03．知識不是樹：高重疊知識空間中的路徑問題

系列：《從路徑覆蓋到行星智能：記憶編譯型計算存在論》
部別：第一部——搜尋、記憶與路徑覆蓋
版本：v0.1
日期：2026-08-01

摘要

許多搜尋問題習慣以樹來表示：從一個根節點開始，每一步產生若干分支，直到找到答案。然而對知識、推理、規劃與長期智能體而言，樹往往只是「展開過程」的表面表示，而不是底層狀態空間本身。真實知識結構通常具有多重父節點、交叉連結、循環、平行關係、局部重合、同一狀態的多路徑抵達，以及不同表面表示之間的結構等價。若把這類空間強行展開成樹，同一個底層狀態可能被複製成大量不同樹節點，進而使搜尋系統把「路徑數量」誤認為「新知識數量」。

本文以圖論、商空間、路徑重疊與泛函表示為基礎，提出「高重疊知識空間」的最小模型。本文區分節點重複、邊重複、局部路徑重複、終點重複與結構重複，並說明為什麼真正需要覆蓋的對象可能不是所有表面路徑，而是狀態、關係、局部結構與等價類。進一步地，本文引入路徑投影、重疊核與商圖的概念，為下一篇「從路徑數量到有效覆蓋率」建立形式基礎。

關鍵詞： 知識圖譜、圖論、路徑覆蓋、結構重複、商圖、等價類、循環、知識空間、狀態空間、記憶去重

1．樹是一種很好的搜尋表示，但不是世界本身

對一個具有分支的問題，我們常畫成：

v_0 \rightarrow \{v_1,v_2,\ldots,v_b\}

接著每個節點繼續向下展開：

v_i \rightarrow \{v_{i1},v_{i2},\ldots\}

於是形成一棵搜尋樹：

T=(V_T,E_T)

這種表示非常自然。

因為它清楚展示：

起點；
分支；
深度；
父子關係；
搜尋順序。

但樹具有一個非常強的結構限制：

任意兩個節點之間只有唯一的簡單路徑。

也就是說，若某節點已經在一個父節點之下出現，它不會再以同一個圖節點同時屬於另一個父節點。

對真正的知識空間而言，這通常不成立。

例如某個概念 $c$ 可能同時由：

a\rightarrow c

與：

b\rightarrow c

兩條路抵達。

若仍要畫成樹，就必須複製：

c^{(1)},c^{(2)}

於是表面上看起來像兩個不同節點：

a\rightarrow c^{(1)}

b\rightarrow c^{(2)}

但底層其實是：

c^{(1)}\equiv c^{(2)}\equiv c

因此：

\boxed{ \text{搜尋樹中的節點數量，可以大於底層真實狀態數量。} }

2．樹展開會把「多路徑抵達」複製成「多個狀態」

設底層狀態空間是圖：

G=(V,E)

從根節點 $r$ 出發，可以存在兩條不同路徑：

p_1: r\rightarrow a\rightarrow c

與：

p_2: r\rightarrow b\rightarrow c

如果把搜尋歷史展開成樹，常會得到：

r \rightarrow \begin{cases} a\rightarrow c_1\\ b\rightarrow c_2 \end{cases}

其中：

c_1\neq c_2

作為「樹節點」是不同的；

但：

\pi(c_1)=\pi(c_2)=c

其中 $\pi$ 是從搜尋樹映射到底層狀態圖的投影。

因此可以把搜尋樹理解為：

\pi:T\rightarrow G

而且通常：

|\pi^{-1}(v)|\geq1

某些底層狀態可能有非常多個樹中的副本。

若：

|\pi^{-1}(v)|\gg1

表示很多不同搜尋歷史其實反覆抵達同一個底層狀態。

這是本系列所說「高重疊」的第一個來源。

3．知識空間更適合表示成圖，而不是樹

最簡單的知識圖可以寫成：

G_K=(V_K,E_K)

其中：

$V_K$ ：概念、命題、狀態、事件、模型或知識單元；
$E_K$ ：它們之間的關係。

若關係具有方向：

E_K\subseteq V_K\times V_K

則可以使用有向圖。

若同一對節點之間存在多種關係：

u\xrightarrow{r_1}v

u\xrightarrow{r_2}v

則更接近多重有向圖。

若一條關係同時涉及多個節點：

e=(v_1,v_2,\ldots,v_k)

