稀疏原生張量記憶工程與實驗框架：局部張量核、可恢復分解與可驗證基準

Sparse Native Tensor Memory Engineering and Experimental Framework: Local Tensor Kernels, Recoverable Factorization, and Verifiable Benchmarks

版本：v0.1
日期：2026-07-27
文件性質：工程白皮書／實驗框架／系列第一階段封頂篇
系列位置：動態顯影與原生張量記憶系列，第八篇

摘要

本系列前七篇依序建立動態語義顯影、動態記憶顯影、原生張量記憶本體、記憶糾纏與可分離性、差合化張量操作、張量動態顯影與工作記憶重構，以及記憶連續性、遺忘與污染治理。至此，理論上已形成一條完整鏈條：人工智慧可由總記憶場出發，經治理選域、條件收縮、局部解纏、關係回溯、工作態再糾纏、閉環驗證與追加式寫回，形成可延續且可修復的工作狀態。

然而，若將此框架直接理解為建立一個巨大稠密張量，工程上將立即遭遇維度爆炸、稀疏性、異質模式、動態階數、來源追蹤、局部更新、權限隔離與不可逆壓縮等問題。因此，本文提出「稀疏原生張量記憶工程」：張量原生性首先是一種資料本體、操作契約與重建方法，而不要求所有記憶被物理存放為單一稠密陣列。系統應以局部型別張量核、稀疏關係超圖、來源錨點、低秩因子、追加式事件帳本與任務相對顯影器共同構成。

本文提出第一代系統：稀疏原生張量記憶引擎，記為 $\text{SNTME}$ 。其邏輯狀態表示為：

$$\text{SNTME}

\bigl( \mathcal T, \mathcal K, \mathcal G, \mathcal F, \mathcal P, \mathcal L, \Gamma, \Pi, \Delta, \mathcal U, \mathcal V \bigr) $$

其中 $\mathcal T$ 為原始痕跡庫， $\mathcal K$ 為局部張量核集合， $\mathcal G$ 為稀疏關係超圖， $\mathcal F$ 為可恢復分解因子， $\mathcal P$ 為來源與版本錨點， $\mathcal L$ 為追加式操作帳本，其餘算子分別負責治理、顯影、解纏、再糾纏與驗證。

本文進一步建立「SNTM-Bench」實驗框架，以合成、半合成與真實工作流三類資料測試十項能力：語義相似與因果差異分離、多版本邊界保持、分支回溯、缺口重建、多代理責任辨識、權限顯影、錯誤糾纏隔離、壓縮後工作態恢復、解纏—再糾纏一致性，以及長期連續性。評估指標不只包含檢索準確率，還包含工作態恢復率、來源精確率、版本純度、因果方向保持率、錯誤糾纏率、污染傳播半徑、重播一致性與治理違規率。

本文最終主張：原生張量記憶的第一代可行工程，不是用張量取代所有資料庫，而是讓系統從資料型別、關係形成、差合操作、來源治理、局部顯影到驗證寫回，全程保留多模式關係。只有當向量、圖、事件與低秩因子都被納入同一個可追溯、可解纏、可拒絕與可驗證的張量原生契約中，人工智慧記憶才可能由「找回相似內容」進一步成為「恢復可信工作狀態」。

關鍵詞： 稀疏原生張量記憶、張量記憶引擎、局部張量核、低秩分解、超圖記憶、工作態恢復、記憶基準、錯誤糾纏、污染治理、長期代理

1. 導論：理論成立之後，工程問題才真正開始

前七篇已回答：

語義如何依條件顯影；
記憶如何由痕跡重建；
為何向量只是多模式記憶態的投影；
如何判斷記憶可分離或具有關係原生性；
如何以差合化算子進行解纏與再糾纏；
如何形成可執行工作態；
如何治理遺忘、漂移與污染。

但理論中的總記憶場：

$$\mathfrak M_t $$

不能被天真地實作成一個固定階數、巨大且稠密的數值張量。真實人工智慧記憶具有以下特徵：

記憶數量持續增加；
不同記憶具有不同模式；
大部分可能關係不存在；
部分關係只在特定任務下才有意義；
權限與來源不可被數值近似取代；
壓縮與摘要不可完全逆轉；
版本、分支與代理責任必須可追溯；
局部更新不應重建整個記憶場。

因此，第八篇的核心問題是：

如何在不建立巨大稠密張量的前提下，實作一個真正保留張量原生關係、可恢復分解與差合化操作的人工智慧記憶系統？

2. 系列位置：由理論閉環進入工程閉環

本系列的理論鏈為：

$$\text{語義顯影} \rightarrow \text{記憶重建} \rightarrow \text{張量本體} \rightarrow \text{糾纏與可分離性} \rightarrow \text{差合化操作} \rightarrow \text{工作態重構} \rightarrow \text{連續性治理} $$

本篇增加：

$$\text{稀疏物理表示} \rightarrow \text{局部張量核} \rightarrow \text{增量運算} \rightarrow \text{可控實驗} \rightarrow \text{工程驗證} $$

因此，完整第一階段系列閉環為：

$$\boxed{ \text{理論定義} \rightarrow \text{操作契約} \rightarrow \text{治理框架} \rightarrow \text{稀疏實作} \rightarrow \text{實驗反證} } $$

工程不是理論的附錄，而是檢查理論是否具有可區分預測與可失敗條件的場所。

3. 第一原則：邏輯張量原生，不等於物理稠密張量

本文區分兩種張量原生性。

3.1 邏輯張量原生性

系統的記憶本體承認語義、時間、因果、任務、版本、來源、代理、權限與認知狀態是共同構成記憶身份的模式：

$$\mathbb M_i \in \bigotimes_{m\in\sigma_i} \mathcal V_m $$

其中 $\sigma_i$ 是記憶 $i$ 實際具有的模式集合。

3.2 物理張量實作

系統可使用：

文件儲存；
關聯式資料表；
向量索引；
圖或超圖；
稀疏座標；
低秩因子；
事件帳本；
局部快取；
物件儲存。

因此：

$$\text{Tensor-Native Logic} \not\Rightarrow \text{One Dense Tensor in Storage} $$

真正判準是：系統是否能在操作時恢復並保持多模式關係，而不是底層是否只有一種資料結構。

4. 第二原則：記憶場應由局部張量核組成

令總記憶場為：

$$\mathfrak M_t

\boxplus_{k=1}^{N_t} \mathbb K_k \boxplus \mathbb E_t $$

其中：

$\mathbb K_k$ ：局部型別張量核；
$\mathbb E_t$ ：跨核關係與高階耦合項；
$\boxplus$ ：保留來源、型別與治理邊界的組合。

局部張量核不是固定大小的數值塊，而是一個具型別記憶單元：

$$\mathbb K_k

\left( \sigma_k, \mathbf Z_k, \mathcal A_k, \mathcal R_k, \mathcal P_k, \mathcal G_k \right) $$

其中：

$\sigma_k$ ：模式簽名；
$\mathbf Z_k$ ：可學習或可計算表示；
$\mathcal A_k$ ：錨點；
$\mathcal R_k$ ：局部關係；
$\mathcal P_k$ ：來源、版本與證據；
$\mathcal G_k$ ：治理狀態。

