展開—收斂—自適應
——智能記憶的認識論控制器：從無界可展開到有限可用認知
英文題名： Expansion, Convergence, and Adaptation: An Epistemic Controller for Intelligent Memory from Unbounded Extensibility to Finite Usable Cognition作者： Neo.KAI 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／Adaptive Cognition／Epistemic Control／Unbounded Expansion／Memory Management
摘要
前文已建立一個長期 Agent memory 的基本矛盾。
智能系統需要：
可持續展開 \boxed{
\text{可持續展開}
} 可持續展開 才能重新進入歷史、增加解析度、跨越舊 domain、形成新關係與新表示。
但如果系統只有展開：
M 0 → M 1 → M 2 → ⋯ M_0
\rightarrow
M_1
\rightarrow
M_2
\rightarrow
\cdots M 0 → M 1 → M 2 → ⋯ 而沒有重新壓縮、選擇、固化與遺忘機制，則最終將遭遇：
Memory Explosion \text{Memory Explosion} Memory Explosion Context Dilution \text{Context Dilution} Context Dilution Contradiction Accumulation \text{Contradiction Accumulation} Contradiction Accumulation Verification Explosion \text{Verification Explosion} Verification Explosion 因此，無界展開記憶本身並不足以構成智能記憶。
本文提出：
Intelligent Memory = Expansion + Connection + Convergence + Adaptive Control \boxed{
\text{Intelligent Memory}
=
\text{Expansion}
+
\text{Connection}
+
\text{Convergence}
+
\text{Adaptive Control}
} Intelligent Memory = Expansion + Connection + Convergence + Adaptive Control 並將既有《理論呼吸論》中的：
B = H ∘ C ∘ L ∘ E \mathcal B
=
\mathcal H
\circ
\mathcal C
\circ
\mathcal L
\circ
\mathcal E B = H ∘ C ∘ L ∘ E 重新解釋為記憶呼吸算子，其中：
E \mathcal E E L \mathcal L L C \mathcal C C H \mathcal H H
原理論已指出，系統若只有展開而缺乏收斂，會形成「過度換氣」；若收斂遠強於展開，則形成「硬化」；若完全缺乏停息，系統將無法形成穩定版本。
本文進一步加入第五個核心：
A = Adaptive Epistemic Controller \boxed{
\mathcal A
=
\text{Adaptive Epistemic Controller}
} A = Adaptive Epistemic Controller 使記憶運作不再固定依照：
E x p a n d → C o n n e c t → C o n v e r g e → S t o p Expand
\rightarrow
Connect
\rightarrow
Converge
\rightarrow
Stop E x p an d → C o nn ec t → C o n v er g e → S t o p 機械循環，而是由當前：
問題；
不確定性；
風險；
可用證據；
記憶衝突；
工作預算；
歷史使用模式；
決定下一個記憶操作。
因此：
a t ∼ π ( a ∣ Q t , U t , R t , B t , H t , M t ) \boxed{
a_t
\sim
\pi(
a
\mid
Q_t,U_t,R_t,B_t,H_t,M_t
)
} a t ∼ π ( a ∣ Q t , U t , R t , B t , H t , M t ) 其中 a t a_t a t
{ r e t r i e v e , e x p a n d , c o n n e c t , c o m p r e s s , c o n s o l i d a t e , r e o p e n , s w i t c h R e p r e s e n t a t i o n , v e r i f y , s t o p } \{
retrieve,
expand,
connect,
compress,
consolidate,
reopen,
switchRepresentation,
verify,
stop
\} { r e t r i e v e , e x p an d , co nn ec t , co m p r ess , co n so l i d a t e , r eo p e n , s w i t c h R e p r ese n t a t i o n , v er i f y , s t o p } 。
2026 年的 Agent memory 研究已明確朝此方向前進。AgeMem 將 store、retrieve、update、summarize 與 discard 直接做成 Agent policy 的操作；Memory-R1 透過 RL 學習 ADD、UPDATE、DELETE、NOOP；FluxMem 更進一步把「選哪種記憶結構」本身變成 context-adaptive decision。
2026 年 7 月提出的 MemCon 則直接將 memory management 建模為 controlled process：系統根據任務情境動態決定何時檢索、檢索多少、何時重檢索、何時壓縮、整合或遺忘；其實驗顯示，在多個 benchmark 上可同時提高 task success 並降低 token 使用。
本文的貢獻不是再提出一個特定 learned memory controller，而是將這些工程現象提升成一個更一般的命題：
高階記憶能力的核心， 不只是保存與檢索資訊， 而是對「記憶活動本身」進行認識論控制。 \boxed{
\text{高階記憶能力的核心，
不只是保存與檢索資訊，
而是對「記憶活動本身」進行認識論控制。}
} 高階記憶能力的核心， 不只是保存與檢索資訊， 而是對「記憶活動本身」進行認識論控制。 關鍵詞
Adaptive Memory、Epistemic Controller、Unbounded Expansion、Memory Convergence、Agent Memory、Memory Policy、Cognitive Control、Long-Term Memory、Representation Selection、Memory Breathing
一、問題：如果可以一直展開，為什麼還需要收斂？
第六篇建立：
Finite Working Field + Open-Ended Recoverability \boxed{
\text{Finite Working Field}
+
\text{Open-Ended Recoverability}
} Finite Working Field + Open-Ended Recoverability 。
這解決了：
有限 context 如何支援長程記憶？
但沒有解決：
哪些東西值得重新放回 context？
如果：
R e t r i e v e E v e r y t h i n g = T r u e RetrieveEverything=True R e t r i e v e E v er y t hin g = T r u e 則：
M - U B E M\text{-}UBE M - U B E 最後只是變成：
永久擴張的資訊洪水 \boxed{
\text{永久擴張的資訊洪水}
} 永久擴張的資訊洪水 。
二、信息可達不等於信息可用
假設可回溯資訊：
∣ R ∣ = 10 9 |\mathcal R|
=
10^9 ∣ R ∣ = 1 0 9 但當前問題只需要：
10 3 10^3 1 0 3 單位資訊。
則：
A c c e s s i b l e I n f o r m a t i o n ≫ U s e f u l I n f o r m a t i o n \boxed{
AccessibleInformation
\gg
UsefulInformation
} A ccess ib l e I n f or ma t i o n ≫ U se f u l I n f or ma t i o n 。
因此 intelligent memory 的真正工作是找到：
W ∗ ⊂ R \mathcal W^{*}
\subset
\mathcal R W ∗ ⊂ R 使：
U t i l i t y ( W ∗ , Q ) Utility(\mathcal W^{*},Q) U t i l i t y ( W ∗ , Q ) 足夠高。
三、所以真正問題變成控制問題
Agent 必須持續回答：
要不要找？
去哪裡找？
找多少？
要不要繼續找？
哪些結果應該連起來？
哪些資訊應該壓縮？
哪些記憶要保留原文？
哪些只需要留下狀態？
是否需要換表示？
是否應重新打開已關閉問題？
現在是否已經足夠？
這已經不是：
D a t a b a s e Q u e r y DatabaseQuery D a t aba se Q u er y 。
而是：
M e m o r y C o n t r o l \boxed{
Memory Control
} M e m or y C o n t r o l 。
四、認識論控制器
本文定義：
A E \boxed{
\mathcal A_E
} A E 為 Adaptive Epistemic Memory Controller，AEMC 。
其最低輸入為：
z t = ( Q t , G t , U t , R t , B t , H t , M t ) z_t
=
(
Q_t,
G_t,
U_t,
R_t,
B_t,
H_t,
M_t
) z t = ( Q t , G t , U t , R t , B t , H t , M t ) 其中：
Q t Q_t Q t G t G_t G t U t U_t U t R t R_t R t B t B_t B t H t H_t H t M t M_t M t
五、控制器輸出
控制器輸出：
a t = ( o t , d t , s t , ρ t , v t ) a_t
=
(
o_t,
d_t,
s_t,
\rho_t,
v_t
) a t = ( o t , d t , s t , ρ t , v t ) 其中：
o t o_t o t d t d_t d t s t s_t s t ρ t \rho_t ρ t v t v_t v t
因此：
M e m o r y A c t i o n ≠ R e t r i e v e O n l y \boxed{
MemoryAction
\neq
RetrieveOnly
} M e m or y A c t i o n = R e t r i e v e O n l y 。
六、操作集合
最低可定義：
O = { E , L , C , H , V , R , T } \mathcal O
=
\{
E,L,C,H,V,R,T
\} O = { E , L , C , H , V , R , T } 其中：
E = Expand E=\text{Expand} E = Expand L = Link L=\text{Link} L = Link C = Converge C=\text{Converge} C = Converge H = Halt/Stabilize H=\text{Halt/Stabilize} H = Halt/Stabilize V = Verify V=\text{Verify} V = Verify R = Reopen R=\text{Reopen} R = Reopen T = Transform Representation T=\text{Transform Representation} T = Transform Representation 。
七、既有理論呼吸提供了前四個算子
《理論呼吸論》已將：
B = H ∘ C ∘ L ∘ E \mathcal B
=
\mathcal H
\circ
\mathcal C
\circ
\mathcal L
\circ
\mathcal E B = H ∘ C ∘ L ∘ E 定義為一個完整版本生成過程。
其邏輯是：
吸收差異 → 建立交換 → 排出失效 → 重新閉合 \text{吸收差異}
\rightarrow
\text{建立交換}
\rightarrow
\text{排出失效}
