← Archive
lm-002411 · 2026-08

多表示智能記憶

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

多表示智能記憶

——從狀態機、向量資料庫、知識圖譜到拓樸與相位空間的記憶表示論

英文題名： Multi-Representational Intelligent Memory: From State Machines, Vector Databases, and Knowledge Graphs to Topological and Phase-Space Memory
作者： Neo.K
AI 協作： Aletheia（GPT-5.6 Thinking）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026 年 8 月
類型： Agent Memory／Cognitive Architecture／Knowledge Representation／Graph Memory／Adaptive Representation

摘要

當代大型語言模型 Agent 的長期記憶，常以少數幾種工程形式實作：文字摘要、Key-Value 狀態、向量嵌入、關聯式資料庫、文件索引與知識圖譜。這些方法各有成功案例，但也容易產生一個隱含假設：

Memory=One Preferred Representation\text{Memory} = \text{One Preferred Representation}

例如認為所有長期記憶最終都應被轉換成 embedding，或所有結構化知識都應被圖形化。

本文提出相反命題：

Memory≠One Representation\boxed{ \text{Memory} \neq \text{One Representation} }

智能體所面對的記憶問題具有異質性。不同問題需要保存不同結構：

  • 語義相似度；
  • 精確數值；
  • 時序；
  • 因果；
  • 關係；
  • 狀態；
  • 分支；
  • 不確定性；
  • 空間鄰接；
  • 版本演化；
  • 連通性；
  • 動態軌跡。

因此本文提出 多表示智能記憶（Multi-Representational Intelligent Memory, MRIM）：

M={Mtext,Mvector,Mstate,Mrelational,Mgraph,Mtemporal,Mcausal,Mtopological,Mphase,…}\boxed{ \mathfrak M = \{ M^{text}, M^{vector}, M^{state}, M^{relational}, M^{graph}, M^{temporal}, M^{causal}, M^{topological}, M^{phase}, \ldots \} }

其中不同表示並非互斥，而可對同一資訊形成不同投影。

在 2026 年的 Agent memory 研究中，這種方向已經出現明顯工程前兆。Hindsight 同時結合 vector search、keyword matching、graph traversal 與 temporal filtering；Mnemis 同時使用語義相似度與階層圖遍歷；GAM 則把事件進展圖與主題關聯網分離，再進行分層整合。

本文因此進一步提出：

Representation Selection\boxed{ \text{Representation Selection} }

本身應成為智能行為的一部分。

未來 Agent 不只需要回答：

「我要記什麼？」

也需要回答：

「這件事現在應該用什麼形式記？」

並進一步允許：

Mi→transformMjM_i \xrightarrow{\text{transform}} M_j

亦即，同一記憶可依任務、風險、成本與認知需要，在不同表示之間轉換。

本文最後提出拓樸記憶與相位記憶作為後續猜想方向，但不主張這兩者已形成成熟通用 Agent-memory paradigm；其目的在於說明，一旦記憶表示不再被固定為資料表、向量或離散節點，智能記憶仍存在更廣大的幾何與動力學表示空間。

關鍵詞

Multi-Representational Memory、Agent Memory、Vector Memory、Graph Memory、Knowledge Graph、State Machine、Topology、Phase Space、Adaptive Memory、Cognitive Representation

一、問題的提出：記憶應該存在哪裡？

對 Agent memory 而言，常見問題是：

應該用 Vector Database 還是 Knowledge Graph？

或者：

SQL 還是 NoSQL？

再或者：

摘要還是完整對話？

但這可能從一開始就是一個錯誤形式的問題。

因為：

不同記憶問題可能需要不同表示\boxed{ \text{不同記憶問題可能需要不同表示} }

就像：

Image≠Text≠Graph≠Time Series\text{Image} \neq \text{Text} \neq \text{Graph} \neq \text{Time Series}

但它們都可以描述同一個世界。

二、內容角色與資料表示必須分開

上一篇提出：

(E,S,M,K,A)(E,S,M,K,A)

分別代表：

  • Event；
  • State；
  • Memory；
  • Knowledge；
  • Artifact。

但：

EventEvent

不等於：

EventTableEventTable

同樣：

StateState

不等於：

FiniteStateMachineFiniteStateMachine

以及：

KnowledgeKnowledge

不等於：

KnowledgeGraphKnowledgeGraph

所以必須區分：

Semantic Role\boxed{ \text{Semantic Role} }

與：

Representation Form\boxed{ \text{Representation Form} }

三、表示函數

假設存在某項記憶內容：

xx

我們可以對它建立不同表示：

ρi(x)\rho_i(x)

