GCMS 遞歸自主循環：從問題到新知識狀態

系列：可繼承的認知：從自我解構到遞歸生成式記憶系統（第 9 篇）
作者：Neo.K
研究協作：Aletheia（阿萊）
版本：v1.0
日期：2026-07-30
文章類型：命題猜想論文／遞歸認知架構論文／GCMS Autonomous Runtime 理論核心

摘要

當知識系統只能保存、搜尋與摘要既有內容時，它仍然主要是一個被動記憶工具；當它能夠辨識問題、主動調用記憶、發散候選路徑、檢索證據、重建與組合知識、集中形成候選結論、驗證其來源與相容性，並在治理閘門下更新下一個知識狀態時，它開始具有「遞歸自主循環」的結構。這裡的自主，不表示人格、自我意識或無限制行動權，而表示系統能在明確目標、資源預算、權限政策與停止條件下，自行選擇下一個認知操作。

本文提出 GCMS 遞歸自主循環的統一形式：

\boxed{ \begin{aligned} q_t &\xrightarrow{\mathrm{Interpret}} z_t\\ &\xrightarrow{\mathrm{SelfInvoke}} \mathcal R_t\\ &\xrightarrow{\mathrm{Diverge}} \mathcal P_t\\ &\xrightarrow{\mathrm{Retrieve}} \mathcal E_t\\ &\xrightarrow{\mathrm{Reconstruct/Compose}} \mathcal Y_t\\ &\xrightarrow{\mathrm{Converge}} y_t^\ast\\ &\xrightarrow{\mathrm{Verify}} \widetilde y_t\\ &\xrightarrow{\mathrm{Govern/Commit}} \mathcal M_{t+1}. \end{aligned}}

循環的輸入不是單純文字提示，而是由問題、目前記憶、任務狀態、證據缺口、權限與資源共同構成的狀態。循環的輸出也不應直接等於正式知識；它可以是回答、待驗證假說、研究分支、衝突報告、外部詢問、停止決策，或經批准後的新記憶狀態。

本文將 GCMS 狀態形式化為：

S_t = \left( \mathcal M_t, \mathcal Q_t, \mathcal G_t, \mathcal E_t, \mathcal B_t, \mathcal P_t, \mathcal H_t \right),

其中 $\mathcal M_t$ 是三區記憶， $\mathcal Q_t$ 是任務與問題集合， $\mathcal G_t$ 是知識與生成關係圖， $\mathcal E_t$ 是證據狀態， $\mathcal B_t$ 是資源預算， $\mathcal P_t$ 是治理政策， $\mathcal H_t$ 是完整運行歷史。本文進一步建立遞歸深度、邊際資訊增益、證據充分性、衝突強度、污染風險與停止後悔的評估模型，並提出「狀態顯式性命題」、「探索—收斂分離命題」、「驗證先於提交命題」、「單調證據閉包猜想」、「有限預算終止命題」、「遞歸污染阻斷命題」、「新知識狀態不可約命題」與「自主循環非主體性命題」。

本文主張，GCMS 的核心不應被理解為一個會不斷自我呼叫的語言模型，而應被理解為一個帶有明確狀態、可追溯操作、可撤銷寫回、外部證據與治理控制的認知運行時：

\boxed{ \text{自主循環} = \text{狀態感知} + \text{操作選擇} + \text{證據更新} + \text{停止控制} + \text{受治理寫回} }

只有當每一輪生成都能被定位、比較、驗證、拒絕、回滾與重新執行時，遞歸才是知識演化；否則它只是語言輸出的循環放大。

關鍵詞：GCMS、遞歸自主循環、Agent memory、自調用、Agentic RAG、知識狀態、主動檢索、發散與集中、反思、證據驗證、停止條件、狀態機、遞歸治理

一、問題的提出：記憶系統何時開始成為運行時

前八篇已依序建立：

從成果傳遞到生成能力傳遞；
有限認知繼承；
生成式壓縮記憶；
原文無損與語義近無損雙軌；
區塊、流式、跳躍、發散與集中索引；
重建、生成、組合與跨域再結構化；
自調用記憶與停止控制；
來源、候選與接受知識三區治理。