\rightarrow
\text{重新閉合} 吸收差異 → 建立交換 → 排出失效 → 重新閉合 。
將 T T T
M t + 1 = B ( M t ) M_{t+1}
=
\mathcal B(M_t) M t + 1 = B ( M t ) 即可形成第一版：
Memory Breathing \boxed{
\text{Memory Breathing}
} Memory Breathing 。
八、但固定順序仍然不夠
真實 memory operation 不一定每次：
E → L → C → H E\rightarrow L\rightarrow C\rightarrow H E → L → C → H 。
有時：
H H H 之後立即：
R R R 。
有時只需要：
V V V 。
有時：
E → E → E E\rightarrow E\rightarrow E E → E → E 。
有時：
C → C C\rightarrow C C → C 。
因此更一般：
M t + 1 = o t ( M t ) M_{t+1}
=
o_t(M_t) M t + 1 = o t ( M t ) 其中：
o t ∼ π t ( O ∣ z t ) o_t
\sim
\pi_t(\mathcal O\mid z_t) o t ∼ π t ( O ∣ z t ) 。
九、記憶呼吸因此不是固定週期
而是：
Adaptive Operator Composition \boxed{
\text{Adaptive Operator Composition}
} Adaptive Operator Composition 。
例如：
B t = C ∘ E \mathcal B_t
=
\mathcal C
\circ
\mathcal E B t = C ∘ E 或：
B t = V ∘ R ∘ E \mathcal B_t
=
\mathcal V
\circ
\mathcal R
\circ
\mathcal E B t = V ∘ R ∘ E 甚至：
B t = H \mathcal B_t
=
\mathcal H B t = H 。
十、當代研究已經開始把 Memory 變成 Policy
AgeMem 的重要地方就在於：
記憶不再只是外部工具被固定 pipeline 呼叫，而被暴露為 Agent action，使 Agent 可以自主選擇：
store；
retrieve；
update；
summarize；
discard。
因此：
M e m o r y M a n a g e m e n t → P o l i c y L e a r n i n g P r o b l e m \boxed{
MemoryManagement
\rightarrow
PolicyLearningProblem
} M e m or y M ana g e m e n t → P o l i cy L e a r nin g P r o b l e m 已經開始成為現實研究方向。
十一、Memory-R1 的另一條證據
Memory-R1 將 memory manager 與 answer agent 分開，讓 manager 學習：
A D D ADD A D D U P D A T E UPDATE U P D A T E D E L E T E DELETE D E L E T E N O O P NOOP N O O P 等結構化操作，而不是每輪機械寫入記憶。
這非常重要。
因為：
N O O P \boxed{
NOOP
} N O O P 本身就是 intelligent memory action。
十二、不記，也是一種記憶能力
一個低階 memory system：
I n p u t → S t o r e Input\rightarrow Store I n p u t → S t or e 。
高階系統需要：
I n p u t → A E { S t o r e U p d a t e M e r g e I g n o r e A r c h i v e V e r i f y Input
\xrightarrow{\mathcal A_E}
\begin{cases}
Store\\
Update\\
Merge\\
Ignore\\
Archive\\
Verify
\end{cases} I n p u t A E ⎩ ⎨ ⎧ S t or e U p d a t e M er g e I g n or e A r c hi v e V er i f y 。
因此：
R e m e m b e r i n g \boxed{
Remembering
} R e m e mb er in g 也包含：
C h o o s i n g N o t T o S t o r e \boxed{
ChoosingNotToStore
} C h oos in g N o tT o S t or e 。
十三、同理，不回憶也是能力
若：
Q Q Q 只需要目前 state，
則檢索五年前對話反而有害。
因此：
R e t r i e v e \boxed{
Retrieve
} R e t r i e v e 不是預設正確操作。
有時最好的動作就是：
N O _ R E T R I E V A L NO\_RETRIEVAL N O _ R E T R I E V A L 。
十四、MemCon 直接把這個問題形式化
2026 年 7 月提出的 MemCon 將 memory operations 建模為決策過程，根據 task context 決定：
是否檢索；
檢索什麼；
檢索多少；
是否重新檢索；
是否注入已提煉 plan；
何時 consolidation；
何時 forgetting。
其核心出發點正是：
Optimal memory behavior is context dependent. \boxed{
\text{Optimal memory behavior is context dependent.}
} Optimal memory behavior is context dependent. 這與本文的 epistemic controller 高度相鄰。
十五、但本文的範圍更廣
MemCon 主要處理：
Memory Management Policy \text{Memory Management Policy} Memory Management Policy 。
本文還要處理：
Representation Policy \boxed{
\text{Representation Policy}
} Representation Policy 以及：
Expansion / Convergence Balance \boxed{
\text{Expansion / Convergence Balance}
} Expansion / Convergence Balance 。
十六、Representation 本身也是 Action
第四篇已建立：
M = { V e c t o r , G r a p h , S t a t e , T e m p o r a l , C a u s a l , T o p o l o g y , P h a s e , … } \mathfrak M
=
\{
Vector,
Graph,
State,
Temporal,
Causal,
Topology,
Phase,\ldots
\} M = { V ec t or , G r a p h , S t a t e , T e m p or a l , C a u s a l , T o p o l o g y , P ha se , … } 。
所以：
a t a_t a t 還可以是：
S w i t c h R e p r e s e n t a t i o n SwitchRepresentation S w i t c h R e p r ese n t a t i o n 。
十七、FluxMem 的直接工程近親
2026 年的 FluxMem 明確批評 one-size-fits-all memory structure，並讓系統根據 interaction-level features 選擇不同 memory structures，再做概率式融合。
因此：
H o w T o R e m e m b e r \boxed{
HowToRemember
} H o w T o R e m e mb er 也開始成為 learned decision。
十八、完整控制問題
現在記憶策略可以寫成：
π : z t → ( o p e r a t i o n , r e p r e s e n t a t i o n , s c o p e , d e p t h , p r e c i s i o n , v e r i f i c a t i o n , s t o p ) \boxed{
\pi:
z_t
\rightarrow
(
operation,
representation,
scope,
depth,
precision,
verification,
stop
)
} π : z t → ( o p er a t i o n , r e p r ese n t a t i o n , sco p e , d e pt h , p r ec i s i o n , v er i f i c a t i o n , s t o p ) 。
這已經是一個相當完整的認知控制器。
十九、展開算子
E ( M ) \mathcal E(M) E ( M ) 代表增加：
evidence；
resolution；
relation；
domain；
representation；
state space；
question；
rule。
即：
M → M ′ M\rightarrow M' M → M ′ 且：
P r o g r e s s E ( M , M ′ ) = T r u e Progress_E(M,M')=True P r o g r es s E ( M , M ′ ) = T r u e 。
二十、連接算子
L ( M i , M j ) \mathcal L(M_i,M_j) L ( M i , M j ) 將原本分離的結構建立關係。
例如：
A → d e p e n d s B A
\xrightarrow{depends}
B A d e p e n d s B 。
它的作用不是增加 raw content，而是：
增加可用結構 \boxed{
\text{增加可用結構}
} 增加可用結構 。
二十一、收斂算子
定義：
C : M e x p a n d e d → M o p e r a b l e \mathcal C:
M^{expanded}
\rightarrow
M^{operable} C : M e x p an d e d → M o p er ab l e 。
但：
C \mathcal C C 不等於 Summary。
二十二、收斂至少有七種形式
1. Textual Summarization
T e x t l o n g → T e x t s h o r t Text_{long}
\rightarrow
Text_{short} T e x t l o n g → T e x t s h or t 2. State Extraction
H i s t o r y → C u r r e n t S t a t e History
\rightarrow
CurrentState H i s t or y → C u r r e n tS t a t e 3. Knowledge Consolidation
m 1 + ⋯ + m n → K m_1+\cdots+m_n
\rightarrow
K m 1 + ⋯ + m n → K 4. Graph Merge
G 1 ∪ G 2 → G ′ G_1\cup G_2
\rightarrow
G' G 1 ∪ G 2 → G ′ 5. Cluster Formation
{ m i } → C l u s t e r \{m_i\}
\rightarrow
Cluster { m i } → C l u s t er 6. Phase Stabilization
x t → A x_t\rightarrow A x t → A 7. Artifact Crystallization
D i s c u s s i o n → P a p e r / C o d e / D e c i s i o n Discussion
\rightarrow
Paper/Code/Decision D i sc u ss i o n → P a p er / C o d e / D ec i s i o n 。
二十三、所以收斂本身也是 Representation Change
例如：
C o n v e r s a t i o n → S t a t e Conversation
\rightarrow
State C o n v er s a t i o n → S t a t e 就是：
C o n v e r g e n c e + R e p r e s e n t a t i o n T r a n s f o r m a t i o n \boxed{
