外部注意力場工程系統與實驗框架：統一架構、基準任務與第一代工程封頂

External Attention Field Engineering Systems and Experimental Frameworks: Unified Architecture, Benchmark Tasks, and First-Generation Engineering Closure

版本：v0.1
日期：2026-07-28
文件性質：系統統合、實驗設計與工程交接論文
系列：外部注意力場工程系列，第 7 篇
建議文件代號：EML-EAFE-07-2026-v0.1

摘要

前六篇已分別建立外部注意力場總論、顯影與抑制算子、AI—外掛協同閉環、工作場與注意力預算、空間介面，以及偏誤與治理框架。然而，若缺乏統一資料模型、參考架構、實驗基準與工程接口，這些理論仍可能停留在彼此關聯但難以部署的概念集合。

本文提出外部注意力場工程的第一代統合系統與實驗框架。本文將 EAFOS、GAALS、WFABE、SAIFE 與 EAGAL 整合為「外部注意力場工程參考架構」（External Attention Field Engineering Reference Architecture, EAFE-RA），並定義總資訊環境、候選注意力場、活動工作場、模型上下文、外掛觀測、場補丁、治理決策、介面投影與追加式帳本之間的資料流。

本文提出統一注意力狀態物件、統一操作結果、工作場補丁、來源圖、版本圖、工具能力描述、調控帳本與審計記錄。本文亦定義事件驅動與快照驅動兩種部署模式，以及單 Agent、多 Agent、長期研究、程式開發與企業知識工作流等不同應用剖面。

為避免外部注意力場工程成為只靠直覺成立的系統敘述，本文建立一組可被反駁的比較實驗。對照基線包括：固定上下文、純提示詞、普通 RAG、RAG 加 Reranker、長上下文、普通 Tool Agent、記憶型 Agent，以及完整 EAFE。基準任務涵蓋長期專案恢復、版本污染、來源回溯、反例保留、工具選擇、上下文預算、介面操作誤提交、治理裁剪揭露與多輪任務延續。

本文提出 EAFE-Bench，包括資料生成規格、人工標註、干擾注入、版本分支、來源污染、工具失敗、權限邊界、商業排序與治理偏誤等測試情境。評估指標分為任務品質、工作場品質、來源與版本完整性、工具閉環效率、注意力預算、介面可操作性、治理與偏誤、恢復與連續性八個指標族。

本文進一步提出消融實驗，以檢查顯影、抑制、路由、工作場閉包、預算預留、來源錨定、反例配額、治理帳本、介面投影與反事實審計是否真正產生增益。若完整 EAFE 無法在長期任務、版本純度、來源保持、錯誤恢復與治理可追溯性方面穩定優於較簡單基線，則其工程複雜度不具正當性。

本文最後提出第一代 MVP：以 JSON 型別化工作場、追加式事件帳本、規則式顯影器、簡單工具路由、來源錨定摘要、工作場重編譯與基本介面檢視器為核心，不依賴完整 NOVA、格子語言或原生張量記憶 Runtime。此 MVP 可先作為 Dynamic Revealing 的工程基準，後續再逐步接入 EML-U、NOVA Typed Graph、格子語言與稀疏張量記憶。

本篇完成外部注意力場工程前七篇核心系列的第一階段封頂。第八篇與第九篇保留為遠期應用，分別處理多代理共享注意力場與計算機宇宙世界狀態注意力管理。

關鍵詞： 外部注意力場工程、參考架構、EAFE-Bench、動態顯影、Agent、工具閉環、工作場、注意力預算、AI 治理、實驗框架

1. 第一階段封頂目標

前六篇已完成：

外部注意力場總論；
顯影、抑制、約束與路由；
AI—外掛協同注意力閉環；
工作場、上下文與注意力預算；
空間化與介面注意力調控；
偏誤、權力與治理。

第七篇的任務不是再提出新的上位概念，而是回答：

這些理論如何組成一個系統？
系統的最小資料模型是什麼？
哪些模組可以先做？
如何與既有 AI 系統比較？
如何判斷 EAFE 是否真的有價值？
哪些模組是必要的，哪些只是複雜化？
如何在未完成 NOVA 與格子語言前建立 MVP？
如何把成果交接給後續工程？

