Operator-Assisted Memory

算子標籤、混合檢索與可解釋 AI 知識導航

中文題名： 算子輔助記憶：算子標籤、混合檢索與可解釋 AI 知識導航
作者： Neo.K（許筌崴）
AI 協作： GPT-5.6 Thinking
機構： EveMissLab／一言諾科技有限公司
文件性質： 內部研究論文／內視分類學重構系列應用論文 F
版本： v0.1
日期： 2026-07-31
狀態： 系統架構、資料模型與實驗設計；尚未完成大規模實作驗證
取代關係： 本文取代《內視記憶系統：基於坐標化的 AI 知識管理框架》作為目前正式基線；舊 IMS 保留為歷史探索版本
前置文件：

《內視分類學的算子論》
《第一人稱可及性與公共不可觀察性》
《內視算子代數》
《宗教與神秘體驗的算子比較》
《內感—呼吸—動作耦合》

摘要

本文提出 Operator-Assisted Memory（OAM，算子輔助記憶），作為舊版 Inner-View Memory System（IMS）的重構版本。舊 IMS 將文檔映射到七維坐標，主張具有明確認知語義的低維坐標可以取代或超越高維向量嵌入，並能以坐標距離實現精確檢索、可解釋導航及從「RAG 1.0」到「RAG 2.0」的範式轉移。該設計包含一項仍具價值的直覺：AI 知識系統不應只能回答「哪份文本最相似」，還應支援「更抽象」「更具體」「更接近原始來源」「更偏實證」「查看反例」「沿依賴向上」等方向性導航。然而，舊版把七個人工坐標視為完整語義空間，並在沒有實驗結果的情況下宣稱其在精度、可解釋性與擴展性上優於傳統 RAG，這些強主張必須撤回。

OAM 不以算子標籤取代向量嵌入，而採用多表示、多索引與自適應路由架構。每個知識物件 $d$ 被表示為：

\mathcal{K}(d) = \left( E_d, L_d, \Phi_d, G_d, P_d, V_d, S_d, C_d \right)

其中：

$E_d$ ：dense semantic embedding；
$L_d$ ：sparse lexical representation；
$\Phi_d$ ：內視算子及知識操作標籤；
$G_d$ ：概念、命題、依賴及引用圖；
$P_d$ ：來源與 provenance；
$V_d$ ：版本與時間狀態；
$S_d$ ：認識狀態；
$C_d$ ：存取、可見性及領域條件。

查詢不再只被映射成一個向量，而被編譯為查詢計畫：

\mathcal{Q}(q) = \left( q_{\mathrm{lex}}, q_{\mathrm{sem}}, q_{\mathrm{op}}, q_{\mathrm{graph}}, q_{\mathrm{epi}}, q_{\mathrm{version}}, q_{\mathrm{route}} \right)

不同查詢可以自適應選擇：

sparse retrieval；
dense retrieval；
hybrid fusion；
operator filtering；
graph traversal；
provenance backtracking；
version retrieval；
global community search；
answerability gating。

最終候選分數可表示為：

\operatorname{Score}(d\mid q) = \mathcal{F} \left( s_{\mathrm{sparse}}, s_{\mathrm{dense}}, s_{\mathrm{operator}}, s_{\mathrm{graph}}, s_{\mathrm{provenance}}, s_{\mathrm{epistemic}}, s_{\mathrm{version}} \right)

但本文不預設固定線性權重。近期混合 RAG、GraphRAG、query routing 及 retriever routing 研究皆指出，不同問題對稀疏、稠密、圖式及不同檢索器的需求不相同；固定單一路徑往往不能處理精確詞彙、全局主題、多跳關係與版本條件等異質問題。

OAM 的新意不在於宣稱一組算子標籤可以表示全部語義，而在於將算子標籤作為可解釋導航面。向量檢索回答「語義上接近什麼」；算子標籤回答「以何種方向、角色與操作關係接近」；TCF 與圖結構回答「這項命題依賴什麼、由何處而來、目前是猜想還是已驗證」；Original 則提供最高來源回調。

本文提出十四種導航指令、查詢路由器、多階段檢索管線、檢索追蹤證書、節點級與文檔級雙層索引、標籤不確定性、反過濾救援、版本失效傳播，以及適用於 Logic Matrix 的最小資料結構。本文亦提出一套對照實驗，將 BM25、dense RAG、hybrid RAG、GraphRAG、舊 IMS、OAM 及 OAM+TCF 進行比較。評估不只包含 Precision@k 與 Recall@k，也包含導航成功率、依賴路徑正確率、來源可追溯率、認識狀態保持率、版本混淆率、解釋忠實性、過度過濾損失與全局問題覆蓋度。

本文最終主張：AI 記憶問題不是單純的「記住」或「找到」，而是能否在不同檢索模式之間路由，理解知識物件的角色與狀態，沿著明確方向探索，並說明此次檢索為何成立。算子標籤不應取代向量，而應成為向量搜尋缺少的方向盤、儀表板與交通規則。