Convergence
+
RepresentationTransformation
} C o n v er g e n ce + R e p r ese n t a t i o n T r an s f or ma t i o n 。
二十四、收斂不是信息全部消失
好的收斂應保留：
P o i n t e r s Pointers P o in t er s 返回：
R a w E v i d e n c e RawEvidence R a w E v i d e n ce 。
因此：
C ( M ) + P r o v ( C ( M ) ) \boxed{
C(M)
+
Prov(C(M))
} C ( M ) + P r o v ( C ( M )) 。
二十五、可逆性不是必要，但可回溯性重要
通常：
C − 1 \mathcal C^{-1} C − 1 不存在。
但應至少存在：
T r a c e ( C ( M ) ) → S o u r c e R e f s Trace(
\mathcal C(M)
)
\rightarrow
SourceRefs T r a ce ( C ( M )) → S o u r ce R e f s 。
因此：
I r r e v e r s i b l e C o m p r e s s i o n 可以存在， U n t r a c e a b l e C o m p r e s s i o n 應儘量避免。 \boxed{
IrreversibleCompression
\text{ 可以存在，}
\quad
UntraceableCompression
\text{ 應儘量避免。}
} I r r e v er s ib l e C o m p r ess i o n 可以存在， U n t r a ce ab l e C o m p r ess i o n 應儘量避免。 。
二十六、收斂門檻
何時應該：
E x p a n d → C o n v e r g e ? Expand\rightarrow Converge? E x p an d → C o n v er g e ? 可以定義：
P r e s s u r e C = f ( M e m o r y L o a d , R e d u n d a n c y , S t a b i l i t y , T a s k S h i f t , C o s t ) Pressure_C
=
f(
MemoryLoad,
Redundancy,
Stability,
TaskShift,
Cost
) P r ess u r e C = f ( M e m or y L o a d , R e d u n d an cy , S t abi l i t y , T a s k S hi f t , C os t ) 。
若：
P r e s s u r e C > θ C Pressure_C>\theta_C P r ess u r e C > θ C 則啟動：
C \mathcal C C 。
二十七、展開門檻
反之：
P r e s s u r e E = f ( U n c e r t a i n t y , C o n f l i c t , M i s s i n g E v i d e n c e , N o v e l Q u e s t i o n , R i s k ) Pressure_E
=
f(
Uncertainty,
Conflict,
MissingEvidence,
NovelQuestion,
Risk
) P r ess u r e E = f ( U n cer t ain t y , C o n f l i c t , M i ss in g E v i d e n ce , N o v e l Q u es t i o n , R i s k ) 。
若：
P r e s s u r e E > θ E Pressure_E>\theta_E P r ess u r e E > θ E 則：
E \mathcal E E 。
二十八、因此智能可以被理解為平衡
最粗略：
B a l a n c e t = P r e s s u r e E P r e s s u r e C \boxed{
Balance_t
=
\frac{Pressure_E}{Pressure_C}
} B a l an c e t = P r ess u r e C P r ess u r e E 。
如果過高：
E x p a n s i o n D o m i n a n t ExpansionDominant E x p an s i o n D o minan t 。
如果過低：
C o n v e r g e n c e D o m i n a n t ConvergenceDominant C o n v er g e n ceD o minan t 。
二十九、這與既有「理論呼吸」故障模式完全吻合
原理論已提出五種失衡。
第一種：
E ≈ 0 \mathcal E\approx0 E ≈ 0 ：
理論窒息。
轉成記憶：
Agent 永遠不重新打開舊認知。
可稱：
M e m o r y C l o s u r e \boxed{
MemoryClosure
} M e m or y C l os u r e 。
三十、記憶過度換氣
若：
E ≫ C \mathcal E
\gg
\mathcal C E ≫ C 則：
不停檢索；
不停增加節點；
不停產生 summary 的 summary；
永不穩定。
形成：
M e m o r y H y p e r e x p a n s i o n \boxed{
MemoryHyperexpansion
} M e m or y H y p er e x p an s i o n 。
原《理論呼吸論》對應描述正是：展開遠大於收斂會產生版本碎裂與無法使用。
三十一、記憶散逸
如果：
L → ∞ \mathcal L\rightarrow\infty L → ∞ 所有東西都互相連，
最後：
G r a p h D e n s i t y → 1 GraphDensity\rightarrow1 G r a p h D e n s i t y → 1 。
此時：
E v e r y t h i n g R e l e v a n t T o E v e r y t h i n g \boxed{
EverythingRelevantToEverything
} E v er y t hin g R e l e v an tT o E v er y t hin g 等同：
N o t h i n g I s S e l e c t i v e NothingIsSelective N o t hin g I s S e l ec t i v e 。
原理論稱這種情況為「散逸」。
三十二、記憶硬化
若：
C ≫ E \mathcal C
\gg
\mathcal E C ≫ E Agent 不斷把歷史壓成越來越短：
100000 → 10000 → 1000 → 100 → 10 100000
\rightarrow
10000
\rightarrow
1000
\rightarrow
100
\rightarrow
10 100000 → 10000 → 1000 → 100 → 10 最後：
「使用者喜歡 AI。」
這種記憶幾乎失去所有差異。
即：
O v e r C o n v e r g e n c e \boxed{
OverConvergence
} O v er C o n v er g e n ce 。
三十三、Memory Insomnia
若：
H = 0 \mathcal H=0 H = 0 Agent 永遠：
卻從不 commit 一個穩定 state。
則沒有：
S t a b l e S n a p s h o t StableSnapshot S t ab l e S na p s h o t 。
原《理論呼吸論》稱此為沒有版本固化的「失眠」。
三十四、所以 Stop 是智能操作
停止不是：
F a i l u r e Failure F ai l u r e 。
而是：
E p i s t e m i c C o m m i t \boxed{
EpistemicCommit
} E p i s t e mi c C o mmi t ：
在目前證據與預算下，這個狀態足以作為暫時可操作版本。
三十五、暫時閉合
定義：
C l o s u r e t Closure_t C l os u r e t 滿足：
S u f f i c i e n c y ( M t , Q t ) ≥ θ Sufficiency(M_t,Q_t)\ge\theta S u f f i c i e n cy ( M t , Q t ) ≥ θ 且：
E x p e c t e d G a i n ( n e x t e x p a n s i o n ) < E x p e c t e d C o s t ExpectedGain(next\ expansion)
<
ExpectedCost E x p ec t e d G ain ( n e x t e x p an s i o n ) < E x p ec t e d C os t 。
此時：
H ( M t ) \mathcal H(M_t) H ( M t ) 。
三十六、但 Halt 不等於 Terminal
延續第六篇：
H a l t ≠ T e r m i n a l \boxed{
Halt
\neq
Terminal
} H a l t = T er mina l 。
今天停止查資料，
明天遇到：
N e w E v i d e n c e NewEvidence N e w E v i d e n ce 仍可以：
R \mathcal R R 重新開啟。
三十七、Reopen Operator
定義：
O R ( M ) \mathcal O_R(M) O R ( M ) 將：
C l o s e d / S t a b l e Closed/Stable C l ose d / S t ab l e 重新變為：
O p e n Open O p e n 。
觸發包括：
C o n f l i c t > θ Conflict>\theta C o n f l i c t > θ N e w E v i d e n c e = T r u e NewEvidence=True N e w E v i d e n ce = T r u e U s e r C o r r e c t i o n = T r u e UserCorrection=True U ser C or r ec t i o n = T r u e R i s k I n c r e a s e = T r u e RiskIncrease=True R i s k I n cr e a se = T r u e 。
三十八、使用者糾錯應是強觸發
例如：
「你記錯了。」
控制器不應只：
c o n f i d e n c e − = 0.1 confidence\mathrel{-}=0.1 co n f i d e n ce − = 0.1 。
而應提高：
P ( R e o p e n ) P(Reopen) P ( R eo p e n ) 及：
P ( R a w E v i d e n c e R e t r i e v a l ) P(RawEvidenceRetrieval) P ( R a w E v i d e n ce R e t r i e v a l ) 。
三十九、AI 自己也可以觸發 Reopen
若：
I n t e r n a l C o n s i s t e n c y ( M ) < θ InternalConsistency(M)<\theta I n t er na l C o n s i s t e n cy ( M ) < θ 或：
C o n f i d e n c e ( M ) < θ Confidence(M)<\theta C o n f i d e n ce ( M ) < θ 則：
A g e n t T r i g g e r e d R e c o n s t r u c t i o n AgentTriggeredReconstruction A g e n tT r i g g er e d R eco n s t r u c t i o n 。
這正是本系列最初提出的雙模式記憶需求。
四十、認識論控制不是追求永遠正確
任何 controller 都會錯。
本文目標是：
Make revision a first-class operation \boxed{
\text{Make revision a first-class operation}
} Make revision a first-class operation 而不是：
Make mistakes impossible \boxed{
\text{Make mistakes impossible}
} Make mistakes impossible 。
四十一、不確定性成為控制信號
令：
U t = U n c e r t a i n t y ( M t , Q t ) U_t