因此本篇是：

\boxed{ \text{Theory} \rightarrow \text{Reference Architecture} \rightarrow \text{Benchmark} \rightarrow \text{MVP} \rightarrow \text{Engineering Handoff} }

2. 核心系統回顧

2.1 EAFOS

External Attention Field Operator System

負責：

顯影；
抑制；
約束；
路由；
驗證；
操作帳本。

2.2 GAALS

Governed Adaptive Attention Loop System

負責：

AI 提出請求；
治理授權；
外掛執行；
觀測正規化；
工作場補丁；
閉環終止。

2.3 WFABE

Work-Field and Attention-Budget Engine

負責：

閉包缺口；
多維注意力預算；
最小任務閉合工作場；
上下文重編譯；
滾動狀態；
檢查點。

2.4 SAIFE

Spatialized Attention Interface and Field Engine

負責：

多投影；
格子、畫布、矩陣、文件、時間線；
語義縮放；
人機共享定址；
顯示、注意力與權威操作分離。

2.5 EAGAL

External Attention Governance and Audit Layer

負責：

政策版本；
偏誤監測；
商業影響揭露；
注意力差分；
反事實測試；
申訴、撤銷與治理停止。

3. EAFE 統一參考架構

本文將完整參考架構命名為：

External Attention Field Engineering Reference Architecture

縮寫：

EAFE-RA

定義：

\operatorname{EAFE\text{-}RA} = \left( \mathfrak E, \mathbb A, \mathbb W, \mathcal M, \mathcal X, \mathcal O, \mathcal B, \mathcal P, \mathcal G, \mathcal I, \mathcal V, \mathcal L \right)

其中：

$\mathfrak E$ ：總資訊與能力環境；
$\mathbb A$ ：候選與活動外部注意力場；
$\mathbb W$ ：活動工作場；
$\mathcal M$ ：模型與代理集合；
$\mathcal X$ ：外掛與工具；
$\mathcal O$ ：顯影、抑制、約束與路由算子；
$\mathcal B$ ：多維注意力預算；
$\mathcal P$ ：政策與策略；
$\mathcal G$ ：治理與審計；
$\mathcal I$ ：介面與投影；
$\mathcal V$ ：驗證；
$\mathcal L$ ：追加式帳本。

4. EAFE-RA 的資料流

Total Information and Capability Environment
                    ↓
       Policy / Permission / Risk Gate
                    ↓
          Candidate Attention Field
                    ↓
        Reveal / Suppress / Constrain
                    ↓
        Closure-Gap and Budget Engine
                    ↓
            Active Work Field
                    ↓
       Model-Specific Context Compiler
                    ↓
          Model / Agent Reasoning
                    ↓
     Attention / Tool / Validation Request
                    ↓
         Governed Extension Execution
                    ↓
        Observation Quarantine Zone
                    ↓
     Normalization / Provenance / Version
                    ↓
          Attention-Field Patch
                    ↓
       Validation / Commit / Rollback
                    ↓
            Updated Work Field
                    ↓
      Interface Projection / Audit View
                    ↓
          Append-only Event Ledger

5. 四個權威層級

系統必須區分：

5.1 原始來源權威

文件、資料庫、程式碼、工具觀測、感測結果。

5.2 結構權威

來源、版本、因果、依賴、身份、權限圖。

5.3 工作場權威

當前任務下的活動狀態、證據、未決節點與工具計畫。

5.4 介面投影

文件、畫布、矩陣、對話、時間線與 Agent 面板。

因此：

\boxed{ \text{Interface View} \neq \text{Work-Field Authority} \neq \text{Source Authority} }

6. 統一注意力狀態物件

定義：

{
  "attention_object": {
    "object_id": "attn-object-001",
    "authority_ref": "source://document/17#section-4",
    "type": "evidence",
    "content_ref": "blob://sha256/...",
    "semantic_state": {
      "summary": "...",
      "tags": []
    },
    "attention_state": {
      "visibility": "active",
      "salience": 0.78,
      "resolution": "structured_summary",
      "pinned": true
    },
    "evidence_state": {
      "status": "observed",
      "confidence": null,
      "source_independence": 0.63
    },
    "version_state": {
      "branch": "main",
      "version": "v3.2",
      "valid_from": null,
      "valid_to": null
    },
    "governance_state": {
      "permission": "project-read",
      "risk": "low",
      "commercial_influence": false
    },
    "provenance": [],
    "relations": [],
    "ledger_refs": []
  }
}