關鍵詞： Operator-Assisted Memory、混合檢索、RAG、GraphRAG、算子標籤、知識導航、TCF、來源追溯、query routing、可解釋檢索

0. 從 IMS 到 OAM

0.1 舊 IMS 的核心直覺

舊 IMS 指出三個真實問題：

向量嵌入維度通常缺乏人類可讀語義；
餘弦相似不直接解釋「為何相關」；
一般 RAG 容易做相似搜尋，卻不容易支援方向性探索。

它因此提出：

\Phi: d \rightarrow (d_1,\ldots,d_7)

並使用：

D_{\mathrm{coord}}(q,d) = \sqrt{ \sum_i w_i(q_i-d_i)^2 }

重新排序候選文檔。

舊版甚至已經採用：

向量粗召回；
七維坐標重排；

的混合雛形，而非完全刪除向量。這是可保留的工程起點。

0.2 舊 IMS 的過度主張

問題在於它進一步宣稱：

$\mathbb{R}^{768}$ 是無結構黑箱；
$\mathbb{R}^{7}$ 是具有完整元規則的白箱；
七維坐標能精確表示文檔；
坐標距離反映真實語義關係；
IMS 已在精度、可解釋性及擴展性上證明優於 RAG；
「更抽象」可以直接等同提高單一 $d_3$ ；
主客比例、頻譜及拓撲可作為所有文件的通用標量。

這些內容沒有完成實驗，也承接了舊內視分類學的完備性假定。

0.3 新命名

「Inner-View Memory System」容易把 AI 知識檢索與主觀內視混在一起。

新名稱：

\boxed{ \text{Operator-Assisted Memory} }

強調的是：

算子標籤輔助；
不取代其他表示；
記憶是存取與導航系統；
不預設 AI 具有主觀內視。

1. 記憶不是單一向量

令知識物件集合為：

\mathcal{D} = \{ d_1,d_2,\ldots,d_N \}

每個知識物件可以是：

一篇 Original；
一份 TCF；
一個命題節點；
一段來源；
一項實驗；
一份 3M 結果；
一次對話；
一個版本差異；
一項反例。

OAM 將每個物件表示為：

\mathcal{K}(d) = ( E,L,\Phi,G,P,V,S,C )

1.1 稠密表示 $E$

E(d)\in\mathbb{R}^{n}

用於：

語義近似；
同義改寫；
跨語言召回；
模糊查詢；
內容相似。

OAM 不把 embedding 描述成「無結構所以沒有價值」。它是學習得到的分布式表示，其內部維度不必逐維可讀，仍可能具有強大召回能力。

1.2 稀疏表示 $L$

包含：

BM25；
learned sparse representation；
關鍵詞；
專有名詞；
符號；
精確版本號；
文件編號；
人名與引用。

稀疏檢索對下列查詢常有優勢：

TCF v2.1
KINV-00042
Δ_OT
EML-IOT-2026-v4.0

1.3 算子標籤 $\Phi$

\Phi(d) = \{ (o_i,\theta_i,\gamma_i,p_i) \}

其中：

$o_i$ ：算子類型；
$\theta_i$ ：參數；
$\gamma_i$ ：標註信心；
$p_i$ ：來源與標註方法。

算子標籤可以包括：

SCOPE.FOCUS
SCOPE.EXPAND
META.REVIEW
REP.FORMALIZE
REP.COMPRESS
TIME.HISTORICAL
TIME.COUNTERFACTUAL
REL.SELF_AS_OBJECT
RHYTHM.PERIODIC
STRUCT.HIERARCHICAL
INTERO.BREATH
ACTION.ROBOT_CONTROL

對一般知識文件，亦可增加知識導航標籤：

ABSTRACTION.UP
ABSTRACTION.DOWN
EVIDENCE.EMPIRICAL
EVIDENCE.FORMAL
EVIDENCE.TESTIMONIAL
ROLE.DEFINITION
ROLE.HYPOTHESIS
ROLE.COUNTEREXAMPLE
ROLE.IMPLEMENTATION
ROLE.CRITIQUE

1.4 關係圖 $G$

TCF／SGCD／研究圖中可包含：

defines
depends_on
supports
contradicts
refines
implements
tests
translates
supersedes
derived_from
same_claim_as
counterexample_to

1.5 來源 $P$

包括：

Original SourceSpan；
作者；
文件；
外部文獻；
生成模型；
人工覆核；
3M artifact；
轉換歷史。

1.6 版本 $V$

V(d) = ( v_{\mathrm{doc}}, v_{\mathrm{tcf}}, v_{\mathrm{schema}}, t_{\mathrm{valid}}, t_{\mathrm{deprecated}} )