=
Uncertainty(M_t,Q_t) U t = U n cer t ain t y ( M t , Q t ) 。
若：
U t ≪ θ U_t\ll\theta U t ≪ θ 可能停止。
若：
U t > θ U_t>\theta U t > θ 可能展開。
但高 uncertainty 不代表一定值得展開。
四十二、因為可能根本沒有足夠資料
所以還要：
A v a i l a b i l i t y t Availability_t A v ai l abi l i t y t 。
若：
U t ≫ 1 U_t\gg1 U t ≫ 1 且：
A v a i l a b i l i t y t ≈ 0 Availability_t\approx0 A v ai l abi l i t y t ≈ 0 最好輸出：
U n k n o w n Unknown U nk n o w n 而不是永久搜尋。
四十三、風險調節深度
低風險問題：
「之前比較喜歡哪個 UI？」
可能：
d = 1 d=1 d = 1 。
高風險問題：
「這是不是已經得到使用者明確批准？」
可能：
d = 5 d=5 d = 5 並要求：
R a w E v i d e n c e RawEvidence R a w E v i d e n ce 。
因此：
R e c a l l D e p t h = f ( R i s k ) \boxed{
RecallDepth
=
f(Risk)
} R ec a l l D e pt h = f ( R i s k ) 。
四十四、Adaptive Depth
定義：
d t = f ( U t , R t , B t , E v i d e n c e G a i n ) d_t
=
f(
U_t,
R_t,
B_t,
EvidenceGain
) d t = f ( U t , R t , B t , E v i d e n ce G ain ) 。
不是所有 query 都需要固定：
T o p K = 10 TopK=10 T o p K = 10 。
四十五、Adaptive Granularity
AMA 於 ACL 2026 指出，固定 retrieval granularity 與 accumulation-heavy memory maintenance 會造成 memory 與 task-specific reasoning demand 的 mismatch，因此以多 Agent 協作管理不同粒度記憶。
所以：
G r a n u l a r i t y t Granularity_t G r an u l a r i t y t 也應是 adaptive variable。
四十六、記憶解析度
可以定義：
ρ t \rho_t ρ t 。
粗：
P r o j e c t S t a t u s = P a u s e d ProjectStatus=Paused P r o j ec tS t a t u s = P a u se d 。
細：
P a u s e d A t = T , R e a s o n = C o s t , R e s u m e C o n d i t i o n = N e w D a t a PausedAt=T,
Reason=Cost,
ResumeCondition=NewData P a u se d A t = T , R e a so n = C os t , R es u m e C o n d i t i o n = N e w D a t a 。
因此：
ρ t = f ( Q t ) \boxed{
\rho_t
=
f(Q_t)
} ρ t = f ( Q t ) 。
四十七、這與既有自適應切割思想一致
你既有的自適應切割／參照語義線本來就提出：
觀察 query access pattern；
高頻區域局部精化；
低頻區域粗化；
在有限索引預算內重新配置解析度。
也就是：
高需要處細化， 低需要處粗化 \boxed{
\text{高需要處細化，
低需要處粗化}
} 高需要處細化， 低需要處粗化 而不是全域等解析度。
這正好可以成為 Adaptive Memory Resolution 的工程前身。
四十八、Representation Selection
第五篇問：
用 Vector、Graph、Temporal、Topology 還是 Phase？
第七篇的答案不是：
選一個最好。
而是：
ρ t ∗ = arg max ρ U ( ρ ∣ Q t ) \boxed{
\rho_t^{*}
=
\arg\max_{\rho}
U(\rho\mid Q_t)
} ρ t ∗ = arg ρ max U ( ρ ∣ Q t ) 。
四十九、FluxMem 已經走到這一步
FluxMem 的核心正是：
memory structure selection \boxed{
\text{memory structure selection}
} memory structure selection 作為 context-adaptive decision，而非固定 memory architecture。
所以這篇提出的「Representation Router」已有明確當代工程近親。
五十、甚至「生成記憶」也可以按需
Mem- π \pi π
when \text{when} when 以及：
what \text{what} what guidance 應被生成，並允許：
a b s t a i n abstain ab s t ain 。
這進一步說明：
M e m o r y I n v o c a t i o n \boxed{
Memory Invocation
} M e m or y I n v oc a t i o n 本身已逐步成為 decision process。
五十一、控制器可以建模成 MDP
令：
Z Z Z 為 memory-control state space，
A A A 為 memory actions。
則：
M = ( Z , A , P , R , γ ) \mathcal M
=
(Z,A,P,R,\gamma) M = ( Z , A , P , R , γ ) 。
五十二、狀態
z t = ( Q t , W t , U t , R i s k t , B u d g e t t , C o n f l i c t t , H i s t o r y t ) z_t
=
(
Q_t,
W_t,
U_t,
Risk_t,
Budget_t,
Conflict_t,
History_t
) z t = ( Q t , W t , U t , R i s k t , B u d g e t t , C o n f l i c t t , H i s t or y t ) 。
五十三、Action
a t ∈ { r e t r i e v e , e x p a n d , v e r i f y , c o m p r e s s , m e r g e , s w i t c h , r e o p e n , a r c h i v e , s t o p } a_t
\in
\{
retrieve,
expand,
verify,
compress,
merge,
switch,
reopen,
archive,
stop
\} a t ∈ { r e t r i e v e , e x p an d , v er i f y , co m p r ess , m er g e , s w i t c h , r eo p e n , a r c hi v e , s t o p } 。
五十四、Reward
可定義：
r t = α Q t s u c c e s s − β C t t o k e n − γ E t e r r o r − δ L t l o s s − η D t d e l a y r_t
=
\alpha Q_t^{success}
-
\beta C_t^{token}
-
\gamma E_t^{error}
-
\delta L_t^{loss}
-
\eta D_t^{delay} r t = α Q t s u ccess − β C t t o k e n − γ E t er r or − δ L t l oss − η D t d e l a y 。
其中：
Q s u c c e s s Q^{success} Q s u ccess C t o k e n C^{token} C t o k e n E e r r o r E^{error} E er r or L l o s s L^{loss} L l oss D d e l a y D^{delay} D d e l a y
五十五、但不能只用最終任務成功率
如果只最大化：
T a s k S u c c e s s TaskSuccess T a s k S u ccess Agent 可能學會：
什麼都不保存，反正短 benchmark 能過。
或者：
什麼都保存。
所以還需長期指標。
五十六、Memory Health
本文提出：
H M \boxed{
H_M
} H M 記憶健康度。
可由：
H M = f ( C o n s i s t e n c y , R e c o v e r a b i l i t y , C o m p a c t n e s s , C o v e r a g e , F r e s h n e s s , T r a c e a b i l i t y ) H_M
=
f(
Consistency,
Recoverability,
Compactness,
Coverage,
Freshness,
Traceability
) H M = f ( C o n s i s t e n cy , R eco v er abi l i t y , C o m p a c t n ess , C o v er a g e , F r es hn ess , T r a ce abi l i t y ) 構成。
五十七、Compactness
C o m p a c t n e s s = U s e f u l I n f o r m a t i o n A c t i v e M e m o r y C o s t Compactness
=
\frac{UsefulInformation}{ActiveMemoryCost} C o m p a c t n ess = A c t i v e M e m or y C os t U se f u l I n f or ma t i o n 。
越高越好，
但不能犧牲 recoverability。
五十八、Recoverability
R e c o v e r a b i l i t y = P ( recover needed evidence ∣ Q ) Recoverability
=
P(
\text{recover needed evidence}
\mid
Q
) R eco v er abi l i t y = P ( recover needed evidence ∣ Q ) 。
這是整系列極重要指標。
五十九、Consistency
C o n s i s t e n c y = 1 − C o n f l i c t R a t e Consistency
=
1-
ConflictRate C o n s i s t e n cy = 1 − C o n f l i c tR a t e 但不能簡單要求：
C o n s i s t e n c y = 1 Consistency=1 C o n s i s t e n cy = 1 。
因為真實世界本來可能有：
C o n f l i c t i n g E v i d e n c e ConflictingEvidence C o n f l i c t in g E v i d e n ce 。
六十、所以應區分「衝突存在」與「衝突未被標記」
好的記憶可以保存：
A A A 與：
¬ A \neg A ¬ A 同時存在，
只要：
s t a t u s = c o n f l i c t e d status=conflicted s t a t u s = co n f l i c t e d 。
真正危險是：
H i d d e n C o n f l i c t \boxed{
HiddenConflict
} H i dd e n C o n f l i c t 。
六十一、控制器不能強迫一致
否則：
C o n f l i c t i n g R e a l i t y → A r t i f i c i a l C o n s e n s u s ConflictingReality
\rightarrow
ArtificialConsensus C o n f l i c t in g R e a l i t y → A r t i f i c ia l C o n se n s u s 。
因此：
C o n v e r g e n c e ≠ F o r c e d A g r e e m e n t \boxed{
Convergence
\neq
ForcedAgreement