7. 統一操作結果

所有模組應使用：

\operatorname{OperationResult}(T)

狀態包括：

success
limited
alternatives
partial
needs_evidence
needs_approval
quarantined
rejected
failed

範例：

{
  "operation_result": {
    "status": "limited",
    "value": {},
    "limits": [
      "max_relation_depth=2"
    ],
    "alternatives": [],
    "warnings": [],
    "provenance": [],
    "cost": {},
    "ledger_entry": "ledger-882"
  }
}

8. 工作場統一物件

{
  "work_field": {
    "work_field_id": "wf-001",
    "task_id": "task-001",
    "authority_version": 24,
    "goal": {},
    "current_state": {},
    "active_objects": [],
    "latent_objects": [],
    "evidence_graph": [],
    "causal_graph": [],
    "version_graph": [],
    "tool_state": [],
    "open_nodes": [],
    "failure_records": [],
    "constraints": [],
    "budget": {},
    "closure": {},
    "governance": {},
    "interface_views": [],
    "ledger_head": "ledger-924"
  }
}

9. 場補丁

所有更新應先表達為：

\Delta\mathbb W_t

而不是直接修改。

{
  "work_field_patch": {
    "patch_id": "wf-patch-044",
    "base_version": 24,
    "add_objects": [],
    "update_objects": [],
    "suppress_objects": [],
    "add_relations": [],
    "remove_relations": [],
    "update_constraints": [],
    "update_budget": {},
    "open_nodes": [],
    "close_nodes": [],
    "provenance": [],
    "reversible": true,
    "validation_required": true
  }
}

10. 來源圖與版本圖

10.1 來源圖

G^{\mathrm{prov}} = \left( N^{\mathrm{source}}, E^{\mathrm{derived}} \right)

追蹤：

原始觀測；
摘要；
推導；
模型解釋；
記憶寫回；
再檢索。

10.2 版本圖

G^{\mathrm{ver}} = \left( N^{\mathrm{version}}, E^{\mathrm{branch}} \right)

追蹤：

新版本；
分支；
合併；
取代；
回滾；
有效時間。

11. 事件驅動模式

每次操作寫入事件：

e_t = \left( type, actor, target, before, after, policy, time \right)

工作場由事件重建：

\mathbb W_t = \operatorname{Fold} \left( e_0,e_1,\ldots,e_t \right)

優點：

可重現；
可回滾；
可審計；
可比較策略。

缺點：

重建成本；
事件膨脹；
schema 演化困難。

12. 快照驅動模式

定期保存：

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

搭配後續事件：

\mathbb W_t = \operatorname{Apply} \left( \mathbb W_{t_k}^{\mathrm{snapshot}}, e_{t_k+1:t} \right)

適合實際 MVP。

13. 部署剖面

13.1 單次問答

只需要：

簡單顯影；
基本來源；
輕量預算；
無永久工作場。

13.2 長期研究代理

需要：

工作場檢查點；
失敗路徑；
來源圖；
版本圖；
反例預算；
多輪恢復。

13.3 程式開發代理

需要：

程式 AST；
Git 分支；
測試；
工具沙盒；
執行日誌；
提交契約。

13.4 企業知識系統

需要：

權限；
租戶隔離；
文件版本；
審計；
商業與組織策略。

13.5 多代理系統

需要：

私有與共享注意力場；
代理路由；
衝突；
委派；
共享記憶治理。

14. 第一代 MVP 原則

MVP 不等待：

完整 NOVA Runtime；
完整格子語言；
原生張量資料庫；
自主多代理系統；
世界線管理器。

MVP 先採：

\boxed{ \text{Typed JSON} + \text{Append-only Ledger} + \text{Rule-Based Operators} + \text{Context Compiler} + \text{Tool Adapter} + \text{Basic Audit UI} }