1.7 認識狀態 $S$

DEFINITION
OBSERVATION
SOURCE_CLAIM
HYPOTHESIS
CONJECTURE
DERIVED
FORMALLY_PROVED
MACHINE_CHECKED
REPRODUCED
REFUTED
UNRESOLVED

1.8 條件 $C$

包括：

領域；
語言；
可見性；
安全層級；
適用族群；
版本限制；
使用權；
任務前提。

2. 查詢也不是單一向量

使用者查詢 $q$ 可能同時包含：

內容需求；
精確詞彙；
導航方向；
證據要求；
版本要求；
來源要求；
排除條件；
回答形式。

因此定義查詢編譯：

\mathcal{Q}(q) = ( q_{\mathrm{lex}}, q_{\mathrm{sem}}, q_{\mathrm{op}}, q_{\mathrm{graph}}, q_{\mathrm{epi}}, q_{\mathrm{version}}, q_{\mathrm{route}} )

2.1 示例

查詢：

找出比舊 IMS 更嚴謹、但仍保留知識導航概念的新版理論。

可編譯為：

lexical:
  include: [IMS, 知識導航]
semantic:
  intent: replacement framework for IMS
operator:
  require:
    - META.REVIEW
    - REP.FORMALIZE
navigation:
  direction:
    - VERSION.LATEST
    - EPISTEMIC.MORE_RIGOROUS
graph:
  relation:
    - supersedes
    - refines
version:
  prefer_active: true
epistemic:
  exclude:
    - historical_claim_as_current
route:
  type: hybrid_graph

查詢：

從這篇理論往下找第一個可執行 MVP。

可編譯為：

navigation:
  direction:
    - APPLICATION.DOWN
    - IMPLEMENTATION.NEAREST
graph:
  relation:
    - implements
    - operationalizes
epistemic:
  prefer:
    - SPECIFICATION
    - CODE
    - TEST_RESULT

3. 十四種知識導航方向

舊 IMS 最有價值的概念，是把檢索從「找相似」提升到「沿方向移動」。

OAM 定義最小導航集合。

3.1 抽象度導航

ABSTRACT.UP
CONCRETE.DOWN

不是對單一標量加減，而是沿關係圖尋找：

一般化；
上位概念；
基礎原理；
具體案例；
實作；
數據。

3.2 來源導航

SOURCE.BACK
DERIVATION.FORWARD

回到 Original；
從來源走向衍生理論。

3.3 證據導航

EVIDENCE.STRONGER
EVIDENCE.WEAKER

例如由：

CONJECTURE
→ TESTABLE_HYPOTHESIS
→ EXPERIMENT
→ REPRODUCED

3.4 時間與版本

VERSION.EARLIER
VERSION.LATER

3.5 立場與反例

CRITIQUE.OPPOSING
COUNTEREXAMPLE.NEAREST

3.6 依賴

DEPENDENCY.UPSTREAM
DEPENDENCY.DOWNSTREAM

3.7 表徵

REP.ORIGINAL
REP.COMPRESSED

3.8 主體與觀察面

PERSPECTIVE.FIRST_PERSON
PERSPECTIVE.PUBLIC_EVIDENCE

這十四種方向可以組合，不宣稱彼此正交。

4. 多階段檢索管線

4.1 查詢理解

q \rightarrow \widehat{\mathcal{Q}}(q)

輸出：

query type；
entities；
exact terms；
operator directions；
evidence requirement；
version requirement；
answerability risk。

4.2 路由

路由器：

\rho(q) \rightarrow \mathcal{R}_q

其中 $\mathcal{R}_q$ 可為：

SPARSE_ONLY
DENSE_ONLY
HYBRID
OPERATOR_FILTERED
GRAPH_LOCAL
GRAPH_GLOBAL
VERSION_TRACE
SOURCE_TRACE
NO_RETRIEVAL

不同查詢需要不同檢索器。近年的 query routing 與 retriever routing 研究亦把「一體適用的單一檢索器」視為限制，並依查詢與下游生成效用動態選擇路徑。

4.3 第一階段召回

候選集合：

C_0 = C_{\mathrm{sparse}} \cup C_{\mathrm{dense}} \cup C_{\mathrm{graph}}

可用 Reciprocal Rank Fusion：

\operatorname{RRF}(d) = \sum_{r\in\mathcal{R}} \frac{1}{k+\operatorname{rank}_r(d)}

4.4 算子與條件處理

分為兩類。

硬約束

例如：

必須是最新版；
不得公開內部文件；
必須有 Original；
必須是 FORMALLY_PROVED。

軟偏好

例如：

更抽象；
更偏實作；
與第一人稱資料更接近；
較強證據。

避免把所有算子條件都做成 hard filter，否則標註錯誤會造成零召回。

4.5 圖擴展

對候選節點沿關係擴展：

C_1 = \operatorname{Expand} ( C_0, G, r, h )

其中：

$r$ ：關係類型；
$h$ ：最大跳數。

4.6 重排

C_2 = \operatorname{Rerank} ( q, C_1, \mathcal{Q}(q) )