} C o n v er g e n ce = F or ce d A g r ee m e n t 。
六十二、收斂應保留必要差異
《理論呼吸論》原本就要求有效呼吸中的收斂不能消除必要差異，且新連接不能只是語詞類比。
這條直接適用記憶：
G o o d C o m p r e s s i o n = C o m p r e s s i o n − U n n e c e s s a r y R e d u n d a n c y + N e c e s s a r y D i f f e r e n c e \boxed{
GoodCompression
=
Compression
-
UnnecessaryRedundancy
+
NecessaryDifference
} G oo d C o m p r ess i o n = C o m p r ess i o n − U nn ecess a r y R e d u n d an cy + N ecess a r y D i f f er e n ce 。
六十三、Adaptive Convergence
因此：
C t \mathcal C_t C t 本身也應依 query distribution 演化。
例如某個區域：
U 1 U_1 U 1 半年從沒查，
可以：
R e s o l u t i o n ↓ Resolution\downarrow R eso l u t i o n ↓ 。
某區域：
U 2 U_2 U 2 每週查十次，
則：
R e s o l u t i o n ↑ Resolution\uparrow R eso l u t i o n ↑ 。
六十四、這就是記憶的自適應呼吸
高活動區：
E x p a n d + M a i n t a i n D e t a i l Expand
+
MaintainDetail E x p an d + M ain t ain D e t ai l 。
低活動區：
C o n v e r g e + A r c h i v e Converge
+
Archive C o n v er g e + A r c hi v e 。
新衝突區：
R e o p e n + V e r i f y Reopen
+
Verify R eo p e n + V er i f y 。
穩定區：
H a l t Halt H a l t 。
六十五、因此同一個記憶系統不同區域可以處於不同階段
M = U 1 ∪ U 2 ∪ U 3 M
=
U_1
\cup
U_2
\cup
U_3 M = U 1 ∪ U 2 ∪ U 3 其中：
U 1 : E x p a n s i o n U_1:\ Expansion U 1 : E x p an s i o n U 2 : C o n v e r g e n c e U_2:\ Convergence U 2 : C o n v er g e n ce U 3 : S t a b l e U_3:\ Stable U 3 : S t ab l e 。
所以：
M e m o r y B r e a t h i n g \boxed{
MemoryBreathing
} M e m or y B r e a t hin g 不是整個 database 同步吸氣吐氣。
它是：
L o c a l A s y n c h r o n o u s C o g n i t i v e M e t a b o l i s m \boxed{
Local Asynchronous Cognitive Metabolism
} L oc a l A sy n c h r o n o u s C o g ni t i v e M e t ab o l i s m 。
六十六、這是一個非常重要的提升
原本：
M t → M t + 1 M_t
\rightarrow
M_{t+1} M t → M t + 1 像整體版本。
更一般：
M t ( x ) M_t(x) M t ( x ) 對不同區域 x x x
o t ( x ) o_t(x) o t ( x ) 可以不同。
即：
S p a t i a l l y H e t e r o g e n e o u s M e m o r y C o n t r o l \boxed{
Spatially Heterogeneous Memory Control
} S p a t ia l l y H e t er o g e n eo u s M e m or y C o n t r o l 。
六十七、與拓樸記憶接軌
第五篇有：
U ∈ τ U\in\tau U ∈ τ 作為記憶鄰域。
現在可以定義：
π ( U ) \pi(U) π ( U ) 即不同鄰域的 memory policy。
例如：
π ( U r e s e a r c h ) ≠ π ( U p e r s o n a l P r e f e r e n c e ) \pi(U_{research})
\neq
\pi(U_{personalPreference}) π ( U r ese a r c h ) = π ( U p er so na l P r e f er e n ce ) 。
六十八、與相位狀態接軌
第五篇有：
x t ∈ P x_t\in\mathcal P x t ∈ P 。
現在 controller 可以根據：
x t x_t x t 決定：
a t a_t a t 。
例如：
x t ∈ S t a b l e B a s i n ⇒ P ( C o n v e r g e ) ↑ x_t\in StableBasin
\Rightarrow
P(Converge)\uparrow x t ∈ S t ab l e B a s in ⇒ P ( C o n v er g e ) ↑ 。
而：
x t ∈ U n s t a b l e R e g i o n ⇒ P ( V e r i f y / R e o p e n ) ↑ x_t\in UnstableRegion
\Rightarrow
P(Verify/Reopen)\uparrow x t ∈ U n s t ab l e R e g i o n ⇒ P ( V er i f y / R eo p e n ) ↑ 。
六十九、所以相位狀態可以成為控制信號
這讓：
P h a s e M e m o r y PhaseMemory P ha se M e m or y 不再只是描述。
而可進入：
M e m o r y C o n t r o l F e e d b a c k \boxed{
MemoryControlFeedback
} M e m or y C o n t r o l F ee d ba c k 。
七十、閉環
完整閉環：
M t → O b s e r v e ( M t , Q t ) → z t → A E → a t → M t + 1 M_t
\rightarrow
Observe(M_t,Q_t)
\rightarrow
z_t
\rightarrow
\mathcal A_E
\rightarrow
a_t
\rightarrow
M_{t+1} M t → O b ser v e ( M t , Q t ) → z t → A E → a t → M t + 1 再：
M t + 1 → O b s e r v e M_{t+1}
\rightarrow
Observe M t + 1 → O b ser v e 。
因此：
M e m o r y = F e e d b a c k S y s t e m \boxed{
Memory
=
FeedbackSystem
} M e m or y = F ee d ba c k S y s t e m 。
七十一、Epistemic Error
定義：
e t = D e s i r e d C o g n i t i v e S t a t e − C u r r e n t C o g n i t i v e S t a t e e_t
=
DesiredCognitiveState
-
CurrentCognitiveState e t = D es i r e d C o g ni t i v e S t a t e − C u r r e n tC o g ni t i v e S t a t e 雖然真實認知通常不存在簡單數值 target，
但工程上可用：
answer insufficiency；
contradiction；
missing provenance；
uncertainty；
retrieval failure；
作 proxy。
七十二、控制器的工作就是降低某些 epistemic error
例如：
M i s s i n g E v i d e n c e → E x p a n d MissingEvidence
\rightarrow
Expand M i ss in g E v i d e n ce → E x p an d 。
R e d u n d a n c y → C o n v e r g e Redundancy
\rightarrow
Converge R e d u n d an cy → C o n v er g e 。
C o n f l i c t → V e r i f y Conflict
\rightarrow
Verify C o n f l i c t → V er i f y 。
S t a l e S t a t e → U p d a t e StaleState
\rightarrow
Update S t a l e S t a t e → U p d a t e 。
七十三、但不是把 uncertainty 全部變零
真正開放研究中：
U > 0 U>0 U > 0 是正常狀態。
所以目標不是：
min U \min U min U 。
更合理：
C a l i b r a t e d U n c e r t a i n t y \boxed{
CalibratedUncertainty
} C a l ib r a t e d U n cer t ain t y 。
七十四、知道自己不知道
如果證據不足：
S t a t e = U n k n o w n State=Unknown S t a t e = U nk n o w n 可能是最好的收斂。
這也符合第三篇提出的：
E x p l i c i t I g n o r a n c e > F a b r i c a t e d C o m p l e t i o n ExplicitIgnorance
>
FabricatedCompletion E x pl i c i t I g n or an ce > F ab r i c a t e d C o m pl e t i o n 。
七十五、自適應的第一層：規則式
MVP 可以先：
IF user_correction:
reopen + raw_retrieval
IF confidence < 0.4:
expand
IF conflict > threshold:
verify
IF working_memory > budget:
converge
IF expected_gain < expected_cost:
stop
。
這不需要學習模型。
七十六、第二層：統計／Bandit Controller
根據歷史：
( Q , a , r e w a r d ) (Q,a,reward) ( Q , a , r e w a r d ) 學習：
P ( a ∣ Q ) P(a\mid Q) P ( a ∣ Q ) 。
MemCon 即採取輕量 contextual-bandit / online policy 的方向，而非每次再增加一個大型 LLM controller。
這對本地 Agent 特別有吸引力。
七十七、第三層：RL Controller
AgeMem、Memory-R1 已顯示：
M e m o r y A c t i o n P o l i c y MemoryActionPolicy M e m or y A c t i o n P o l i cy 可以透過 reinforcement learning 學習。
因此：
π θ ( a ∣ z ) \pi_\theta(a\mid z) π θ ( a ∣ z ) 可進行 policy optimization。
七十八、第四層：Meta-Adaptive Controller
更進一步：
π t → π t + 1 \pi_t
\rightarrow
\pi_{t+1} π t → π t + 1 。
不只是 action 改變，
連：
threshold；
representation set；
reward weights；
memory schema；
verifier；
都可調整。
七十九、這時已經進入高風險區
因為：
C o n t r o l l e r Controller C o n t r o l l er 如果可以改：
V e r i f i e r Verifier V er i f i er 可能透過：
降低驗證標準
讓自己更容易宣稱進展。
所以：