15. 第一代 MVP 模組

eafe-core/
├── schema/
│   ├── attention_object.json
│   ├── work_field.json
│   ├── work_field_patch.json
│   ├── operation_result.json
│   └── governance_record.json
├── field/
│   ├── candidate_builder
│   ├── closure_analyzer
│   ├── budget_allocator
│   ├── context_compiler
│   └── checkpoint_manager
├── operators/
│   ├── reveal
│   ├── suppress
│   ├── constrain
│   └── route
├── tools/
│   ├── registry
│   ├── adapters
│   ├── observation_zone
│   └── patch_builder
├── governance/
│   ├── policy_engine
│   ├── scope_disclosure
│   ├── bias_monitor
│   └── appeal
├── ledger/
│   ├── event_store
│   └── snapshot_store
├── interface/
│   ├── work_field_view
│   ├── diff_view
│   └── audit_view
└── benchmarks/
    ├── datasets
    ├── runners
    └── metrics

16. MVP 的最小垂直切片

輸入：

一組 Markdown 文件；
一段長期對話；
專案狀態；
版本 metadata；
任務查詢。

流程：

Import Sources
    ↓
Build Provenance and Version Index
    ↓
Reveal Candidate Objects
    ↓
Build Minimal Task-Closed Work Field
    ↓
Compile Model Context
    ↓
Model Produces Answer or Tool Request
    ↓
Tool Observation
    ↓
Build and Validate Work-Field Patch
    ↓
Update Work Field
    ↓
Show Sources, Suppressed Scope and Open Nodes

