顯影、抑制、約束與路由算子：外部注意力場的操作基礎

Revealing, Suppression, Constraint, and Routing Operators: Operational Foundations of External Attention Fields

版本：v0.1
日期：2026-07-28
文件性質：基礎理論與操作框架論文
系列：外部注意力場工程系列，第 2 篇
建議文件代號：EML-EAFE-02-2026-v0.1

摘要

第一篇〈外部注意力場工程總論〉提出：人工智慧的有效注意力不只由模型內部注意力機制決定，也受到模型推理前後之外部可見域、顯著度、權限、工具、來源、預算與治理條件共同塑造。若此一主張要從總體概念轉化為可實作方法論，就必須進一步回答：外部系統究竟如何使資訊進入工作場、如何暫時降低或阻止資訊進入、如何限制資訊與工具的使用方式，以及如何將任務送往不同模型、工具、代理與驗證路徑。

本文提出外部注意力場的四類核心算子：顯影算子、抑制算子、約束算子與路由算子。顯影算子負責使潛在資訊、記憶、工具或關係成為活動候選；抑制算子負責在保留來源與可恢復性的前提下，降低某些候選的顯著度、展開深度或可操作性；約束算子負責定義可見域、時間、版本、權限、成本、風險與寫回邊界；路由算子負責將不同資訊、問題與操作送往適合的模型、工具、代理、驗證器或人類批准節點。

本文強調，四類算子均不應被簡化為二元開關。顯影可能具有多層深度與多種證據狀態；抑制不等於刪除或否定；約束不等於懲罰；路由也不只是挑選單一工具。本文將其形式化為具型別、具前置條件、可拒絕、可撤銷、可解釋與可審計的部分算子，並引入多候選輸出、替代路由、保守失敗、來源保持與注意力帳本。

本文進一步分析算子之間的非交換性與非結合性。例如，先抑制再顯影與先顯影再抑制可能形成不同工作場；先套用權限約束再路由與先路由再檢查權限可能產生不同風險；多個路由器的組合也可能造成能力偏置、成本失控或遞歸自證。為此，本文提出操作序列、策略剖面、硬約束與軟約束、注意力差分、調控殘差、操作帳本與閉環驗證。

本文最後提出最小外部注意力算子系統 EAFOS、資料模型、錯誤狀態、工程接口、基礎命題與初步評估指標。此框架可用於 RAG、Agent 工具使用、長期記憶、程式分析、企業知識庫、格子與畫布介面、多代理協作，以及後續工作場與注意力預算工程。

關鍵詞： 外部注意力場、顯影算子、抑制算子、約束算子、路由算子、工具路由、上下文工程、AI Agent、注意力治理、動態顯影

1. 從外部注意力場到操作問題

第一篇將外部注意力場表示為：

\mathbb A_t^{\mathrm{ext}} = \left( V_t, W_t, K_t, R_t, B_t, P_t, L_t \right)

其中包含：

可見域 $V_t$ ；
顯著度 $W_t$ ；
約束 $K_t$ ；
路由 $R_t$ ；
注意力預算 $B_t$ ；
來源結構 $P_t$ ；
調控帳本 $L_t$ 。

但此表示仍偏向狀態描述。工程系統還需要回答：

這些狀態是如何被產生、修改、拒絕、恢復與驗證的？

因此，本文將外部注意力場視為可被算子族持續更新的動態對象：

\mathbb A_{t+1}^{\mathrm{ext}} = \mathfrak F \left( \mathbb A_t^{\mathrm{ext}}, \mathfrak E_t, \xi_t, \mathcal O_t \right)

其中：

$\mathfrak E_t$ ：總資訊、記憶、工具與狀態環境；
$\xi_t$ ：任務、觀測者、權限、預算與風險條件；
$\mathcal O_t$ ：本輪被批准執行的外部注意力操作；
$\mathfrak F$ ：注意力場更新函數。

本文提出：

\boxed{ \mathcal O_t \subseteq \left\{ \Pi, \Sigma, \Gamma, \mathcal R, \mathcal E, \mathcal V \right\} }

其中：

$\Pi$ ：顯影；
$\Sigma$ ：抑制；
$\Gamma$ ：約束；
$\mathcal R$ ：路由；
$\mathcal E$ ：展開；
$\mathcal V$ ：驗證。

