工作場、上下文與注意力預算工程：有限資源下的任務閉合與局部世界構造

Work Fields, Contexts, and Attention-Budget Engineering: Task Closure and Local-World Construction under Finite Resources

版本：v0.1
日期：2026-07-28
文件性質：基礎理論與工程框架論文
系列：外部注意力場工程系列，第 4 篇
建議文件代號：EML-EAFE-04-2026-v0.1

摘要

人工智慧系統的上下文視窗、工具調用次數、推理時間、外部資料存取、計算資源與人類審核能力皆為有限。現有上下文工程通常將問題表述為：在固定 token 上限內，如何選擇與排列最相關的文字。然而，長期研究、程式開發、多代理協作、企業工作流與動態記憶恢復所需要的，不只是相關文字集合，而是一個能夠支持任務持續推進的局部工作世界。此工作世界必須同時包含目標、當前狀態、證據、來源、因果、版本、工具、限制、未決節點、失敗路徑與下一步操作。

本文提出「工作場、上下文與注意力預算工程」。本文區分總資訊環境、候選注意力場、活動工作場與模型上下文四個層級，指出上下文只是工作場的一次投影，而工作場本身仍可包含尚未載入模型、但可被條件展開的外部結構與工具能力。本文進一步定義「最小任務閉合工作場」（Minimal Task-Closed Work Field, MTCWF）：在滿足任務推進所需的語義、證據、因果、版本、狀態、工具與治理義務時，不再保留可被安全移除的冗餘元素。

本文將注意力預算建模為多維資源向量，而非單一 token 數量。預算至少包含上下文容量、時間、工具調用、運算、金錢、延遲、人類注意力、風險承受與寫回能力。本文提出硬預算、軟預算、預留預算與緊急預算，並將工作場配置視為帶有閉包義務、來源保持與不確定性限制的受約束決策問題，而不是只最大化相似度分數。

本文系統區分投影、選取、壓縮、摘要、重建、聚合與遺忘。壓縮可以減少表示成本，但若破壞來源、因果、版本或未決節點，便可能造成不可逆的工作場損失。為此，本文提出多解析度工作場、來源錨定摘要、開放節點保留、反例配額、版本純度、因果閉包、注意力預留與滾動工作狀態。本文亦分析上下文漂移、過度壓縮、預算近視、工具循環、來源丟失、舊版本滲透、工作場飢餓與 token 飽和等失敗模式。

本文最後提出「工作場與注意力預算引擎」（Work-Field and Attention-Budget Engine, WFABE）的第一代架構、API、資料模型、策略剖面、評估指標、基礎命題與可反證條件。此架構承接前述外部注意力場、顯影算子與 AI—外掛協同閉環，並為下一篇空間化、視覺化與介面注意力調控奠定資源與狀態基礎。

關鍵詞： 工作場、上下文工程、注意力預算、任務閉合、動態顯影、AI Agent、長期記憶、來源保持、版本純度、上下文壓縮

1. 問題起點：相關內容不等於可工作的局部世界

在簡單問答中，系統可能只需要找到幾段相關文字：

q \rightarrow \operatorname{Retrieve} \rightarrow \{d_1,d_2,\ldots,d_k\} \rightarrow \mathcal M

但對長期任務而言，模型真正需要的通常包括：

任務目標；
當前進度；
已做決策；
仍未完成的節點；
原始證據；
版本與分支；
已失敗的方法；
可用工具；
權限與限制；
下一步可執行操作。

因此：

\boxed{ \text{Relevant Content} \neq \text{Operational Work Field} }

一個內容集合即使高度相關，也可能無法回答：

現在做到哪裡？
哪個版本有效？
為什麼採取這個決策？
哪些路徑已經失敗？
接下來能做什麼？
哪些操作不可執行？
目前結論依賴哪些來源？

工作場工程處理的正是這種「可延續性」。

2. 四個層級：總環境、候選場、活動工作場與上下文

令總資訊與能力環境為：

\mathfrak E_t = \left( \mathcal D_t, \mathcal M_t, \mathcal T_t, \mathcal S_t, \mathcal P_t, \mathcal H_t \right)

其中包含資料、記憶、工具、狀態、政策與歷史。

2.1 候選注意力場

經外部顯影後形成：

\mathbb A_t^{\mathrm{cand}} = \Phi_{\xi_t} \left( \mathfrak E_t \right)

它包含可能與當前任務有關的內容、工具與關係。

2.2 活動工作場

由候選注意力場經閉包檢查、預算配置與治理後形成：

\mathbb W_t = \Psi \left( \mathbb A_t^{\mathrm{cand}}, G_t, B_t, K_t \right)