重排器同時考慮：

問題相關；
生成可用性；
來源；
狀態；
多樣性；
重複；
版本。

4.7 回答能力閘門

若：

沒有足夠來源；
候選互相衝突；
只有歷史版本；
問題需要尚不存在的證據；

則輸出：

PARTIALLY_ANSWERABLE
UNANSWERABLE_FROM_CORPUS
VERSION_CONFLICT
EVIDENCE_INSUFFICIENT

而不是強行生成。

5. 分數模型

最簡形式：

s(d\mid q) = \alpha s_L + \beta s_E + \gamma s_{\Phi} + \delta s_G + \eta s_P + \mu s_S + \nu s_V

但固定權重具有侷限。

5.1 查詢自適應權重

\mathbf{w}_q = f_{\omega} ( q, \operatorname{margin}_{\mathrm{sparse}}, \operatorname{margin}_{\mathrm{dense}}, \operatorname{coverage}_{\Phi}, \operatorname{graph\_availability} )

精確專有名詞查詢可提高 sparse 權重；概念改寫提高 dense 權重；依賴與全局問題提高 graph 權重；方向性探索提高 operator 權重。

5.2 生成效用

相關文檔不一定能支持正確回答。因此加入：

u_{\mathrm{gen}}(d,q)

衡量文檔是否包含：

可引用證據；
完整條件；
可解析來源；
足夠上下文；
正確版本。

最終：

s^* = \lambda s_{\mathrm{retrieval}} + (1-\lambda)u_{\mathrm{gen}}

5.3 多樣性

對全局問題，避免 top-$k$ 全部來自同一局部群組：

\operatorname{MMR} = \arg\max_d \left[ \lambda s(d,q) - (1-\lambda) \max_{d'\in C_{\mathrm{selected}}} \operatorname{sim}(d,d') \right]

6. 算子標籤不是坐標真理

6.1 多標籤而非單點

同一文件可以同時包含：

REP.FORMALIZE
META.CRITIQUE
TIME.HISTORICAL
REL.MULTI_AGENT
ACTION.IMPLEMENTATION

所以：

\Phi(d) \neq (x_1,\ldots,x_9)

而是帶不確定性的集合或序列。

6.2 節點級標籤

整篇論文可能同時包含：

理論背景；
實驗；
猜想；
批判；
實作。

因此算子應標在：

document；
section；
statement；
relation；
source span；

不同粒度。

6.3 不確定性

P(o_i\mid d)

而不是：

o_i(d)\in\{0,1\}

保留：

confidence
annotator
model_version
review_status

6.4 開放集合

若現有算子不適合：

UNKNOWN_OPERATOR
NEW_OPERATOR_CANDIDATE
MULTIPLE_PLAUSIBLE

不能強行分類。

7. 反過濾救援

結構標籤最大的風險，是錯誤標籤使真正相關文檔被排除。

7.1 過度過濾

若硬條件導致：

|C|<k_{\min}

則啟動 rescue：

將低信心 hard filter 改為 soft preference；
擴展同義算子；
回退至 dense／sparse；
向使用者顯示條件放寬。

7.2 過濾後悔

定義：

R_{\mathrm{filter}} = \operatorname{Recall}_{\mathrm{unfiltered}} - \operatorname{Recall}_{\mathrm{filtered}}

若結構過濾提高 precision 卻嚴重損失 recall，需重新調整。

7.3 標籤覆蓋

\operatorname{Coverage}_{\Phi} = \frac{ \text{具有可靠算子標籤的知識節點} }{ \text{總知識節點} }

覆蓋低時不應過度依賴算子路由。

8. 圖式與全局導航

一般向量 RAG擅長局部相關文本，但較難回答：

這個資料庫有哪些主要理論群？
哪些論文共同依賴某一假設？
某概念如何跨十篇文件演化？
哪些分支已經有反例？
整體研究的空白在哪裡？

GraphRAG 以實體—關係圖和階層社群摘要處理全局 sensemaking；GRAG 則針對圖資料進行文字子圖檢索與多跳推理。OAM 吸收兩者的結構優勢，但不要求所有資料都轉成單一知識圖。

8.1 Local search

從具體節點出發：

n_0 \rightarrow N_h(n_0)

8.2 Global search

從社群、主題或依賴群出發：

\mathcal{C}_1,\ldots,\mathcal{C}_m

8.3 Directional search

算子導航指定圖遍歷方向：

ABSTRACT.UP
IMPLEMENTATION.DOWN
COUNTEREXAMPLE
SUPERSEDES
SOURCE.BACK

8.4 動態社群選擇

不必每次讀取全部社群摘要，可以從根節點評估相關性並動態向下展開，降低不相關上下文。

9. TCF 作為主要結構層

OAM 與 TCF 的分工：

\text{Original} \rightarrow \text{TCF} \rightarrow \text{OAM Index} \rightarrow \text{Retrieval／Navigation}