5. 局部張量核的型別簽名

每個記憶核只包含必要模式：

$$\sigma_k \subseteq \Sigma $$

其中全域模式詞彙可包含：

$$\Sigma

{ \mathrm{sem}, \mathrm{time}, \mathrm{cause}, \mathrm{task}, \mathrm{version}, \mathrm{source}, \mathrm{agent}, \mathrm{permission}, \mathrm{epistemic}, \mathrm{action}, \mathrm{result} } $$

例如，一則原始訊息可能具有：

$$\sigma_{\text{message}}

{ \mathrm{sem}, \mathrm{time}, \mathrm{source}, \mathrm{agent}, \mathrm{permission} } $$

一個研究決策可能具有：

$$\sigma_{\text{decision}}

{ \mathrm{sem}, \mathrm{time}, \mathrm{cause}, \mathrm{task}, \mathrm{version}, \mathrm{source}, \mathrm{epistemic} } $$

因此，系統不必強迫所有記憶填滿所有軸。

6. 稀疏性不是近似，而是記憶結構的基本事實

若有 $N$ 個記憶節點，所有可能二元關係為：

O(N^2)

所有可能三元關係為：

O(N^3)

但真實有效關係只占極小部分。令已確認關係集合為 $\mathcal E_t$ ，則通常：

|\mathcal E_t| \ll N_t^2

因此，工程上應只實體化：

已觀測關係；
有證據支持的推導關係；
任務所需的暫時候選關係；
必須保留的矛盾與版本邊；
可驗證的高階耦合項。

未知關係不應自動被填為零，因為：

$$\text{Unknown} \neq \text{Absent} $$

這是稀疏記憶與普通稀疏矩陣的重要差異。

7. 稀疏狀態的四值語義

對任意候選關係 $r$ ，本文提出至少四種狀態：

$$\operatorname{state}(r) \in { \mathrm{confirmed}, \mathrm{rejected}, \mathrm{unknown}, \mathrm{inferred} } $$

其中：

confirmed：有直接或足夠證據；
rejected：已被證據否定；
unknown：尚未判斷；
inferred：暫時推定，尚未升級。

若只用 $0$ 與 $1$ ：

0 \in \{ \text{不存在}, \text{未知}, \text{已否定}, \text{無權觀測} \}

將導致嚴重語義混淆。

8. 第一代系統：SNTME

本文將第一代系統命名為：

Sparse Native Tensor Memory Engine，SNTME

定義為：

$$\operatorname{SNTME}_t

\left( \mathcal T_t, \mathcal K_t, \mathcal G_t, \mathcal F_t, \mathcal P_t, \mathcal L_t, \Gamma_t, \Pi_t, \Delta_t, \mathcal U_t, \mathcal V_t \right) $$

其中：

$\mathcal T_t$ ：不可自由改寫的原始痕跡庫；
$\mathcal K_t$ ：局部張量核；
$\mathcal G_t$ ：稀疏型別關係超圖；
$\mathcal F_t$ ：低秩因子與可恢復分解；
$\mathcal P_t$ ：來源、時間、版本與權限錨點；
$\mathcal L_t$ ：追加式操作與修復帳本；
$\Gamma_t$ ：治理與權限閘門；
$\Pi_t$ ：條件顯影器；
$\Delta_t$ ：差異與解纏器；
$\mathcal U_t$ ：受控合成與工作態重構器；
$\mathcal V_t$ ：重播、來源與治理驗證器。

9. SNTME 的六層物理架構

9.1 原始痕跡層

保存：

原始訊息；
文件版本；
工具輸出；
程式差異；
行動日誌；
外部證據；
時間戳與內容指紋。

9.2 索引與錨點層

保存：

語義向量；
關鍵詞；
時間區間；
任務識別；
版本識別；
來源識別；
權限標籤。

9.3 稀疏關係超圖層

保存二元與高階關係：

$$\mathcal G_t

(V_t,E_t,H_t) $$

其中 $H_t$ 為高階超邊。

9.4 局部張量因子層

保存局部可分解表示與關係殘差。

9.5 動態顯影與工作態層

依任務生成短生命週期工作態：

$$\widehat{\mathbb W}_{\xi,t}^{*} $$

9.6 治理與帳本層

保存：

證據升降級；
隔離；
修復；
撤銷；
權限決策；
不可逆損失；
算子版本。

10. 混合儲存不是妥協，而是第一代正確形式

第一代 SNTME 不應要求單一資料庫完成所有任務。較合理的是：

$$\text{Object Store} + \text{Relational Store} + \text{Vector Index} + \text{Graph or Hypergraph} + \text{Sparse Factor Store} + \text{Append-Only Ledger} $$

每個元件只負責其擅長部分，但必須共享：

全域記憶識別；
來源識別；
版本識別；
內容指紋；
權限語義；
操作帳本。

否則系統只會變成互不一致的多資料庫拼裝。

11. 最小記憶物件模型

{
  "memory_id": "mem-0001",
  "kernel_type": "decision",
  "mode_signature": [
    "semantic",
    "time",
    "causal",
    "task",
    "version",
    "source",
    "epistemic"
  ],
  "trace_refs": ["trace-018", "trace-021"],
  "semantic_ref": "embedding-881",
  "factor_refs": ["factor-17", "factor-22"],
  "relation_refs": ["edge-91", "hyperedge-12"],
  "status": "derived",
  "confidence": 0.87,
  "version_id": "branch-b:v4",
  "permission_scope": ["project-alpha"],
  "content_hash": "sha256:...",
  "operator_history": ["op-301", "op-315"]
}

此物件不將嵌入、來源、版本與關係混成單一向量。

12. 關係物件模型

{
  "relation_id": "edge-91",
  "relation_type": "supports",
  "members": ["mem-0001", "mem-0047"],
  "arity": 2,
  "status": "confirmed",
  "confidence": 0.92,
  "evidence": ["trace-021"],
  "valid_time": {
    "start": "2026-07-01T00:00:00+08:00",
    "end": null
  },
  "transaction_time": "2026-07-27T16:00:00+08:00",
  "permission_scope": ["project-alpha"],
  "contradictions": [],
  "supersedes": null
}

二元邊與高階超邊應使用同一來源與治理契約。

13. 高階關係物件

某些關係不能被拆成多條二元邊。例如：

代理 $a$ 在版本 $v$ 、任務 $g$ 與證據 $e$ 的共同條件下接受命題 $p$ 。

可表示為：

h = (a,v,g,e,p)

若拆成：

a\rightarrow p, \quad v\rightarrow p, \quad g\rightarrow p, \quad e\rightarrow p

將遺失「共同條件」語義。因此，高階超邊是關係原生性的工程載體。

14. 低秩分解的角色

低秩分解主要用於：

壓縮局部張量核；
找出重複模式；
加速條件收縮；
建立近似可分離性；
比較解纏前後結構；
估算糾纏殘差。

但低秩不是越低越好。若過度壓縮：

$$\operatorname{rank}{\mathrm{approx}}(\mathbb K) < \operatorname{rank}{\mathrm{required}}(\mathbb K, C) $$