其中：

$G_t$ ：任務目標；
$B_t$ ：注意力預算；
$K_t$ ：約束。

2.3 模型上下文

模型上下文是工作場的當輪投影：

X_t = \rho_t \left( \mathbb W_t \right)

因此：

\boxed{ X_t \subseteq \mathbb W_t \subseteq \mathbb A_t^{\mathrm{cand}} \subseteq \mathfrak E_t }

上下文不等於工作場；工作場也不等於完整環境。

3. 工作場的正式定義

本文定義活動工作場：

\mathbb W_t = \left( G_t, S_t, E_t, C_t, V_t, M_t, T_t, K_t, O_t, P_t, L_t \right)

其中：

$G_t$ ：目標與成功條件；
$S_t$ ：當前任務或世界狀態；
$E_t$ ：證據與原始觀測；
$C_t$ ：因果、依賴與關係結構；
$V_t$ ：版本、分支與有效時間；
$M_t$ ：活動記憶；
$T_t$ ：可用工具與路由；
$K_t$ ：權限、風險與資源約束；
$O_t$ ：開放節點與未完成義務；
$P_t$ ：來源與證據階層；
$L_t$ ：操作與調控帳本。

工作場不是單一文字序列，而是可被投影成文字、圖、格子、時間線或工具計畫的結構對象。

4. 工作場的三種性質

4.1 任務相對性

同一總環境面對不同目標：

\mathbb W_t^{(G_1)} \neq \mathbb W_t^{(G_2)}

4.2 觀測者相對性

不同 Agent、角色或權限身份：

\mathbb W_t^{(o_1)} \neq \mathbb W_t^{(o_2)}

4.3 暫時性

工作場是當前任務階段的活動結構：

\mathbb W_t \neq \mathbb W_{t+1}

它不應直接被等同為永久知識或完整世界。

5. 任務閉合

本文稱一個工作場對任務 $G$ 閉合，若它至少能支持：

理解目標；
確認當前狀態；
辨識必要證據；
追蹤關鍵因果與依賴；
辨識有效版本；
知道可用工具與限制；
保留重要未決節點；
產生一個合法下一步；
驗證該下一步的結果。

定義任務閉合謂詞：

\operatorname{Closed} \left( \mathbb W_t,G_t \right) \in \{0,1\}

更細緻地可表示為：

\operatorname{ClosureScore} = f \left( c_G, c_S, c_E, c_C, c_V, c_T, c_K, c_O \right)

其中各項代表目標、狀態、證據、因果、版本、工具、約束與開放節點的閉合程度。

6. 最小任務閉合工作場

定義：

Minimal Task-Closed Work Field

縮寫：

MTCWF

令工作場成本為：

\operatorname{Cost} \left( \mathbb W \right)

則最小任務閉合工作場為：

\mathbb W_t^{*} = \arg\min_{\mathbb W} \operatorname{Cost} \left( \mathbb W \right)

滿足：

\operatorname{Closed} \left( \mathbb W,G_t \right) = 1

以及所有硬約束：

K^{\mathrm{hard}} \left( \mathbb W \right) = 1

但「最小」不代表文字最短，而是：

在不破壞任務閉合、來源、版本、因果與治理義務的前提下，移除不必要的表示成本。

7. 不能用單一相關度建構 MTCWF

若只最大化語義相關度：

\max \sum_i S_i x_i

可能排除：

低相似但關鍵的原始來源；
與當前結論衝突的反例；
舊失敗路徑；
權限與風險規則；
版本分歧；
工具限制；
下一步提交契約。

因此工作場效用應至少包含：

U_i = f \left( S_i, E_i, C_i, V_i, P_i, O_i, R_i, D_i \right)

其中：

$S_i$ ：語義相關度；
$E_i$ ：證據價值；
$C_i$ ：因果必要性；
$V_i$ ：版本有效性；
$P_i$ ：來源價值；
$O_i$ ：開放節點價值；
$R_i$ ：風險與治理價值；
$D_i$ ：多樣性與反例價值。

8. 注意力預算不是單一 token 上限

本文定義多維注意力預算：

\mathbf B_t = \left( B_t^{\mathrm{tok}}, B_t^{\mathrm{time}}, B_t^{\mathrm{tool}}, B_t^{\mathrm{compute}}, B_t^{\mathrm{money}}, B_t^{\mathrm{latency}}, B_t^{\mathrm{human}}, B_t^{\mathrm{risk}}, B_t^{\mathrm{write}} \right)