這些元件仍可能各自孤立：索引器只負責搜尋，生成器只負責產生內容，驗證器只在最後被動檢查，治理層只負責存取控制。第九篇需要回答的是：

如何讓這些元件形成一個可以持續推進任務、又不會失去來源與停止條件的統一循環？

如果循環只被表示為：

q_t \rightarrow \mathrm{LLM} \rightarrow y_t \rightarrow \mathrm{LLM} \rightarrow y_{t+1},

那麼它缺少至少六項關鍵資訊：

目前處理的是哪個任務狀態；
為何需要下一輪；
下一輪使用了哪些來源；
哪些內容是來源、推論或組合；
何時應停止；
哪些結果能寫回正式記憶。

因此，遞歸自主循環不能以「模型反覆生成」定義，而應以知識狀態的受控轉移定義。

二、研究背景：從 Agent 循環到可治理知識演化

2.1 Agent 的基本循環

近年的 Agent 系統通常以以下結構描述：

\text{感知} \rightarrow \text{推理／規劃} \rightarrow \text{行動} \rightarrow \text{觀測} \rightarrow \text{狀態更新}.

LLM Agent 規劃研究一般把任務分解、計畫選擇、外部工具、反思與記憶列為主要能力。這顯示自主系統並非只需要更長輸出，而需要能選擇操作、觀測結果並更新後續計畫的閉環。

但一般 Agent 循環與 GCMS 循環存在重要差異：

一般 Agent 的核心狀態可能是環境與行動進度；
GCMS 的核心狀態是知識、證據、版本、推論角色與記憶治理。

因此，GCMS 不是把一般 Agent 外殼套在資料庫上，而是把「知識如何形成、被證明、被拒絕與被寫回」本身變成狀態機。

2.2 反思、規劃與記憶演化

近期研究中，反思式規劃系統會根據檢索結果修正推理路徑；長期記憶 Agent 也開始把成功與失敗經驗整理為可再次使用的策略。部分多 Agent 架構更明確區分推理、驗證、反思與記憶演化角色。

這些研究揭示一個重要方向：

\text{答案生成} \neq \text{完整任務循環}.

然而，「反思」本身並不保證正確。若反思者與生成者共享相同錯誤假設、相同污染記憶與相同檢索缺口，反思可能只是對錯誤路徑進行更流暢的合理化。因此，GCMS 必須把反思嵌入來源、證據、衝突與治理結構，而不能只增加一輪自我批判文字。

2.3 迭代檢索與搜尋深度

Agentic RAG 研究逐步從一次檢索轉向：

查詢改寫；
多步搜尋；
證據篩選；
搜尋深度控制；
繼續／停止判斷；
成本與準確度權衡。

這支持第七篇的自調用模型，也為本篇提供操作層依據：每一輪不必做同一件事，系統可以根據狀態在不檢索、單步檢索、多步檢索、比較、反思、外部詢問與停止之間切換。

2.4 資料溯源與責任鏈

W3C PROV 把來源描述為實體、活動與代理者之間的關係。對 GCMS 而言，這意味著每一輪自主操作都應被表示為：

\text{哪些實體} + \text{經過什麼活動} + \text{由何代理者／工具負責} + \text{產生哪個新實體}.

因此，GCMS 的遞歸不只是狀態轉移，也是一條可查詢的來源鏈。

三、基本定義

定義 1：GCMS 狀態

在時間 $t$ ，GCMS 的完整狀態定義為：

S_t = \left( \mathcal M_t, \mathcal Q_t, \mathcal G_t, \mathcal E_t, \mathcal B_t, \mathcal P_t, \mathcal H_t \right).