系統將失去任務 $C$ 所需的來源、版本或因果關係。

15. CP 分解的適用位置

局部張量可近似為：

$$\mathbb K \approx \sum_{r=1}^{R} \lambda_r \mathbf u_r^{(1)} \otimes \mathbf u_r^{(2)} \otimes \cdots \otimes \mathbf u_r^{(d)} $$

CP 分解適合：

模式語義清晰；
因子需要直接解讀；
秩較低；
局部核規模可控。

其風險是：

分解可能不唯一；
更新不穩定；
稀有但關鍵關係易被低秩近似吞沒。

因此，CP 因子不能取代原始來源與關係帳本。

16. Tucker 分解的適用位置

Tucker 形式為：

$$\mathbb K \approx \mathbb C \times_1 U^{(1)} \times_2 U^{(2)} \cdots \times_d U^{(d)} $$

其中核心張量 $\mathbb C$ 保留模式間的主要交互。

Tucker 適合：

不同模式具有不同有效維度；
需要保存局部交互核心；
需要分析哪些模式耦合最強。

其缺點是核心張量仍可能快速膨脹。

17. Tensor Train 的適用位置

Tensor Train 將高階張量分解成一系列核心：

$$\mathbb K(i_1, \ldots,i_d)

G_1(i_1) G_2(i_2) \cdots G_d(i_d) $$

它適合：

模式數較多；
需要串行收縮；
模式次序具有工程意義；
需要控制記憶占用。

但它高度依賴模式排序。若排序不同：

$$\operatorname{TT\text{-}rank}{\pi_1} \neq \operatorname{TT\text{-}rank}{\pi_2} $$

因此，模式排序本身必須進入操作帳本。

18. 張量網路與超圖的混合

本文建議第一代系統使用：

$$\text{Typed Hypergraph} + \text{Local Tensor Network} $$

超圖負責：

離散身份；
來源；
版本；
權限；
顯式因果；
矛盾；
高階關係成員。

張量網路負責：

連續表示；
局部模式收縮；
近似分解；
任務條件顯影；
結構殘差估計。

這可避免將不可近似治理資訊壓縮進浮點向量。

19. 動態因子圖作為中介層

對工程初期，可將記憶變數與關係因子表示為：

P(X_1, \ldots,X_n) \propto \prod_{a} \psi_a(X_{N(a)})

此處不必把所有記憶解釋成機率變數；因子圖的價值在於：

顯式表達局部依賴；
支援證據更新；
支援替代解；
支援局部推理；
與張量收縮自然對接。

它可作為超圖與數值張量之間的工程中介。

20. 表示選擇應由記憶型別決定

本文不主張所有記憶使用同一分解。可定義表示選擇器：

$$\rho: \operatorname{Type}(\mathbb K) \times \operatorname{Task}(C) \rightarrow \operatorname{Representation} $$

例如：

原始痕跡：不可變物件與索引；
版本鏈：有向無環圖；
多模態語義：局部 Tucker 核；
長序列依賴：Tensor Train；
代理—任務—決策：高階超邊；
工作態：短生命週期混合張量網路。

原生張量記憶是一個統一操作本體，不是單一壓縮格式。

21. 可恢復分解契約

任一壓縮或分解操作：

$$\mathcal C: \mathbb K \rightarrow \widetilde{\mathbb K} $$

都必須附帶恢復契約：

$$\operatorname{RC}(\mathcal C)

\left( \mathcal A_{\text{preserved}}, \mathcal R_{\text{preserved}}, \mathcal L_{\text{lost}}, \epsilon, \mathcal Q_{\text{valid}} \right) $$

其中：

$\mathcal A_{\text{preserved}}$ ：保留錨點；
$\mathcal R_{\text{preserved}}$ ：保留關係；
$\mathcal L_{\text{lost}}$ ：已知損失；
$\epsilon$ ：近似誤差；
$\mathcal Q_{\text{valid}}$ ：仍可安全回答的查詢範圍。

沒有恢復契約的壓縮，不應被視為可治理記憶操作。

22. 秩預算與糾纏預算

令局部核 $\mathbb K$ 的工程秩預算為：

B_R(\mathbb K)

令允許保留的關係殘差預算為：

B_E(\mathbb K,C)

壓縮時應解：

$$\min_{ \widetilde{\mathbb K}} \operatorname{Cost}(\widetilde{\mathbb K}) $$

受限於：

D_C(\mathbb K, \widetilde{\mathbb K}) \leq \epsilon_C

$$\operatorname{ProvLoss} \leq \epsilon_P $$

$$\operatorname{VersionMix} \leq \epsilon_V $$

$$\operatorname{PermissionLeak} =0 $$

因此，秩壓縮是受治理約束的最佳化，而不是只最小化重建誤差。

23. 增量記憶形成

當新輸入 $ I_t$ 到達，系統不應立即把它與所有記憶合成。基本流程為：

I_t \rightarrow \operatorname{TraceCommit} \rightarrow \operatorname{KernelProposal} \rightarrow \operatorname{RelationProposal} \rightarrow \operatorname{GovernanceCheck} \rightarrow \operatorname{ValidatedCommit}

原始痕跡先保存，再建立可撤銷的表示與關係候選。

24. 記憶寫入的兩階段提交

24.1 第一階段：痕跡提交

$$\mathcal T_{t+1}

\mathcal T_t \cup {I_t } $$

此階段保留原始內容、時間、來源與指紋。

24.2 第二階段：解釋提交

建立：

語義表示；
任務歸屬；
關係候選；
證據狀態；
版本位置；
局部張量因子。

這些內容可被修訂或撤銷，但不得覆寫第一階段痕跡。

25. 關係候選生成

候選關係可由多個通道提出：

$$\mathcal R_{\text{cand}}

\mathcal R_{\text{semantic}} \cup \mathcal R_{\text{temporal}} \cup \mathcal R_{\text{causal}} \cup \mathcal R_{\text{version}} \cup \mathcal R_{\text{task}} \cup \mathcal R_{\text{source}} $$

但候選不等於事實：

$$\mathcal R_{\text{cand}} \neq \mathcal R_{\text{confirmed}} $$

每個通道必須保留其產生理由。

26. 過度糾纏的工程防線

系統在合成前應檢查：

是否只是語義相似；
是否存在時間重疊；
是否具有相同任務範圍；
是否屬於同一版本分支；
是否有共同來源；
是否存在因果證據；
是否可能只是敘事平滑；
是否越過權限邊界。

可定義糾纏許可：

$$\operatorname{PermitEntangle}(i,j,C) \in { \mathrm{allow}, \mathrm{tentative}, \mathrm{reject} } $$

27. 粗顯影：候選選域

為避免對整個記憶場做昂貴收縮，第一階段使用多索引粗選：

$$\mathcal C_{ \xi}

\operatorname{Union} \left( \mathcal C_{\text{semantic}}, \mathcal C_{\text{task}}, \mathcal C_{\text{time}}, \mathcal C_{\text{version}}, \mathcal C_{\text{source}} \right) $$