分別表示：

token 容量；
任務時間；
工具調用次數；
運算資源；
費用；
可接受延遲；
人類注意力；
可承受風險；
可執行寫回範圍。

因此：

\boxed{ \text{Attention Budget} \neq \text{Context Window Only} }

9. 硬預算、軟預算、預留預算與緊急預算

9.1 硬預算

不可超過：

模型上下文上限；
法定時限；
最高費用；
工具配額；
權限邊界。

9.2 軟預算

可依任務價值或不確定性調整：

額外搜尋輪次；
額外驗證；
更深因果回溯；
更多候選版本。

9.3 預留預算

不應在初始檢索階段耗盡全部資源。

定義預留比例：

B_t^{\mathrm{reserve}} = \alpha B_t, \qquad 0<\alpha<1

預留資源用於：

新衝突；
驗證；
反例；
工具失敗；
人類介入；
最終提交檢查。

9.4 緊急預算

只在高風險未決節點或重大錯誤時啟用。

10. 預算分配階段

建議將預算配置為：

\mathbf B_t = \mathbf B_{\mathrm{reveal}} + \mathbf B_{\mathrm{structure}} + \mathbf B_{\mathrm{reason}} + \mathbf B_{\mathrm{verify}} + \mathbf B_{\mathrm{act}} + \mathbf B_{\mathrm{reserve}}

分別用於：

粗顯影；
結構與來源整理；
推理；
驗證；
行動與寫回；
預留。

若初始顯影耗盡全部預算，就可能無法驗證或提交。

11. 工作場義務

本文定義工作場不只是內容集合，而具有必須被滿足的義務。

11.1 目標義務

必須能辨識：

任務目的；
完成標準；
禁止偏離的範圍。

11.2 狀態義務

必須知道：

目前進度；
已完成部分；
失敗狀態；
活動分支。

11.3 證據義務

關鍵結論需有來源或明確標示為推定。

11.4 因果義務

需要保留支持下一步決策的必要因果鏈。

11.5 版本義務

不得將相互衝突版本無標記混入同一活動狀態。

11.6 反例義務

高風險或研究任務需保留重要反例與替代解釋。

11.7 工具義務

必須知道哪些工具可用、已使用與不可用。

11.8 未決節點義務

未完成問題不能因摘要而消失。

11.9 治理義務

權限、風險與提交條件必須進入工作場。

12. 閉包缺口

定義閉包缺口：

\mathcal G_t^{\mathrm{gap}} = \left( g_G, g_S, g_E, g_C, g_V, g_T, g_K, g_O \right)

例如：

缺少原始證據；
不知道當前有效版本；
未辨識下一步工具；
尚未解決權限；
因果鏈中斷；
失敗路徑未記錄；
開放節點無負責者。

工作場工程的目標不是把所有資訊載入，而是優先關閉影響任務推進的缺口。

13. 工作場選取問題

令候選項目為：

\mathcal C_t = \{c_1,c_2,\ldots,c_n\}

選取變數：

x_i \in \{0,1\}

可寫為多目標問題：

\max \left[ \sum_i U_i x_i - \lambda \sum_i N_i x_i \right]

其中：

$U_i$ ：任務效用；
$N_i$ ：噪音或冗餘成本；
$\lambda$ ：噪音懲罰。

同時滿足：

\mathbf C \mathbf x \leq \mathbf B_t

以及：

\operatorname{ClosureObligations} \left( \mathbf x \right) = 1

此問題不必以單一全域最佳化求解；實務上可採分階段啟發式與閉環更新。

14. 邊際注意力價值

對候選 $c_i$ ，定義邊際工作場價值：

\Delta U_i = U \left( \mathbb W_t\cup\{c_i\} \right) - U \left( \mathbb W_t \right)

成本為：

\Delta C_i

可考慮比值：

\eta_i = \frac{ \Delta U_i }{ \Delta C_i+\epsilon }

但低比值項目仍可能因硬義務被保留，例如：

法律限制；
關鍵反例；
原始來源；
不可逆操作確認；
版本衝突。

所以：

\text{Low Marginal Utility} \not\Rightarrow \text{Safe to Remove}

15. 上下文投影

模型上下文由工作場投影產生：

X_t^{(m)} = \rho_m \left( \mathbb W_t, B_t^{\mathrm{tok}} \right)

不同模型或子代理可獲得不同投影：

X_t^{(m_1)} \neq X_t^{(m_2)}

例如：

規劃模型看目標、狀態與開放節點；
程式模型看程式、測試與依賴；
驗證模型看證據、來源與反例；
人類介面看摘要、警告與決策點。

但它們仍指向同一權威工作場。

16. 上下文不是完整重複

若每一輪都重新載入完整歷史：

X_t = \operatorname{FullHistory}_{0:t}

成本會持續增長。

更合理的形式是：

X_t = X_t^{\mathrm{core}} \cup X_t^{\mathrm{delta}} \cup X_t^{\mathrm{evidence}} \cup X_t^{\mathrm{request}}