則可以進一步使用超圖。

這也符合知識圖譜的一般思想：將實體或概念表示為節點，將它們的關係表示為邊，並允許在圖上進行關係推理、補全與路徑推斷。

所以本文不主張：

\text{所有知識都必須是普通圖}

而是主張：

\boxed{ \text{知識至少需要允許非樹狀關係。} }

4．第一種重複：節點重複

最簡單的情況是：

兩條不同路徑抵達同一節點：

p_1: a\rightarrow b\rightarrow z

p_2: a\rightarrow c\rightarrow z

此時：

\operatorname{end}(p_1) = \operatorname{end}(p_2) = z

如果 $z$ 後方還有一整片子圖：

G_z

而搜尋系統不知道兩個 $z$ 是同一狀態，就可能把：

G_z

完整搜尋兩次。

若同一狀態有 $k$ 條抵達路徑，則最壞情況下：

\text{同一後繼區域被重複展開 }k\text{ 次}

所以最基礎的 visited set、memoization、transposition table 等機制，其核心作用就是：

\boxed{ \text{辨認「不同路徑是否已經抵達同一狀態」。} }

5．第二種重複：邊與關係重複

兩條路徑也可能不是共用完整節點集合，而只是共用某些轉換：

p_1= (a,b,c,d)

p_2= (x,b,c,y)

它們共享：

b\rightarrow c

如果：

b\rightarrow c

代表一個昂貴推理、轉換、證明步驟或模擬程序，那麼第二次重新計算它可能完全沒有必要。

因此，重用單位不一定是：

\text{完整答案}

也可以是：

\text{局部邊}

或：

\text{局部轉換算子}

這使記憶的粒度從「整題記住」進一步細化到：

\boxed{ \text{可重用的局部狀態轉換} }

6．第三種重複：局部路徑重複

更一般地，兩條路徑可能共享一整段：

p_1= (a,b,c,d,e)

p_2= (x,b,c,d,y)

共有子路徑：

q=(b,c,d)

可以定義：

q\preceq p_1

且：

q\preceq p_2

如果這類局部重疊大量存在，那麼路徑集合：

\mathcal P= \{p_1,p_2,\ldots,p_N\}

的總長度：

\sum_{i=1}^{N}|p_i|

會遠大於它們真正包含的獨特結構總量。

因此：

\boxed{ \text{路徑總長度不是知識總量。} }

這一點非常重要。

7．第四種重複：終點相同，但中間歷史不同

有些不同路徑完全沒有共享中間節點，卻得到同一結果：

p_1: a\rightarrow b\rightarrow c\rightarrow z

p_2: a\rightarrow x\rightarrow y\rightarrow z

這時不能簡單說其中一條「沒有價值」。

因為兩條路可能：

使用不同證明方法；
具有不同成本；
對不同條件更穩健；
提供不同中間知識；
在某些故障下可以互相備援。

所以：

\operatorname{end}(p_1) = \operatorname{end}(p_2)

並不推出：

p_1\sim p_2

我們需要更細的等價定義。

也就是：

兩條路徑在什麼意義下才算「重複」？

8．第五種重複：表面不同，但結構等價

這是最困難的一種。

例如兩條路徑：

p_1= (v_1,v_2,v_3,v_4)

p_2= (u_1,u_2,u_3,u_4)

表面上：

v_i\neq u_i

甚至來自完全不同領域。

但可能存在某個結構保持映射：

\phi:v_i\mapsto u_i

使得：

(v_i,v_j)\in E \iff (\phi(v_i),\phi(v_j))\in E'