粗選只要求高召回，不直接形成工作態。

28. 關係擴展：由候選節點進入局部子場

對候選集合 $\mathcal C_{ \xi}$，沿允許關係擴展：

$$\mathcal N_{ \xi}^{(d)}

\operatorname{Expand} \left( \mathcal C_{ \xi}, \mathcal R_{ \xi}, d \right) $$

其中 $d$ 是最大回溯深度，$\mathcal R_{ \xi}$ 是依任務允許的關係型別。

擴展必須受：

權限；
時間；
版本；
任務邊界；
污染狀態；
最大成本。

限制。

29. 精顯影：局部張量收縮

在局部子場上建立查詢條件態：

$$\mathbb Q_{ \xi}

\bigotimes_{m\in\sigma_{ \xi}} \mathbf q_m $$

局部顯影為：

$$\mathbb A_{ \xi,t}

\operatorname{Contract} \left( \mathfrak M_t[ \mathcal N_{ \xi}^{(d)}], \mathbb Q_{ \xi} \right) $$

此處輸出仍是活動張量，不是答案或最終工作態。

30. 任務相對解纏

對活動張量選擇模式分割：

$$\mathcal P_{ \xi}

\operatorname{PartitionPolicy} \left( \xi, \mathbb A_{ \xi,t} \right) $$

然後計算：

$$\Delta_{ \mathcal P_{ \xi},C} \left( \mathbb A_{ \xi,t} \right)

\left( \mathcal F_{ \xi}, \mathcal E_{ \xi}^{+}, \mathcal E_{ \xi}^{?}, \mathcal E_{ \xi}^{-}, \mathcal A_{ \xi}^{\text{anchor}} \right) $$

其中：

$\mathcal F_{ \xi}$：可分離因子；
$\mathcal E_{ \xi}^{+}$：有效關係原生殘差；
$\mathcal E_{ \xi}^{?}$：未定殘差；
$\mathcal E_{ \xi}^{-}$：錯誤或污染殘差；
$\mathcal A_{ \xi}^{\text{anchor}}$：來源與版本錨點。

31. 解纏不是數值分解的同義詞

數值分解可給出因子，但記憶解纏還要求：

成分對應到哪個來源；
哪些版本仍有效；
哪些關係是直接觀測；
哪些只是模型推定；
哪些關係不可被拆除；
哪些內容因權限不可顯影。

因此：

$$\text{Memory Disentanglement}

\text{Numerical Factorization} + \text{Provenance Recovery} + \text{Relation Classification} + \text{Governance Decision} $$

32. 工作態重構

從解纏結果與回溯證據域重構：

$$\widehat{\mathbb W}_{ \xi,t}

\mathcal U_{\text{work}} \left( \mathcal F_{ \xi}, \mathcal E_{ \xi}^{+}, \mathcal H_{ \xi}^{\text{back}}, \mathcal A_{ \xi}^{\text{anchor}} \right) $$

工作態應包含：

$$\widehat{\mathbb W}_{ \xi,t}

\left( \text{Goal}, \text{Current State}, \text{Evidence}, \text{Decisions}, \text{Failures}, \text{Constraints}, \text{Open Nodes}, \text{Next Actions} \right) $$

33. 工作態不是永久記憶

工作態具有：

任務條件；
生命周期；
權限範圍；
來源快照；
驗證狀態；
可撤銷性。

可表示為：

$$\operatorname{TTL} \left( \widehat{\mathbb W}_{ \xi,t} \right) < \infty $$

工作態結束後，不應整體寫回；只提交新痕跡、經驗證關係、狀態差異與治理記錄。

34. 正向重播驗證

若重構出時間 $t-k$ 的局部狀態：

$$\widehat{\mathbb W}_{t-k} $$

則正向重播：

$$\widetilde{\mathbb W}_t

F^{(k)} \left( \widehat{\mathbb W}{t-k}, I{t-k:t}, A_{t-k:t} \right) $$

並比較：

C_{\text{replay}} = \operatorname{Consistency} \left( \widetilde{\mathbb W}_t, \mathbb W_t^{\text{observed}} \right)

低一致性表示：

缺少關鍵痕跡；
因果關係錯置；
版本選錯；
解纏過度；
再糾纏錯誤。

35. 解纏—再糾纏一致性

定義：

C_{ \Delta\mathcal U} = 1- \frac{ D_C \left( \mathbb A_{ \xi,t}, \mathcal U \circ \Delta \left( \mathbb A_{ \xi,t} \right) \right) }{ D_{ \max} }

但高一致性不一定表示解纏正確。若系統把污染關係原樣保留，也可能得到高重構分數。因此必須同時測量：

C_{ \Delta\mathcal U}, \quad P_{\text{prov}}, \quad S_{\text{version}}, \quad R_{\text{contam}}

36. 工程可拒絕性

每個主要操作應返回型別化狀態：

$$\operatorname{Result} \in { \mathrm{success}, \mathrm{partial}, \mathrm{ambiguous}, \mathrm{need_evidence}, \mathrm{permission_denied}, \mathrm{unsafe_merge}, \mathrm{failed} } $$

例如，若兩分支缺乏共同版本錨點，合併器應返回：

{
  "status": "unsafe_merge",
  "reason": "missing_common_ancestor",
  "required_evidence": ["version-anchor"],
  "candidate_alternatives": []
}

拒絕不是系統失敗，而是治理正確性的一部分。

37. 第一代最小實作範圍

第一代 MVP 不需要一次完成全部張量網路。可由以下五個部分開始：

原始痕跡與內容指紋；
多索引候選顯影；
型別關係圖與高階關係物件；
任務相對工作態重構；
來源、版本與重播驗證。

局部張量因子可先只應用於：

語義—任務—時間；
命題—證據—版本；
代理—任務—決策。

38. MVP 模組

sntme/
  traces/
  anchors/
  indexes/
  relations/
  tensors/
  reveal/
  disentangle/
  reconstruct/
  verify/
  governance/
  ledger/
  benchmarks/

各模組之間只透過型別化記憶識別與操作契約交換資料。

39. 核心 API 草案

commit_trace(input, provenance, permission) -> trace_id
propose_kernel(trace_id, mode_signature) -> kernel_candidate
propose_relations(kernel_id, context) -> relation_candidates
reveal(query_condition) -> active_tensor
backtrack(active_tensor, policy) -> evidence_domain
disentangle(active_tensor, partition) -> disentangled_state
reconstruct(disentangled_state, evidence_domain) -> work_state
verify(work_state, observations) -> verified_work_state
commit_delta(verified_work_state) -> commit_result
repair(contamination_case) -> repair_result

API 必須明確區分 propose、verify 與 commit。

40. 實驗的基本目的

SNTME 的實驗不能只證明：

張量模型在某個分類資料集上分數更高。

真正要檢驗的是：

多模式記憶是否比單向量表示更能保持狀態；
差合化是否能降低錯誤合併；
來源與版本是否能在壓縮後被恢復；
工作態是否能解釋當前狀態並延續任務；
污染是否能被定位而不必刪除全部後續記憶；
系統是否知道何時應拒絕重構或合併。