本篇集中討論前四類核心算子，並將展開與驗證作為它們的共同輔助機制。

2. 為何不能只使用「檢索」一個動詞

一般 AI 系統常將外部資訊操作壓縮成：

q \rightarrow \operatorname{Retrieve} \rightarrow \text{Context}

但實際過程至少包含：

界定可搜尋域；
排除無權限資料；
找出候選；
估計相關度；
識別版本與來源；
降低低價值或高風險內容；
決定是否展開更多關係；
選擇工具或代理；
驗證結果；
將結果寫入本輪工作場。

因此：

\boxed{ \text{External Attention Regulation} \neq \text{Retrieval Alone} }

檢索只是顯影的一種實作，也不處理抑制、約束與路由的完整問題。

3. 外部注意力操作物件

令一個可被調控的外部注意力項目為：

a_i = \left( id_i, type_i, content_i, relations_i, source_i, status_i, cost_i, risk_i, permissions_i \right)

其中 $a_i$ 可以是：

文件片段；
完整文件；
記憶節點；
版本；
因果關係；
程式函數；
工具；
Agent；
世界狀態；
待辦節點；
反例；
驗證結果。

外部注意力操作不只作用於節點，也可能作用於關係：

e_{ij} = \left( a_i, relation, a_j, provenance, confidence \right)

因此，算子域應包含：

\mathfrak X_t = \mathcal N_t \cup \mathcal E_t \cup \mathcal T_t \cup \mathcal P_t

分別代表節點、關係、工具與策略對象。

4. 具型別部分算子

外部注意力算子不應被假設為對所有輸入皆合法。

本文定義一般操作：

\mathcal O_{\alpha}: \operatorname{Dom}(\mathcal O_{\alpha}) \rightharpoonup \operatorname{Result}(Y)

其中：

$\operatorname{Dom}(\mathcal O_{\alpha})$ ：合法輸入域；
$\rightharpoonup$ ：部分函數；
$\operatorname{Result}(Y)$ ：具狀態結果型別。

結果不是單純成功值，而是：

\operatorname{Result}(Y) = \left\{ \begin{array}{ll} \operatorname{Success}(Y) \\ \operatorname{Limited}(Y,K) \\ \operatorname{Alternatives}(Y_1,\ldots,Y_n) \\ \operatorname{NeedEvidence}(E) \\ \operatorname{NeedApproval}(H) \\ \operatorname{Rejected}(r) \\ \operatorname{Failed}(e) \end{array} \right.

因此，「不執行」本身可以是合法、可解釋的系統結果。

5. 顯影算子

5.1 定義

顯影算子使原本處於潛在、封存、低活動或未載入狀態的對象，進入當前注意力場候選域。

\Pi_{\alpha,\xi}: \mathfrak E_t \rightharpoonup \mathcal C_{\alpha,t}

其中：

$\alpha$ ：顯影類型；
$\xi$ ：任務、觀測者、權限與預算條件；
$\mathcal C_{\alpha,t}$ ：顯影候選集合。

顯影不是將對象宣告為真，而是使其成為：

可見；
可比較；
可追蹤；
可操作；
可驗證；
可被模型注意。

5.2 顯影狀態

一個顯影項目至少可具有：

latent：潛在但未載入；
candidate：已進入候選；
active：進入工作場；
expanded：關係或內部結構已展開；
validated：已經驗證；
quarantined：顯影但被隔離；
revoked：顯影已撤銷。

因此：

\operatorname{Reveal} \neq \operatorname{AcceptAsTrue}

6. 顯影算子族

6.1 語義顯影

\Pi_{\mathrm{sem}} \left( \mathfrak E_t \mid q_t,g_t \right)

使與當前概念、問題或任務相關的意義進入候選場。

6.2 記憶顯影

\Pi_{\mathrm{mem}} \left( \mathcal H_t \mid q_t,S_t \right)

使具有工作狀態恢復價值的歷史痕跡進入候選場。

6.3 關係顯影

\Pi_{\mathrm{rel}} \left( a_i, d, \mathcal T_R \right)

沿指定關係類型與最大深度 $d$ 展開：

來源；
因果；
版本；
引用；
依賴；
衝突；
代理操作。

6.4 反例顯影

\Pi_{\mathrm{counter}} \left( h, \mathfrak E_t \right)