那麼兩條路徑可能具有同一種關係骨架。

例如：

一個控制系統的負回饋；
一個生物系統的抑制調節；
一個市場中的價格回調；
一個軟體系統中的錯誤校正。

它們的語義材料不同，但在某個抽象層可能共享：

\text{偏離} \rightarrow \text{偵測} \rightarrow \text{反向作用} \rightarrow \text{回到穩定區}

此時，單純用字面相似度或節點 ID 去重是無效的。

真正需要辨認的是：

\boxed{ \text{結構重複} }

9．因此必須引入等價關係

設路徑集合為：

\mathcal P

定義一個等價關係：

p_i\sim p_j

表示：

在目前研究目的與抽象尺度下， $p_i$ 與 $p_j$ 可以被視為同一類結構。

若 $\sim$ 滿足：

p\sim p

p_i\sim p_j \Rightarrow p_j\sim p_i

以及：

p_i\sim p_j,\; p_j\sim p_k \Rightarrow p_i\sim p_k

則可形成等價類：

[p] = \{q\in\mathcal P:q\sim p\}

於是我們不再只看：

|\mathcal P|

而開始看：

|\mathcal P/{\sim}|

也就是表面路徑被壓縮後，真正不同的結構類別數量。

10．從路徑集合到商空間

這一步是整個系列的重要轉折。

若大量知識片段只是在表面上不同，而在某個任務尺度下具有等價結構，那麼真正需要覆蓋的對象可以從：

\mathcal P

改成：

\mathcal P/{\sim}

類似地，若節點本身存在等價關係：

u\sim_V v

則可將節點集合壓縮成：

V/{\sim_V}

並形成商圖：

G/{\sim_V}

商圖中的每一個節點代表一整個等價類，而不是單一原始狀態。

因此：

\boxed{ \text{高效覆蓋的第一步，可能不是走更多路，而是先決定哪些路其實屬於同一類。} }

11．但等價關係永遠依賴目的

不能把：

p_i\sim p_j

理解成絕對真理。

同一對路徑可能：

在粗尺度下：

p_i\sim p_j

但在細尺度下：

p_i\not\sim p_j

例如兩個演算法都能排序。

若研究目標只是：

\text{輸入集合} \rightarrow \text{輸出有序集合}

它們可能被歸為同一功能類。

但若研究：

時間複雜度；
空間需求；
穩定性；
平行化；
資料分布敏感性；

那麼兩者又必須分開。

因此更準確地寫成：

p_i\sim_{\theta}p_j

其中 $\theta$ 是：

\text{任務} + \text{尺度} + \text{關注變數} + \text{容忍誤差}

所以「去重」本身其實也是一個智能判斷問題。

12．知識圖不是靜態圖，而可能是時間圖

如果知識、環境與策略會改變，那麼：

G_t=(V_t,E_t,W_t)

會隨時間演化。

某個關係在 $t_1$ 成立：

(u,v)\in E_{t_1}

不代表它在 $t_2$ 仍成立：

(u,v)\notin E_{t_2}

某個路徑以前有效：

p\in\mathcal P_{t_1}^{\mathrm{valid}}

後來可能失效：

p\notin\mathcal P_{t_2}^{\mathrm{valid}}

這意味著記憶系統不能只問：

我以前看過嗎？

還必須問：

我以前看過的這個結構，現在仍然有效嗎？

所以路徑記憶至少要帶有：

\text{時間} + \text{條件} + \text{適用範圍}

這也為後續「狀態索引」埋下基礎。

13．知識圖也可能是多層圖

同一組節點可以同時存在不同類型的邊：

E= E_{\mathrm{causal}} \cup E_{\mathrm{semantic}} \cup E_{\mathrm{temporal}} \cup E_{\mathrm{procedural}} \cup E_{\mathrm{similarity}}

例如兩個概念之間可能同時存在：

因果關係；
相似關係；
時序關係；
包含關係；
推導關係。

因此一條知識路徑真正應寫成：

p= (v_0,r_1,v_1,r_2,v_2,\ldots,r_n,v_n)

其中 $r_i$ 表示關係類型。

這比單純：

(v_0,v_1,\ldots,v_n)

保留更多結構資訊。

而當關係類型不同，即使節點序列相同：

(v_0,v_1,v_2)

兩條路徑仍可能不是同一條知識路徑。

14．高重疊知識空間的最小模型

現在可以定義一個簡化的高重疊知識空間：

\mathfrak K= (G,\mathcal P,\sim,\omega)

其中：

G=(V,E)

是底層知識圖；

\mathcal P

是可行知識路徑集合；

\sim

是依照任務尺度定義的結構等價關係；

\omega

則描述節點、邊或路徑之間的重疊程度。

例如定義兩條路徑的節點重疊率：

O_V(p_i,p_j) = \frac{|V(p_i)\cap V(p_j)|} {|V(p_i)\cup V(p_j)|}

以及邊重疊率：

O_E(p_i,p_j) = \frac{|E(p_i)\cap E(p_j)|} {|E(p_i)\cup E(p_j)|}

則可以組合為：

O(p_i,p_j) = \alpha O_V(p_i,p_j) + \beta O_E(p_i,p_j) + \gamma O_S(p_i,p_j)