其中：

$X_t^{\mathrm{core}}$ ：穩定任務核心；
$X_t^{\mathrm{delta}}$ ：上一輪後的變化；
$X_t^{\mathrm{evidence}}$ ：本輪必要證據；
$X_t^{\mathrm{request}}$ ：當前操作請求。

17. 穩定核心與活動邊緣

工作場可分為：

\mathbb W_t = \mathbb W_t^{\mathrm{core}} \cup \mathbb W_t^{\mathrm{active}} \cup \mathbb W_t^{\mathrm{latent}}

17.1 穩定核心

長時間保持：

任務目的；
關鍵定義；
主要限制；
權威版本；
長期決策。

17.2 活動邊緣

本輪直接使用：

目前證據；
正在處理的節點；
工具結果；
當前推理。

17.3 潛在區

未載入模型，但可在需要時快速顯影：

完整歷史；
替代版本；
低優先分支；
大型原始資料。

18. 多解析度工作場

對同一對象 $c_i$ 可保存多種解析度：

c_i^{(0)}, c_i^{(1)}, \ldots, c_i^{(k)}

例如：

標題；
一句摘要；
結構摘要；
關鍵片段；
完整內容；
原始二進位或資料集。

顯影解析度由任務與預算決定：

r_i^{*} = \operatorname{SelectResolution} \left( c_i,G_t,B_t \right)

這比「載入或不載入」更細緻。

19. 投影、選取、壓縮、摘要、重建與遺忘

19.1 投影

\rho: \mathbb W \rightarrow X

改變呈現形式，不一定改變底層資訊。

19.2 選取

從候選集中選出活動項目。

19.3 壓縮

降低表示成本：

\kappa(c) = \widetilde c

19.4 摘要

產生人或模型可快速理解的語義表示。

19.5 重建

由痕跡、關係與來源恢復工作狀態。

19.6 聚合

將多個項目合併為群組或代表結構。

19.7 遺忘

失去未來可恢復與可驗證的結構。

因此：

\boxed{ \text{Compression} \neq \text{Forgetting} }

但不良壓縮可能造成遺忘。

20. 安全壓縮條件

壓縮 $\kappa$ 若要被視為工作場安全，至少應盡量保持：

\operatorname{Goal}

\operatorname{Provenance}

\operatorname{Version}

\operatorname{CausalNecessity}

\operatorname{OpenNodes}

\operatorname{Uncertainty}

可定義保持向量：

\mathbf R_{\kappa} = \left( r_G, r_P, r_V, r_C, r_O, r_U \right)

若某一高風險維度低於門檻，壓縮結果不能取代原始結構，只能作為投影。

21. 來源錨定摘要

摘要應附帶來源映射：

s_j \mapsto \left\{ p_{j1},p_{j2},\ldots,p_{jm} \right\}

其中每一摘要命題 $s_j$ 對應原始來源片段。

最小來源錨定摘要應記錄：

摘要句；
原始文件；
版本；
位置；
推導方式；
不確定性；
是否存在衝突來源。

22. 開放節點保留

摘要最容易刪除尚未完成的問題。

定義開放節點：

o_i = \left( question, status, dependencies, owner, next\_action, risk \right)

工作場壓縮後必須滿足：

O_t^{\mathrm{critical}} \subseteq O_t^{\mathrm{compressed}}

否則系統會產生「看似完整，但無法繼續」的假狀態。

23. 失敗路徑預算

一般系統偏好保留成功結果，刪除失敗過程。

但長期任務需要避免重複失敗。

令失敗路徑集合為：

F_t = \{f_1,f_2,\ldots,f_n\}

並給予最低保留預算：

B_t^{\mathrm{failure}} \geq \tau_F

至少保留：

嘗試內容；
失敗原因；
適用版本；
是否可重試；
已知反例；
造成的副作用。

24. 反例配額

對高風險、研究或爭議任務，可設定：

B_t^{\mathrm{counter}} \geq \tau_C

確保工作場不是只包含支持主假設的內容。

反例配額不表示所有觀點等價，而是避免工作場在建構階段過早坍縮。

25. 版本純度

定義活動版本集合：

V_t^{\mathrm{active}}

若工作場混入彼此不相容的版本而未標記，便發生版本污染。

可定義版本純度：

Q_{\mathrm{version}} = 1 - \frac{ N_{\mathrm{unmarked\ conflicts}} }{ N_{\mathrm{versioned\ items}}+\epsilon }

