由 dawei 政策编程不是编写通用软件，而是将公共政策逻辑转化为可执行、可验证、可迭代的代码。其核心在于精准表达规则意图，而非追求算法效率或系统规模。语言选型是起点，需兼顾可读性、形式化能力和治理适配性。Python 因语法简洁、生态丰富，适合快速原型与跨部门协作；而 Rego（用于 Open Policy Agent）以声明式风格和细粒度策略建模见长，天然支持策略即代码（Policy-as-Code）；Datalog 变体则擅长表达关系推理与合规检查，如“若某主体属高风险类别且未完成培训，则禁止访问敏感数据”。选型关键不在技术先进性，而在政策撰写者、法务人员与开发者能否共读共验。
函数构建聚焦于政策语义的封装与复用。一个函数不应是通用工具，而应映射真实政策单元——例如“低保资格初审”可封装为 is_eligible_for_dibao(income, dependents, disability_status)，其内部逻辑直接对应《社会救助暂行办法》第十二条的具体裁量条件。参数命名需采用政策术语（如“共同生活家庭成员数”而非“n_members”），返回值明确标注依据条款。函数之间通过清晰的依赖关系组织，避免隐式耦合；修改任一函数时，必须同步更新关联的政策文档与测试用例，确保代码与制度文本严格对齐。
AI渲染效果图，仅供参考
变量管理本质是政策要素的可控建模。所有变量须具政策来源标识（如 sourced_from: “民政部2023年动态调整通知”），禁用未注释的魔法数字或硬编码阈值。状态变量（如“当前补贴发放轮次”）需明确生命周期与变更触发条件；计算中间变量必须可追溯，支持审计回放。敏感变量（如户籍类型、残疾等级）强制采用受控枚举，杜绝自由字符串输入。变量作用域遵循最小必要原则——仅在需要解读该政策环节的上下文中可见，防止跨政策误引用引发逻辑污染。代码即政策，变量即制度原子，其定义精度直接决定自动化决策的合法性边界。