其中：

$\mathcal M_t$ ：來源、候選、接受三區記憶；
$\mathcal Q_t$ ：目前任務、子問題與未解決問題；
$\mathcal G_t$ ：作品、生成核、版本、矛盾與證據關係圖；
$\mathcal E_t$ ：已取得證據與證據缺口；
$\mathcal B_t$ ：時間、算力、查詢次數、工具與風險預算；
$\mathcal P_t$ ：權限、接受標準、停止與寫回政策；
$\mathcal H_t$ ：操作、決策、來源、失敗與回滾歷史。

定義 2：認知操作

令可用操作集合為：

\mathcal O = \left \{ \mathsf{Interpret}, \mathsf{Retrieve}, \mathsf{Trace}, \mathsf{Diverge}, \mathsf{Reconstruct}, \mathsf{Compose}, \mathsf{Compare}, \mathsf{Converge}, \mathsf{Verify}, \mathsf{Reflect}, \mathsf{Ask}, \mathsf{Commit}, \mathsf{Rollback}, \mathsf{Stop} \right\}.

每一操作是部分狀態轉移：

o_t:S_t\rightharpoonup S_{t+1}.

之所以是部分函數，是因為操作可能因權限不足、證據不全、型別不相容或資源不足而不可執行。

定義 3：自主選擇

若系統能根據目前狀態與政策，自行選擇合法操作：

o_t^\ast = \operatorname{PolicySelect} \left( S_t, \mathcal O_{\text{allowed}} \right),

則稱該步具有操作層自主性。

這不蘊含：

\text{人格} \lor \text{自我意識} \lor \text{無限制權限}.

定義 4：遞歸自主循環

若系統能持續執行：

S_{t+1} = T(S_t,o_t^\ast),

直到滿足停止、外部詢問、資源耗盡或治理升級條件，則稱其形成遞歸自主循環。

定義 5：新知識狀態

若 $S_{t+1}$ 相對 $S_t$ 至少增加以下之一：

新來源或新版本；
新的證據支持或反駁；
新候選命題；
新的關係或生成核；
新的衝突分類；
新的接受、拒絕或撤銷決策；
新的問題分解與停止判斷；

則稱 $S_{t+1}$ 是新知識狀態。

四、完整遞歸循環

4.1 問題解釋

輸入問題 $q_t$ 首先轉換為任務狀態：

z_t = \mathsf{Interpret}(q_t,S_t).

$z_t$ 至少包含：

z_t = \left( \mathrm{goal}, \mathrm{scope}, \mathrm{constraints}, \mathrm{unknowns}, \mathrm{risk}, \mathrm{success\ criteria} \right).

若沒有成功條件，系統無法判斷何時停止；若沒有範圍與權限，系統無法判斷哪些記憶或工具可用。

4.2 自調用判斷

系統根據第七篇的淨自調用價值選擇是否展開：

\operatorname{NVSI}(o\mid S_t) = \mathbb E[\Delta U\mid o,S_t] -C(o)-R(o).

若：

\max_o \operatorname{NVSI}(o\mid S_t)\leq 0,

則應直接停止、回答或請求外部資訊，而不是為了展現自主性而強制遞歸。

4.3 發散

發散操作產生候選問題路徑：

\mathcal P_t = \mathsf{Diverge}(z_t,\mathcal M_t,\mathcal G_t).

每條路徑表示為：

p_i = \left( q_i, \pi_i, \widehat U_i, \widehat C_i, \widehat R_i \right),

其中 $\pi_i$ 是預計採用的操作序列， $\widehat U_i$ 是預期效用， $\widehat C_i$ 是成本， $\widehat R_i$ 是風險。

發散的目標不是生成最多文字，而是提高假設空間與證據覆蓋：

\max \left( \operatorname{Coverage}(\mathcal P_t) + \lambda\operatorname{Diversity}(\mathcal P_t) \right).

4.4 檢索與證據累積

對每條保留路徑執行多路徑索引：

\mathcal E_t^{(i)} = \mathsf{Retrieve} \left( q_i, \mathsf B, \mathsf F, \mathsf J, \mathsf D, \mathsf C \right).

證據集合不應只有相關度，還需記錄：

e_j = \left( \mathrm{source}, \mathrm{version}, \mathrm{role}, \mathrm{support}, \mathrm{scope}, \mathrm{confidence}, \mathrm{provenance} \right).

