上文我们知道了规则，那么我们是如何设计出一个系统，让其满足所有规则限制，同时满足我们的目标呢？这种设计、制造和使用工具的能力正是人类所拥有的独一无二的能力——我们可以综合根据已知规则，设计各类工具来满足我们的目标。为了研究这种思维能力，我们需要具化以研究这种能力，最常见的手段就是使用语言描述的过程来模拟思维过程——尤其在理性辩论时，我们称其为“思辩”。“逻辑”一词，源自于古典希腊语，最初的意思是“词语”或“言语”，因此，逻辑研究的主体是思维的内在规律，为了方便研究，通过研究思辩过程中，语言描述的内部规律，这种外部表现形式来研究的。让我们先来看看逻辑的发展历史。
我们都对未来有自己的认知，如何说服别人接受自己的观点，是很早就有的需求。在彼此辩论时，人们发现，规则的组合、演绎以及归纳是有规律的，满足这些规律，预测就是正确的，反之就是错误的，而这些规则之间的组合规律就是逻辑学研究的成果。换言之，你的思考过程(根据已知规则设计系统)与辩论过程一致，称为思辩，而逻辑就是研究思辩过程的。中国的“墨辩”、印度的因明与希腊的亚里士多德逻辑开启了逻辑之门。到了后来的文艺复兴时期，西斯·培根、约翰·穆勒、康德、黑格尔....一大群璀璨的学者不断推进着逻辑学的进展。这里我们不需要进入逻辑的细节，只需要用一个简单的例子来了解下逻辑是什么即可。苏格拉底是人，人都会死，所以苏格拉底会死。这就是一个最基础的演绎逻辑，如果事实与规则都正确，那么结论必然正确。当然，您并不需要知道什么是演绎逻辑，什么是归纳逻辑，更不需要去明白什么是三表法，排除法，什么是穆勒五法，因为到了今天，计算机可以协助我们处理逻辑了，您只需要了解逻辑学有这么一个阶段：寻找到很多适合人类使用的方法，来辅助人类的思辩行为。了解了上面的描述，请尝试理解日常生活中非常容易误用的两个词汇：“逻辑”与“关系”，逻辑与关系都可以描述为：A现象可以引发B结果，关系的关注重心就是A可以产生B这样一个事实/规则；而逻辑关注的是A现象关联了哪些关系/规则，演绎之后可以产生B这种内部的产生这种关系的推演过程。你不需要对这些概念深究，让我们先继续看看逻辑学的发展。
德国哲学家莱布尼兹提出一个概念，是否可以用数学来描述逻辑，把推理过程变成计算过程。虽然莱布尼兹没有解决这个问题，但是因为他提出了这个问题，被公认为数理逻辑的奠基人。这个问题直到19世纪才被英国数学家布尔通过“逻辑代数”（即布尔代数）所解决。随后，弗雷格、罗素和怀德海等人在布尔的基础上继续发展数理逻辑，直到霍恩通过霍恩子句完成了完整的计算推演步骤。后续就是可决策问题(decidability)被提出——这个问题被另一个伟大学者艾伦·图灵所解决，然后就是工程家约翰·冯·诺依曼设计了我们今天的计算机。
然后，可以自动进行逻辑计算的人造机器诞生了，并且开始反过来帮助我们设计新的机器——这就是人工智能(严格来说，是专家系统，神经元网络作为对规则层面的辅助工具，是人工智能另外一个重要组成部分，也被WIDE所支持)。这个系统是如何帮助我们处理逻辑问题的呢？ 很简单，我们只需要将规则与事实列出来，以构成一个逻辑层面的虚拟世界，然后我们就可以咨询计算机，在这个虚拟世界里，是否存在满足给定条件的解决方案？计算机会自动回答，并可以告诉你应该一步步如何推演，以得到结果。例如，我们将已知的物理规则录入构成一个虚拟世界，然后就可以补充一些事实(例如小明的速度是XXX，火车的速度XXXX...)，然后可以问火车多长时间超过小明..... 如果可以超过，那么计算机就会回答是的，并可以告诉你使用了哪些公式，是一步步如何计算的。因此，程序员所需要做的事情，就变成了从专家那里采集规则，按照WIDE格式(或者其它类似系统)输入计算机，剩下的事情就交给计算机了。
实际上，整个WIDE就是以这样一个理念构造的，先明确所需要的结果(页面)，通过标注将页面中的信息抽取出来，整理为“当A条件时，B元素做C效果”这样的语句，然后开始针对A、B、C的信息做反向解析获取。这里有一个工作量平衡的话题，由于定义逻辑世界，罗列全部已知规则，很多时候不如直接指定获取信息过程简单。又由于我们对表格十分熟悉，因此WIDE中通过不断指定表格之间的逻辑关系来指明如何获取相应的信息。如果信息之间逻辑关系足够复杂，我们才会在WIDE中定义“逻辑世界”，类似上面的描述，交由计算机自动寻找可能的答案。执行效率问题由WIDE通过编译的方式解决。因此，在使用WIDE时，不要去考虑规则之间的关联关系，只需要将焦点集中在当前的一条规则上，逻辑组合的问题被WIDE编译所解决(严格来说，部分细节尚未达到理想目标，使得有时会有错误出现，但是这类错误在调试模式下，WIDE都尽可能给出友好提示，因此，请牢记，不同于传统开发环境，使用WIDE时，不要考虑整体，只考虑当前处理的规则即可——换言之，使用WIDE，需要重规则轻逻辑)
有了逻辑概念之后，我们再去看规则(在WIDE中以代码段方式体现)就简单了。其实，对于日常生活中所接触到的常识性逻辑(主要就是填表经验)，WIDE中允许你直接控制，复杂逻辑，可以通过定义“逻辑世界”来自动寻找答案——例如模拟医生，对一个病人一年来的检查结果做分析，通过医学专家配合定义“逻辑世界”，可以快速实现一个医疗辅助决策系统。
逻辑在20世纪80年代，在计算机科学和人工智能领域获得了基础性地位。从此以后，现代逻辑学与哲学、语言学、计算机科学与技术、人工智能等学科不断交叉与融合，进一步推动了经典逻辑理论的应用和发展，促进了哲学逻辑、自然语言逻辑、人工智能逻辑、现代归纳逻辑等新兴逻辑分支学科的发展。
通俗来讲，逻辑可以描述成计算方法，得到计算结果的方式。传统的开发方式中使用的多是命令式语言，如C，C++，Java，Python等，需要理解语言的实现方式进而映射到逻辑的具体实现，与之相对的WIDE强调的是了解逻辑即可实现某个程序，强调的是对构建了规则的逻辑本身理解，通过提供的已有的实现方式，完成一段可用的程序甚至系统。
WIDE中需要了解的是对数据的分类，针对不同的数据类型，选择合适的处理方式，使用已有的方法甚至人工智能等自动生成可用的代码。将这些代码排列组合才是WIDE程序员的主要工作。通过给出已知的数据，训练WIDE，使之能够根据公式得到需要的结果，才是WIDE的真正意义。通过这些公式最终得到结果，构建了一系列的规则，而规则则构成了一套完整的系统。那么如何选择数据类型？WIDE提供了四种基本类型的处理方式，科学计算器，决策树，神经元网络，分类。
WIDE中并不推荐程序员自行书写代码，使用现有处理方式可以大幅度减少程序员对逻辑的梳理时间，减少实现时的bug。依据现有流程完成逻辑，组合逻辑实现规则，通过规则完成系统功能，才是WIDE的理想工作规范。