必要時，系統應維持平行工作場：

\mathbb W_t^{(v_1)} \parallel \mathbb W_t^{(v_2)}

而不是強行合併。

26. 因果閉包

工作場不需要載入完整因果圖，但必須保留支持當前決策的必要因果子圖：

G_t^{\mathrm{causal},*} \subseteq G_t^{\mathrm{causal}}

若下一步操作依賴某前置條件，該條件與其來源應在工作場中可恢復。

因果閉包可檢查：

前置條件是否存在；
狀態轉移是否合法；
關鍵中間步驟是否被摘要消失；
結果是否來自不同版本。

27. 不確定性預算

工作場不能把所有不確定性都壓縮成單一信心值。

定義不確定性集合：

U_t = \left\{ u_{\mathrm{source}}, u_{\mathrm{version}}, u_{\mathrm{causal}}, u_{\mathrm{model}}, u_{\mathrm{missing}}, u_{\mathrm{conflict}} \right\}

注意力預算需要為高影響不確定性保留顯影與驗證空間。

28. 注意力預留

如果工作場已完全塞滿，模型遇到新證據時只能刪除舊內容或忽略新內容。

因此建議：

B_t^{\mathrm{active}} < B_t^{\mathrm{max}}

保留：

B_t^{\mathrm{headroom}} = B_t^{\mathrm{max}} - B_t^{\mathrm{active}}

用於：

突發反例；
工具結果；
權限警告；
版本衝突；
使用者新指令。

29. 滾動工作狀態

在長期任務中，工作場隨時間更新：

\mathbb W_{t+1} = \operatorname{Roll} \left( \mathbb W_t, \Delta_t, G_{t+1} \right)

滾動操作包括：

保留穩定核心；
加入新差分；
收合已完成節點；
保留失敗紀錄；
更新版本；
重新分配預算；
清理暫時工具輸出；
保存提交帳本。

30. 工作場檢查點

在重要階段建立：

\mathbb W_{t_k}^{\mathrm{checkpoint}}

檢查點包含：

任務狀態；
有效版本；
核心證據；
開放節點；
已知失敗；
下一步；
預算使用；
來源指紋。

檢查點用於：

Agent 交接；
長期恢復；
分支；
回滾；
比較策略。

31. 上下文打包順序

模型輸入的排列也會影響可用性。

建議一般打包結構：

1. 任務與成功條件
2. 當前權威狀態
3. 本輪操作目標
4. 必要約束與權限
5. 核心證據與來源
6. 因果與版本差異
7. 開放節點與失敗路徑
8. 可用工具與操作契約
9. 最近差分
10. 輸出與驗證要求

不同模型與任務可以採不同投影，但不應任意混排來源、指令與外部資料。

32. 指令、狀態、證據與外部資料分區

上下文至少應區分：

X_t = X_t^{\mathrm{instruction}} \cup X_t^{\mathrm{state}} \cup X_t^{\mathrm{evidence}} \cup X_t^{\mathrm{external}} \cup X_t^{\mathrm{output}}

避免外部文件中的文字被誤認為系統指令，也避免推定狀態與原始證據混合。

33. 動態上下文重編譯

每輪不應只在原上下文尾部追加。

定義上下文重編譯：

X_{t+1} = \operatorname{CompileContext} \left( \mathbb W_{t+1}, m, B_{t+1}^{\mathrm{tok}} \right)

它可以：

移除失效候選；
更新版本；
重新排列證據；
提升新衝突；
降低已完成節點；
保留核心任務狀態。

34. 預算策略剖面

34.1 快速回答剖面

淺顯影；
高語義相關；
少量工具；
低延遲；
基本來源。

34.2 深度研究剖面

高來源保持；
反例配額；
多版本；
深回溯；
大驗證預算。

34.3 程式除錯剖面

執行日誌；
依賴與因果；
失敗路徑；
測試工具；
版本純度。

34.4 高風險剖面

高證據門檻；
人類審核；
寫回預留；
多重驗證；
保守停止。

34.5 創意探索剖面

多樣性；
遠距關係；
多候選；
延遲過早壓縮；
低寫回權限。

35. 工作場飢餓

若必要項目長期無法獲得預算，發生工作場飢餓：

\exists c_i\in C_{\mathrm{required}} : x_i(t)=0 \quad \forall t\in[t_0,t_1]