主動尋找與當前假設 $h$ 衝突的證據、失敗路徑與替代解釋。

6.5 工具顯影

\Pi_{\mathrm{tool}} \left( g_t, \mathcal T_t \right)

使與任務相關的工具能力進入可路由集合。

6.6 權限相容顯影

\Pi_{\mathrm{perm}} = \Pi \circ \Gamma_{\mathrm{permission}}

只有符合權限條件的候選才能進入後續工作場。

6.7 風險顯影

主動顯示：

高不確定性；
高損失操作；
來源缺口；
版本衝突；
權限接近邊界；
不可逆寫回。

7. 顯影深度與語義解析度

顯影不是二元狀態。可定義深度：

d_{\Pi} \in \{0,1,\ldots,D\}

例如：

$d_{\Pi}=0$ ：只顯示名稱與狀態；
$d_{\Pi}=1$ ：顯示摘要與直接來源；
$d_{\Pi}=2$ ：顯示上游關係與版本；
$d_{\Pi}=3$ ：顯示完整歷史、矛盾與替代解；
$d_{\Pi}=D$ ：進入最大授權細節。

也可定義解析度：

r_{\Pi} = \left( r_{\mathrm{content}}, r_{\mathrm{relation}}, r_{\mathrm{provenance}}, r_{\mathrm{history}} \right)

因此，顯影可以只增加某一維度的可見性，而不必完整載入全部內容。

8. 顯影顯著度

顯影後的候選仍需配置顯著度：

W_t(a_i) = f \left( S_i, C_i, V_i, P_i, U_i, R_i \right)

其中：

$S_i$ ：語義相關性；
$C_i$ ：因果必要性；
$V_i$ ：版本有效性；
$P_i$ ：來源可信度；
$U_i$ ：不確定性；
$R_i$ ：風險與治理重要性。

顯著度必須與真實度分離：

W_t(a_i) \neq \operatorname{Truth}(a_i)

系統可提高低可信反例的顯著度，因為它具有高驗證價值；也可降低高相似舊版本的顯著度，因為它已失效。

9. 抑制算子

9.1 定義

抑制算子降低對象在當前注意力場中的活動程度、顯著度、展開深度、操作權限或路由優先級：

\Sigma_{\beta,\xi}: \mathbb A_t^{\mathrm{ext}} \rightharpoonup \mathbb A_{t+1}^{\mathrm{ext}}

但抑制原則上不等於：

刪除；
否定；
遺忘；
永久封鎖；
宣告不重要。

因此：

\boxed{ \operatorname{Suppress}(a) \neq \operatorname{Delete}(a) }

10. 抑制算子族

10.1 顯著度衰減

W_{t+1}(a_i) = \lambda_i W_t(a_i), \qquad 0\leq\lambda_i<1

適用於低價值、重複或暫時無關內容。

10.2 展開抑制

限制關係展開深度：

d_{\Pi}(a_i) \leq d_{\max}

10.3 重複抑制

將多個近重複內容聚合為代表節點，但必須保留來源清單。

10.4 舊版本抑制

降低已被取代版本的活動度，同時保持其歷史可回溯性。

10.5 推定抑制

對 inferred 或 speculative 內容施加較低默認顯著度，避免推定固化。

10.6 自生成內容抑制

對模型自己生成、尚未獲外部證據支持的內容加上來源隔離。

10.7 高成本抑制

在預算不足時，延後載入高成本但低邊際價值的對象。

10.8 高風險操作抑制

阻止未經批准的：

外部寫入；
版本覆蓋；
刪除；
權限修改；
不可逆工具操作。

11. 抑制必須保留可恢復性

令被抑制集合為：

\mathcal S_t^{\mathrm{sup}}

系統至少應保留：

\operatorname{SuppressionRecord}(a_i) = \left( id_i, reason_i, policy_i, actor_i, time_i, restore_i \right)

其中 $restore_i$ 描述恢復條件。

因此可定義：

\operatorname{Restore}_{\eta} : \mathcal S_t^{\mathrm{sup}} \rightharpoonup V_{t+k}