其中 $O_S$ 是結構相似度。

這不是唯一的定義，只是一個最小骨架。

15．路徑數量可以呈爆炸，但有效結構未必同步爆炸

假設搜尋深度為 $d$ ，平均分支數為 $b$ 。

樹展開可能產生：

N_{\mathrm{tree}} \sim b^d

個路徑前綴。

但若大量前綴映射到相同底層狀態：

\pi:T\rightarrow G

則底層唯一狀態數可能只有：

N_{\mathrm{state}} \ll N_{\mathrm{tree}}

若再將結構等價類壓縮：

N_{\mathrm{class}} = |V/{\sim}|

則甚至可能：

N_{\mathrm{class}} \ll N_{\mathrm{state}} \ll N_{\mathrm{tree}}

因此我們得到三種完全不同的「大小」：

\boxed{ N_{\mathrm{tree}}, \quad N_{\mathrm{state}}, \quad N_{\mathrm{class}} }

它們分別代表：

展開歷史的大小；
底層狀態空間的大小；
任務尺度下不可再合併的結構類數量。

這三者不能混為一談。

16．這也是為什麼「全面覆蓋」不能直接理解為走完所有路徑

如果要求：

\text{遍歷所有表面路徑}

在有循環的圖中，甚至可能不存在有限終點。

例如：

a\rightarrow b\rightarrow c\rightarrow a

如果允許 walk 重複節點，則可以產生：

a\rightarrow b\rightarrow c\rightarrow a

a\rightarrow b\rightarrow c\rightarrow a\rightarrow b

a\rightarrow b\rightarrow c\rightarrow a\rightarrow b\rightarrow c

以及無限延長的序列。

所以：

|\mathcal W|=\infty

即使底層圖：

|V|<\infty

因此：

\boxed{ \text{全面覆蓋} \neq \text{列舉所有可能 walk。} }

更合理的覆蓋對象可能是：

所有節點；
所有邊；
所有重要局部結構；
所有等價類；
所有高價值狀態轉換；
所有尚未被解釋的殘差方向。

第四篇將正式處理這個問題。

17．用泛函分析理解「重疊知識」

除了圖論，也可以把知識片段表示為某個內積空間中的元素：

\phi_i\in\mathcal H

若兩個知識片段完全不相關，理想化地可以有：

\langle\phi_i,\phi_j\rangle\approx0

若高度重複，則：

|\langle\phi_i,\phi_j\rangle|

較大。

定義 Gram 矩陣：

G_{ij} = \langle\phi_i,\phi_j\rangle

若大量知識片段高度線性相關，則即使：

N\gg1

有效張成維度仍可能很低：

\dim \operatorname{span} \{\phi_1,\ldots,\phi_N\} \ll N

這提供另一個理解方式：

一百萬個知識碎片，不代表有一百萬個獨立知識方向。

18．新的知識價值可以看成對既有子空間的殘差

設目前已覆蓋的知識子空間為：

\mathcal S_t = \operatorname{span} \{\phi_1,\ldots,\phi_t\}

新知識候選為：

\phi

投影到既有空間：

\Pi_{\mathcal S_t}\phi

則真正不能被現有知識表示的部分是：

\phi^\perp = \phi-\Pi_{\mathcal S_t}\phi

其大小：

\|\phi^\perp\|

可以被理解為一種「新增方向量」。

如果：

\|\phi^\perp\|\approx0

那麼這個新碎片大部分只是已有知識的重新表述。

如果：

\|\phi^\perp\|\gg0

則它開啟了新的方向。

這就是第四篇「邊際覆蓋收益」的一個自然數學入口。

19．圖論重疊與泛函重疊不是同一件事

這裡必須避免偷換概念。

圖論中的：

p_i\cap p_j

描述節點或邊是否重合。

泛函空間中的：

\langle\phi_i,\phi_j\rangle

描述某種表示下的相似或相關程度。

兩者不是同一個量。

因此可以把高重疊至少拆成：

O_{\mathrm{topology}}

拓撲／圖結構重疊；

O_{\mathrm{semantic}}

語義重疊；

O_{\mathrm{functional}}

功能重疊；

O_{\mathrm{causal}}

因果結構重疊。

最後形成多尺度重疊向量：

\mathbf O = ( O_{\mathrm{topology}}, O_{\mathrm{semantic}}, O_{\mathrm{functional}}, O_{\mathrm{causal}} )