例如：

反例永遠被低相關度排序排除；
版本檢查沒有 token；
驗證一直被延後；
人類審核預算為零。

系統應設置最低義務配額，避免飢餓。

36. token 飽和

當：

B_t^{\mathrm{tok,used}} \approx B_t^{\mathrm{tok,max}}

可能出現：

新證據進不來；
舊失效內容仍留在上下文；
模型注意力分散；
指令被淹沒；
工具輸出重複。

解法不是盲目摘要所有內容，而是重新編譯工作場：

移除失效內容；
收合已完成節點；
把低活動內容移回潛在區；
保留來源錨；
重新分配解析度；
留出預備空間。

37. 上下文漂移

定義任務核心為：

G_0

經多輪工具與推理後，活動目標可能偏移：

D \left( G_t,G_0 \right) > \tau_G

原因包括：

工具結果吸引注意；
子任務取代主任務；
新資料改變問題定義；
模型自行擴張範圍。

系統應區分：

合法目標更新；
暫時子目標；
未經批准的任務漂移。

38. 預算近視

系統若只優先低成本高相關內容，可能忽略高成本但必要的：

原始資料；
形式驗證；
人類批准；
長時間模擬；
多來源核對。

因此：

\text{Cheapest Next Step} \neq \text{Best Task-Level Strategy}

預算工程需考慮整體任務失敗成本。

39. 預算遊戲

模型或工具選擇器可能為了符合局部指標：

少調工具但降低品質；
大量使用便宜工具；
省略驗證；
把高成本操作延後；
用摘要假裝關閉開放節點。

因此評估不能只看成本，也要看任務閉合與來源品質。

40. 主要失敗模式

40.1 過度壓縮

來源、版本與開放節點消失。

40.2 壓縮幻覺

摘要加入原文沒有的結論。

40.3 來源斷裂

模型只能看到摘要，無法回到證據。

40.4 版本滲透

舊內容進入新工作場。

40.5 因果斷裂

只保留結論，刪除必要中間關係。

40.6 開放節點消失

未完成問題被摘要成已完成狀態。

40.7 工具輸出囤積

每次工具結果永久留在上下文。

40.8 重複檢索

系統忘記已查過的來源與失敗。

40.9 驗證預算耗盡

前段檢索使用全部資源。

40.10 人類注意力濫用

頻繁要求確認，造成審核疲勞。

40.11 工作場分支污染

多個候選方案無標記合併。

40.12 預算不可解釋

無法說明資源為何分配到某些內容或工具。

41. 工作場治理原則

原則一：閉合優先於填滿

上下文未滿不代表應繼續加入內容；上下文已滿也不代表工作場已閉合。

原則二：先保留義務，再配置相關內容

來源、版本、權限與關鍵反例不能完全交給相似度排序。

原則三：預留驗證與意外預算

不得在前段搜尋耗盡全部資源。

原則四：壓縮必須可回溯

壓縮表示應保留原始來源錨。

原則五：工作場與永久記憶分離

本輪活動狀態不得自動成為長期事實。

原則六：開放節點不得靜默消失

任何關閉都需狀態與理由。

原則七：多版本應分支，不應假合併

原則八：上下文每輪可重編譯

避免無限追加。

原則九：高風險任務保留反例與不確定性

原則十：預算決策可審計

42. 工作場與注意力預算引擎

本文將第一代系統命名為：

Work-Field and Attention-Budget Engine

縮寫：

WFABE

定義：

\operatorname{WFABE} = \left( \mathfrak E, \mathbb A, \mathbb W, \mathcal C, \mathcal B, \mathcal S, \mathcal K, \rho, \kappa, \mathcal V, \mathcal L \right)

其中：

$\mathfrak E$ ：總環境；
$\mathbb A$ ：候選注意力場；
$\mathbb W$ ：活動工作場；
$\mathcal C$ ：閉包義務；
$\mathcal B$ ：多維預算；
$\mathcal S$ ：選取與配置器；
$\mathcal K$ ：約束；
$\rho$ ：上下文投影器；
$\kappa$ ：壓縮與多解析度管理器；
$\mathcal V$ ：驗證器；
$\mathcal L$ ：預算與場變更帳本。

43. WFABE 系統流程

Task Goal and Current State
            ↓
Candidate Attention Field
            ↓
Closure-Gap Analysis
            ↓
Hard Obligations and Constraints
            ↓
Multi-Dimensional Budget Allocation
            ↓
Work-Field Selection
            ↓
Resolution and Compression Planning
            ↓
Model-Specific Context Compilation
            ↓
Reasoning / Tool / Verification Cycle
            ↓
Work-Field Delta and Budget Ledger
            ↓
Rolling State or Checkpoint

44. 最小 API 草案

analyze_closure_gaps(
  task,
  candidate_field,
  policy_profile
) -> ClosureGapReport

allocate_attention_budget(
  task,
  closure_gaps,
  available_resources,
  strategy_profile
) -> BudgetPlan

build_work_field(
  candidate_field,
  closure_obligations,
  budget_plan,
  constraints
) -> OperationResult[WorkField]

compile_context(
  work_field,
  target_model,
  token_budget,
  projection_profile
) -> ModelContext

compress_with_provenance(
  work_field_items,
  compression_profile
) -> CompressedRepresentation

roll_work_field(
  previous_work_field,
  field_delta,
  new_task_state
) -> UpdatedWorkField

checkpoint_work_field(
  work_field,
  checkpoint_profile
) -> WorkFieldCheckpoint