P o l i c y S e l f M o d i f i c a t i o n ≠ U n r e s t r i c t e d P o l i c y S e l f M o d i f i c a t i o n \boxed{
PolicySelfModification
\neq
UnrestrictedPolicySelfModification
} P o l i cy S e l f M o d i f i c a t i o n = U n r es t r i c t e d P o l i cy S e l f M o d i f i c a t i o n 。
八十、必須有不可任意修改的外部約束
例如：
I = { p r i v a c y , a u t h o r i t y , p r o v e n a n c e , s a f e t y , u s e r C o n t r o l } \mathcal I
=
\{
privacy,
authority,
provenance,
safety,
userControl
\} I = { p r i v a cy , a u t h or i t y , p r o v e nan ce , s a f e t y , u ser C o n t r o l } 。
要求：
π t ∈ Π I \pi_t
\in
\Pi_{\mathcal I} π t ∈ Π I 。
八十一、使用者仍然具有覆寫權
如果使用者說：
「不要把這件事放進長期記憶。」
則：
U s e r P o l i c y UserPolicy U ser P o l i cy 應高於：
L e a r n e d M e m o r y U t i l i t y LearnedMemoryUtility L e a r n e d M e m or y U t i l i t y 。
因為：
M e m o r y U t i l i t y ≠ M e m o r y A u t h o r i t y \boxed{
MemoryUtility
\neq
MemoryAuthority
} M e m or y U t i l i t y = M e m or y A u t h or i t y 。
八十二、這與一般 cognition 最大差別之一
智能可能判斷：
這件事情非常值得記。
但如果沒有：
P e r m i s s i o n Permission P er mi ss i o n 仍不能保存。
因此完整控制器必須加入：
A u t h o r i t y t Authority_t A u t h or i t y t 。
八十三、控制器正式輸入擴充
z t = ( Q , G , U , R i s k , B u d g e t , H i s t o r y , C o n f l i c t , A u t h o r i t y ) z_t
=
(
Q,
G,
U,
Risk,
Budget,
History,
Conflict,
Authority
) z t = ( Q , G , U , R i s k , B u d g e t , H i s t or y , C o n f l i c t , A u t h or i t y ) 。
輸出：
a t a_t a t 必須滿足：
L e g a l ( a t , A u t h o r i t y ) = T r u e Legal(a_t,Authority)=True L e g a l ( a t , A u t h or i t y ) = T r u e 。
八十四、認識論與治理因此相交
記憶問題最後一定會遇到：
應該記？
和：
可以記？
兩者不同。
即：
E p i s t e m i c V a l u e ≠ P e r m i s s i o n \boxed{
EpistemicValue
\neq
Permission
} E p i s t e mi c V a l u e = P er mi ss i o n 。
八十五、同樣，應該展開與可以展開也不同
例如：
E x p e c t e d I n f o r m a t i o n G a i n ExpectedInformationGain E x p ec t e d I n f or ma t i o n G ain 極高，
但資料屬於不可存取 domain。
則：
A c t i o n = B l o c k e d Action=Blocked A c t i o n = B l oc k e d 。
八十六、因此控制器其實是 constrained policy
max π E x p e c t e d U t i l i t y \boxed{
\max_\pi
ExpectedUtility
} π max E x p ec t e d U t i l i t y subject to：
S a f e t y Safety S a f e t y A u t h o r i t y Authority A u t h or i t y P r i v a c y Privacy P r i v a cy B u d g e t Budget B u d g e t P r o v e n a n c e Provenance P r o v e nan ce 。
八十七、智能記憶的四種基本壓力
本文可將控制信號壓成：
P E P_E P E 展開壓力；
P C P_C P C 收斂壓力；
P V P_V P V 驗證壓力；
P H P_H P H 停止壓力。
八十八、例子
如果：
U n c e r t a i n t y ↑ Uncertainty\uparrow U n cer t ain t y ↑ 則：
P E ↑ P_E\uparrow P E ↑ 。
如果：
R e d u n d a n c y ↑ Redundancy\uparrow R e d u n d an cy ↑ 則：
P C ↑ P_C\uparrow P C ↑ 。
如果：
C o n f l i c t ↑ Conflict\uparrow C o n f l i c t ↑ 則：
P V ↑ P_V\uparrow P V ↑ 。
如果：
M a r g i n a l G a i n ↓ MarginalGain\downarrow M a r g ina l G ain ↓ 則：
P H ↑ P_H\uparrow P H ↑ 。
八十九、Adaptive Memory Field
進一步可以定義每個記憶區域 x x x
P ( x , t ) = ( P E , P C , P V , P H ) \mathbf P(x,t)
=
(
P_E,
P_C,
P_V,
P_H
) P ( x , t ) = ( P E , P C , P V , P H ) 。
如此：
Memory Control \boxed{
\text{Memory Control}
} Memory Control 變成一個隨：
s p a c e × t i m e space\times time s p a ce × t im e 變化的場。
九十、這就與拓樸—相位模型再次合流
上一篇：
M = ( P , τ , Φ ) M=(\mathcal P,\tau,\Phi) M = ( P , τ , Φ ) 。
現在再加入控制場：
M ∗ = ( P , τ , Φ , P ) \boxed{
M^{*}
=
(
\mathcal P,
\tau,
\Phi,
\mathbf P
)
} M ∗ = ( P , τ , Φ , P ) 。
其中：
P \mathbf P P 決定不同局部區域傾向：
九十一、這可以稱為「記憶認識場」
只是本文暫不把它當成熟數學對象。
先稱：
E p i s t e m i c C o n t r o l F i e l d \boxed{
Epistemic Control Field
} E p i s t e mi c C o n t r o l F i e l d 作為工程性概念即可。
九十二、無界展開與收斂為什麼不矛盾？
因為兩者作用層級可以不同。
例如：
S u r f a c e C o m p l e x i t y t → K SurfaceComplexity_t
\rightarrow
K S u r f a ce C o m pl e x i t y t → K 保持有限。
但：
R e c o v e r a b l e D e p t h t RecoverableDepth_t R eco v er ab l eD e pt h t 持續增加。
即：
S u r f a c e → C o m p a c t \boxed{
Surface\rightarrow Compact
} S u r f a ce → C o m p a c t D e p t h → E x t e n s i b l e \boxed{
Depth\rightarrow Extensible
} D e pt h → E x t e n s ib l e 。
九十三、或者空間不同
區域 A A A
C o n v e r g i n g Converging C o n v er g in g 。
區域 B B B
E x p a n d i n g Expanding E x p an d in g 。
所以：
G l o b a l E x p a n s i o n + L o c a l C o n v e r g e n c e \boxed{
GlobalExpansion
+
LocalConvergence
} Gl o ba l E x p an s i o n + L oc a l C o n v er g e n ce 完全可以同時存在。
九十四、或者時間不同
E → C → H → R → E E
\rightarrow
C
\rightarrow
H
\rightarrow
R
\rightarrow
E E → C → H → R → E 。
所以收斂只是：
T e m p o r a r y C l o s u r e TemporaryClosure T e m p or a r y C l os u r e 。
九十五、這就是「智能呼吸」
原《理論呼吸論》提出：
穩定不是停止，而是下一輪呼吸的起點。
移到 Agent memory：
S t a b l e M e m o r y ≠ D e a d M e m o r y \boxed{
StableMemory
\neq
DeadMemory
} S t ab l e M e m or y = D e a d M e m or y 。
九十六、真正高階的記憶不是「永遠記得」
而是：
知道現在需要記多細。 \boxed{
\text{知道現在需要記多細。}
} 知道現在需要記多細。 九十七、也不是「永遠回憶」
而是：
知道什麼時候值得回去。 \boxed{
\text{知道什麼時候值得回去。}
} 知道什麼時候值得回去。 九十八、也不是「永遠保持開放」
而是：
知道什麼時候形成暫時可操作的閉合。 \boxed{
\text{知道什麼時候形成暫時可操作的閉合。}
} 知道什麼時候形成暫時可操作的閉合。 九十九、也不是「永遠保持穩定」
而是：
知道什麼時候舊閉合必須重新打開。 \boxed{
\text{知道什麼時候舊閉合必須重新打開。}
} 知道什麼時候舊閉合必須重新打開。 一百、智能可以被重新描述
因此至少在記憶層：
I n t e l l i g e n c e ≈ A d a p t i v e C o n t r o l O f R e p r e s e n t a t i o n A n d A t t e n t i o n \boxed{
Intelligence
\approx
AdaptiveControlOfRepresentationAndAttention
} I n t e l l i g e n ce ≈ A d a pt i v e C o n t r o l O f R e p r ese n t a t i o n A n d A tt e n t i o n 是一個值得研究的操作性猜想。
不是完整智能定義，
但可能是其中一個重要成分。
一百零一、Memory Controller 的最小工程架構
Query / Event
│
▼
Epistemic Observer
│
┌────────────────┼─────────────────┐
│ │ │
uncertainty conflict risk
│ │ │
└────────────────┼─────────────────┘
▼
Adaptive Memory Controller
│
┌──────────┬───────┼───────┬───────────┐
│ │ │ │ │
Expand Link Verify Converge Stop
│ │ │ │ │
└──────────┴───────┼───────┴───────────┘
│
Representation Router
│
┌───────────────┼────────────────┐
│ │ │
State Graph Temporal
Vector Causal Topology...