若抑制沒有恢復機制、理由或帳本，它就可能退化為不可見審查或永久記憶損失。

12. 合法抑制與危險抑制

12.1 合法抑制

移除高度重複資訊；
降低過期版本優先級；
限制無關分支；
隱藏未授權資料；
暫停高風險工具；
收合已完成節點。

12.2 危險抑制

隱藏反例；
刪除衝突來源；
只保留支持既有結論的材料；
未留下抑制理由；
將商業排序偽裝為客觀重要性；
讓模型不知道可見域已被裁剪。

因此：

\text{Suppression Efficiency} \neq \text{Suppression Legitimacy}

13. 約束算子

13.1 定義

約束算子不一定直接改變內容顯著度，而是規定哪些外部注意力操作、工具、對象與結果在何種條件下合法：

\Gamma_{\gamma} : \left( \mathfrak E_t, \xi_t, \mathcal O_t \right) \rightharpoonup \mathcal K_t

其中 $\mathcal K_t$ 是有效約束集合。

約束回答：

可以看什麼？
可以看多深？
可以做什麼？
可以花多少成本？
可以寫回哪裡？
哪些結果必須先驗證？
何時需要人類批准？

14. 硬約束與軟約束

14.1 硬約束

不可被一般策略覆蓋：

K^{\mathrm{hard}} = \left\{ \text{permission}, \text{legal}, \text{safety}, \text{tenant isolation}, \text{irreversible action} \right\}

若違反，操作必須拒絕：

\neg K^{\mathrm{hard}}(o) \Rightarrow \operatorname{Rejected}

14.2 軟約束

可依任務、預算或風險調整：

token 上限；
最大回溯深度；
搜尋範圍；
工具調用次數；
最高等待成本；
最低來源可信度；
候選數量。

軟約束可以輸出 Limited，而不必完全拒絕。

15. 約束算子族

15.1 權限約束

\Gamma_{\mathrm{perm}} \left( a_i,o_t \right) \in \{\text{allow},\text{deny},\text{redact},\text{aggregate}\}

15.2 時間約束

只允許顯影指定時間範圍或以特定時間點為有效狀態。

15.3 版本約束

\Gamma_{\mathrm{ver}} \left( a_i,v^{*} \right)

限制使用：

最新已批准版本；
指定分支；
歷史快照；
未被 superseded 的狀態。

15.4 來源約束

設定來源門檻：

P(a_i) \geq \tau_P

但高風險任務也可允許低可信候選進入隔離域，以便檢查反例。

15.5 預算約束

\sum_i c_i x_i + \sum_j k_j y_j \leq B_t

其中分別計算內容載入與工具調用成本。

15.6 風險約束

高風險操作需要：

雙重驗證；
沙盒；
人類批准；
可逆執行；
只讀模式。

15.7 寫回約束

限制哪些推理結果可進入：

暫時工作記憶；
推定區；
已驗證知識庫；
程式主分支；
使用者永久記憶。

15.8 多樣性約束

對研究、政策與高爭議任務，要求候選場保留：

反例；
替代解釋；
多來源；
不同版本；
不確定性。

16. 約束的優先序

約束可能彼此衝突。本文暫定優先序：

K_{\mathrm{legal}} \succ K_{\mathrm{permission}} \succ K_{\mathrm{safety}} \succ K_{\mathrm{provenance}} \succ K_{\mathrm{task}} \succ K_{\mathrm{budget}} \succ K_{\mathrm{preference}}

其中 $\succ$ 表示一般情況下較高優先級。

但完整系統仍需保存實際策略剖面，因為不同領域可能採用不同排序。

17. 路由算子

17.1 定義

路由算子將內容、問題、工具請求或驗證任務送往適合的處理節點：

\mathcal R_{\delta} : \left( x, g_t, \mathcal C_t \right) \rightharpoonup \mathcal D_{\mathrm{dest}}

目的地可以是：

主模型；
小模型；
專業模型；
搜尋工具；
程式執行器；
資料庫；
記憶系統；
驗證器；
另一 Agent；
人類審核者。

路由不是單純選一個工具，而是建立一條處理路徑。

18. 路由結果

一般路由結果為：

\operatorname{RoutePlan} = \left( destinations, order, conditions, budget, fallbacks, merge, validation \right)

其中：

destinations：目的節點；
order：順序或並行；
conditions：進入條件；
budget：每一路徑預算；
fallbacks：替代目的地；
merge：結果合併規則；
validation：驗證要求。

