons-stream 宏和 delay/force）：

(cons-stream a b)：a 立刻算，b 不算，包成一个“承诺”（promise）存起来；
(stream-cdr s)：兑现那个承诺（force），真正算出下一截。

于是无穷斐波那契流只需要三行：

(define fibs
  (cons-stream 0
    (cons-stream 1
      (add-streams fibs (stream-cdr fibs)))))

读法：fibs = 0 开头，接着 1，接着是“fibs 和它自己的错位相加”。用小数字走一遍错位相加：

fibs:           0, 1, 1, 2, 3, 5,  8, ...
(stream-cdr fibs): 1, 1, 2, 3, 5, 8, 13, ...
对应位相加:        1, 2, 3, 5, 8, 13, ...

从第 3 位开始，每一位都是前两段对应位相加的结果——正是斐波那契定义。但注意：这个流并没有预先存在，是你每取一个元素，它才长出一个元素。定义是递归的，数据却是按需生长的。

7.3 流处理管道：信号处理式的程序结构

有了流，程序可以写成信号处理系统的样子：生成器 → 变换器 → 过滤器 → 累积器，一环一环接起来。

flowchart LR
    G["生成器<br/>无穷整数流<br/>2, 3, 4, 5, ..."] --> F1["过滤器<br/>筛掉被 2 整除的"]
    F1 --> F2["过滤器<br/>筛掉被 3 整除的"]
    F2 --> F3["过滤器<br/>筛掉被 5 整除的"]
    F3 --> OUT["输出<br/>素数流<br/>2, 3, 5, 7, 11, ..."]
    style OUT fill:#e8f5e9

上图就是 SICP 的埃氏筛素数流：每个素数一旦露面，就派生出一个新过滤器挂在管道上，把它的倍数全部筛掉。整个程序是对“全体素数”这个无穷集合的操作，但任意时刻内存里只有用到的那一小段。

工程对照，这个思想你今天天天在用：

Unix 管道：cat access.log | grep 500 | wc -l——三段程序用惰性流串起来，谁也不会把整个日志读进内存。
Java 8 Streams / RxJava / Rust 的 Iterator：stream.filter(...).map(...).collect()，中间操作全部惰性，终端操作才触发计算。
Python 生成器：yield 就是 delay，next() 就是 force。
大数据框架（Flink/Spark Streaming）：整个流处理行业就是 SICP 第 3.5 节的工业化。

一句话理解：流 = 用“无穷的静态结构”替代“变化的状态”。赋值把“值随时间变”摊给了程序员的心智；流把同样的现象表示成一个数学对象，时间被折叠进“取到第几个元素”这个参数里。这是 FP 社区对抗复杂性的核心武器之一。

8. 元循环求值器：用语言解释语言，全书的高潮

8.1 为什么要写求值器

第 4 章，SICP 做了一件别的教材不敢在入门书里做的事：用 Scheme 写一个 Scheme 解释器。

这个解释器叫元循环求值器（metacircular evaluator）：“元”因为它在谈论语言自身，“循环”因为被解释的语言和实现它的语言是同一个。为什么这是高潮？因为前四章一直在说“过程与数据可以对偶转换”，而求值器是这个命题的终极证明：你的程序，对解释器来说只是数据（一个列表结构）；而解释器本身，也只是一个程序。

8.2 eval/apply 循环：整个语言只剩两个函数

剥掉所有细节，求值器的心脏是两个互相递归的函数：

eval（表达式，环境）：对表达式分派——
- 自求值的（数字、字符串）→ 直接返回；
- 变量 → 去环境里查；
- (quote x) → 返回 x 本身；
- (define ...) / (set! ...) → 改环境；
- (if ...) → 先 eval 谓词，再选一支；
- (lambda ...) → 打包成“过程对象”（参数 + 函数体 + 当前环境指针，正是第 6 节环境模型里的那个结构）；
- 函数调用 → 先 eval 运算符得到过程，再把所有实参 eval 出来，交给 apply。
apply（过程，实参列表）：
- 基本过程（+、car 这种内置的）→ 直接调用底层实现；
- 复合过程（用户用 lambda 定义的）→ 建一个新框架，形参绑实参，把过程体在这个新环境里交给 eval。