41. SNTM-Bench

本文提出：

Sparse Native Tensor Memory Benchmark，SNTM-Bench

其基準單位不是單一問答，而是：

$$\mathcal B_i

\left( \mathcal H_i, \xi_i, \mathbb W_i^{*}, \mathcal A_i, \mathcal R_i, \mathcal C_i, \mathcal G_i \right) $$

其中：

$\mathcal H_i$ ：歷史痕跡；
$\xi_i$ ：當前任務條件；
$\mathbb W_i^{*}$ ：標準工作態；
$\mathcal A_i$ ：來源與版本錨點；
$\mathcal R_i$ ：標準關係；
$\mathcal C_i$ ：矛盾與污染標記；
$\mathcal G_i$ ：治理限制。

42. 三類資料來源

42.1 合成資料

精確控制：

分支；
版本；
因果；
來源；
權限；
污染；
缺失比例。

優點是具有完整真值。

42.2 半合成資料

以真實文件或工作流為基底，人工注入：

錯誤版本；
來源交換；
因果倒置；
推定固化；
代理責任混淆；
權限遮罩。

42.3 真實工作流資料

使用經授權且去識別的：

長期研究；
軟體開發；
文件編修；
多代理交接；
專案決策。

真實資料可能沒有完整真值，需以審計與人工評分補充。

43. 基準任務一：語義相似、因果不同

建立兩段語義高度相似但因果方向相反的記憶：

A\rightarrow B

與：

B\rightarrow A

測試系統是否因語義相似而錯誤合併。

核心指標：

$$\operatorname{CDR}

\frac{ \text{正確保持的因果方向數} }{ \text{應保持的因果方向總數} } $$

44. 基準任務二：多版本邊界保持

建立：

v_1 \rightarrow v_2 \rightarrow v_3

其中 $v_2$ 的某項結論在 $v_3$ 被否定。

系統必須：

找回歷史結論；
不把它當成當前有效；
說明取代關係；
保留當時的決策脈絡。

版本純度：

P_{\text{version}} = 1- \frac{ N_{\text{cross-version contamination}} }{ N_{\text{retrieved state items}} }

45. 基準任務三：分支回溯與合併

建立共同祖先 $b_0$ 與兩個分支：

b_0 \rightarrow b_1

b_0 \rightarrow b_2

測試：

是否找到共同祖先；
是否識別分歧點；
是否保留各分支新增內容；
是否拒絕無法安全合併的衝突。

分支恢復率：

R_{\text{branch}} = \frac{ N_{\text{correct branch assignments}} }{ N_{\text{branch-dependent items}} }

46. 基準任務四：缺口重建

移除一部分中間痕跡：

$$\mathcal H'

\mathcal H \setminus \mathcal H_{\text{missing}} $$

系統必須分開輸出：

可確認內容；
可直接推導內容；
缺口推定；
替代解；
不可恢復部分。

推定誠實率：

H_{\text{infer}} = \frac{ N_{\text{correctly labelled inferred}} }{ N_{\text{all inferred outputs}} }

47. 基準任務五：多代理責任辨識

建立多代理共同任務，其中：

代理 $a_1$ 提出假設；
代理 $a_2$ 執行實驗；
代理 $a_3$ 否定結論；
代理 $a_4$ 形成整合版本。

系統必須保持：

$$\text{Authorship} \neq \text{Execution} \neq \text{Validation} \neq \text{Approval} $$

責任辨識精確率：

P_{\text{agent}} = \frac{ N_{\text{correct role assignments}} }{ N_{\text{predicted role assignments}} }

48. 基準任務六：權限條件顯影

同一記憶場對不同權限條件：

$$\xi_1 \neq \xi_2 $$

應顯影不同工作態：

$$\widehat{\mathbb W}{ \xi_1}^{*} \neq \widehat{\mathbb W}{ \xi_2}^{*} $$

同時，系統不得藉由摘要、相似向量或關係推斷洩漏被遮蔽內容。

治理違規率：

R_{\text{gov-violation}} = \frac{ N_{\text{unauthorized revelations}} }{ N_{\text{restricted test cases}} }

目標應為：

R_{\text{gov-violation}}=0

49. 基準任務七：錯誤糾纏注入

向乾淨記憶場注入錯誤關係：

$$\mathfrak M'

\mathfrak M \boxplus \mathbb E_{\text{false}} $$

測試系統能否：

發現異常；
隔離關係而非刪除全部節點；
追蹤污染前沿；
恢復受影響工作態；
保留污染後合法形成的新內容。

污染傳播半徑：

R_{\text{prop}} = \max_{x\in\mathcal I_{\text{affected}}} \operatorname{dist}(x, \mathbb E_{\text{false}})

50. 基準任務八：壓縮後工作態恢復

對同一記憶場使用不同壓縮率：

$$\rho_1< \rho_2< \cdots< \rho_n $$

測量工作態可用性：

U_{\text{work}}( \rho) = \operatorname{Usability} \left( \widehat{\mathbb W}_{ \xi}^{*}( \rho) \right)

尋找臨界點：

$$\rho^{*}

\sup { \rho: U_{\text{work}}( \rho) \geq \tau } $$

此任務用來區分「文本重建得像」與「工作狀態仍可延續」。

51. 基準任務九：解纏與再糾纏

對已知構成的複合記憶：

$$\mathbb M_{12}

\mathcal U \left( \mathbb M_1, \mathbb M_2 \right) $$

執行：

$$\Delta \left( \mathbb M_{12} \right) $$

再重構：

$$\widetilde{\mathbb M}_{12}

\mathcal U \circ \Delta \left( \mathbb M_{12} \right) $$

評估：

成分恢復；
來源恢復；
關係殘差保持；
錯誤關係排除；
正向重播一致性。

52. 基準任務十：長期連續性

建立多輪任務：

$$\mathfrak M_0 \rightarrow \mathfrak M_1 \rightarrow \cdots \rightarrow \mathfrak M_T $$

期間注入：

摘要；
壓縮；
分支；
工具失敗；
推定；
版本更替；
代理交接；
污染修復。

測量：

C_{\text{long}} = \mathcal A \left( C_{\text{hist}}, C_{\text{op}}, C_{\text{gov}} \right)

以及連續性衰減：

D_C(T) = C_{\text{long}}(0) - C_{\text{long}}(T)

53. 對照系統

SNTM-Bench 至少應比較：

53.1 純向量 RAG

q \rightarrow \operatorname{TopK} \rightarrow \operatorname{Generate}

53.2 向量加 metadata

加入時間、來源與版本欄位，但不建立原生關係操作。

53.3 圖式記憶

使用節點、邊與圖搜尋，但不使用局部張量收縮與可分離殘差。

53.4 事件溯源記憶

保留完整事件帳本與快照，但不建立語義張量與條件顯影。

53.5 SNTME 完整系統

包含稀疏超圖、局部張量核、來源錨點、差合化與驗證。

54. 消融實驗

為確認各部分的必要性，應移除：

來源錨點；
版本模式；
因果模式；
高階超邊；
解纏殘差；
權限閘門；
正向重播；
追加式帳本；
拒絕執行狀態；
任務相對模式分割。

比較：

$$\Delta M_j

M_{\text{full}}

M_{\text{without }j} $$

若某模組移除後沒有任何可觀測差異，則其理論必要性需要重新檢查。

55. 核心評估指標

55.1 工作態恢復率

R_{\text{WSR}} = \frac{ N_{\text{correct work-state fields}} }{ N_{\text{required work-state fields}} }