│
▼
Memory State
│
└────── feedback ──────┐
│
└──→ Controller
一百零二、MVP：AEMC v0.1
第一版不需要 RL。
用規則控制即可。
T1 — Low-Risk Query
已有 sufficient state。
期望：
N o R e t r i e v a l NoRetrieval N o R e t r i e v a l 。
T2 — User Correction
輸入：
「你記錯了。」
期望：
R e o p e n → R a w E v i d e n c e → R e c o n s t r u c t Reopen
\rightarrow
RawEvidence
\rightarrow
Reconstruct R eo p e n → R a w E v i d e n ce → R eco n s t r u c t 。
T3 — Low Confidence
C o n f i d e n c e < 0.4 Confidence<0.4 C o n f i d e n ce < 0.4 期望：
E x p a n d Expand E x p an d 。
T4 — Conflict
A ∧ ¬ A A\land\neg A A ∧ ¬ A 期望：
V e r i f y Verify V er i f y 而不是自動刪掉其中一方。
T5 — Working Memory Overflow
∣ W ∣ > B |\mathcal W|>B ∣ W ∣ > B 期望：
C o n v e r g e + A r c h i v e Converge+Archive C o n v er g e + A r c hi v e 。
T6 — Diminishing Return
每輪資訊增益：
I G t IG_t I G t 逐步下降。
當：
I G t < C o s t t IG_t<Cost_t I G t < C os t t 期望：
S t o p Stop S t o p 。
T7 — Reopening
穩定記憶收到強反證。
期望：
S t a b l e → O p e n Stable
\rightarrow
Open S t ab l e → O p e n 。
T8 — Representation Switch
語義搜尋找不到：
「X 發生在 Y 之前嗎？」
期望由：
V e c t o r → T e m p o r a l Vector
\rightarrow
Temporal V ec t or → T e m p or a l 。
T9 — Adaptive Resolution
粗記憶不足：
P r o j e c t = P a u s e d Project=Paused P r o j ec t = P a u se d 。
期望展開為：
R e a s o n , D a t e , R e s u m e C o n d i t i o n Reason,
Date,
ResumeCondition R e a so n , D a t e , R es u m e C o n d i t i o n 。
T10 — Over-Expansion Protection
不斷提出無關新 branch。
期望：
P r u n e / A r c h i v e Prune/Archive P r u n e / A r c hi v e 。
一百零三、第二輪：Learned Controller
記錄：
( z t , a t , r t ) (z_t,a_t,r_t) ( z t , a t , r t ) 。
訓練：
π θ \pi_\theta π θ 。
比較：
R u l e C o n t r o l l e r RuleController R u l e C o n t r o l l er 與：
L e a r n e d C o n t r o l l e r LearnedController L e a r n e d C o n t r o l l er 。
一百零四、第三輪：Representation Learning
加入：
V e c t o r Vector V ec t or S t a t e State S t a t e G r a p h Graph G r a p h T e m p o r a l Temporal T e m p or a l 。
讓 controller 學習：
R e p r e s e n t a t i o n S e l e c t i o n RepresentationSelection R e p r ese n t a t i o n S e l ec t i o n 。
這就可以直接對照 FluxMem。
一百零五、第四輪：Memory Breathing Benchmark
建立長期 stream。
觀察：
E x p a n s i o n R a t e ExpansionRate E x p an s i o n R a t e C o n v e r g e n c e R a t e ConvergenceRate C o n v er g e n ce R a t e R e o p e n R a t e ReopenRate R eo p e n R a t e V e r i f i c a t i o n R a t e VerificationRate V er i f i c a t i o n R a t e S t a b l e M e m o r y S i z e StableMemorySize S t ab l e M e m or y S i z e 。
一百零六、失衡測試
故意設定：
E ≫ C E\gg C E ≫ C 。
觀察：
M e m o r y E x p l o s i o n MemoryExplosion M e m or y E x pl os i o n 。
一百零七、第二個失衡
C ≫ E C\gg E C ≫ E 。
觀察：
I n f o r m a t i o n L o s s InformationLoss I n f or ma t i o n L oss 以及：
R e c a l l F a i l u r e RecallFailure R ec a l l F ai l u r e 。
一百零八、第三個失衡
L ≫ E , C L\gg E,C L ≫ E , C 。
觀察：
G r a p h D e n s i t y GraphDensity G r a p h D e n s i t y 以及 retrieval precision 是否下降。
一百零九、第四個失衡
H = 0 H=0 H = 0 。
觀察 Agent 是否：
N e v e r C o m m i t s NeverCommits N e v er C o mmi t s 。
一百一十、評估指標
Task Success
S T S_T S T Retrieval Cost
C R C_R C R Expansion Cost
C E C_E C E Verification Cost
C V C_V C V Compression Loss
L C L_C L C Reconstruction Fidelity
F R F_R F R Memory Compactness
K M K_M K M Conflict Awareness
A C A_C A C Reopening Accuracy
A R A_R A R Representation Selection Accuracy
A P A_P A P 。
一百一十一、最終效用
可以先用：
U = α S T + β F R + γ A C − λ ( C R + C E + C V ) − μ L C \boxed{
U
=
\alpha S_T
+
\beta F_R
+
\gamma A_C
-
\lambda(C_R+C_E+C_V)
-
\mu L_C
} U = α S T + β F R + γ A C − λ ( C R + C E + C V ) − μ L C 。
實際權重依 domain 而異。
一百一十二、不要追求單一最優控制器
不同任務可能具有不同：
π ∗ \pi^{*} π ∗ 。
科研 Agent：
E x p a n s i o n W e i g h t ↑ ExpansionWeight\uparrow E x p an s i o nW e i g h t ↑ 。
客服 Agent：
S t a t e C o n s i s t e n c y W e i g h t ↑ StateConsistencyWeight\uparrow S t a t e C o n s i s t e n cy W e i g h t ↑ 。
即時機器人：
L a t e n c y W e i g h t ↑ LatencyWeight\uparrow L a t e n cy W e i g h t ↑ 。
法律 Agent：
P r o v e n a n c e + V e r i f i c a t i o n W e i g h t ↑ Provenance+VerificationWeight\uparrow P r o v e nan ce + V er i f i c a t i o nW e i g h t ↑ 。
一百一十三、所以智能記憶控制本身具有 Domain Dependence
π ∗ = π ∗ ( D o m a i n ) \boxed{
\pi^{*}
=
\pi^{*}(Domain)
} π ∗ = π ∗ ( D o main ) 。
甚至同一 Agent 不同時刻也不同。
一百一十四、這正是「自適應」真正含義
不是：
用 AI 幫忙選 Top-K。
而是：
整個記憶操作策略， 隨問題、歷史、風險、成本與認知狀態而改變。 \boxed{
\text{整個記憶操作策略，
隨問題、歷史、風險、成本與認知狀態而改變。}
} 整個記憶操作策略， 隨問題、歷史、風險、成本與認知狀態而改變。 。
一百一十五、無界展開—收斂—自適應的完整形式
現在可以寫：
M t + 1 = O π t ( M t , Q t ) \boxed{
M_{t+1}
=
\mathcal O_{\pi_t}(M_t,Q_t)
} M t + 1 = O π t ( M t , Q t ) 其中：
π t = A E ( Q t , M t , U t , R t , B t , H t ) \pi_t
=
\mathcal A_E(
Q_t,
M_t,
U_t,
R_t,
B_t,
H_t
) π t = A E ( Q t , M t , U t , R t , B t , H t ) 。
而：
O π t \mathcal O_{\pi_t} O π t 可從：
{ E , L , C , H , V , R , T } \{
E,L,C,H,V,R,T
\} { E , L , C , H , V , R , T } 組合。
一百一十六、如果還允許 UBE
則：
M t \mathcal M_t M t 本身也不是最終固定。
即：
M t ⇒ M t + 1 \boxed{
\mathcal M_t
\Rightarrow
\mathcal M_{t+1}
} M t ⇒ M t + 1 可能新增：
domain；
representation；
state dimension；
rule。
一百一十七、如果還允許 Convergence
即使：
R t \mathcal R_t R t 持續展開，
仍可以：
∣ W t ∣ ≤ B |\mathcal W_t|\le B ∣ W t ∣ ≤ B 。
一百一十八、如果再允許 Adaptation
則：
B B B 甚至不必是固定常數。
根據硬體、任務與風險：
B t B_t B t 也可以調整。