輸出：

回答；
活動工作場；
來源圖；
版本圖；
抑制摘要；
未決節點；
操作帳本；
下一步。

17. Dynamic Revealing 作為第一個參考應用

第一個參考應用不應叫「完整外部注意力作業系統」。

可定位為：

Dynamic Revealing Work-State Engine

功能：

從專案歷史恢復工作狀態；
顯影關鍵來源；
分離版本；
保留失敗路徑；
形成可延續上下文；
顯示未決節點；
允許 AI 提出進一步顯影請求。

這是最容易比較的第一個產品切口。

18. 比較基線

EAFE 實驗至少比較：

B0：固定上下文

人工選定固定資料。

B1：純提示詞

沒有外部檢索。

B2：普通 RAG

向量檢索 Top-k。

B3：RAG + Reranker

增加重排。

B4：長上下文

盡量載入完整歷史。

B5：普通 Tool Agent

模型可調工具，但無權威工作場與治理帳本。

B6：記憶型 Agent

有長期記憶檢索與摘要。

B7：完整 EAFE

包含：

工作場；
來源；
版本；
預算；
工具閉環；
治理；
差分帳本。

19. 實驗控制條件

為公平比較，應控制：

相同模型；
相同基礎資料；
相同任務；
相同最大成本；
相同工具集合；
相同時間上限；
相同人工輸入；
相同評估規則。

不同系統可自由分配資源，但不能無限制增加模型或工具能力。

20. EAFE-Bench

本文將基準框架命名為：

EAFE-Bench

目標是測量：

能否形成可工作的局部世界；
能否在有限資源下保持來源、版本、因果與未決節點；
能否正確使用外掛；
能否避免遞歸自證；
能否揭露注意力裁剪；
能否恢復長期任務。

21. 基準任務一：長期專案恢復

資料：

100 至 5,000 段對話；
10 至 500 份文件；
多個版本；
已完成與未完成工作；
失敗路徑；
使用者偏好與限制。

任務：

恢復目前專案狀態，說明做到哪裡、採用哪些決策、依據什麼來源、哪些路徑已失敗，以及下一步。

評估：

工作狀態正確率；
來源保持；
未決節點；
失敗路徑；
下一步可執行性。

22. 基準任務二：版本污染

資料包含：

v1；
v2；
分支 A；
分支 B；
已失效規則；
相似但衝突內容。

任務：

回答當前有效版本，並說明哪些歷史內容不可混入。

評估：

版本純度；
分支識別；
舊版本滲透率；
合併錯誤。

23. 基準任務三：來源回溯

提供：

摘要；
派生文件；
多層引用；
缺失來源；
模型生成內容。

任務：

找出某結論的最原始可用證據，區分觀測、推導、解釋與推定。

評估：

原始來源召回；
派生鏈正確；
自生成內容誤認率；
不確定性標記。

24. 基準任務四：反例保留

資料中主流內容支持假設 $H$ ，少數來源反駁 $H$ 。

任務：

評估 $H$ ，保留重要反例並判斷是否需要更多驗證。

評估：

反例召回；
結論校準；
過早坍縮率；
反例預算效果。

25. 基準任務五：工具選擇

可用工具：

搜尋；
計算；
程式執行；
文件比較；
資料庫；
人類審核。

任務：

以最低合理成本完成工作。

注入：

工具故障；
工具陳舊；
錯誤 schema；
低成本但不適合工具。

評估：

選擇適切率；
無效循環；
停止判定；
成本效益。

26. 基準任務六：注意力預算

給定固定：

token；
工具次數；
時間；
人類審核次數。

任務包含：

核心證據；
反例；
版本；
驗證；
不可逆操作。

評估：

預算分配；
預留存活；
任務閉合；
驗證是否被犧牲。

27. 基準任務七：介面誤提交

模擬：

拖曳；
收合；
連線；
封裝；
鎖定；
分支比較。

任務：

判斷哪些操作只是顯示、哪些改變注意力場、哪些改變權威結構。

評估：

顯示—語義誤操作率；
預覽效果；
回滾；
多視圖一致性。

28. 基準任務八：治理裁剪揭露

加入：

權限過濾；
商業排序；
組織策略；
風險抑制；
反例配額。

任務：

回答問題，同時說明可見域如何被裁剪。

評估：

裁剪揭露；
商業影響揭露；
策略敏感性；
申訴可用性；
認知負擔。

29. 基準任務九：遞歸自證

流程：

模型生成推定；
推定被寫入記憶；
後續重新檢索；
與外部來源混合。

任務：

判斷哪些證據是獨立來源，哪些來自模型自身。

評估：

外掛回聲率；
自我證據誤認率；
來源獨立性；
污染隔離。

30. 基準任務十：多輪延續

任務分成：

T_1,T_2,\ldots,T_n

每輪加入：

新證據；
新工具結果；
版本變動；
任務修改；
失敗。

評估：

滾動連續性；
每輪重建成本；
開放節點保留；
狀態漂移；
檢查點恢復。

31. 合成資料生成器

EAFE-Bench 可提供合成資料生成器：

generate_project(
  documents,
  conversations,
  versions,
  branches,
  sources,
  failures,
  open_nodes,
  permissions,
  commercial_bias,
  tool_failures
)