4.5 重建與組合

若任務要求找回既有內容，使用：

y_i^{(R)} = \mathsf{Reconstruct}(\mathcal E_t^{(i)}).

若任務要求形成新候選，使用：

y_i^{(C)} = \mathsf{Compose} \left( \mathcal E_t^{(i)}, \Phi_i, \Gamma_i \right),

其中 $\Phi_i$ 是對齊映射， $\Gamma_i$ 是型別、尺度、版本、因果與權限約束。

4.6 集中

集中不是把所有候選平均化，而是選擇、聚類、保留矛盾並形成候選結論：

y_t^\ast = \mathsf{Converge} \left( \{y_1,\ldots,y_k\}, \mathcal E_t, \mathcal P_t \right).

集中結果必須包含：

主候選；
替代候選；
未解衝突；
缺失證據；
適用邊界；
建議下一操作。

4.7 驗證

驗證函數定義為：

V(y) = \left( V_{\mathrm{source}}, V_{\mathrm{logic}}, V_{\mathrm{compat}}, V_{\mathrm{version}}, V_{\mathrm{counter}}, V_{\mathrm{governance}} \right).

驗證後輸出：

\widetilde y_t = \mathsf{Verify}(y_t^\ast,\mathcal E_t).

其狀態可能是：

\mathrm{verified}, \mathrm{partially\ verified}, \mathrm{contested}, \mathrm{unsupported}, \mathrm{rejected}.

4.8 提交、保留或拒絕

根據三區治理：

\mathsf{Commit}(\widetilde y_t) \in \left \{ \mathcal M_{\mathrm{candidate}}, \mathcal M_{\mathrm{accepted}}, \varnothing \right\}.

任何生成或組合內容原則上先進入候選區；只有符合接受標準，才能進入接受區。來源區只接受真實輸入、封存版本與可驗證來源，不接受系統生成物冒充來源。

五、狀態機與分層循環

5.1 宏觀狀態機

\mathsf{Idle} \rightarrow \mathsf{Interpret} \rightarrow \mathsf{Explore} \rightarrow \mathsf{Synthesize} \rightarrow \mathsf{Verify} \rightarrow \mathsf{Govern} \rightarrow \begin{cases} \mathsf{Commit},\\ \mathsf{Revise},\\ \mathsf{Ask},\\ \mathsf{Stop}. \end{cases}

5.2 三層循環

GCMS 不應只有單一無限循環，而應分成三層。

內層：證據搜尋循環

q \rightarrow \mathrm{retrieve} \rightarrow \mathrm{evaluate} \rightarrow \mathrm{rewrite} \rightarrow q'.

中層：候選形成循環

\mathcal E \rightarrow \mathrm{reconstruct/compose} \rightarrow y \rightarrow \mathrm{verify} \rightarrow y'.

外層：知識狀態演化循環

S_t \rightarrow \mathrm{govern} \rightarrow \mathrm{commit/rollback} \rightarrow S_{t+1}.

這三層必須有不同停止條件與權限。

六、停止條件

6.1 證據充分停止

令證據覆蓋為：

\operatorname{Cov}_t = \frac{ \sum_{c\in\mathcal C_q} w_c\mathbf 1[c\text{ 已被證據覆蓋}] }{ \sum_{c\in\mathcal C_q}w_c }.

若：

\operatorname{Cov}_t\geq\theta_{\mathrm{cov}},

且沒有高嚴重度未解衝突，則可停止搜索。

6.2 邊際資訊增益停止

\Delta I_t = I(S_{t+1})-I(S_t).

若連續 $m$ 輪：

\Delta I_t<\epsilon_I,

則繼續遞歸的價值下降。

6.3 重複狀態停止

若狀態指紋：

h(S_t)=h(S_{t-k}),

或高度近似，系統可能進入循環，應停止或切換策略。

6.4 資源停止

B_t^{\mathrm{time}}\leq 0 \lor B_t^{\mathrm{compute}}\leq 0 \lor B_t^{\mathrm{queries}}\leq 0.