其中：

ρi\rho_i

為第 ii 種表示算子。

因此：

x→ρvectorvxx \xrightarrow{\rho_{vector}} v_x x→ρgraphGxx \xrightarrow{\rho_{graph}} G_x x→ρtemporalTxx \xrightarrow{\rho_{temporal}} T_x x→ρstateSxx \xrightarrow{\rho_{state}} S_x

這些並不表示存在四個不同世界。

而是：

One informational object→Multiple operational views\boxed{ \text{One informational object} \rightarrow \text{Multiple operational views} }

四、表示不是本體

如果：

xx

被嵌入成：

vx∈Rdv_x\in\mathbb R^d

不代表：

x=vxx=v_x

它只是：

vx=ρvector(x)v_x=\rho_{vector}(x)

同理：

node(x)node(x)

也不是 xx 本身。

因此：

Representation≠RepresentedObject\boxed{ Representation \neq Represented Object }

這是本文最基礎的原則。

五、文字記憶

最原始形式：

MtextM^{text}

例如：

使用者決定暫停專案，等待新資料。

優勢：

  • 表達力高；
  • 方便 LLM；
  • 保留自然語義；
  • 易於人工閱讀。

缺點：

  • 精確查詢困難；
  • 結構隱含；
  • 關係不透明；
  • 易受措辭影響。

因此：

MtextM^{text}

非常適合：

NarrativeNarrative

但不一定適合：

ExactStateQueryExactStateQuery

六、Key-Value / State 記憶

例如：

project_status: paused
version: 0.3
next_trigger: new_data

可表示：

Mstate={(ki,vi)}M^{state} = \{ (k_i,v_i) \}

優點：

  • 清楚；
  • 快速；
  • 易驗證；
  • 適合控制。

但問題是：

世界真的都是單值狀態嗎？

例如：

architecture=Aarchitecture=A

可能太粗。

真實情況可能是：

Candidates={A,B,C}Candidates=\{A,B,C\}

且：

P(A)=0.5,P(B)=0.3,P(C)=0.2P(A)=0.5,\quad P(B)=0.3,\quad P(C)=0.2

所以 Key-Value 很適合：

settled operational states\text{settled operational states}

不一定適合：

ambiguous cognitive states\text{ambiguous cognitive states}

七、關聯式資料庫

若資訊具有固定 schema：

R(A1,A2,…,An)R(A_1,A_2,\ldots,A_n)

則 relational representation 非常強。

例如：

project version status date
X 0.3 paused T1

優勢：

  • 精確查詢；
  • transaction；
  • constraint；
  • join；
  • 可審計。

缺點：

  • schema 需要預先設計；
  • 弱於開放語義；
  • 對快速變動關係較僵硬。

因此：

MrelationalM^{relational}

應被視為重要表示之一，而不是舊技術。

八、向量記憶

向量表示：

x→vx∈Rdx \rightarrow v_x\in\mathbb R^d

以距離：

d(vq,vx)d(v_q,v_x)

估計語義相關性。

這使：

semantic retrieval\text{semantic retrieval}

非常方便。

優勢：

  • 模糊匹配；
  • 語義搜尋；
  • 非結構化資料；
  • 大規模 retrieval。

缺點：

  • 精確關係不一定保存；
  • 時序容易模糊；
  • provenance 需要額外結構；
  • 「相似」不等於「正確相關」。

2026 年的實證比較也顯示，vector memory 與 graph memory 存在成本—準確率取捨，並不存在所有情境下都顯然更優的唯一表示。

九、圖記憶

Graph：

G=(V,E)G=(V,E)

天然適合：

entities+relations\text{entities} + \text{relations}

例如：

Neo.K→authoredPaperNeo.K \xrightarrow{authored} Paper Paper→depends onUBEPaper \xrightarrow{depends\ on} UBE

Graph-based Agent Memory 在 2026 年已形成相當明確的研究分支，相關 survey 將其優勢集中在 relational dependencies、hierarchy、structured retrieval 與 memory evolution。

十、Graph 並不是「更高級 Vector DB」

這兩種表示回答不同問題。

向量主要回答：

哪些內容看起來相近？

即：

Nearest(q)Nearest(q)

Graph 則主要回答：

哪些內容經由哪些關係相連？

即：

Path(a,b)Path(a,b)