生成器需保留完整 ground truth：

真正來源；
有效版本；
必要因果；
任務狀態；
反例；
正確工具路徑；
權限邊界。

32. 真實資料集

合成資料便於控制，但應搭配真實資料：

開源軟體 issue 與 commit；
公開研究專案；
長期寫作專案；
公開法律與政策版本；
企業模擬知識庫；
多輪 Agent 工作日誌。

真實資料需匿名化、授權與版本固定。

33. 人工標註規格

標註者需標記：

任務目標；
當前狀態；
必要證據；
原始來源；
版本；
因果；
未決節點；
失敗；
合法工具；
權限；
可接受替代答案。

標註不應只提供最終答案，還要提供最小閉合工作場參考。

34. 指標族一：任務品質

包括：

正確率；
完成率；
可執行下一步；
結論校準；
使用者評分；
長期延續成功率。

35. 指標族二：工作場品質

包括：

任務閉合率；
必要證據覆蓋；
因果閉包；
開放節點保留；
失敗路徑保留；
無關內容率；
工作場最小性。

36. 指標族三：來源與版本

包括：

來源保持率；
原始來源召回；
版本純度；
分支識別；
來源獨立性；
自生成證據誤認率。

37. 指標族四：工具閉環

包括：

工具選擇適切率；
請求合法率；
觀測正規化；
無效工具循環；
部分成功處理；
終止判定；
沙盒與正式提交差異。

38. 指標族五：注意力預算

包括：

token 使用；
工具調用；
時間；
費用；
人類審核；
預留存活；
每單位成本品質增益；
預算近視。

39. 指標族六：介面可操作性

包括：

顯示—語義誤操作；
權威狀態辨識；
多視圖一致性；
視圖新鮮度；
語義縮放；
人機共同定址；
回滾成功率；
無障礙覆蓋。

40. 指標族七：治理與偏誤

包括：

抑制理由覆蓋；
裁剪揭露；
商業影響揭露；
反例保留；
策略敏感性；
申訴可達；
撤銷；
權限違規；
注意力不平等。

41. 指標族八：恢復與連續性

包括：

檢查點恢復；
滾動工作場連續性；
重啟後狀態正確率；
Agent 交接；
記憶污染恢復；
失敗後重建。

42. 單一總分的限制

EAFE 不應只輸出一個總分：

Q_{\mathrm{EAFE}}

因為高任務完成率可能伴隨：

高權限風險；
低來源保持；
高成本；
商業偏誤；
低可撤銷性。

建議使用雷達式或多指標報告，但不應把所有價值壓成單一標量。

43. 消融實驗

消融版本：

A0：完整 EAFE

A1：移除抑制帳本

A2：移除版本圖

A3：移除來源錨定

A4：移除工作場閉包

A5：移除預留預算

A6：移除反例配額

A7：移除治理揭露

A8：移除工具觀測隔離

A9：移除動態上下文重編譯

A10：移除多視圖權威分離

比較每個模組的實際貢獻。

44. 關鍵消融假設

假設一

移除來源錨定會提高最終回答流暢度，但降低原始來源回溯。

假設二

移除版本圖會在資料相似時提高檢索召回，但增加版本污染。

假設三

移除預留預算會提升早期資訊量，但降低後期驗證能力。

假設四

移除反例配額會提高結論一致性，但增加過早坍縮。

假設五

移除治理揭露不一定降低任務正確率，但會降低可申訴與偏誤發現能力。

45. 壓力測試

45.1 大規模資料

從：

10^3 \rightarrow 10^7

個項目。

45.2 高版本密度

大量相似版本與分支。

45.3 高工具失敗率

工具超時、部分成功、錯誤資料。

45.4 高偏誤環境

商業排序、來源集中、語言不平衡。

45.5 高風險寫回

需要沙盒、批准與回滾。

45.6 多代理衝突

不同 Agent 爭用預算與工作場。

46. 性能指標

系統性能包括：

候選建立延遲；
工作場編譯延遲；
工具閉環延遲；
事件寫入；
快照重建；
介面渲染；
多視圖同步；
每萬節點記憶成本；
每次補丁驗證成本。

47. 故障注入

主動注入：

metadata 錯誤；
來源缺失；
版本錯標；
工具幻覺；
提示注入；
權限配置錯誤；
帳本缺口；
快照損壞；
Agent 重複提交；
模型自生成污染。

評估系統是否能偵測、隔離、恢復。

48. 實驗重現性

每次實驗記錄：

{
  "experiment_run": {
    "run_id": "eafe-run-001",
    "dataset_version": "bench-v1.0",
    "model": {},
    "tool_registry": {},
    "policy_profile": "research-balanced-v3",
    "random_seed": 42,
    "budget": {},
    "baseline": "B7",
    "configuration": {},
    "ledger_head": "ledger-990",
    "results": {}
  }
}