55.2 來源精確率

P_{\text{prov}} = \frac{ N_{\text{correct provenance links}} }{ N_{\text{predicted provenance links}} }

55.3 來源召回率

R_{\text{prov}} = \frac{ N_{\text{recovered required provenance links}} }{ N_{\text{required provenance links}} }

55.4 錯誤糾纏率

R_{\text{false-ent}} = \frac{ N_{\text{unsupported coupling relations}} }{ N_{\text{all generated coupling relations}} }

55.5 過度解纏率

R_{\text{over-dis}} = \frac{ N_{\text{necessary relation terms removed}} }{ N_{\text{necessary relation terms}} }

56. 綜合記憶品質函數

可定義：

Q_{\text{memory}} = w_1R_{\text{WSR}} +w_2P_{\text{prov}} +w_3P_{\text{version}} +w_4\operatorname{CDR} +w_5C_{\text{replay}} -w_6R_{\text{false-ent}} -w_7R_{\text{over-dis}} -w_8R_{\text{gov-violation}}

其中：

$$\sum_i w_i=1 $$

但在高治理要求場景中，權限違規不應被平均抵銷，可設定硬約束：

R_{\text{gov-violation}}>0 \Rightarrow Q_{\text{memory}}= \mathrm{invalid}

57. 重構可信度校準

系統輸出的信心應與實際正確率一致。可使用分箱校準誤差：

$$\operatorname{ECE}

\sum_{b=1}^{B} \frac{|S_b|}{N} \left| \operatorname{acc}(S_b)

\operatorname{conf}(S_b) \right| $$

尤其需要分別校準：

observed；
derived；
inferred；
speculative。

若推定內容的信心長期高估，系統會形成推定固化。

58. 污染診斷指標

58.1 污染定位精確率

P_{\text{contam}} = \frac{ N_{\text{correctly identified contaminated relations}} }{ N_{\text{identified contaminated relations}} }

58.2 污染前沿召回率

R_{\text{frontier}} = \frac{ N_{\text{recovered affected descendants}} }{ N_{\text{true affected descendants}} }

58.3 過度修復率

R_{\text{over-repair}} = \frac{ N_{\text{valid memories unnecessarily reverted}} }{ N_{\text{valid post-contamination memories}} }

59. 成本指標

工程評估還需要：

儲存增長率；
寫入延遲；
粗顯影延遲；
關係擴展成本；
局部收縮成本；
解纏成本；
重播成本；
帳本成本；
每個可恢復工作態的總成本。

可定義：

C_{\text{per-work-state}} = \frac{ C_{\text{storage}} +C_{\text{compute}} +C_{\text{verification}} }{ N_{\text{verified work states}} }

60. 品質—成本前沿

原生張量記憶不應只比較最高品質，也要比較帕累托前沿：

$$\mathcal P^{*}

\left { (Q,C): \nexists(Q',C') \text{ s.t. } Q'\geq Q, C'\leq C \right} $$

第一代系統的合理目標不是在所有指標上全面勝出，而是在相近成本下，顯著提高：

工作態恢復；
來源忠實；
版本純度；
污染可修復性；
治理合法性。

61. 可重現實驗封裝

每個實驗應保存：

experiment_id/
  manifest.json
  traces/
  ground_truth/
  perturbations/
  configs/
  outputs/
  operator_ledger/
  metrics/
  reports/

manifest.json 至少包含：

資料集版本；
隨機種子；
模型與算子版本；
分解方法；
秩預算；
權限策略；
污染注入方式；
評估腳本指紋。

62. 實驗真值的分層

不是所有記憶真值都同樣確定。應區分：

$$\mathcal Y

\mathcal Y_{\text{trace}} \cup \mathcal Y_{\text{relation}} \cup \mathcal Y_{\text{work-state}} \cup \mathcal Y_{\text{governance}} $$

其中：

痕跡真值通常可直接確認；
關係真值可能需專家標註；
工作態真值可能具有多個合法答案；
治理真值由權限政策決定。

因此，基準不能只使用單一標準答案字串。

63. 多合法工作態

同一歷史可能存在多個足以延續任務的工作態：

$$\mathcal W_{ \xi}^{*}

\left { \mathbb W_{ \xi}^{(1)}, \ldots, \mathbb W_{ \xi}^{(m)} \right } $$

系統輸出 $\widehat{\mathbb W}_{ \xi}$ 的評估應為：

D_{\text{set}} = \min_{ \mathbb W \in \mathcal W_{ \xi}^{*}} D \left( \widehat{\mathbb W}_{ \xi}, \mathbb W \right)

這可避免將合理替代解誤判為錯誤。

64. 失敗記錄是實驗輸出

實驗必須保留：

無法重構案例；
權限拒絕；
不安全合併；
分解不唯一；
重播不一致；
污染來源不明；
成本超限；
不可恢復缺口。

因此：

$$\text{Failed Case} \in \text{Research Output} $$

不能只展示成功案例。

65. 第一階段實驗假設

假設一

在語義相似但因果、版本或來源不同的任務中：

R_{\text{false-ent}}^{\text{SNTME}} < R_{\text{false-ent}}^{\text{Vector RAG}}

假設二

在長期分支與交接任務中：

R_{\text{WSR}}^{\text{SNTME}} > R_{\text{WSR}}^{\text{Graph-only}}

假設三

在壓縮條件下，具有恢復契約的分解比無治理摘要更能保持：

P_{\text{prov}} , P_{\text{version}} , C_{\text{replay}}

假設四

加入錯誤糾纏後，局部隔離與修復比全域回滾具有較低：

R_{\text{over-repair}}

假設五

加入型別化拒絕狀態可降低錯誤完成率，但可能提高未完成率；兩者必須同時報告。

66. 可反證條件

本框架應被視為可失敗的工程命題。若出現以下結果，必須修正理論：

張量原生模型無法提高工作態恢復；
來源與版本模式沒有可測貢獻；
差合化無法降低錯誤糾纏；
局部張量核成本遠高於可得收益；
解纏結果無法穩定重播；
圖式記憶已能以更低成本達成相同治理能力；
張量殘差與實際關係必要性無顯著對應；
系統的拒絕率過高而無法實用。