所以：

Similarity≠Relation\boxed{ Similarity \neq Relation }

十一、Hybrid 已經開始成為自然解

例如 Mnemis 同時使用：

Similarity Retrieval\text{Similarity Retrieval}

與：

Hierarchical Graph Traversal\text{Hierarchical Graph Traversal}

形成雙路 retrieval。

Hindsight 則同時使用：

Vector+Keyword+Graph+TemporalVector + Keyword + Graph + Temporal

來完成 recall。

這表示工程實踐正在逐步承認：

One Retrieval Geometry is often insufficient\boxed{ \text{One Retrieval Geometry is often insufficient} }

十二、時間記憶

很多 Agent memory 問題不是：

什麼和這件事情像？

而是：

當時是什麼？

因此需要：

MtemporalM^{temporal}

例如事件：

ei=(xi,ti)e_i=(x_i,t_i)

並可定義：

t1<t2<t3t_1<t_2<t_3

形成：

A→B→CA\rightarrow B\rightarrow C

十三、時間不是 Metadata 而已

如果只是：

created_at = T

時間仍只是附加欄位。

但真正 Temporal Memory 需要處理：

  • before；
  • after；
  • during；
  • valid-from；
  • valid-until；
  • recurrence；
  • revision；
  • temporal overlap。

因此：

Time\boxed{ Time }

本身可能需要成為結構。

十四、因果記憶

假設：

AA

在 BB 前發生。

不表示：

A→BA\rightarrow B

是因果。

因此：

TemporalRelation≠CausalRelationTemporalRelation \neq CausalRelation

需要：

McausalM^{causal}

描述：

A→causesBA\xrightarrow{causes}B

或者較弱：

A→supportsBA\xrightarrow{supports}B A→contributesBA\xrightarrow{contributes}B A→blocksBA\xrightarrow{blocks}B

十五、為什麼 Agent 需要因果記憶？

因為：

我們為什麼不用方案 A？

不是 similarity query。

它要求：

Decision←ReasonDecision \leftarrow Reason

例如：

HighCost→Reject(A)HighCost \rightarrow Reject(A)

這是決策 provenance。

十六、事件圖與知識圖不一定是同一張圖

GAM 在 2026 年已採用：

EventProgressionGraphEventProgressionGraph

與：

TopicAssociativeNetworkTopicAssociativeNetwork

分離策略，將持續對話流與較穩定主題記憶分開處理。

這是一個很重要的工程證據：

EvenGraphMemorymayneedmultiplegraphgeometries\boxed{ Even Graph Memory may need multiple graph geometries }

也就是：

「用 Graph」仍然太粗。

十七、表示的多尺度性

因此同一記憶可能存在：

MlocalM^{local}

以及：

MglobalM^{global}

例如：

事件層：

e1,e2,e3e_1,e_2,e_3

主題層：

T1T_1

理論層：

K1K_1

形成：

ei→Tj→Kke_i \rightarrow T_j \rightarrow K_k

十八、記憶可以同時具有多個表示

對某一資訊 xx ：

R(x)={ρ1(x),ρ2(x),…,ρn(x)}\mathfrak R(x) = \{ \rho_1(x), \rho_2(x), \ldots, \rho_n(x) \}

例如：

專案 A 在七月因成本原因暫停。

可以同時是：

Text

MtextM^{text}

State

status=pausedstatus=paused

Temporal

paused_at=Julypaused\_at=July

Causal

cost→pausecost\rightarrow pause

Graph

ProjectA→pausedBecauseCostProjectA \xrightarrow{pausedBecause} Cost

沒有必要只選一個。

十九、多表示不是無限複製

但若每一筆資訊都複製到：

NN

種 representation：

StorageCost∝NStorageCost\propto N

很快不可行。

所以必須區分：

CanonicalInformationCanonicalInformation

與：

DerivedRepresentationDerivedRepresentation

即：

xx

保存一次，

表示：

ρi(x)\rho_i(x)

可以按需生成、cache 或更新。

二十、Canonical Layer

假設：

R\mathcal R

是前文的完整資訊區。

那麼：

R\mathcal R

可以作為較接近 canonical evidence 的來源。

而：

Mi=ρi(R)M_i = \rho_i(\mathcal R)