19. 路由算子族

19.1 模型路由

依任務難度、模態、成本與可靠性，選擇不同模型。

19.2 工具路由

將搜尋、計算、程式執行、資料庫查詢或文件分析分配給不同工具。

19.3 Agent 路由

將子任務交給：

研究 Agent；
程式 Agent；
法律 Agent；
驗證 Agent；
規劃 Agent。

19.4 記憶路由

決定查詢：

短期對話；
長期記憶；
向量庫；
版本庫；
操作帳本；
原始文件。

19.5 驗證路由

將高風險結論送往：

規則驗證；
程式測試；
交叉模型檢查；
人工批准。

19.6 人類路由

當系統遇到：

多個等價候選；
權限不明；
高風險不可逆操作；
價值判斷；
來源衝突；

路由至人類而不是強行自動決策。

20. 單一路由、並行路由與條件路由

20.1 單一路由

x \xrightarrow{\mathcal R} d_1

20.2 並行路由

x \xrightarrow{\mathcal R} \{d_1,d_2,\ldots,d_n\}

用於多模型比較、多來源搜尋或獨立驗證。

20.3 條件路由

x \xrightarrow{\mathcal R} \begin{cases} d_1, & c_1 \\ d_2, & c_2 \\ d_3, & \text{otherwise} \end{cases}

20.4 漸進路由

先由低成本路徑處理，只有在不確定性或風險超過門檻時升級。

21. 路由不是權威轉移

將任務送往工具或子代理，不代表目的地獲得永久修改權。

因此必須區分：

\text{Execution Capability} \neq \text{Commit Authority}

一個工具可以執行分析，卻只能返回提案；一個 Agent 可以修改沙盒分支，卻不能直接覆蓋主狀態。

22. 四類算子的共同操作契約

每一次操作至少應包含：

{
  "operation_id": "op-001",
  "operator": "reveal | suppress | constrain | route",
  "operator_type": "semantic_reveal",
  "actor": "agent-01",
  "target_ids": [],
  "task_id": "task-001",
  "preconditions": [],
  "policy_profile": "research-safe",
  "budget": {},
  "expected_effect": {},
  "fallback": {},
  "reversible": true,
  "validation_required": true
}

操作輸出至少包含：

{
  "status": "success | limited | alternatives | needs_evidence | needs_approval | rejected | failed",
  "changed_field": {},
  "provenance": [],
  "suppressed": [],
  "alternatives": [],
  "warnings": [],
  "validation": {},
  "ledger_entry": "ledger-001"
}

23. 算子非交換性

外部注意力操作通常不可任意交換。

23.1 顯影與抑制

\Sigma \circ \Pi \neq \Pi \circ \Sigma

先顯影再抑制，系統可以記錄被顯影但後來降權的候選；先抑制再顯影，候選可能根本不進入可見域。

23.2 約束與顯影

\Pi \circ \Gamma \neq \Gamma \circ \Pi

一般情況下，權限與硬治理約束應先於顯影，避免未授權內容短暫進入工作場。

23.3 約束與路由

\mathcal R \circ \Gamma \neq \Gamma \circ \mathcal R

先路由再檢查可能造成資料已被送往不應接收的目的地。

23.4 顯影與路由

\mathcal R \circ \Pi

表示先建立候選再決定處理目的地；

\Pi \circ \mathcal R

則可能表示先依工具能力劃分域，再在各域顯影。兩者可形成不同結果。

24. 算子非結合性與路徑依賴

三個操作的組合可能滿足：

(\mathcal O_1\circ\mathcal O_2)\circ\mathcal O_3 \neq \mathcal O_1\circ(\mathcal O_2\circ\mathcal O_3)

例如：

先聚合重複內容，再施加版本約束；
先施加版本約束，再聚合重複內容；

可能產生不同代表節點與來源清單。

因此，操作序列本身必須進入帳本：

L_t = \left[ \mathcal O_1, \mathcal O_2, \ldots, \mathcal O_n \right]

不能只保存最終上下文。

25. 建議的預設操作序列

對一般高可信任務，本文建議：

\boxed{ \Gamma_{\mathrm{hard}} \rightarrow \Pi_{\mathrm{coarse}} \rightarrow \Sigma_{\mathrm{noise}} \rightarrow \Pi_{\mathrm{relation}} \rightarrow \Gamma_{\mathrm{budget}} \rightarrow \mathcal R_{\mathrm{plan}} \rightarrow \mathcal V }