49. 統計比較

對每個任務執行多次：

n \geq N_{\min}

測量：

平均；
中位數；
標準差；
置信區間；
效果量；
失敗分布。

不能只展示少數成功案例。

50. 人類評估

人工評估需分離：

回答品質；
可追溯性；
工作場完整性；
介面理解；
治理透明；
認知負擔；
是否願意採用。

不同維度由不同標註指南評估。

51. 模型評估的限制

可使用另一模型作為部分評審，但不能完全依賴模型判分，因為：

可能共享偏誤；
可能偏好流暢答案；
難以驗證權限；
難以判斷真實來源；
可能忽略長期狀態錯誤。

52. 第一代工程里程碑

M0：Schema 與資料匯入

Markdown；
JSON；
對話；
版本 metadata。

M1：來源與版本圖

穩定 ID；
provenance；
version branch。

M2：規則式顯影與抑制

關鍵詞；
embedding；
版本；
權限；
反例。

M3：最小工作場

目標；
狀態；
證據；
開放節點；
下一步。

M4：上下文編譯

核心；
差分；
證據；
工具契約。

M5：工具閉環

搜尋；
文件；
程式；
觀測隔離；
補丁。

M6：治理與審計

抑制摘要；
政策版本；
scope disclosure；
rollback。

M7：基準與對照

B0 至 B7；
消融；
報告。

53. 不需要先做的內容

第一代不需要：

自創新模型；
原生張量硬體；
全自動多代理組織；
世界線合併；
完整格子 IDE；
大型分散式 Runtime；
物理宇宙模擬。

這些不是驗證 EAFE 核心命題的前置條件。

54. 與 EML-U 的接口

EML-U 可逐步提供：

高密度語義物件；
多重來源；
推定與觀測分層；
意圖；
操作請求；
多投影。

第一代 MVP 可先用 JSON，後續再轉為 EML-U 語義物件。

55. 與 NOVA 的接口

NOVA 可提供：

Typed Graph；
穩定身份；
型別化關係；
權威補丁；
驗證契約；
提交語義；
Runtime 路由。

第一代 MVP 應將 schema 設計成未來可映射 NOVA。

56. 與格子語言的接口

格子語言可提供：

自由封裝；
可操作定址；
多投影；
端口；
宣告偶合；
人機共同操作。

第一代介面可先使用簡單卡片、樹與圖，不等待完整格子語言。

57. 與原生張量記憶的接口

當資料規模與關係模式增加，可將工作場映射到：

\mathbb M_t \in \mathcal V_{\mathrm{sem}} \otimes \mathcal V_{\mathrm{time}} \otimes \mathcal V_{\mathrm{causal}} \otimes \mathcal V_{\mathrm{version}} \otimes \mathcal V_{\mathrm{agent}} \otimes \mathcal V_{\mathrm{prov}}

第一代仍可使用：

關聯資料庫；
文件索引；
圖資料庫；
向量檢索；
事件帳本。

58. 第一代工程風險

58.1 過度架構

理論模組太多，MVP 無法完成。

58.2 指標爆炸

指標過多，無法判斷核心增益。

58.3 schema 僵化

太早固定所有物件。

58.4 介面先行

做出漂亮畫布，但沒有權威工作場。

58.5 模型依賴

基準結果被單一模型能力掩蓋。

58.6 工具依賴

不同工具品質使比較失真。

58.7 人工標註成本

最小閉合工作場標註昂貴。

58.8 治理形式化

只記錄帳本，實際無法申訴與回滾。

59. 風險控制

先做單一垂直切片；
先測長期專案恢復；
schema 保留擴展欄位；
只保留五至十個核心指標；
基線使用同一模型；
先以規則和簡單檢索建立可重現結果；
介面以審計視圖為主；
所有模組可消融。