為不同表示。

因此：

R→M1,M2,…,Mn\boxed{ \mathcal R \rightarrow M_1,M_2,\ldots,M_n }

這直接延續第二篇的雙模式模型。

二十一、Representation Router

現在真正的新元件出現：

Rπ\boxed{ \mathcal R_\pi }

稱為：

Representation Router。

它根據：

QtQ_t

選擇：

MiM_i

即：

Rπ(Qt)=Mi\mathcal R_\pi(Q_t) = M_i

二十二、例子

問題：

「以前有沒有討論過相似的產品？」

選：

VectorMemoryVectorMemory

問題：

「這項理論依賴哪幾篇論文？」

選：

GraphMemoryGraphMemory

問題：

「當時先發生哪一件事？」

選：

TemporalMemoryTemporalMemory

問題：

「為什麼最後取消方案 A？」

選：

CausalMemoryCausalMemory

問題：

「現在做到哪？」

選：

StateMemoryStateMemory

二十三、真正智能的 Router

低階版本：

if query contains "when":
    use temporal database

這只是 heuristic。

更高階版本應是：

Mt∗=arg⁡max⁡MiU(Mi∣Qt)M_t^{*} = \arg\max_{M_i} U(M_i\mid Q_t)

其中：

UU

可以考慮：

  • answer quality；
  • cost；
  • latency；
  • uncertainty；
  • risk；
  • coverage。

二十四、多表示融合

有些問題不能只選一種。

例如：

「我們去年為什麼把那個跟 NOVA 類似的專案停掉？」

需要：

Semantic+Temporal+Causal+GraphSemantic + Temporal + Causal + Graph

因此：

S(Q)={Mvector,Mtemporal,Mcausal,Mgraph}\mathcal S(Q) = \{M_{vector},M_{temporal},M_{causal},M_{graph}\}

再進行：

Fusion(S(Q))Fusion(\mathcal S(Q))

二十五、Adaptive Graph 已經展現這種趨勢

MemORAI 採用 query-adaptive subgraph retrieval，根據查詢調整邊的權重，而不是永遠用同一套 graph traversal。

這意味著：

RepresentationRepresentation

即使不變，

其：

OperationalGeometryOperationalGeometry

也可以依問題而改變。

這會成為後續拓樸記憶的重要入口。

二十六、記憶表示也會反過來影響 Agent

這是一個容易忽略的問題。

若 Agent 主要透過 similarity retrieval 取得歷史：

Q→similar memoryQ \rightarrow similar\ memory

它可能越來越容易：

repeat similar past behavior\text{repeat similar past behavior}

2026 年的實證研究稱此現象為 experience-following：當新任務與被檢索記憶高度相似時，Agent 輸出也容易高度追隨既有經驗。

所以：

MemoryRepresentation\boxed{ Memory Representation }

不只是儲存問題。

它會改變：

AgentBehavior\boxed{ Agent Behavior }

二十七、表示偏差

每一種 representation 都存在 inductive bias。

Vector：

Biasvector=SimilarityBias_{vector} = Similarity

Graph：

Biasgraph=ConnectivityBias_{graph} = Connectivity

State Machine：

Biasstate=DiscreteTransitionBias_{state} = DiscreteTransition

Table：

Biastable=SchemaBias_{table} = Schema

Temporal：

Biastime=OrderingBias_{time} = Ordering

因此：

RepresentationChoice=CognitiveBiasChoice\boxed{ Representation Choice = Cognitive Bias Choice }

二十八、這也是多表示的另一個理由

若整個 Agent 永遠只透過：

SimilaritySimilarity

理解過去，

那麼它看到的歷史就會被 similarity geometry 主導。

多表示可以降低：

single-representation lock-in\text{single-representation lock-in}

即：

Representational Pluralism\boxed{ \text{Representational Pluralism} }

二十九、拓樸記憶：第一個猜想方向

現在開始進入尚未成熟的部分。

假設記憶物件集合為：

XX

我們不只保存 pairwise edge，而是賦予：

XX

一個拓樸：

τ\tau

形成：

Mtopo=(X,τ)\boxed{ M^{topo} = (X,\tau) }

其中：

τ\tau

描述哪些集合構成可辨識的鄰域與連通結構。

三十、Graph 與 Topology 有什麼概念差異？

Graph 問：

哪兩個節點有 Edge？

Topology 更一般地問：

哪些區域彼此鄰近、連通、分離、具有邊界或形成穩定區域？

所以：

GraphGraph

偏：

PairwiseRelationPairwiseRelation

而：

TopologyTopology

偏：

NeighborhoodStructureNeighborhoodStructure

三十一、記憶鄰域

假設：

x=NOVAx=\text{NOVA}

在 Vector DB 中可能搜尋：

Nearest(x)Nearest(x)

在 Graph 中：

NeighborsG(x)Neighbors_G(x)