即：

先套用硬約束；
粗顯影候選；
抑制噪音與重複；
展開必要關係；
套用預算與任務約束；
建立路由計畫；
驗證操作與工作場。

高風險任務可在路由前加入人工批准。

26. 注意力差分

令操作前後注意力場分別為：

\mathbb A_t, \qquad \mathbb A_{t+1}

定義注意力差分：

\Delta\mathbb A_t = \mathbb A_{t+1} \ominus \mathbb A_t

其中 $\ominus$ 不是普通減法，而是記錄：

新顯影項目；
被抑制項目；
顯著度變化；
新增或移除約束；
路由變化；
預算變化；
來源與驗證狀態變化。

可表示為：

\Delta\mathbb A_t = \left( \Delta V_t, \Delta W_t, \Delta K_t, \Delta R_t, \Delta B_t, \Delta P_t \right)

注意力差分提供可解釋性與回滾基礎。

27. 調控殘差

理想操作效果與實際效果可能不同。

令目標注意力場為：

\mathbb A_t^{*}

實際結果為：

\widehat{\mathbb A}_t

則調控殘差為：

\mathbb E_t^{\mathrm{reg}} = \widehat{\mathbb A}_t \ominus \mathbb A_t^{*}

殘差可能來自：

檢索遺漏；
metadata 錯誤；
工具失敗；
版本辨識錯誤；
模型誤分類；
權限配置不完整；
預算不足；
不可觀測資料。

系統應允許殘差被顯影、診斷與再次調控。

28. 多候選而非過早坍縮

在資訊不完整時，系統不應強迫輸出唯一注意力配置。

可保留：

\left\{ \mathbb A_t^{(1)}, \mathbb A_t^{(2)}, \ldots, \mathbb A_t^{(m)} \right\}

並附帶：

候選理由；
預算；
風險；
缺失證據；
預期收益。

例如：

研究型配置；
快速回答配置；
高可信配置；
低成本配置；
反例優先配置。

這些可以交由人類或上層策略選擇。

29. 策略剖面

定義注意力策略剖面：

\mathcal P_{\mathrm{attn}} = \left( w_{\mathrm{relevance}}, w_{\mathrm{causality}}, w_{\mathrm{provenance}}, w_{\mathrm{diversity}}, w_{\mathrm{cost}}, w_{\mathrm{risk}} \right)

典型剖面包括：

29.1 快速回答

高相關、低成本、淺回溯。

29.2 學術研究

高來源、高反例、多版本、深回溯。

29.3 程式除錯

高因果、錯誤傳播、版本與執行日誌優先。

29.4 法律或高風險

高權限、高證據、高審計、人工批准。

29.5 創意探索

提高多樣性與遠距關係，降低過早抑制。

策略剖面必須可見，避免同一排序被誤認為普遍客觀。

30. 操作帳本

每一次顯影、抑制、約束與路由都應追加到帳本：

\mathcal L_t = \left\{ \ell_1,\ell_2,\ldots,\ell_n \right\}

其中：

\ell_i = \left( operation, actor, targets, policy, reason, before, after, time, validation \right)