9.1 Original

最高來源；
完整語境；
原始敘事；
最終回調。

9.2 TCF

concept；
statement；
argument；
relation；
evidence；
verification；
version；
visibility。

9.3 OAM

建立多索引；
路由查詢；
執行導航；
輸出檢索追蹤；
不改寫來源權威。

9.4 3M

提供執行、反例與證據；
可作為 EVIDENCE.STRONGER 的下游導航。

10. 檢索追蹤證書

每次檢索應能回答：

為什麼這份資料出現在結果中？

示例：

{
  "retrieval_id": "OAM-R-00042",
  "query": "找出內視分類學中更嚴謹的呼吸理論",
  "route": [
    "HYBRID",
    "OPERATOR_FILTERED",
    "VERSION_TRACE"
  ],

  "query_plan": {
    "semantic_intent": "reconstructed breathing framework",
    "operators": [
      "META.CRITIQUE",
      "REP.FORMALIZE",
      "INTERO.BREATH"
    ],
    "version_preference": "latest_active",
    "epistemic_preference": "testable_over_metaphysical"
  },

  "result": {
    "document_id": "IOT-E-v0.1",
    "scores": {
      "sparse": 0.63,
      "dense": 0.91,
      "operator": 0.88,
      "graph": 1.0,
      "version": 1.0,
      "epistemic": 0.94
    },
    "graph_path": [
      "historical_v3",
      "superseded_by",
      "IOT-E-v0.1"
    ],
    "source_available": true
  },

  "explanation": [
    "This document supersedes the historical breathing paper.",
    "It is tagged as interoception, respiration, action, and methodological critique.",
    "It has a later active version and separates testable claims from ontology."
  ]
}

解釋必須由實際檢索訊號生成，不能事後由 LLM 編造。

11. OAM 資料結構

{
  "knowledge_object_id": "KO-00042",
  "granularity": "statement",
  "content": "...",

  "representations": {
    "dense_embedding_ref": "emb://...",
    "sparse_terms": ["TCF", "knowledge invariant"],
    "language": "zh-Hant"
  },

  "operators": [
    {
      "family": "REP",
      "mode": "FORMALIZE",
      "confidence": 0.91,
      "annotator": "model+human"
    },
    {
      "family": "META",
      "mode": "CRITIQUE",
      "confidence": 0.84
    }
  ],

  "knowledge_role": [
    "HYPOTHESIS",
    "FRAMEWORK"
  ],

  "relations": [
    {
      "type": "supersedes",
      "target": "KO-OLD-001"
    },
    {
      "type": "depends_on",
      "target": "KO-00011"
    }
  ],

  "provenance": {
    "original_document": "DOC-009",
    "source_spans": ["SPAN-021", "SPAN-028"],
    "tcf_version": "2.1.0"
  },

  "version": {
    "semantic_version": "0.1",
    "status": "active",
    "valid_from": "2026-07-31"
  },

  "epistemic_status": {
    "state": "STRUCTURAL_CONJECTURE",
    "verification": "NOT_TESTED"
  },

  "access": {
    "visibility": "internal"
  }
}

12. 索引架構

12.1 Dense index

用於語義召回。

12.2 Sparse index

用於精確術語與符號。

12.3 Operator index

倒排：

REP.FORMALIZE → [KO-1, KO-7, KO-9]
META.CRITIQUE → [KO-2, KO-9]

12.4 Graph index

鄰接表、property graph 或 RDF／TCF relation store。

12.5 Version index

追蹤：

active；
deprecated；
historical；
superseded；
branch；
merge。

12.6 Provenance index

由命題回到：

SourceSpan；
Original；
artifact；
reviewer； -生成流程。

12.7 Epistemic index

支援：

only_verified
include_conjectures
show_refuted
show_unresolved

13. 查詢路由類型

13.1 Exact lookup

例：

KINV-00042 是什麼？

使用 sparse + ID index。

13.2 Semantic lookup

例：

哪些理論討論 AI 如何維持可修訂知識？

使用 dense + rerank。

13.3 Directional navigation

例：

找比這篇更具體的實作。

使用 operator + graph。

13.4 Relational query

例：

哪些論文依賴「Original 最高來源」？

使用 graph traversal。

13.5 Global query

例：

這 2,000 篇理論主要形成哪些研究群？

使用 graph community／hierarchical summarization。

13.6 Epistemic query

例：

哪些命題仍只是猜想，但已經有 3M 實驗？

使用 epistemic + evidence relation。

13.7 Version query

例：

內視分類學從 v1 到重構版改了什麼？

使用 version trace + source.