flowchart TD
    E["eval(表达式, 环境)"] --> Q{"表达式是什么类型?"}
    Q -->|"数字/字符串"| R1["直接返回"]
    Q -->|"变量"| R2["沿环境链查找绑定"]
    Q -->|"quote"| R3["返回被引用的数据本身"]
    Q -->|"lambda"| R4["打包过程对象:<br/>参数+函数体+环境指针"]
    Q -->|"if / define / set!"| R5["按规则处理<br/>(子表达式递归调 eval)"]
    Q -->|"函数调用"| R6["eval 运算符得过程<br/>逐个 eval 实参"]
    R6 --> A["apply(过程, 实参)"]
    A --> Q2{"过程是哪种?"}
    Q2 -->|"基本过程"| R7["调用底层内置实现"]
    Q2 -->|"复合过程"| R8["新建框架: 形参→实参<br/>外层指针=过程携带的环境"]
    R8 -->|"在新环境中求值过程体"| E
    style E fill:#e3f2fd
    style A fill:#fff3e0

这个图值得你盯着看五分钟：整个语言——所有语法、所有抽象——最后都坍缩成 eval 和 apply 的互相调用。这就是“同像性（homoiconicity，代码即数据）”的兑现：因为 Scheme 代码本身就是 Scheme 列表（(f a b) 既是调用，也是一个三元素列表），所以 eval 可以直接拿程序当数据拆开、分派、重组。

8.3 这一课在工程里的投影

别以为元循环求值是学院派玩具。它直接对应你今天用的东西：

每个语言运行时都是 eval/apply：V8 解释 JS、CPython 执行字节码、JVM 跑字节码，本质都是“拿一段数据结构（代码），分派，执行”。JIT 只是给这个循环加缓存。
SQL 引擎：你写的 SQL 对数据库是数据，查询规划器就是 eval，执行器就是 apply。
规则引擎、模板引擎、配置文件即代码（Terraform 的 HCL、Kubernetes 的 YAML 控制器循环）：全是“程序读数据，把数据当程序跑”。
AI 时代的镜像：今天的 LLM Agent 循环——模型输出一段“计划/代码”（数据），宿主程序解释执行它（eval），结果再喂回模型——结构上和元循环求值器惊人地相似。提示工程里的 ReAct 模式，就是给 LLM 套了一个手写的 eval/apply。
历史掌故：正因为 Lisp 代码即数据，它的**宏（macro）**系统才能在编译期用 Lisp 本身变换 Lisp 代码。Paul Graham 说 Viaweb 能以 3 人团队每周上线几次、碾压竞争对手，核心就是 Lisp 宏让他们随时给语言“长”出适应业务的新语法——竞争对手在用语言写功能，他们在先造语言再写功能。这是 SICP 第 4 章思想最著名的一次商业兑现。

8.4 无穷后退，以及“无所住”

一个哲学问题浮出来：元循环求值器自己又是被谁求值的？——被底层的 Scheme 实现。那个实现又被谁执行？被机器。机器呢？……这就是 Sussman 说的“求值的无穷后退（infinite regress）”，像一组两面相对的镜子。

SICP 的回答很佛系，也很硬核：后退没有终点，但有可以停下来的层级。 求值器把“语言的意义”钉在了一个你能完整看懂的两页代码上，这就够了——剩下的层级，当作黑盒信任。这和第 2 节 sqrt 的嵌套定义是同一把刀：在正确的层级上停止追问，把下层当黑盒，是驾驭复杂性的唯一办法。

9. 收个尾：从 eval/apply 到“无所住而生其心”

《金刚经》那句“应无所住而生其心”，粗解是：心不执着于任何固定的相（“住”），才能生起真正的觉照（“生其心”）。

SICP 教的恰恰是同一个心法的技术版：

不住于表示：有理数怎么存不重要，重要的是 make-rat/numer/denom 的行为约定（第 4 节）；cons 可以用盒子实现，也可以用纯函数实现（第 5 节）。
不住于过程与数据的分别：代码可以被当数据改写（宏、同像性），数据可以被当过程执行（Church 编码、求值器）。
不住于语言的边界：当你能为问题造一门小语言（第 4 章元语言抽象、DSL），“用什么语言编程”这个执念就放下了。
不住于模型的执念：代换模型够用就别上环境模型；状态非要建模时，先试试流能不能把它变成静态结构（第 6、7 节）。

心无所住，方能在过程与数据、语言与元语言之间自由穿行。这是 SICP 作为“CS 佛经”的真正含义：它教的不是 Scheme，是一种对一切表示层都不执着、只忠于计算本质的编程心法。