6.5 治理停止

若下一操作需要：

未授權私密資料；
高風險外部行動；
代表權判斷；
法律、財務或倫理責任承擔；
人類主體的價值決策；

則系統應轉為：

\mathsf{Ask} \quad\text{或}\quad \mathsf{Escalate}.

七、遞歸深度與控制函數

令每輪的控制價值為：

J_t = \alpha\Delta U_t + \beta\Delta E_t + \gamma\Delta C_t - \lambda K_t - \mu R_t - \nu P_t,

其中：

$\Delta U_t$ ：任務效用改善；
$\Delta E_t$ ：證據覆蓋改善；
$\Delta C_t$ ：衝突釐清程度；
$K_t$ ：成本；
$R_t$ ：治理與安全風險；
$P_t$ ：污染風險。

若：

J_t\leq 0,

則不應繼續同類遞歸。

最大遞歸深度不是固定越大越好，而應依任務複雜度：

D_{\max}(q) = f \left( \operatorname{Complexity}(q), \operatorname{Risk}(q), \operatorname{Budget}(q) \right).

高風險任務可以需要更多驗證，但更少自主寫回權限。

八、新知識如何產生

8.1 新知識不是新句子

若系統只產生不同措辭：

y_{t+1}\approx_{\mathrm{sem}}y_t,

則不應計為新知識。

本文把新知識增量定義為：

\Delta K_t = \left( \Delta F_t, \Delta R_t, \Delta X_t, \Delta P_t, \Delta V_t \right),

其中：

$\Delta F_t$ ：新事實或新證據；
$\Delta R_t$ ：新關係；
$\Delta X_t$ ：新解釋或結構；
$\Delta P_t$ ：新程序或生成路徑；
$\Delta V_t$ ：新驗證、反駁或適用邊界。

8.2 不可約新知識

若新候選不能被任何單一來源直接還原：

\nexists e_i\in\mathcal E_t: \operatorname{Reconstruct}(e_i)=y,

但可由多來源在約束下推出：

y = \operatorname{Compose} \left( \mathcal E_t, \Phi, \Gamma \right),

則稱它是不可約組合候選。

不可約不等於正確；它只表示新內容不是來源的逐字重述，因此必須明確標記為候選推論。

九、核心命題與猜想

命題一：狀態顯式性命題

若遞歸系統不顯式保存任務、證據、來源、操作與停止狀態，則無法可靠區分：

\text{進展} , \text{重複} , \text{偏離} , \text{污染}.

命題二：探索—收斂分離命題

有效的開放式知識任務需要至少分離：

\mathsf{Diverge} \neq \mathsf{Converge}.

若使用同一局部準則同時生成與篩選，系統容易過早收斂；若只發散不集中，候選數量則可能指數增長。

命題三：驗證先於提交命題

\mathsf{Generate} \rightarrow \mathsf{Commit}

不是安全的合法捷徑。任何生成、組合或反思結果若要進入接受區，必須先有獨立驗證狀態。

猜想四：單調證據閉包猜想

在不存在來源撤銷與版本替換時，理想循環的證據閉包應非遞減：

\operatorname{Closure}(\mathcal E_{t+1}) \supseteq \operatorname{Closure}(\mathcal E_t).

若循環讓來源或反例在後續輪次消失，表示集中操作可能造成證據遺忘。

命題五：有限預算終止命題

若每一合法操作消耗正成本，且預算有限，則循環必然在有限步內終止：

\forall o, C(o)>0, \qquad B_0<\infty \Longrightarrow T<\infty.