而 Topological Memory 可以研究：

U(x)U(x)

即：

哪些記憶共同構成 xx 的一個局部語義／認知鄰域？

三十二、為什麼這可能有價值？

因為某些概念不是單獨 Node。

例如一個研究系列可能由：

  • 術語；
  • 公式；
  • 論文；
  • 程式；
  • 實驗；
  • 討論；

共同形成一個局部區域。

因此：

Concept≈RegionConcept \approx Region

可能比：

Concept=NodeConcept=Node

更合適。

三十三、拓樸記憶已有狹義工程近親

需要嚴格區分：

本文提出的通用認知拓樸記憶尚屬猜想。

但 embodied AI 已經存在明確的 topological memory 工程使用。例如 2026 年 VTM-Nav 使用持久 hierarchical visual-topological memory，讓 Agent 跨 episode 保存房間與物件層級的場景關係。

這證明：

Topological Memory\boxed{ \text{Topological Memory} }

至少在空間／導航記憶中具有實際工程意義。

但：

Spatial Topological Memory≠General Cognitive Topological Memory\boxed{ \text{Spatial Topological Memory} \neq \text{General Cognitive Topological Memory} }

本文後者仍需另行研究。

三十四、拓樸可以描述記憶邊界變化

假設某理論一開始：

U1U_1

與：

U2U_2

分離。

後來發現橋接概念：

bb

使：

U1∪{b}∪U2U_1 \cup \{b\} \cup U_2

形成連通區域。

這不是單純「新增一條 Edge」。

它也可以被理解為：

TopologyChange\boxed{ TopologyChange }

即認知空間的連通性改變。

三十五、相位空間記憶：第二個猜想方向

再往下一步：

記憶不只是一組靜態物件。

它可能具有動態狀態：

xtx_t

其中：

xt∈Px_t\in\mathcal P

而：

P\mathcal P

是一個 phase space。

因此：

Mphase=(P,Φt)\boxed{ M^{phase} = (\mathcal P,\Phi_t) }

其中：

Φt\Phi_t

描述狀態演化。

三十六、例子：對一項理論的認知狀態

可定義：

xt=(ct,et,ut,rt)x_t = ( c_t, e_t, u_t, r_t )

其中：

  • ctc_t ：confidence；
  • ete_t ：evidence；
  • utu_t ：uncertainty；
  • rtr_t ：risk。

隨著新證據：

xt→xt+1x_t \rightarrow x_{t+1}

三十七、這就不再是普通 State Machine

有限狀態機可能：

Hypothesis→AcceptedHypothesis \rightarrow Accepted

但 Phase Representation 可以保留：

0<ct<10<c_t<1

以及整個軌跡：

x0,x1,…,xtx_0,x_1,\ldots,x_t

所以：

DiscreteState⊂DynamicStateRepresentation\boxed{ DiscreteState \subset DynamicStateRepresentation }

三十八、吸引域

若大量 evidence 使狀態逐步穩定：

xt→Ax_t \rightarrow \mathcal A

其中：

A\mathcal A

為 attractor。

可以把它解讀成：

這項認知逐漸進入穩定理解區。

而新反例可能：

xt→counterexamplext+1x_t \xrightarrow{counterexample} x_{t+1}

離開原本吸引域。

三十九、相變

甚至可能：

xtx_t

逐步累積差異，

直到某個臨界條件：

λ>λc\lambda>\lambda_c

發生：

Cognitive Phase Transition\boxed{ \text{Cognitive Phase Transition} }

例如：

Tentative→Rejected\text{Tentative} \rightarrow \text{Rejected}

不是由單一 Boolean command 造成，而是大量證據積累後的結構改變。

四十、Phase-space 不是憑空創造的數學語言

相位空間本來就是動力系統描述狀態及其演化的標準方法。

在具有記憶的計算系統研究中，也已有研究直接討論 memory dynamics 如何改變 phase-space geometry，例如 2025 年的 memcomputing 工作即分析記憶自由度與 phase-space exploration 之間的關係。

但這並不等於：

現有研究已經建立 Agent Phase Memory。

因此本文只主張：

Phase Space is a plausible representational candidate\boxed{ \text{Phase Space is a plausible representational candidate} }

而不是既成標準。

四十一、Topology 與 Phase Space 可以組合

若狀態空間：

P\mathcal P

具有拓樸：

τP\tau_{\mathcal P}

那麼智能記憶可以同時研究：

(P,τP,Φt)(\mathcal P,\tau_{\mathcal P},\Phi_t)