理論不能因為名稱是「原生張量」便免於工程比較。

67. 初始實驗階段

階段 A：資料模型驗證

目標：確認來源、版本、權限、關係與痕跡可完整往返。

階段 B：顯影與工作態基準

目標：比較向量 RAG、圖式記憶與 SNTME。

階段 C：解纏與再糾纏

目標：測試可分離近似、關係殘差與重播。

階段 D：污染與修復

目標：測試錯誤糾纏、污染前沿與局部修復。

階段 E：長期代理循環

目標：測試多輪寫回後的連續性衰減。

68. 第一代工程里程碑

M0：痕跡與帳本

完成不可變痕跡、內容指紋與追加式操作記錄。

M1：多模式索引

完成語義、時間、任務、版本與來源索引。

M2：型別關係超圖

完成二元與高階關係、狀態與證據。

M3：工作態重構

完成粗顯影、回溯、狀態閉包與驗證。

M4：局部張量核

完成至少三類局部核與條件收縮。

M5：差合化

完成來源保持解纏、受控再糾纏與拒絕狀態。

M6：治理修復

完成污染隔離、前沿追蹤與追加式修復。

M7：SNTM-Bench

完成十類基準與完整消融。

69. 最小可行實驗

第一個最小實驗可只使用：

$200$ 個記憶節點；
$4$ 種模式；
$3$ 個版本分支；
$2$ 個代理；
$20$ 個明確因果關係；
$10$ 個錯誤糾纏；
$5$ 個權限遮罩；
$10$ 個缺口。

比較三個系統：

純向量檢索；
向量加型別關係圖；
SNTME 局部張量核版本。

只要第三者在工作態恢復、來源與版本保持上出現穩定改善，即可支持下一階段擴張。

70. 工程風險

70.1 張量術語過度包裝

若系統實際只做向量檢索加 metadata，卻稱為張量原生，將失去理論區分力。

70.2 關係爆炸

候選關係過多會導致成本與污染同步增加。

70.3 分解不穩定

不同初始化與模式排序可能給出不同因子。

70.4 錨點與表示漂移

嵌入模型更新後，舊表示與新表示可能不可直接比較。

70.5 驗證成本

正向重播可能比檢索昂貴，需分層啟動。

70.6 過度治理

若每次操作都要求完整證據，系統可能失去流動性。

70.7 偽精確

數值糾纏度不能替代來源與因果審查。

71. 分層驗證策略

可採用：

L0：結構檢查

檢查型別、指紋、版本、權限。

L1：局部一致性

檢查關係與來源是否一致。

L2：任務閉包

檢查工作態是否具備必要欄位。

L3：正向重播

重播關鍵狀態轉移。

L4：人工或外部證據審計

只對高風險、高影響案例啟動。

如此可控制驗證成本。

72. 隱私與權限工程

權限不應只附加在文件層。關係與因子也可能洩漏資訊：

$$\text{Hidden Node} + \text{Visible Relations} \Rightarrow \text{Inferable Secret} $$

因此顯影前需計算：

$$\Gamma_{ \xi} \left( \mathcal T, \mathcal G, \mathcal F \right) $$

不只遮蔽節點，也要遮蔽：

關係；
聚合統計；
低秩因子；
相似鄰域；
版本差異；
工作態摘要。

73. 安全的跨代理共享

多代理共享不應複製完整內部記憶，而應輸出任務相對封包：

$$\mathcal P_{ \xi}^{a\rightarrow b}

\left( \widehat{\mathbb W}{ \xi}^{*}, \mathcal A{ \xi}, \mathcal R_{ \xi}, \mathcal G_{ \xi}, \mathcal L_{ \xi} \right) $$

其中明確標示：

可使用內容；
不可外推內容；
推定內容；
權限期限；
責任邊界；
回傳要求。

74. 張量原生記憶與模型參數的界線

本文主要處理外部或可審計記憶場，不宣稱可直接讀取神經模型參數中的全部隱含知識。

可區分：

$$\mathfrak M_t^{\text{auditable}} $$

與：

$$\Theta_t^{\text{parametric}} $$

兩者可以互動，但不能假定：

$$\mathfrak M_t^{\text{auditable}}

\Theta_t^{\text{parametric}} $$

否則來源治理將失去可驗證基礎。

75. 張量原生記憶不是量子記憶

本文的「糾纏」指相對模式分割下的結構不可分離性與關係必要性，不主張：

使用量子態；
具有物理非局域性；
遵循量子測量；
具有量子不可複製性。

形式相似可作為數學啟發，但工程驗證必須基於可觀測資料結構與操作結果。

76. 十六項工程命題

命題一：邏輯—物理分離命題

張量原生性可由混合儲存實現，不要求單一稠密張量。

命題二：局部核命題

總記憶場可由型別化局部張量核與跨核殘差構成。

命題三：未知非零命題

未實體化關係不得自動等同於不存在。

命題四：痕跡先行命題

任何解釋性表示之前，原始痕跡應先被不可變提交。

命題五：候選非事實命題

模型提出的關係候選不得直接升級為確認關係。

命題六：恢復契約命題

任何壓縮若不標記可恢復範圍與已知損失，不構成可治理記憶壓縮。

命題七：任務相對秩命題

記憶所需有效秩取決於任務與治理條件，而非張量自身的單一常數。

命題八：來源硬約束命題

來源、版本與權限不能被一般重建誤差完全替代。

命題九：局部收縮命題

有效顯影應先選域，再對局部子場收縮。

命題十：工作態非檢索結果命題

活動張量、回溯證據域與可執行工作態是不同系統物件。

命題十一：解纏非分解命題

數值因子分解不足以完成記憶解纏。

命題十二：拒絕合法命題

系統拒絕不安全合併或重構，是正確工程輸出。

命題十三：污染關係原生命題

即使節點皆正確，錯誤關係仍可污染整體工作態。

命題十四：基準狀態命題

記憶系統應以工作態恢復、來源與治理能力評估，而非只以問答準確率評估。

命題十五：多真值命題

同一任務可能具有多個合法工作態，基準需允許集合式真值。

命題十六：工程可反證命題

若原生張量架構無法在可比成本下改善關係保持、狀態恢復或治理能力，則其工程主張必須被縮減或修正。

77. 系列整體統合

八篇系列可分成四層。

第一層：顯影

$$\text{動態語義顯影} \rightarrow \text{動態記憶顯影} $$

第二層：本體與結構

$$\text{原生張量記憶} \rightarrow \text{糾纏、可分離性與關係原生性} $$

第三層：操作與運行

$$\text{差合化操作} \rightarrow \text{工作記憶重構} $$

第四層：治理與工程

$$\text{連續性、遺忘與污染治理} \rightarrow \text{稀疏工程與實驗框架} $$

完整鏈條為：

$$\boxed{ \text{條件顯影} \rightarrow \text{狀態回溯} \rightarrow \text{張量表徵} \rightarrow \text{關係辨識} \rightarrow \text{差合操作} \rightarrow \text{工作態重構} \rightarrow \text{長期治理} \rightarrow \text{工程驗證} } $$

78. 第一階段封頂結論

本系列最初由一個簡單問題出發：人工智慧是否只能把記憶表示為高維向量，還是可以將語義、時間、因果、任務、版本、來源、代理與權限共同保留為原生多模式關係？

八篇之後，可得到以下結論。

第一，向量可以是有效工具，但它通常只是特定顯影條件下的投影：

$$\mathbf v_{ \xi}

\pi_{ \xi} \left( \mathbb M \right) $$

第二，記憶不只是儲存內容，而是：

$$\text{Trace} + \text{Relation} + \text{Reconstruction} + \text{Verification} + \text{Governance} $$