13.8 Negative query

例：

找出反對「宇宙呼吸律」的重構內容。

使用 critique + contradiction + supersedes。

14. 原子單元與多粒度檢索

固定字數 chunk 可能切斷：

條件；
主張；
證據；
否定；
來源。

企業 RAG 研究已嘗試把 chunk 分解成原子命題並生成問題，以改善召回。TCF 天然提供概念與命題級單元。

OAM 支援：

DOCUMENT
SECTION
ARGUMENT
STATEMENT
SOURCE_SPAN
EVIDENCE_ARTIFACT

14.1 粗到細

文檔／社群召回；
章節定位；
命題定位；
SourceSpan 回調。

14.2 細到粗

找到命題；
補回其條件；
補回論證；
補回文檔與版本背景。

15. 可解釋性不是顯示權重而已

「因為算子距離是 0.2」不是充分解釋。

OAM 的檢索解釋至少包含：

命中的查詢條件；
使用的路由；
主要匹配內容；
圖路徑；
來源；
版本；
認識狀態；
被排除結果與原因；
不確定性。

15.1 忠實解釋

解釋應由實際計算 trace 產生：

e = g(\text{retrieval trace})

而不是：

e = \operatorname{LLMInvent}(q,d)

15.2 可反查

每句解釋可回到：

score component
filter rule
graph edge
metadata field
source span

16. 評估框架

舊 IMS 只規劃 Precision@k、Recall@k、坐標一致性與人工解釋評分。OAM 擴展如下。

16.1 檢索品質

Recall@k；
Precision@k；
MRR；
nDCG；
MAP；
answer recall。

16.2 導航成功率

N_{\mathrm{success}} = \frac{ \text{到達目標類型或節點的導航} }{ \text{導航查詢總數} }

16.3 路徑正確率

檢索出的依賴、版本或來源路徑是否正確。

16.4 來源可追溯率

P_{\mathrm{trace}} = \frac{ \text{可回到充分 SourceSpan 的結果} }{ \text{需要來源的結果} }

16.5 認識狀態保持

是否把猜想誤當事實、歷史稿誤當現行稿。

16.6 版本混淆率

F_{\mathrm{version}} = \frac{ \text{返回錯誤版本的查詢} }{ \text{版本敏感查詢} }

16.7 過濾後悔

R_{\mathrm{filter}}

16.8 解釋忠實性

解釋中的理由是否真正參與檢索。

16.9 全局覆蓋度

對資料庫全局問題，答案是否涵蓋多個主要社群。

16.10 成本

indexing cost；
latency；
token cost；
graph construction cost；
annotation cost。

17. 對照實驗

17.1 系統組別

A. BM25

只使用稀疏檢索。

B. Dense RAG

embedding + cosine。

C. Hybrid RAG

BM25 + dense + fusion。

D. GraphRAG

圖索引與全局／局部搜尋。

E. IMS Historical

dense recall + 七維距離重排。

F. OAM

hybrid + operator + version／epistemic metadata。

G. OAM + TCF

節點級 TCF、來源回調與圖導航。

H. OAM + TCF + 3M

加入可執行證據及結果路由。

17.2 查詢集

至少包含：

exact
paraphrase
cross-lingual
global
multi-hop
abstract-up
concrete-down
source-back
version
counterexample
epistemic-status
implementation
unanswerable