即：

  • 狀態空間；
  • 鄰域結構；
  • 動態流。

這就開始超出傳統 database 的語言。

四十二、多表示記憶的完整抽象

本文提出：

Mt=(It,Rt,Tt,Gt)\boxed{ \mathfrak M_t = ( \mathcal I_t, \mathcal R_t, \mathcal T_t, \mathcal G_t ) }

其中：

It\mathcal I_t

是 informational objects；

Rt\mathcal R_t

是 available representations；

Tt\mathcal T_t

是 representations 之間的 transform；

Gt\mathcal G_t

是 selection / governance policy。

四十三、表示轉換

存在：

Tij:Mi→MjT_{ij}: M_i\rightarrow M_j

例如：

Text→VectorText \rightarrow Vector Text→GraphText \rightarrow Graph EventLog→StateEventLog \rightarrow State Graph→TopologyGraph \rightarrow Topology Trajectory→PhaseModelTrajectory \rightarrow PhaseModel

四十四、但轉換未必可逆

通常：

Tij−1T_{ij}^{-1}

不存在。

例如：

Text→VectorText \rightarrow Vector

之後不能由 embedding 完美重建原文。

因此：

RepresentationConversion\boxed{ Representation Conversion }

也必須記錄 loss。

四十五、Representation Loss

定義：

Lij=Loss(Mi,Tij(Mi))L_{ij} = Loss( M_i, T_{ij}(M_i) )

這個 loss 不一定只是一個數值。

可以分解：

L=(Lsemantic,Ltemporal,Lcausal,Lprovenance,Lprecision)L= ( L_{semantic}, L_{temporal}, L_{causal}, L_{provenance}, L_{precision} )

四十六、最小充分表示

對問題：

QQ

理想表示不是：

richest representation\text{richest representation}

而是：

minimum sufficient representation\boxed{ \text{minimum sufficient representation} }

即：

M∗=arg⁡min⁡MCost(M)M^{*} = \arg\min_M Cost(M)

subject to：

Answerability(M,Q)≥θAnswerability(M,Q)\ge\theta

這直接與前兩篇的有限工作記憶思想接軌。

四十七、表示組合問題

若單一表示不足：

M1M_1

則加入：

M2M_2

形成：

M1⊕M2M_1\oplus M_2

若仍不足：

M1⊕M2⊕M3M_1\oplus M_2\oplus M_3

因此：

RepresentationExpansion\boxed{ Representation Expansion }

本身也可以逐步發生。

四十八、這已開始接近 UBE

對任意有限問題：

QQ

Agent 不需要一次啟用全部：

M\mathfrak M

而可從：

M1M_1

開始。

若不足：

M1→M1⊕M2M_1 \rightarrow M_1\oplus M_2

再不足：

M1⊕M2→M1⊕M2⊕M3M_1\oplus M_2 \rightarrow M_1\oplus M_2\oplus M_3

形成：

Finite Representation Working Set+Open-Ended Representation Expansion\boxed{ \text{Finite Representation Working Set} + \text{Open-Ended Representation Expansion} }

這將在第六、第七篇正式與無界展開整合。

四十九、Representation 甚至可以被創造

目前我們假設：

M\mathfrak M

中的表示種類已經存在。

但真正高階 Agent 可能發現：

現有 representation 都不好用。

於是生成：

MnewM_{new}

即：

Mt→Mt+1\boxed{ \mathfrak M_t \rightarrow \mathfrak M_{t+1} }

且：

∣Mt+1∣>∣Mt∣|\mathfrak M_{t+1}| > |\mathfrak M_t|

這就是：

RepresentationalSelf−Extension\boxed{ Representational Self-Extension }

五十、這比「選資料庫」更深

此時問題不再是：

PostgreSQL 還是 Neo4j？

而變成：

智能體如何決定自己的過去應該被如何表達？

即：

Memory Representation→Epistemic Decision\boxed{ \text{Memory Representation} \rightarrow \text{Epistemic Decision} }

五十一、多表示記憶控制器

定義：

AR\mathcal A_R

為表示控制器。

輸入：

(Q,G,B,R,U)(Q,G,B,R,U)

其中：

  • QQ ：query；
  • GG ：goal；
  • BB ：budget；
  • RR ：risk；
  • UU ：uncertainty。

輸出：

AR→(S,T,F)\mathcal A_R \rightarrow (\mathcal S,\mathcal T,\mathcal F)