這比單一「相似度」更適合後續的智能分類。

20．重複不一定是垃圾

高重疊也不代表所有重複都應被刪除。

某些重複具有功能價值。

例如：

20.1 冗餘可以提供驗證

兩條獨立路徑得到相同結果：

p_1\rightarrow z

p_2\rightarrow z

可能提高對 $z$ 的信心。

20.2 冗餘可以提供容錯

如果：

p_1

失效，仍有：

p_2

可用。

20.3 不同路徑可能揭示不同中間結構

即使終點相同：

\operatorname{end}(p_1)=\operatorname{end}(p_2)

中間知識價值仍不同。

20.4 重複可以估計穩定性

若多個條件、資料集或起點都導向同一結構，這本身就是新資訊。

所以：

\boxed{ \text{高效去重不是刪掉所有重複，而是區分「無效重算」與「有價值冗餘」。} }

21．因此需要「覆蓋」而不是「去重」作為更高層目標

若只追求去重，系統可能刪掉必要的：

驗證路徑；
替代策略；
容錯結構；
證據獨立性；
不同機制。

真正合理的目標應該是：

\text{Coverage}

而不是單純：

\text{Deduplication}

去重只是工具。

覆蓋才是目的。

於是問題從：

這條路以前走過嗎？

提升為：

這條路相對於現在已有的知識，還增加了什麼不可替代結構？

這正是下一篇的核心。

22．高重疊知識空間中的快速通道

當系統辨認出：

p_1,p_2,\ldots,p_k

其實都共享某個公共中間結構：

q

就不必每次從起點重走完整路徑。

可以建立：

\text{入口} \rightarrow q \rightarrow \text{後續分支}

也就是快速通道。

更一般地，若某個子圖：

H\subseteq G

已經被充分理解，就可以把 $H$ 壓縮成一個宏節點：

[H]

從：

G

形成更高階圖：

G'

這相當於把已經探索成熟的知識區域「編譯」成可快速調用的模組。

因此：

\boxed{ \text{路徑壓縮是記憶編譯的前身。} }

23．知識空間會形成階層式壓縮

假設原始圖為：

G_0

經過局部聚類與等價壓縮：

G_0 \rightarrow G_1

再將成熟結構繼續抽象：

G_1 \rightarrow G_2

最終得到多尺度表示：

G_0 \rightarrow G_1 \rightarrow \cdots \rightarrow G_L

其中：

$G_0$ ：細粒度事件與知識碎片；
$G_1$ ：局部模式；
$G_2$ ：問題族；
$G_3$ ：高階結構；
$G_L$ ：少量非常抽象的狀態類型。

面對問題時，智能體不必永遠從 $G_0$ 搜尋。

可以先在：

G_L

完成粗定位，再逐層下降。

這就是未來「極致分類—快速索引」最自然的結構。

24．記憶在高重疊圖中的真正作用

前一篇將記憶能力記為：

\mu

回憶能力記為：

\rho

現在可以更準確理解兩者。

記憶不只是保存：

V

還需要保存：

E

以及：

\text{哪些路徑其實共享結構}

因此真正的記憶結構更接近：

\mathcal M_t= (G_t,\sim_t,\mathcal P_t,\mathcal S_t)

其中：

$G_t$ ：已知狀態與關係；
$\sim_t$ ：目前辨認出的等價關係；
$\mathcal P_t$ ：重要歷史路徑；
$\mathcal S_t$ ：壓縮後的高階結構。

這種記憶不只是「存檔」。

它本身就是一張持續重組的搜尋地圖。

25．高重疊會使「記憶越多越有價值」成為可能

在完全獨立的候選空間中：

x_i\perp x_j

記住 $x_i$ 幾乎不能幫助處理 $x_j$ 。

但在高度重疊空間中：

O(x_i,x_j)\gg0

記住一個狀態或路徑，可能同時降低大量鄰近問題的成本。

也就是：

\Delta M(x_i)

帶來的收益不只作用於 $x_i$ ，還可能作用於：

N(x_i)

即一整片鄰域。

因此：

\boxed{ \text{知識越高度重疊，好的記憶與分類系統越可能產生超線性的重用收益。} }

這也是後面「極強記憶智能體」為什麼值得獨立討論。

26．但高重疊同時也帶來錯誤類比風險

如果：

O(x_i,x_j)