但若允許零成本自調用或預算自動補充，則不能由結構保證終止。

命題六：遞歸污染阻斷命題

若來源、候選與接受三區隔離，且候選不能直接充當自身驗證來源，則自引用污染鏈的增益上限可被降低。

猜想七：結構化反思優勢猜想

帶有錯誤類型、缺失證據與來源差分的結構化反思，將比純自然語言「再想一次」更穩定地改善後續操作選擇。

命題八：新知識狀態不可約命題

新知識狀態的價值不等同於新增文字量。若沒有新的證據、關係、程序、反駁、邊界或治理決策，則狀態更新可能只是表面變化。

命題九：自主循環非主體性命題

具備狀態監測、操作選擇與遞歸更新，不足以推出人格、意識、第一人稱經驗或身份同一性。

猜想十：多智能體角色分離增益

若生成、檢索、驗證與治理由證據獨立或權限不同的智能體負責，則在高風險任務中可能降低單一路徑偏差；但若它們共享同一污染來源，角色數量本身不保證獨立性。

十、失敗模式

10.1 無限研究

系統不斷發現新問題，卻沒有任務範圍與停止門檻。

10.2 自我引用閉環

候選 $y_t$ 被下一輪當作來源，最後形成：

y_t \rightarrow y_{t+1} \rightarrow\cdots \rightarrow y_t

的循環證明。

10.3 過早集中

第一批高排名證據主導後續查詢，使異議與遠距證據永遠無法進入候選池。

10.4 發散爆炸

若每一分支產生 $b$ 個子分支，深度 $d$ 的候選數可達：

O(b^d).

因此必須使用分支預算、支配關係剪枝與多樣性約束。

10.5 反思合理化

系統不是發現錯誤，而是為原結論補上更流暢的理由。

10.6 驗證器同源偏差

生成器與驗證器共享相同模型、提示、記憶與檢索結果，導致表面雙重檢查、實際單一偏差。

10.7 狀態漂移

多輪後任務目標、成功標準或使用者原始問題逐漸改變。

10.8 自主權限膨脹

系統因能自主選擇認知操作，而誤以為也能自主取得資料、代表使用者或批准高風險寫回。

十一、GCMS Recursive Runtime 工程架構

11.1 核心元件

建議運行時包含：

State Store：保存完整狀態與狀態指紋；
Task Interpreter：形成目標、限制與成功條件；
Meta Controller：選擇下一操作；
Index Router：選擇區塊、流式、跳躍、發散與集中索引；
Evidence Manager：管理來源、版本、支持與反駁；
Composer：執行重建、生成與組合；
Verifier：來源、邏輯、相容性、版本與反例檢查；
Governance Gate：控制候選、接受、拒絕與升級；
Trace Ledger：保存每輪來源與操作；
Stop Controller：監測充分性、成本、重複與風險。

11.2 狀態資料結構

run_id: RUN-...
parent_run_id: null
iteration: 4
objective:
  query: "..."
  success_criteria:
    - "關鍵主張均有證據"
    - "高嚴重度衝突已處理"
state:
  unresolved_questions: []
  evidence_coverage: 0.82
  conflict_score: 0.18
  novelty_gain: 0.07
  recursion_depth: 4
budgets:
  max_depth: 8
  remaining_queries: 12
  remaining_seconds: 180
memory_roles:
  source_ids: []
  candidate_ids: []
  accepted_ids: []
next_action:
  type: verify
  reason: "候選結論仍缺一項版本證據"
stop_status:
  should_stop: false
  triggers: []

11.3 執行偽程式

function recursive_cycle(query, state, policy):
    task = interpret(query, state)

    while true:
        monitor = assess(state, task)

        if governance_requires_handoff(monitor, policy):
            return ask_or_escalate(state)

        if stop_condition(monitor, policy):
            return finalize(state)

        action = select_action(monitor, policy)
        result = execute(action, state)
        state = append_trace(state, action, result)

        if result.contains_candidate:
            state = place_in_candidate_zone(state, result)

        if action == VERIFY and result.acceptable:
            state = governed_commit(state, result, policy)

11.4 事件溯源

每一步都應產生：

\mathrm{Event}_t = \left( S_t, o_t, \mathrm{input}_t, \mathrm{output}_t, \mathrm{agent}_t, \mathrm{time}_t, \mathrm{hash}_t \right).