45. 最小資料模型

{
  "work_field_id": "wf-001",
  "task_id": "task-001",
  "goal": {
    "description": "恢復研究專案並完成下一個實驗",
    "completion_conditions": []
  },
  "state": {},
  "evidence": [],
  "causal_structure": [],
  "versions": [],
  "active_memory": [],
  "tools": [],
  "constraints": [],
  "open_nodes": [],
  "failures": [],
  "provenance": [],
  "budget": {
    "tokens": {
      "maximum": 64000,
      "active": 42000,
      "reserve": 12000
    },
    "tool_calls": {
      "maximum": 20,
      "used": 8,
      "reserve": 4
    },
    "human_reviews": {
      "maximum": 2,
      "used": 0
    }
  },
  "closure": {
    "goal": true,
    "state": true,
    "evidence": false,
    "causality": true,
    "version": true,
    "tools": true,
    "constraints": true,
    "open_nodes": true
  },
  "ledger": []
}

46. 評估指標

46.1 任務閉合率

R_{\mathrm{closure}} = \frac{ \text{已滿足閉包義務} }{ \text{全部必要閉包義務} }

46.2 必要證據覆蓋率

R_{\mathrm{evidence}} = \frac{ |E_{\mathrm{required}}\cap E_{\mathrm{field}}| }{ |E_{\mathrm{required}}| }

46.3 因果閉包率

46.4 版本純度

46.5 來源保持率

46.6 開放節點保留率

R_{\mathrm{open}} = \frac{ |O_{\mathrm{critical,after}}| }{ |O_{\mathrm{critical,before}}| }

46.7 無關內容率

R_{\mathrm{noise}} = \frac{ N_{\mathrm{irrelevant}} }{ N_{\mathrm{active}} }

46.8 壓縮損失率

衡量壓縮後關鍵命題、來源、版本與不確定性損失。

46.9 預算使用效率

E_{\mathrm{budget}} = \frac{ \Delta Q_{\mathrm{task}} }{ \mathbf C_{\mathrm{used}} }

此指標應以多維報告呈現，不宜只壓成單一分數。

46.10 預留預算存活率

衡量任務後段是否仍保有驗證與異常處理資源。

46.11 滾動連續性

衡量下一輪是否能從工作場直接繼續，而非重新搜尋整個歷史。

46.12 上下文漂移率

47. 基礎命題

命題一：上下文投影命題

模型上下文是工作場的有限投影，而不是完整工作場。

命題二：工作場閉合命題

高相關內容集合不必然構成可推進任務的閉合工作場。

命題三：最小非最短命題

最小任務閉合工作場追求最低安全表示成本，而非最短文字。

命題四：多維預算命題

注意力資源至少包含 token、時間、工具、運算、金錢、人類注意與風險，不可只以 context window 表示。

命題五：義務優先命題

來源、版本、因果、開放節點與治理義務不能完全由語義相關度排序決定。

命題六：壓縮非遺忘命題

壓縮若保持來源與可重建結構，不必等同遺忘；破壞可恢復性時才形成工作場損失。

命題七：預留必要命題

沒有預留預算的系統，在新證據、衝突與驗證階段容易失去調整能力。

命題八：動態重編譯命題

長期任務的上下文應由更新後工作場重新編譯，而非無限追加歷史。

命題九：失敗保留命題

失敗路徑具有避免重複成本與校正策略的正向注意力價值。

命題十：分支純度命題

不相容版本與候選狀態應保留分支身份，而非為節省上下文而強制融合。

命題十一：工作場暫時命題

活動工作場是任務相對、可撤銷的局部世界，不應自動被寫成永久知識。

命題十二：連續性命題

好的工作場不只提高當輪回答品質，也應提高下一輪任務的可直接延續性。

48. 可反證條件

若對照實驗顯示：

只依語義相關度選取上下文，與閉包義務方法沒有穩定差異；
多維預算模型不優於單一 token 預算；
預留預算不改善後段驗證與異常處理；
來源錨定壓縮不改善可追溯性；
保留失敗路徑只增加成本而不降低重複失敗；
工作場重編譯不優於持續追加上下文；
MTCWF 不改善任務延續、版本純度或開放節點保留；
WFABE 的工程成本長期大於其品質與治理收益；