17.3 消融實驗

移除：

sparse；
dense；
operator；
graph；
version；
epistemic；
provenance；
adaptive router。

觀察每一層真正提供的價值。

18. 主要假說

H1：混合優於替代

OAM 的最佳表現來自多表示互補，而不是算子標籤全面取代 embedding。

H2：算子層主要改善導航

算子標籤對 ABSTRACT.UP、IMPLEMENTATION.DOWN、PERSPECTIVE 等方向查詢的改善，應高於一般相似查詢。

H3：TCF 提高來源與狀態正確率

OAM + TCF 應降低來源丟失、條件丟失及認識狀態漂移。

H4：自適應路由優於固定融合

不同查詢動態選擇 sparse、dense、graph 及 operator 權重，應優於單一固定權重。

H5：硬過濾具有雙刃效果

可靠標籤的硬過濾提高 precision；低覆蓋或錯誤標籤則降低 recall。

H6：圖層改善全局與多跳查詢

Graph layer 對 corpus-level themes、依賴與演化問題較有價值，但對簡單 exact lookup 未必划算。

H7：檢索 trace 提高可審計性

有 trace 的系統較容易發現錯誤版本、錯誤來源及錯誤路由。

H8：舊 IMS 在部分導航任務仍可能有效

七維歷史坐標可以作為 baseline，某些人工方向標籤可能確實有用；但其優勢需實驗而非理論宣告。

19. 失敗模式

19.1 標籤本體僵化

新知識被迫塞入舊算子。

19.2 標籤幻覺

AI 自動標註產生不存在的角色或狀態。

19.3 偽精確

顯示 0.873 的 operator score，卻沒有可靠標註基礎。

19.4 圖污染

錯誤 relation 造成多跳放大。

19.5 版本失效

舊節點被新版本取代，但仍在檢索中獲得高分。

19.6 來源洗白

生成摘要被誤當 Original。

19.7 全局摘要偏差

Graph community summary 遺漏少數但重要分支。

19.8 過度複雜

在小型資料庫或簡單查詢中，多層路由成本高於收益。

19.9 導航循環

使用者或 agent 在 abstract／concrete、source／derived 之間無限往返。

19.10 使用者意圖誤判

「更深入」可能表示更數學、更實證、更細節或更批判，不能直接映射單一方向。

20. 實作分期

Phase 0：離線標註

對 100 篇文件建立：

operator；
role；
epistemic；
version；
provenance；

人工黃金集。

Phase 1：Hybrid Baseline

BM25 + dense + RRF + reranker。

Phase 2：Operator Navigation

先支援四個高價值方向：

ABSTRACT.UP
CONCRETE.DOWN
SOURCE.BACK
VERSION.LATER

Phase 3：TCF Node Index

加入 statement、relation、SourceSpan。

Phase 4：Graph Search

支援依賴、多跳及全局群組。

Phase 5：Adaptive Router

依查詢選擇檢索路徑。

Phase 6：Retrieval Certificate

輸出 trace 與認識狀態。

Phase 7：3M Evidence

從理論導航至執行與反例。

21. Logic Matrix 中的部署

建議端點：

/search
/navigate
/trace
/source
/version
/graph
/epistemic
/global

21.1 Search

普通查詢。

21.2 Navigate

{
  "start": "KO-00042",
  "direction": "ABSTRACT.UP",
  "steps": 2
}

21.3 Trace

回傳檢索證書。

21.4 Source

直接回調 Original SourceSpan。

21.5 Version

顯示演化鏈。

21.6 Epistemic

篩選猜想、已驗證、反駁或未決內容。

22. 與內視分類學的關係

OAM 不再宣稱整個知識世界具有與人類內視相同的九維空間。

真正保留的連接是：

內視算子是一組可用於描述知識文本「在做什麼」的操作標籤。

例如：

一篇文章在壓縮；
一篇文章在反思舊理論；
一篇文章在重建歷史；
一篇文章在改變主客立場；
一篇文章在把理論轉為行動。

這是語義角色標註，不是意識本體映射。

因此：

\boxed{ \text{Operator label} = \text{interpretable semantic facet} }

而非：

\boxed{ \text{Operator label} = \text{complete coordinate of knowledge} }

23. 與舊 IMS 的逐項修訂

舊 IMS	OAM
七維坐標取代高維向量	算子標籤輔助 dense／sparse
每文檔一個坐標	多粒度、多標籤、帶信心
坐標距離是真實語義距離	距離只是可學習／可測的排序訊號
固定維度權重	查詢自適應路由與融合
七維導航	圖關係＋算子方向導航
證明優於 RAG	建立對照實驗
向量是黑箱、坐標是白箱	兩者具有不同優缺點
所有文檔可唯一分類	允許未知、多義與低信心
只比較文件	文件、章節、命題、來源、證據多粒度
無版本治理	active／historical／superseded
無認識狀態	conjecture／verified／refuted／unresolved
找到即回答	answerability gating
解釋來自坐標差	解釋來自檢索 trace

24. 討論：AI 記憶的真正問題

舊 IMS 的結語是：

AI 記憶問題不是記不住，而是找不到。

重構後需要再加三層：

\boxed{ \text{不是只找不到， 也可能找錯版本、找錯狀態、找不到關係、或不知道不該回答。} }

因此 AI 記憶能力至少包括：

Recall：找回候選；
Discrimination：區分相關與表面相似；
Navigation：沿目標方向移動；
Grounding：回到來源；
State Awareness：知道命題目前的認識狀態；
Version Awareness：知道哪個版本有效；
Abstention：資料不足時不偽造答案；
Revision：新資料進入後更新索引與依賴。

所以：

\boxed{ \text{AI Memory} = \text{Storage} + \text{Retrieval} + \text{Navigation} + \text{Governance} + \text{Revision} }

25. 結論

本文提出 Operator-Assisted Memory，將舊 IMS 的核心直覺——「AI 需要可導航的知識空間」——從七維坐標替代論，重構成多表示混合檢索架構。

每個知識物件由：

\boxed{ \mathcal{K}(d) = (E,L,\Phi,G,P,V,S,C) }

共同描述。

每個查詢則被編譯成：

\boxed{ \mathcal{Q}(q) = ( q_{\mathrm{lex}}, q_{\mathrm{sem}}, q_{\mathrm{op}}, q_{\mathrm{graph}}, q_{\mathrm{epi}}, q_{\mathrm{version}}, q_{\mathrm{route}} ) }