帳本用途包括：

解釋模型為何看到這些內容；
確認哪些內容被排除；
重現工作場；
比較不同策略；
回滾；
污染追蹤；
治理審計。

31. 主要失敗模式

31.1 過度顯影

工作場包含太多候選，造成注意力過載。

31.2 不足顯影

缺少完成任務所需的關鍵因果、版本或來源。

31.3 過度抑制

反例、少數來源或關鍵歷史被錯誤降權。

31.4 抑制失憶

系統無法恢復或解釋先前被抑制的內容。

31.5 約束衝突

不同政策給出矛盾要求，但系統沒有明確優先序。

31.6 約束洩漏

敏感資料在約束套用之前已經被路由或摘要。

31.7 路由偏置

系統總是使用熟悉、便宜或速度快的工具。

31.8 路由循環

Agent 與工具彼此反覆轉交，無法終止。

31.9 合併污染

並行路由結果被錯誤融合，來源與矛盾消失。

31.10 無帳本調控

只保存最終上下文，無法知道場如何形成。

32. 治理原則

原則一：硬約束先行

敏感資料與不可逆操作必須先檢查，再顯影或路由。

原則二：抑制可恢復

除非依法或明確政策要求刪除，抑制應保留來源與恢復條件。

原則三：顯影不等於認證

顯影候選必須保留其證據狀態。

原則四：路由不等於授權

目的地獲得處理能力，不代表獲得提交權。

原則五：多候選優於虛假確定

證據不足時保留替代路徑。

原則六：調控順序可追溯

非交換操作必須保存實際執行順序。

原則七：高風險任務保留反例

不能為了壓縮而消除衝突與不確定性。

原則八：所有調控可被驗證

至少能檢查來源、版本、權限、預算與操作結果。

33. 最小外部注意力算子系統

本文將第一代系統命名為：

External Attention Field Operator System

縮寫：

EAFOS

定義：

\operatorname{EAFOS} = \left( \mathfrak E, \mathbb A, \{\Pi_{\alpha}\}, \{\Sigma_{\beta}\}, \{\Gamma_{\gamma}\}, \{\mathcal R_{\delta}\}, \mathcal V, \mathcal L, \mathcal P \right)

其中：

$\mathfrak E$ ：總環境；
$\mathbb A$ ：活動注意力場；
$\Pi$ ：顯影算子族；
$\Sigma$ ：抑制算子族；
$\Gamma$ ：約束算子族；
$\mathcal R$ ：路由算子族；
$\mathcal V$ ：驗證器；
$\mathcal L$ ：操作帳本；
$\mathcal P$ ：策略剖面。

34. 第一代模組架構

Task / Agent State
        ↓
Policy & Permission Gate
        ↓
Candidate Revealers
 ┌──────┼────────┐
 Search Memory Relation Tool
        ↓
Suppression & Deduplication
        ↓
Constraint Resolver
        ↓
Route Planner
 ┌──────┼────────────┐
 Model Tool Agent Human
        ↓
Result Merger & Provenance Keeper
        ↓
Validator
        ↓
External Attention Field Update
        ↓
Append-only Regulation Ledger

35. 最小 API 草案

reveal(
  task,
  source_scope,
  relation_types,
  depth,
  policy_profile
) -> OperationResult[CandidateField]

suppress(
  field,
  targets,
  suppression_type,
  restore_condition
) -> OperationResult[AttentionField]

constrain(
  field,
  constraints,
  priority_profile
) -> OperationResult[ConstrainedField]

route(
  payload,
  candidate_destinations,
  route_policy,
  fallbacks
) -> OperationResult[RoutePlan]

validate(
  field_or_result,
  validation_profile
) -> ValidationResult

36. 評估指標

36.1 必要資訊召回率

R_{\mathrm{necessary}} = \frac{ |\mathcal N_{\mathrm{revealed}}\cap\mathcal N_{\mathrm{required}}| }{ |\mathcal N_{\mathrm{required}}| }

36.2 無關載入率

R_{\mathrm{irrelevant}} = \frac{ |\mathcal V_{\mathrm{irrelevant}}| }{ |\mathcal V_{\mathrm{loaded}}| }

36.3 抑制可恢復率

R_{\mathrm{restore}} = \frac{ \text{可被正確恢復的抑制項目} }{ \text{所有需要恢復的抑制項目} }

36.4 約束違規率

R_{\mathrm{constraint}} = \frac{ \text{違反約束的操作數} }{ \text{總操作數} }

36.5 路由成功率

R_{\mathrm{route}} = \frac{ \text{由適當目的地成功完成的任務} }{ \text{總路由任務} }

36.6 來源保持率

衡量經過顯影、抑制與路由後，輸出是否仍可回到原始來源。

36.7 注意力差分可解釋率

衡量場變化是否能由帳本中的操作充分解釋。

36.8 成本效益

E_{\mathrm{cost}} = \frac{ \Delta \operatorname{TaskQuality} }{ \Delta \operatorname{ResourceCost} }