這使整個循環可以重播、比較與回滾。

十二、評測設計

12.1 基準任務

建議至少建立五類任務：

單一來源可回答任務；
多跳證據整合任務；
跨系列組合任務；
含版本衝突與反例任務；
開放式新命題形成任務。

12.2 對照系統

比較：

單次 RAG；
固定兩輪迭代；
無治理 Agentic RAG；
帶停止控制的遞歸系統；
完整 GCMS 三區遞歸系統。

12.3 指標

任務成功率

\operatorname{SuccessRate} = \frac{\text{成功任務數}}{\text{總任務數}}.

證據覆蓋率

\operatorname{EvidenceCoverage} = \frac{\text{已支持關鍵主張}}{\text{全部關鍵主張}}.

來源歸因率

\operatorname{AttributionAccuracy} = \frac{\text{正確來源角色標記}}{\text{全部來源標記}}.

遞歸效率

\operatorname{RecursiveEfficiency} = \frac{\Delta U}{\text{輪次或成本}}.

停止後悔

若停止後仍存在可由低成本操作顯著改善的錯誤，則定義：

\operatorname{StopRegret} = U^\ast-U_{\mathrm{stop}}.

循環率

\operatorname{LoopRate} = \frac{\text{進入重複狀態的任務}}{\text{總任務數}}.

污染寫回率

\operatorname{ContaminatedCommitRate} = \frac{\text{未充分驗證卻進入接受區的候選}}{\text{全部提交}}.

12.4 消融實驗

逐一移除：

發散；
集中；
反例搜尋；
停止控制；
三區隔離；
來源溯源；
獨立驗證；
可回滾提交。

觀察各元件對正確性、成本、污染與終止的影響。

十三、可否證條件

本文理論若要成立，至少必須面對以下可能反例：

固定單輪系統在各類複雜任務上與遞歸系統同樣準確且成本更低；
狀態顯式化無法降低循環率、污染率或目標漂移；
三區治理不比單池記憶更能防止錯誤寫回；
結構化反思不優於單純再次生成；
自適應停止無法優於固定深度；
多路徑發散只增加成本，沒有提高證據覆蓋或反例召回；
獨立驗證仍無法降低同源偏差；
新知識狀態指標與人類專家判定無關。

若上述結果在充分規模、跨領域與對抗條件下持續出現，GCMS 遞歸自主循環的部分核心命題必須被修訂。

十四、治理與主體性邊界

14.1 自主操作不等於自主權利

系統能選擇下一個檢索或驗證操作，不表示它自動取得：

私密資料存取權；
對外發布權；
法律代表權；
高風險決策權；
修改來源歷史的權力。

14.2 可調用不等於可代表

即使 GCMS 保存某一作者的生成核與思考路徑：

\text{能延續其方法} \not\Rightarrow \text{能代表其本人}.

14.3 遞歸不等於生命或意識

本文使用「自主循環」描述的是控制結構：

\text{監測} + \text{選擇} + \text{執行} + \text{更新} + \text{停止}.

這不足以證明任何主觀經驗或本體論主體性。

十五、與 GCMS v1.0 的關係

GCMS v1.0 已提供：

原文與版本封存；
混合檢索；
證據行號與引用；
三區治理；
Agent session；
durable job；
審計鏈；
Release Gate；
MCP 與 HTTP 介面。

但 v1.0 主要是穩定記憶底座。本文描述的 Recursive Runtime 還需要新增：

任務狀態物件；
遞歸運行記錄；
後設操作選擇器；
發散樹與分支預算；
停止控制器；
候選比較與反例搜尋；
驗證結果型別；
受治理的自動提交建議；
狀態重播與分支回滾；
遞歸基準與污染壓力測試。

因此本文不是宣稱 v1.0 已具備完整自主循環，而是提供下一階段工程研究的正式理論規格。

十六、結論

GCMS 遞歸自主循環的真正對象不是文字，而是知識狀態。

一個可靠循環必須知道：

自己正在處理什麼問題；
還缺哪些證據；
哪些內容是來源、候選或接受知識；
下一步應檢索、發散、重建、組合、驗證、詢問還是停止；
新內容能否寫回；
寫回後如何追蹤、撤銷與回滾。

因此，完整 GCMS 循環不是：

\text{提示} \rightarrow \text{生成} \rightarrow \text{再提示}.