OAM 不再主張：

七或九個維度足以表示全部知識；
人工坐標天然優於 learned embeddings；
坐標距離等於語義真實距離；
形式上可導航就代表檢索效果已被證明。

它改為主張：

\boxed{ \text{向量負責召回， 算子負責方向， 圖負責關係， TCF 負責結構， Original 負責來源， 版本與認識狀態負責邊界。} }

算子標籤的角色不是取代向量，而是回答向量難以單獨回答的問題：

這份資料在做什麼？
它比起另一份更抽象還是更具體？
它是原始來源、壓縮表示、批判還是實作？
它目前是猜想、已驗證還是已反駁？
從這裡應往哪個方向探索？
為什麼系統把它找回來？

最終：

\boxed{ \text{Operator-Assisted Memory} = \text{Hybrid Retrieval} + \text{Directional Navigation} + \text{Provenance} + \text{Epistemic Governance} }

這保留了 IMS 最值得留下的「給 AI 一個知識導航儀」概念，同時撤回了把七維坐標當成整個語義世界地圖的過度宣稱。

參考文獻

Edge, D., Trinh, H., Cheng, N., Bradley, J., Chao, A., Mody, A., Truitt, S., Metropolitansky, D., Ness, R. O., & Larson, J. (2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization. Microsoft Research.
Hu, Y., Lei, Z., Zhang, Z., Pan, B., Ling, C., & Zhao, L. (2024). GRAG: Graph Retrieval-Augmented Generation. arXiv:2405.16506.
Kalra, R., Wu, Z., Gulley, A., Hilliard, A., Guan, X., Koshiyama, A., Treleaven, P. C. (2024). HyPA-RAG: A Hybrid Parameter Adaptive Retrieval-Augmented Generation System for AI Legal and Policy Applications. CustomNLP4U 2024.
Islam, S. B., Rahman, M. A., Hossain, K. S. M. T., Hoque, E., Joty, S., & Parvez, M. R. (2024). Open-RAG: Enhanced Retrieval Augmented Reasoning with Open-Source Large Language Models. Findings of EMNLP 2024.
Lu, J., Hall, K., Ma, J., & Ni, J. (2024). HYRR: Hybrid Infused Reranking for Passage Retrieval. LREC-COLING 2024.
Zhuang, S., et al. (2024). PromptReps: Prompting Large Language Models to Generate Dense and Sparse Representations for Zero-Shot Document Retrieval. EMNLP 2024.
Raina, V., & Gales, M. (2024). Question-Based Retrieval using Atomic Units for Enterprise RAG. FEVER 2024.
Zhang, J., Liu, X., Hu, Y., Niu, C., Wu, F., & Chen, G. (2025). Query Routing for Retrieval-Augmented Language Models. arXiv:2505.23052.
Mu, F., Zhang, L., Jiang, Y., Li, W., Zhang, Z., Xie, P., & Huang, F. (2025). Unsupervised Query Routing for Retrieval Augmented Generation. arXiv:2501.07793.
Zhao, T., Zhu, Y., Tian, Y., & Dou, Z. (2026). R3AG: Retriever Routing for Retrieval-Augmented Generation. arXiv:2604.22849.
Raya-Rios, V., Gomez-Adorno, H., Hecht, L., et al. (2026). IIMAS-RAG at SemEval-2026 Task 8: Hybrid Sparse-Dense Retrieval and Answerability-Conditioned Generation for Multi-Turn RAG. SemEval 2026.
Yang, J., Chen, Y., & Yang, L. (2026). DUTIR at SemEval-2026 Task 8: A Hybrid Retrieval and Faithfulness-Guarded Framework for Multi-Turn RAG. SemEval 2026.
Cao, Y., Gao, Z., Li, Z., Xie, X., Zhou, K., & Xu, J. (2024). LEGO-GraphRAG: Modularizing Graph-based Retrieval-Augmented Generation for Design Space Exploration. arXiv:2411.05844.
Neo.K. (2026). 內視記憶系統：基於坐標化的 AI 知識管理框架. Historical Internal Version.
Neo.K. (2026). 內視分類學的算子論. EveMissLab Internal Paper v0.1.
Neo.K. (2026). 內視算子代數. EveMissLab Internal Paper v0.1.
Neo.K. (2026). Original–TCF–3M 三平面研究架構. EveMissLab Internal Paper v0.1.

內部研究備註

本文為內視分類學第一輪重構系列應用論文 F。
至此 A–F 六份新基線已完成：
- A：算子論與不可觀察者分類；
- B：第一人稱資料分層；
- C：算子代數；
- D：宗教與神秘體驗；
- E：內感—呼吸—動作；
- F：Operator-Assisted Memory。
下一步不應繼續增加理論篇數，優先建立：
- 系列索引；
- TCF 轉換；
- OAM 最小資料 Schema；
- 100 篇黃金標註集；
- BM25＋dense＋operator baseline。
舊 IMS 可作為消融 baseline，不刪除。
OAM 名稱中的 Memory 指 AI 知識存取與治理，不表示 AI 主觀記憶。

內視分類學重構系列_F_Operator-Assisted-Memory_算子輔助記憶_v0.1