37. 基礎命題

命題一：顯影非認證命題

對象進入注意力場不代表其為真或已被接受。

命題二：抑制非刪除命題

抑制是任務相對的活動度調節，不必等同永久移除。

命題三：約束先行命題

硬權限與安全約束應先於可能造成資料暴露的顯影與路由。

命題四：路由非授權命題

處理目的地不因被路由而自動取得寫回權。

命題五：算子非交換命題

顯影、抑制、約束與路由的一般組合具有順序依賴。

命題六：操作帳本必要命題

只保存最終上下文不足以重建注意力場形成過程。

命題七：多候選合法命題

證據不完整或策略衝突時，多個候選注意力場可以同時保持合法。

命題八：抑制治理命題

被排除內容的選擇會影響模型結論，因此抑制本身是可治理操作。

命題九：策略相對命題

不存在對所有任務皆最佳的單一顯影、抑制與路由策略。

命題十：調控殘差命題

任何注意力場操作都可能產生無法完全符合目標配置的殘差，殘差應可被顯影與修正。

命題十一：來源保持命題

外部注意力操作若破壞來源連結，將降低後續驗證與治理能力。

命題十二：保守失敗命題

對高風險、權限不明或不可逆操作，拒絕執行優於生成看似完整但無法治理的結果。

38. 可反證條件

若實驗顯示：

顯影與普通檢索沒有穩定差異；
抑制帳本與恢復機制不改善錯誤追蹤；
約束套用順序不影響資料暴露或任務結果；
路由計畫不優於單一模型或固定工具；
來源保持與版本約束不改善可靠性；
操作帳本無法重現注意力場；
多候選策略只增加成本而不減少過早錯誤；

則本文提出的算子分層可能沒有必要，或應被更簡單架構取代。

39. 與後續篇章的接口

本篇建立操作語言，但尚未完整回答：

AI 如何自主提出與修正操作請求；
外掛如何與模型形成閉環；
如何分配 token、時間、工具與計算預算；
人類介面如何呈現注意力場；
誰擁有顯影與抑制權；
如何建立可重現實驗。

這些問題將分別由後續篇章處理。

第三篇將集中討論：

AI—外掛協同注意力閉環

其核心是：

\boxed{ \text{模型提出調控請求} \rightarrow \text{外部系統驗證與執行} \rightarrow \text{工作場更新} \rightarrow \text{模型再推理} }

40. 結論

本文提出顯影、抑制、約束與路由四類外部注意力核心算子，將外部注意力場從靜態概念提升為可操作、可拒絕、可撤銷、可驗證與可審計的工程對象。

其基本操作鏈可表示為：

\boxed{ \text{硬約束} \rightarrow \text{候選顯影} \rightarrow \text{噪音與風險抑制} \rightarrow \text{關係展開} \rightarrow \text{預算約束} \rightarrow \text{模型／工具／Agent 路由} \rightarrow \text{驗證與帳本} }

本文的核心區分是：

\boxed{ \text{顯影不等於認證} }

\boxed{ \text{抑制不等於刪除} }

\boxed{ \text{約束不等於懲罰} }

\boxed{ \text{路由不等於授權} }

只有當上述操作能夠保持來源、版本、權限、替代候選與操作歷史時，外部注意力調控才不會退化為不可見的上下文剪輯。

因此，外部注意力場工程的操作核心不是「替 AI 選出最相關的內容」，而是：

在有限資源、權限與風險條件下，建立一條可解釋、可恢復且可驗證的路徑，使適當的資訊與能力在適當時機進入適當的工作場。

附錄 A：最小操作序列

接收任務
  ↓
檢查硬權限與安全約束
  ↓
粗顯影候選資訊、記憶與工具
  ↓
抑制重複、過期與低價值內容
  ↓
顯影來源、因果、版本與反例
  ↓
套用預算、時間與寫回約束
  ↓
建立模型、工具、Agent 與人工路由計畫
  ↓
執行、合併與保持來源
  ↓
驗證
  ↓
更新注意力場
  ↓
寫入追加式帳本

附錄 B：最小調控帳本物件

{
  "ledger_id": "eafos-ledger-001",
  "task_id": "task-001",
  "operations": [
    {
      "operation_id": "op-001",
      "operator": "reveal",
      "type": "memory_relation",
      "targets": ["mem-101"],
      "reason": "恢復目前研究分支的決策來源",
      "policy": "research-safe",
      "status": "success",
      "before": {
        "visibility": "latent"
      },
      "after": {
        "visibility": "active",
        "depth": 2
      },
      "provenance": ["message-88", "file-v3"],
      "reversible": true
    }
  ]
}

外部注意力場工程系列_02_顯影抑制約束與路由算子_v0.1