其中：

  • S\mathcal S ：選哪些表示；
  • T\mathcal T ：需要哪些轉換；
  • F\mathcal F ：如何融合。

五十二、第一代工程版

                     Query
                       │
                       ▼
             Representation Router
                       │
       ┌───────────────┼────────────────┐
       │               │                │
       ▼               ▼                ▼
    Vector           Graph           Temporal
       │               │                │
       └───────────────┼────────────────┘
                       │
                       ▼
                 Result Fusion
                       │
                confidence enough?
                  /          \
                yes           no
                │              │
             Answer      expand modes

後續可以加入：

  • State；
  • Causal；
  • Topological；
  • Phase。

五十三、表示一致性問題

如果：

MstateM^{state}

寫：

Project=PausedProject=Paused

但：

MgraphM^{graph}

仍有：

Project→statusActiveProject \xrightarrow{status} Active

就出現：

RepresentationConflictRepresentationConflict

所以需要：

ConsistencyManagerConsistencyManager

五十四、Canonical Evidence 可以解決部分衝突

兩個 representation 衝突時：

Mi≠MjM_i\neq M_j

回到：

R\mathcal R

即完整資訊區。

重新生成：

Mi′M_i'

及：

Mj′M_j'

因此：

RepresentationConflict→EvidenceReconstruction\boxed{ Representation Conflict \rightarrow Evidence Reconstruction }

這再次驗證第二篇雙模式的重要性。

五十五、多表示記憶與人類類比

人類回憶一個地方時，可能同時具有：

  • 視覺；
  • 空間；
  • 語義；
  • 情節；
  • 時序；
  • 情緒；
  • 身體感。

本文不主張 AI 必須模仿人腦。

但這個類比至少提醒：

Memory need not have a universal homogeneous format\boxed{ \text{Memory need not have a universal homogeneous format} }

五十六、不要把「多表示」誤讀成「多模態」

兩者不同。

Multimodal：

Text+Image+AudioText+Image+Audio

是輸入／感知模態。

Multi-Representational：

Vector+Graph+State+Topology+…Vector+Graph+State+Topology+\ldots

是同一資訊的結構表示方式。

所以：

Multimodal≠MultiRepresentational\boxed{ Multimodal \neq MultiRepresentational }

但兩者可以結合。

五十七、本文的七個核心命題

命題一：表示非本體命題

Mi≠Information\boxed{ M_i \neq Information }

命題二：表示多元命題

∃Mi,Mj:Mi≠Mj\boxed{ \exists M_i,M_j: M_i\neq M_j }

但兩者可描述相同資訊。

命題三：問題條件化命題

M∗=f(Q)\boxed{ M^{*} = f(Q) }

最佳表示依問題而變。

命題四：融合命題

某些問題需要：

M∗=M1⊕M2⊕⋯\boxed{ M^{*} = M_1\oplus M_2\oplus\cdots }

命題五：表示偏差命題

Representation→RetrievalBias→ReasoningBias\boxed{ Representation \rightarrow RetrievalBias \rightarrow ReasoningBias }

命題六：表示演化命題

Mt≠Mt+1\boxed{ \mathfrak M_t \neq \mathfrak M_{t+1} }

記憶表示集合本身可以變化。

命題七：可回溯命題

表示衝突或信心不足時：

Mi→R\boxed{ M_i \rightarrow \mathcal R }

應能返回完整資訊區重新建構。

五十八、最小 MVP

第四篇可以建立：

MRIM Runtime v0.1

第一輪只實作四種 representation：

State+Vector+Graph+TemporalState + Vector + Graph + Temporal

T1 — Similarity Query

問：

哪個過去專案最像 X？

測試：

VectorVector

T2 — Dependency Query

問：

X 依賴哪些理論？

測試：

GraphGraph

T3 — Current State Query

問：

X 現在做到哪？

測試：

StateState

T4 — Historical Query

問：

X 在哪個版本之前被暫停？

測試：

TemporalTemporal

T5 — Mixed Query

問：

去年那個跟 X 很像，而且因為成本被暫停的項目是哪個？

測試：

Vector+Temporal+GraphVector + Temporal + Graph

T6 — Representation Conflict

故意讓：

State≠GraphState \neq Graph

測試是否回到 Raw Evidence。

T7 — Router Selection

測試 Agent 是否能自己選擇適當 representation。

五十九、評估指標

定義：

Representation Selection Accuracy

ARA_R

Retrieval Accuracy

AQA_Q

Fusion Accuracy

AFA_F

Representation Cost

CRC_R

Conflict Detection Rate

DCD_C

Evidence Fallback Success

FEF_E

最終可定義：

Utility=αAQ+βAF+γDC−λCRUtility = \alpha A_Q + \beta A_F + \gamma D_C - \lambda C_R