很高，系統可能過早判定：

x_i\sim x_j

但真正決定行動的某個細微變數：

z_k

其實不同。

於是：

\text{高相似} \not\Rightarrow \text{策略等價}

這是非常重要的風險。

所以等價關係最好不是：

x_i\sim x_j

單一布林值，而可能是：

P(x_i\sim_\theta x_j)

或者帶有置信度與適用條件。

這樣未來遇到邊界案例時，系統才能知道：

這是一個「看起來很像」但仍值得重新展開的狀態。

27．本系列所說的「知識碎片」現在可以正式重寫

原本直覺上的：

\text{碎片片}

可以被寫成：

\mathcal F= \{f_1,f_2,\ldots,f_N\}

但這些碎片不是孤立集合。

它們透過關係：

R(f_i,f_j)

形成圖：

G_{\mathcal F} = (\mathcal F,R)

而每一個新的推理、閱讀、計算或行動，都可能：

新增節點；
新增邊；
合併等價節點；
發現新路徑；
壓縮成熟子圖；
推翻舊關係；
建立跨區域橋樑。

所以知識增長不是：

N\rightarrow N+1

而更接近：

G_t\rightarrow G_{t+1}

這就是「知識空間」比「知識列表」更精確的原因。

28．本文的核心命題

本文可以收斂成四個命題。

命題一：搜尋樹不是底層狀態空間

\boxed{ T\neq G }

搜尋樹可以是圖的歷史展開，但會複製多路徑抵達的相同狀態。

命題二：路徑數量不等於獨立知識量

\boxed{ |\mathcal P| \not\propto \text{Independent Knowledge} }

尤其在高重疊空間中，路徑數可能遠大於有效結構數。

命題三：真正的去重需要任務依賴的結構等價

\boxed{ p_i\sim_\theta p_j }

其中 $\theta$ 決定什麼差異重要、什麼差異可以忽略。

命題四：高效覆蓋應作用於商空間與殘差，而不是原始路徑總數

也就是從：

\mathcal P

逐步轉向：

\mathcal P/{\sim}

以及：

\phi-\Pi_{\mathcal S}\phi

真正關注不可被既有結構替代的部分。

29．結論：真正昂貴的不是路多，而是不知道哪些路其實已經走過

如果每一條路徑都完全獨立，那麼大量路徑確實只能依靠更強計算逐一處理。

但若知識空間具有：

大量交叉；
多路徑抵達；
局部共用；
循環；
結構等價；
跨領域同構；
時間演化；

那麼真正的問題就不再只是：

\text{如何更快展開？}

而是：

\boxed{ \text{如何知道新的展開究竟增加了多少真正的新結構？} }

因此，下一篇將不再計算：

\text{走過幾條路}

而開始計算：

\boxed{ \text{每一條新路徑帶來多少邊際有效覆蓋。} }

也就是第四篇：

《從路徑數量到有效覆蓋率》

的核心問題。

參考資料

Ji, S., Pan, S., Cambria, E., Marttinen, P., & Yu, P. S., A Survey on Knowledge Graphs: Representation, Acquisition and Applications, IEEE Transactions on Neural Networks and Learning Systems / arXiv:2002.00388.
https://arxiv.org/abs/2002.00388
NetworkX Documentation, Directed Acyclic Graphs.
https://networkx.org/documentation/stable/reference/algorithms/dag.html
NetworkX Documentation, Cycles.
https://networkx.org/documentation/stable/reference/algorithms/cycles.html
NetworkX Documentation, Quotient Graph.
https://networkx.org/documentation/networkx-2.6/reference/algorithms/generated/networkx.algorithms.minors.quotient_graph.html
NIST, Graph Theory / Tree discussion, Special Publication 958.
https://nvlpubs.nist.gov/nistpubs/sp958-lide/html/140-144.html

系列內部依賴

前置： 01《知道答案之後，真的就容易了嗎？》、02《暴力窮舉不只需要計算力》
後續： 04《從路徑數量到有效覆蓋率》、06《記憶編譯型狀態智能體》、07《極致分類、快速索引與計算直覺》。

一句話摘要

\boxed{ \text{高重疊知識空間中，真正需要計算的不是「有多少表面路徑」，而是「還有多少不可由既有結構替代的路徑類與殘差方向」。} }

03_知識不是樹_高重疊知識空間中的路徑問題