10. 带走的清单

五句话记住 SICP：

语言三要素：基本表达、组合手段、抽象手段。评价任何语言/框架，先数这三样。
过程抽象：给计算过程起名字，把细节关进黑盒（牛顿法 sqrt 是起点）。
高阶函数：把算法的变化点变成参数（sum/integral 一个模板；map/filter/reduce 是它的日常形态）。
数据抽象：用行为约定代替对表示的依赖，屏障之下表示随便换。
闭包性质：组合产物可再组合，小核心才能长成大生态（cons、Unix 管道、JSON 同理）。

四个思维工具，终身受益：

代换模型：纯函数代码的推理方式；引入赋值前先想想值不值得失去它。
环境模型：变量是“环境里的格子”不是“值”；闭包捕获格子不捕获值——一类经典 bug 的透视镜。
流/惰性求值：把“随时间变化的状态”重述为“无穷的静态结构”，按需兑现。
eval/apply：一切解释器、查询引擎、规则引擎、Agent 循环的两行心脏。

避坑指南：

读 SICP 不要当“Lisp 教程”读。Scheme 只是手术刀，病灶是“计算的本质”；纠结括号语法就本末倒置了。
习题一定要做，至少做完第 1、2 章。SICP 的习题（如 1.7 的 good-enough? 失效分析）是正文的一半。
不要被第 3 章的状态讨论劝退——代换模型失效、环境模型救场，正是全书承上启下的枢纽，跳过它后面元循环求值器就看不懂。
元循环求值器别只“看懂”，找一门宿主语言（Python/JS 都行）亲手写一遍 eval/apply，哪怕只支持五个特殊形式。写过和看过是两个物种。
线上资源：MIT 官网有全文免费的 HTML 版（SICP Web Site），1986 年 Abelson 和 Sussman 给惠普员工讲的 20 集录像（MIT OpenCourseWare / “SICP Lectures”）仍然是最生动的配套。

参考资料

Harold Abelson, Gerald Jay Sussman, Structure and Interpretation of Computer Programs, 2nd Edition, MIT Press, 1996（MIT 官网有免费全文）。
MIT OpenCourseWare：6.001 Structure and Interpretation of Computer Programs（1986 年 HP 版课程录像）。
Paul Graham, Hackers & Painters（Viaweb 与 Lisp 的故事见其中 “Beating the Averages” 一章）。
Peter Norvig, Design Patterns in Dynamic Programming（设计模式与头等函数的关系）。

元循环求值 on 方糖猫Blog

《SICP》笔记：计算机程序的构造和解释，以及编程世界的“无所住而生其心”

《SICP》笔记：计算机程序的构造和解释，以及编程世界的“无所住而生其心”

0. 写在前面：为什么这本书被称为 CS 的“佛经”

1. 一句话理解 SICP：抽象的三层结构

2. 过程抽象：牛顿法开方，SICP 的第一个“当头棒喝”

2.1 数学定义 ≠ 计算过程

2.2 用小数字完整走一遍：求 $\sqrt{2}$

2.3 Scheme 实现：嵌套定义把复杂性藏起来

3. 高阶函数：sum/integral 通用模板，抽象出“模式”本身

3.1 三个长得像的求和

3.2 一句话理解高阶函数

3.3 lambda 与 let：不命名，也是自由

4. 数据抽象：有理数例子，和“抽象屏障”这道墙

4.1 用之前，先假装它存在

4.2 屏障之下，表示随便换

5. cons/car/cdr 与闭包性质：一对盒子造出整个数据世界

5.1 唯一的胶水：cons

5.2 最炸裂的一课：cons 可以不用数据实现

6. 求值的两个模型：代换模型优雅，环境模型救命

6.1 代换模型：把函数调用当代数化简

6.2 赋值一来，代换模型当场死亡

6.3 环境模型：变量不再“是”值，而是“在”某个环境里的格子

7. 流与惰性求值：用“无穷的数据结构”把时间装回瓶子

7.1 问题：状态和赋值污染了一切，能不要吗？

7.2 流的实现：cons 的另一半推迟到以后

7.3 流处理管道：信号处理式的程序结构

8. 元循环求值器：用语言解释语言，全书的高潮

8.1 为什么要写求值器

8.2 eval/apply 循环：整个语言只剩两个函数

8.3 这一课在工程里的投影

8.4 无穷后退，以及“无所住”

9. 收个尾：从 eval/apply 到“无所住而生其心”

10. 带走的清单

参考资料