六十、本文不主張什麼？

本文不主張：

  1. Vector DB 即將過時；
  2. Knowledge Graph 優於 Vector DB；
  3. 所有資訊都需要多份 representation；
  4. Graph 等於 Topology；
  5. Topological Memory 已是成熟通用 Agent 技術；
  6. Phase-space Memory 已是成熟 Agent 技術；
  7. AI 記憶必須模仿人腦；
  8. 所有 representation 都應永久保存；
  9. 多表示一定比單表示便宜；
  10. 本文已找到智能記憶的最終本體。

本文主張的只有：

不應把目前工程上最方便的資料結構， 誤認為智能記憶唯一可能的形狀。\boxed{ \text{不應把目前工程上最方便的資料結構， 誤認為智能記憶唯一可能的形狀。} }

六十一、下一篇：拓樸與相位正式展開

本文只建立：

TopologyTopology

與：

PhaseSpacePhaseSpace

作為候選 representation。

下一篇將單獨回答：

如果記憶不是一堆獨立 Item，而是一個具有鄰域、連通、邊界與動態流的認知空間，會發生什麼？

下一篇：

《拓樸記憶與相位狀態：智能記憶的幾何化猜想》

將正式研究：

Mtopo=(X,τ)M_{topo} = (X,\tau)

以及：

Mphase=(P,Φt)M_{phase} = (\mathcal P,\Phi_t)

並探索兩者是否能統合成：

(P,τ,Φt)\boxed{ (\mathcal P,\tau,\Phi_t) }

即一個同時具有：

  • 空間；
  • 鄰域；
  • 連通；
  • 軌跡；
  • 穩定域；
  • 相變；

的動態記憶幾何。

六十二、結論

長期 Agent 記憶的問題不應被縮減為：

Which database should we use?\text{Which database should we use?}

真正問題是：

Which representation makes the relevant structure visible?\boxed{ \text{Which representation makes the relevant structure visible?} }

當我們問相似性時：

VectorVector

可能最好。

當我們問依賴：

GraphGraph

可能最好。

當我們問現在：

StateState

可能最好。

當我們問歷史：

TemporalTemporal

可能最好。

當我們問原因：

CausalCausal

可能最好。

而未來某些問題可能更適合：

TopologyTopology

或：

PhaseSpacePhaseSpace

甚至尚未發明的 representation。

因此：

Memory intelligence\boxed{ \text{Memory intelligence} }

可能不只是：

remembering the right information\text{remembering the right information}

還包括：

representing the right information in the right form at the right time\boxed{ \text{representing the right information in the right form at the right time} }

再進一步：

高階智能未必只是使用記憶； 它也可能重新發明自己的記憶形狀。\boxed{ \text{高階智能未必只是使用記憶； 它也可能重新發明自己的記憶形狀。} }

這使 Agent memory 從資料儲存問題，開始進入：

Representation Dynamics\boxed{ \text{Representation Dynamics} }

與：

Memory Epistemology\boxed{ \text{Memory Epistemology} }

的範圍。

參考資料

  1. Yang, C., et al. Graph-based Agent Memory: Taxonomy, Techniques, and Applications. 2026.
  2. Wu, Z., et al. GAM: Hierarchical Graph-based Agentic Memory for LLM Agents. ACL 2026.
  3. Tang, Z., et al. Mnemis: Dual-Route Retrieval on Hierarchical Graphs for Long-Term LLM Memory. ACL 2026.
  4. Latimer, C., et al. Hindsight: Structured Agent Memory that Retains, Recalls, and Reflects. ACL 2026 Demo.
  5. Pham Van, H., et al. MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents. Findings of ACL 2026.
  6. Wolff, B., Bennati, J. Cost and Accuracy of Long-Term Graph Memory in Distributed LLM-Based Multi-Agent Systems. 2026.
  7. Xiong, Z., et al. How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior. ACL 2026.
  8. Zhu, J., et al. HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents. ACL 2026.
  9. Xu, X., et al. VTM-Nav: Hierarchical Visual-Topological Memory for Cross-Episode Object-Goal Navigation. 2026.
  10. Sipling, C., Zhang, Y.-H., Di Ventra, M. Phase-Space Engineering and Dynamical Long-Range Order in Memcomputing. 2025.