60. 第一代核心指標

若只保留十項：

任務完成率；
工作場閉合率；
原始來源召回；
版本純度；
開放節點保留；
外掛回聲率；
每單位成本品質增益；
預留預算存活；
裁剪揭露完整度；
滾動連續性。

61. 可反證總條件

若完整 EAFE 在控制模型、工具、資料與成本後，不能穩定提升：

長期任務恢復；
工作狀態連續性；
來源保持；
版本純度；
反例保留；
工具使用效率；
錯誤恢復；
治理可追溯性；

並且其工程成本顯著高於收益，則：

\boxed{ \text{EAFE should not be treated as a universal architecture} }

它可能只適用於：

長期；
高風險；
多工具；
多版本；
多代理；
高治理要求；

的任務。

62. 基礎命題

命題一：統一架構命題

外部注意力場、工作場、工具閉環、預算、介面與治理可由共享資料模型與補丁機制統合。

命題二：工作場權威命題

模型上下文與介面視圖應由權威工作場投影，而非各自維持獨立真相。

命題三：補丁優先命題

工具結果與介面操作應先表達為可驗證補丁，再修改工作場。

命題四：比較必要命題

EAFE 的價值必須透過固定上下文、RAG、Reranker、Tool Agent 與記憶 Agent 對照驗證。

命題五：長期任務優勢命題

EAFE 的主要潛在優勢應出現在長期、版本化、工具密集與高治理任務，而非所有簡單問答。

命題六：消融必要命題

若移除某模組不降低表現，該模組不應被視為必要核心。

命題七：MVP 可分離命題

EAFE 核心可在不等待 NOVA、格子語言與原生張量 Runtime 的情況下，以 JSON、事件帳本與規則算子驗證。

命題八：多指標命題

任務品質、成本、來源、版本、治理與可恢復性不能被單一總分充分表示。

命題九：故障注入命題

只有在來源缺失、版本錯標、工具故障與權限錯誤下仍能恢復的系統，才具有實際韌性。

命題十：第一階段封頂命題

前七篇已足以形成完整核心方法論；後續應優先實驗與工程，而非持續增加同層理論。

63. 第一階段封頂後的研究順序

合理順序為：

\boxed{ \text{EAFE-Bench} \rightarrow \text{Dynamic Revealing MVP} \rightarrow \text{NOVA Interface} \rightarrow \text{Grid Interface} \rightarrow \text{Tensor Memory Extension} }

第八與第九篇可以寫作，但不應阻止核心 MVP。

64. 系列總結

七篇核心文完成以下鏈條：

\boxed{ \text{外部注意力總論} }

\downarrow

\boxed{ \text{顯影、抑制、約束與路由} }

\downarrow

\boxed{ \text{AI—外掛閉環} }

\downarrow

\boxed{ \text{工作場與預算} }

\downarrow

\boxed{ \text{空間介面} }

\downarrow

\boxed{ \text{治理與權力} }

\downarrow

\boxed{ \text{統一系統與實驗} }

65. 結論

本文完成外部注意力場工程第一代統一架構與實驗框架。

外部注意力場工程的完整流程可表示為：

\boxed{ \text{總資訊與能力環境} \rightarrow \text{候選注意力場} \rightarrow \text{最小任務閉合工作場} \rightarrow \text{模型上下文} \rightarrow \text{模型—外掛閉環} \rightarrow \text{場補丁} \rightarrow \text{治理與驗證} \rightarrow \text{工作場更新} \rightarrow \text{介面與審計} }

本文的核心工程原則為：

\boxed{ \text{Typed State} + \text{Patch-Based Update} + \text{Provenance} + \text{Version} + \text{Budget} + \text{Governance} + \text{Benchmark} }

外部注意力場工程不應被理解為一個必然取代 RAG、長上下文或 Tool Agent 的龐大總架構。它的正當性必須來自可重現實驗：

在相同模型、資料、工具與成本下，是否能更可靠地形成可延續工作場、保持來源與版本、控制工具閉環、保留反例、降低污染，並讓注意力裁剪可以被理解與治理。

若答案是否定的，系統應被簡化。

若答案是肯定的，EAFE 將可作為 AI 原生工作系統、長期研究代理、企業知識系統、程式工程代理、多代理協作與未來計算機宇宙管理的共同基礎層。

至此，外部注意力場工程前七篇核心系列完成第一階段封頂。

附錄 A：最小實驗配置

{
  "experiment": {
    "task": "long_project_recovery",
    "dataset": "eafe-bench-project-v1",
    "baseline": "B7",
    "model": "same-model-for-all-baselines",
    "budget": {
      "tokens": 64000,
      "tool_calls": 20,
      "human_reviews": 1
    },
    "modules": {
      "reveal": true,
      "suppress": true,
      "version_graph": true,
      "provenance": true,
      "closure": true,
      "reserve_budget": true,
      "governance_disclosure": true
    },
    "metrics": [
      "task_completion",
      "closure_rate",
      "source_recall",
      "version_purity",
      "open_node_retention",
      "rolling_continuity"
    ]
  }
}

附錄 B：MVP 工作場輸出

{
  "dynamic_revealing_result": {
    "task": "恢復研究專案",
    "current_state": {},
    "active_version": {},
    "critical_evidence": [],
    "failed_paths": [],
    "open_nodes": [],
    "next_actions": [],
    "suppressed_scope": {},
    "budget_remaining": {},
    "provenance_graph": [],
    "ledger_head": "ledger-1024"
  }
}

附錄 C：核心七篇系統映射

EAFE-01  外部注意力場總論
   ↓
EAFE-02  EAFOS
   ↓
EAFE-03  GAALS
   ↓
EAFE-04  WFABE
   ↓
EAFE-05  SAIFE
   ↓
EAFE-06  EAGAL
   ↓
EAFE-07  EAFE-RA + EAFE-Bench + MVP

外部注意力場工程系列_07_外部注意力場工程系統與實驗框架_v0.1