則本文提出的工作場層可能只適用於長期、高風險或多工具任務，而不具普遍必要性。

49. 與 EAFOS、GAALS 的關係

第二篇建立 EAFOS：

顯影；
抑制；
約束；
路由。

第三篇建立 GAALS：

AI 提案；
治理；
外掛執行；
觀測；
場補丁；
再推理。

本篇的 WFABE 負責：

分析閉包缺口；
配置多維預算；
建立活動工作場；
編譯模型上下文；
管理壓縮與解析度；
保持滾動連續性。

因此：

\boxed{ \text{EAFOS：如何調控} }

\boxed{ \text{GAALS：如何形成閉環} }

\boxed{ \text{WFABE：在多少資源下保留什麼} }

50. 與 NOVA、EML-U、格子語言及動態顯影的接口

50.1 EML-U

可保存尚未降階的意圖、來源、不確定性、替代解釋與壓縮損失標記。

50.2 NOVA

可保存：

權威工作場圖；
型別化版本；
因果與依賴；
預算契約；
上下文編譯規則；
場補丁與提交語義。

50.3 格子語言

可將：

工作場核心；
活動邊緣；
潛在區；
預算區；
開放節點；
工具與驗證器；

封裝成可操作格子。

50.4 動態顯影

依預算、任務與觀測者，決定哪些格子、關係與解析度進入活動工作場。

51. 與下一篇的接口

本篇說明如何建構工作場、配置預算與編譯上下文，但尚未完整回答：

人類與 AI 如何共同看見工作場？
空間位置、視覺高亮與語義注意力如何區分？
無限畫布、格子語言、創生矩陣與熱圖如何承載工作場？
使用者的展開、收合、鎖定與拖曳是否改變 AI 的可見域？
如何讓注意力調控可操作而不是只存在於後端？

這些問題由第五篇：

《空間化、視覺化與介面注意力調控》

正式展開。

52. 結論

本文提出工作場、上下文與注意力預算工程，將 AI 上下文問題從「如何塞入更多相關文字」提升為：

如何在有限 token、時間、工具、運算、人類注意力與風險預算下，建立一個最小但任務閉合、來源可追溯、版本不混線、保留反例與開放節點，並能支持下一步行動的局部工作世界。

完整流程為：

\boxed{ \text{候選注意力場} \rightarrow \text{閉包缺口分析} \rightarrow \text{多維預算配置} \rightarrow \text{最小任務閉合工作場} \rightarrow \text{模型上下文投影} \rightarrow \text{推理、工具與驗證} \rightarrow \text{工作場滾動更新} }

本文的核心區分為：

\boxed{ \text{上下文} \neq \text{工作場} \neq \text{總資訊環境} }

以及：

\boxed{ \text{最相關} \neq \text{足以完成任務} }

\boxed{ \text{最短} \neq \text{最小任務閉合} }

\boxed{ \text{壓縮} \neq \text{遺忘} }

\boxed{ \text{預算用完} \neq \text{任務完成} }

外部注意力場工程只有在能夠管理「保留什麼、以何種解析度保留、何時展開、為何壓縮，以及還剩多少資源可以處理意外」時，才真正從檢索與上下文拼接提升為持續工作的系統工程。

附錄 A：最小任務閉合檢查

{
  "closure_check": {
    "goal_understood": true,
    "current_state_known": true,
    "critical_evidence_present": false,
    "causal_dependencies_present": true,
    "active_version_identified": true,
    "tools_available": true,
    "constraints_loaded": true,
    "critical_open_nodes_preserved": true,
    "legal_next_action_available": false
  }
}

附錄 B：預算配置範例

{
  "attention_budget_plan": {
    "tokens": {
      "total": 64000,
      "core_state": 9000,
      "evidence": 18000,
      "causal_and_version": 7000,
      "open_nodes_and_failures": 5000,
      "tool_results": 8000,
      "reasoning_workspace": 7000,
      "reserve": 10000
    },
    "tool_calls": {
      "total": 20,
      "reveal": 6,
      "verification": 5,
      "execution": 3,
      "reserve": 6
    },
    "human_attention": {
      "reviews": 2,
      "reserved_for": [
        "irreversible write",
        "unresolved version conflict"
      ]
    }
  }
}

附錄 C：工作場滾動補丁

{
  "work_field_delta": {
    "base_work_field": "wf-001",
    "completed_nodes": ["node-17"],
    "new_evidence": ["evidence-304"],
    "suppressed_items": ["duplicate-88"],
    "version_updates": {
      "module-a": "v2.3"
    },
    "new_open_nodes": [
      "verify evidence-304 against original dataset"
    ],
    "budget_delta": {
      "tokens_used": 4200,
      "tool_calls_used": 1
    },
    "checkpoint_required": false
  }
}

外部注意力場工程系列_04_工作場上下文與注意力預算工程_v0.1