第三，記憶中的部分知識並不屬於任何單一節點，而存在於不可任意拆除的關係原生項中。

第四，差合化提供了比「讀取／寫入」更完整的操作語言：

$$\text{差} + \text{合} + \text{化} + \text{顯影} + \text{驗證} $$

第五，記憶連續性不是永久保存全部歷史，而是保有可恢復、來源忠實、任務可用且治理合法的分解能力。

第六，工程上的正確第一步不是建立巨大稠密張量，而是：

$$\boxed{ \text{局部張量核} + \text{稀疏關係超圖} + \text{低秩因子} + \text{來源錨點} + \text{追加式帳本} + \text{可驗證工作態} } $$

第七，這套框架只有在 SNTM-Bench 類型的可反證實驗中，證明它能以合理成本改善工作態恢復、來源保持、版本邊界、錯誤糾纏治理與長期連續性，才算真正成立。

因此，本系列第一階段的最終命題是：

人工智慧的原生張量記憶，不是把更多資料塞進更高維空間，而是讓記憶的多模式關係、來源邊界、差異結構、可恢復分解與治理條件，在顯影、解纏、再糾纏、驗證與寫回的全流程中保持可見、可操作、可拒絕、可撤銷並可實驗檢驗。

附錄 A：SNTME 最小運行流程

輸入或事件
  ↓
不可變痕跡提交
  ↓
多模式索引與局部核候選
  ↓
型別關係候選
  ↓
治理與證據檢查
  ↓
稀疏記憶場提交
  ↓
任務條件到達
  ↓
治理選域
  ↓
粗顯影與關係擴展
  ↓
局部張量收縮
  ↓
來源保持解纏
  ↓
時間、因果、版本與分支回溯
  ↓
工作態再糾纏
  ↓
正向重播與治理驗證
  ↓
載入執行
  ↓
只寫回新痕跡、驗證關係與狀態差異

附錄 B：SNTM-Bench 最小案例格式

{
  "case_id": "sntm-001",
  "task_type": "version_boundary",
  "history": ["trace-1", "trace-2", "trace-3"],
  "query_condition": {
    "goal": "recover-current-decision",
    "time": "current",
    "permission": ["project-alpha"]
  },
  "ground_truth": {
    "work_state": {
      "goal": "...",
      "current_state": "...",
      "decisions": [],
      "failures": [],
      "open_nodes": [],
      "next_actions": []
    },
    "provenance": [],
    "relations": [],
    "version": "v3",
    "forbidden_content": []
  },
  "perturbations": [
    "inject-superseded-version",
    "remove-intermediate-trace"
  ]
}

附錄 C：實驗報告最小欄位

{
  "experiment_id": "exp-0001",
  "system": "SNTME-MVP",
  "config_hash": "sha256:...",
  "dataset_hash": "sha256:...",
  "metrics": {
    "work_state_recovery": 0.84,
    "provenance_precision": 0.91,
    "version_purity": 0.95,
    "causal_direction_retention": 0.88,
    "false_entanglement_rate": 0.06,
    "over_disentanglement_rate": 0.04,
    "replay_consistency": 0.81,
    "governance_violation_rate": 0.0
  },
  "refusals": [],
  "failures": [],
  "operator_ledger": "ledger.jsonl"
}

附錄 D：後續自然研究節點

本系列第一階段在八篇完成後封頂。後續若進入第二階段，最自然節點包括：

SNTME MVP 實作；
SNTM-Bench 合成資料生成器；
局部張量核的 CP、Tucker 與 Tensor Train 對照；
張量—超圖混合查詢語言；
多代理共享工作態封包；
參數記憶與可審計外部記憶的橋接；
長期代理記憶連續性實驗；
張量原生記憶的形式驗證與型別系統。

這些節點屬於工程與實驗延伸，不再增加本系列第一階段的理論篇數。

動態顯影與原生張量記憶系列_08_稀疏原生張量記憶工程與實驗框架_v0.1

稀疏原生張量記憶工程與實驗框架：局部張量核、可恢復分解與可驗證基準

摘要

$$\text{SNTME}

1. 導論：理論成立之後，工程問題才真正開始

2. 系列位置：由理論閉環進入工程閉環

3. 第一原則：邏輯張量原生，不等於物理稠密張量

3.1 邏輯張量原生性

3.2 物理張量實作

4. 第二原則：記憶場應由局部張量核組成

$$\mathfrak M_t

$$\mathbb K_k

5. 局部張量核的型別簽名

$$\Sigma

$$\sigma_{\text{message}}

$$\sigma_{\text{decision}}

6. 稀疏性不是近似，而是記憶結構的基本事實

7. 稀疏狀態的四值語義

8. 第一代系統：SNTME

$$\operatorname{SNTME}_t

9. SNTME 的六層物理架構

9.1 原始痕跡層

9.2 索引與錨點層

9.3 稀疏關係超圖層

$$\mathcal G_t

9.4 局部張量因子層

9.5 動態顯影與工作態層

9.6 治理與帳本層

10. 混合儲存不是妥協，而是第一代正確形式

11. 最小記憶物件模型

12. 關係物件模型

13. 高階關係物件

14. 低秩分解的角色

15. CP 分解的適用位置

16. Tucker 分解的適用位置

17. Tensor Train 的適用位置

$$\mathbb K(i_1, \ldots,i_d)

18. 張量網路與超圖的混合

19. 動態因子圖作為中介層

20. 表示選擇應由記憶型別決定

21. 可恢復分解契約

$$\operatorname{RC}(\mathcal C)

22. 秩預算與糾纏預算

23. 增量記憶形成

24. 記憶寫入的兩階段提交

24.1 第一階段：痕跡提交

$$\mathcal T_{t+1}

24.2 第二階段：解釋提交

25. 關係候選生成

$$\mathcal R_{\text{cand}}

26. 過度糾纏的工程防線

27. 粗顯影：候選選域

$$\mathcal C_{ \xi}

28. 關係擴展：由候選節點進入局部子場

$$\mathcal N_{ \xi}^{(d)}

29. 精顯影：局部張量收縮

$$\mathbb Q_{ \xi}

$$\mathbb A_{ \xi,t}

30. 任務相對解纏

$$\mathcal P_{ \xi}

$$\Delta_{ \mathcal P_{ \xi},C} \left( \mathbb A_{ \xi,t} \right)

31. 解纏不是數值分解的同義詞

$$\text{Memory Disentanglement}

32. 工作態重構

$$\widehat{\mathbb W}_{ \xi,t}

$$\widehat{\mathbb W}_{ \xi,t}

33. 工作態不是永久記憶

34. 正向重播驗證

$$\widetilde{\mathbb W}_t

35. 解纏—再糾纏一致性

36. 工程可拒絕性

37. 第一代最小實作範圍

38. MVP 模組

39. 核心 API 草案

40. 實驗的基本目的

41. SNTM-Bench

$$\mathcal B_i

42. 三類資料來源

42.1 合成資料

42.2 半合成資料