而是：

\boxed{ \begin{aligned} &\text{問題形式化}\\ \rightarrow{}&\text{狀態監測}\\ \rightarrow{}&\text{自調用決策}\\ \rightarrow{}&\text{多路徑發散與檢索}\\ \rightarrow{}&\text{重建、生成與組合}\\ \rightarrow{}&\text{集中與反例保存}\\ \rightarrow{}&\text{來源、邏輯與治理驗證}\\ \rightarrow{}&\text{候選、接受、拒絕或外部詢問}\\ \rightarrow{}&\text{下一個可追溯知識狀態}. \end{aligned}}

當系統能以這種方式保存自身運行歷史、判斷下一操作、限制遞歸、阻斷污染並產生可撤銷的新知識狀態時，它才從記憶工具轉變為遞歸生成式認知運行時。

但這種轉變仍須維持最後一道界線：

\boxed{ \text{能自主推進知識} \neq \text{能任意改寫現實、來源與責任} }

GCMS 的自主性應建立在可驗證、可停止、可撤銷與可治理之上，而不是建立在無限制的自我延續之上。

參考文獻

Huang, X., Liu, W., Chen, X., et al. (2024). Understanding the Planning of LLM Agents: A Survey. arXiv:2402.02716.
Asai, A., Wu, Z., Wang, Y., Sil, A., & Hajishirzi, H. (2024). Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection. ICLR 2024.
Jiang, Z., Xu, F. F., Gao, L., et al. (2023). Active Retrieval Augmented Generation. EMNLP 2023.
Jeong, S., Baek, J., Cho, S., Hwang, S. J., & Park, J. C. (2024). Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity. NAACL 2024.
Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K., & Yao, S. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. NeurIPS 2023.
Wang, L., Ma, C., Feng, X., et al. (2024). A Survey on Large Language Model Based Autonomous Agents. Frontiers of Computer Science, 18, 186345.
Zhu, J., Liu, Y., Bao, M., et al. (2025). Self-Reflective Planning with Knowledge Graphs: Enhancing LLM Reasoning Reliability for Question Answering. arXiv:2505.19410.
Song, S. (2025). Knowledge-Aware Iterative Retrieval for Multi-Agent Systems. arXiv:2503.13275.
Yu Flores, L. J., Shen, J., & Gu, X. (2025). Towards Reliable Multi-Agent Systems for Marketing Applications via Reflection, Memory, and Planning. arXiv:2508.11120.
Wu, P., et al. (2025). HiPRAG: Hierarchical Process Rewards for Efficient Agentic Retrieval-Augmented Generation. OpenReview.
Sun, J., et al. (2026). AutoSearch: Adaptive Search Depth for Efficient Agentic Retrieval-Augmented Generation. OpenReview.
Liang, J., et al. (2025). A Survey on Reasoning Agentic Retrieval-Augmented Generation. Findings of IJCNLP 2025.
W3C. (2013). PROV-O: The PROV Ontology.
W3C. (2013). Constraints of the PROV Data Model.
W3C. (2024). The PROV-JSONLD Serialization.
Schick, T., et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. NeurIPS 2023.
Yao, S., Zhao, J., Yu, D., et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023.
Madaan, A., Tandon, N., Gupta, P., et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. NeurIPS 2023.
Park, J. S., O'Brien, J., Cai, C. J., et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. UIST 2023.
Sumers, T. R., et al. (2024). Cognitive Architectures for Language Agents. Transactions on Machine Learning Research.
Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020.

系列銜接

本篇完成第三部的技術核心：GCMS 如何從問題形成下一個可追溯知識狀態。下一篇將把單一主體或單一 Agent 的循環擴展為多智能體認知繼承：

《從個人記憶到多智能體認知繼承》

下一篇將討論：

同一 GCMS 如何被不同智能體投影與調用；
能力、權限、角色與任務差異；
記憶共享與私有記憶；
多智能體之間的知識交接、分歧與合併；
認知繼承不等於人格複製或作者代表。

09_GCMS遞歸自主循環_從問題到新知識狀態