一百一十九、所以最後形成的不是資料庫
而是一個：
Adaptive Memory Runtime \boxed{
\text{Adaptive Memory Runtime}
} Adaptive Memory Runtime 。
它持續做：
O b s e r v e → D e c i d e → E x p a n d / C o n v e r g e → V e r i f y → C o m m i t → O b s e r v e Observe
\rightarrow
Decide
\rightarrow
Expand/Converge
\rightarrow
Verify
\rightarrow
Commit
\rightarrow
Observe O b ser v e → D ec i d e → E x p an d / C o n v er g e → V er i f y → C o mmi t → O b ser v e 。
一百二十、這與第一篇重新閉環
第一篇提出：
C o n v e r s a t i o n ≠ C o g n i t i v e B o u n d a r y Conversation
\neq
CognitiveBoundary C o n v er s a t i o n = C o g ni t i v e B o u n d a r y 。
現在我們可以補完：
C o n v e r s a t i o n i = π i ( M t ) Conversation_i
=
\pi_i(M_t) C o n v er s a t i o n i = π i ( M t ) 。
也就是對話只是：
A d a p t i v e M e m o r y R u n t i m e \boxed{
Adaptive Memory Runtime
} A d a pt i v e M e m or y R u n t im e 在某一時刻對使用者打開的一個工作視圖。
一百二十一、跨對話因此不需要複製整個認知體
Conversation A 關閉：
C A → C o m m i t ( M t ) C_A\rightarrow Commit(M_t) C A → C o mmi t ( M t ) 。
Conversation B 開啟：
M t → π B C B M_t
\xrightarrow{\pi_B}
C_B M t π B C B 。
一百二十二、跨 Agent 也是如此
Agent A：
A → M t A\rightarrow M_t A → M t 。
Agent B：
M t → B M_t\rightarrow B M t → B 。
如果需要：
B B B 可以重新展開：
M t → M t ′ M_t
\rightarrow
M'_t M t → M t ′ 。
一百二十三、所以真正持續的是什麼？
工程上最合理的答案越來越像：
S t a t e + M e m o r y + H i s t o r y + P o l i c y + R u n t i m e \boxed{
State
+
Memory
+
History
+
Policy
+
Runtime
} S t a t e + M e m or y + H i s t or y + P o l i cy + R u n t im e 而不是：
C o n v e r s a t i o n Conversation C o n v er s a t i o n 或：
M o d e l Model M o d e l 單獨一項。
一百二十四、但本文仍不宣稱主體性
F u n c t i o n a l C o n t i n u i t y FunctionalContinuity F u n c t i o na l C o n t in u i t y 不等於：
S u b j e c t i v e C o n t i n u i t y SubjectiveContinuity S u bj ec t i v e C o n t in u i t y 。
本文只建立：
P e r s i s t e n t E p i s t e m i c P r o c e s s \boxed{
Persistent Epistemic Process
} P er s i s t e n tE p i s t e mi c P r ocess 的工程候選架構。
一百二十五、本文的十個核心命題
命題一：展開不足命題
U n b o u n d e d E x p a n s i o n alone is not intelligent memory. \boxed{
UnboundedExpansion
\text{ alone is not intelligent memory.}
} U nb o u n d e d E x p an s i o n alone is not intelligent memory. 命題二：收斂必要命題
E x p a n s i o n + C o n v e r g e n c e \boxed{
Expansion
+
Convergence
} E x p an s i o n + C o n v er g e n ce 才可能讓有限 working field 長期維持。
命題三：收斂非封閉命題
C o n v e r g e n c e ≠ T e r m i n a l C l o s u r e \boxed{
Convergence
\neq
TerminalClosure
} C o n v er g e n ce = T er mina l C l os u r e 。
命題四：Reopening 命題
穩定記憶必須允許：
S t a b l e → O p e n \boxed{
Stable
\rightarrow
Open
} S t ab l e → O p e n 。
命題五：Memory Policy 命題
M e m o r y O p e r a t i o n \boxed{
MemoryOperation
} M e m or y O p er a t i o n 應可成為 Agent policy 的一部分。
命題六：Adaptive Depth 命題
R e c a l l D e p t h = f ( C o n t e x t , R i s k , U n c e r t a i n t y ) \boxed{
RecallDepth
=
f(Context,Risk,Uncertainty)
} R ec a l l D e pt h = f ( C o n t e x t , R i s k , U n cer t ain t y ) 。
命題七：Representation Adaptation 命題
M e m o r y R e p r e s e n t a t i o n \boxed{
MemoryRepresentation
} M e m or y R e p r ese n t a t i o n 本身可以根據任務選擇。
命題八：Local Breathing 命題
不同記憶區域可以同時：
E x p a n d , C o n v e r g e , V e r i f y , S t a b i l i z e Expand,
Converge,
Verify,
Stabilize E x p an d , C o n v er g e , V er i f y , S t abi l i z e 。
命題九：Feedback 命題
M e m o r y M a n a g e m e n t = C l o s e d L o o p C o n t r o l \boxed{
MemoryManagement
=
ClosedLoopControl
} M e m or y M ana g e m e n t = C l ose d L oo pC o n t r o l 。
命題十：認識論控制命題
高階記憶智能的一部分可以表示為：
對自己如何記、何時找、何時停、何時重開的控制能力。 \boxed{
\text{對自己如何記、何時找、何時停、何時重開的控制能力。}
} 對自己如何記、何時找、何時停、何時重開的控制能力。 一百二十六、本文不主張什麼？
本文不主張：
智能可以被完全化約為 memory controller；
RL 一定是最佳 memory controller；
learned policy 一定優於 deterministic rule；
不確定性可以完美量化；
所有記憶都必須收斂；
所有矛盾都應消除；
所有歷史都應永久保存；
Agent 可以自主突破使用者權限；
self-adaptive memory 應具有無限制自我修改權；
收斂等於真理；
穩定等於正確；
無界展開等於永遠增加資料；
Agent 已具有真正的人類式認識論；
本文已證明唯一正確的智能記憶架構。
本文主張的是：
只要記憶需要長時間持續， 「如何管理記憶」就會逐漸變成和「記什麼」同樣重要的智能問題。 \boxed{
\text{只要記憶需要長時間持續，
「如何管理記憶」就會逐漸變成和「記什麼」同樣重要的智能問題。}
} 只要記憶需要長時間持續， 「如何管理記憶」就會逐漸變成和「記什麼」同樣重要的智能問題。 一百二十七、下一篇：Runtime 封頂
到這裡七篇理論鏈已完成：
Conversation Boundary \text{Conversation Boundary} Conversation Boundary ⇓ \Downarrow ⇓ Full Information + Working Memory \text{Full Information + Working Memory} Full Information + Working Memory ⇓ \Downarrow ⇓ Cognitive Reconstruction \text{Cognitive Reconstruction} Cognitive Reconstruction ⇓ \Downarrow ⇓ Multi-Representation \text{Multi-Representation} Multi-Representation ⇓ \Downarrow ⇓ Topology + Phase \text{Topology + Phase} Topology + Phase ⇓ \Downarrow ⇓ Unbounded Expansion \text{Unbounded Expansion} Unbounded Expansion ⇓ \Downarrow ⇓ Expansion—Convergence—Adaptation \boxed{
\text{Expansion—Convergence—Adaptation}
} Expansion—Convergence—Adaptation 。
最後一篇將不再增加新的大理論。
而是把全部收斂成：
《Adaptive Memory Runtime：無界展開—收斂式 Agent 記憶架構與 MVP》
也就是：
R a w S t o r e ↔ C o m p i l e r ↔ M u l t i R e p r e s e n t a t i o n M e m o r y ↔ A d a p t i v e C o n t r o l l e r ↔ A g e n t \boxed{
RawStore
\leftrightarrow
Compiler
\leftrightarrow
MultiRepresentationMemory
\leftrightarrow
AdaptiveController
\leftrightarrow
Agent
} R a w S t or e ↔ C o m p i l er ↔ M u l t i R e p r ese n t a t i o n M e m or y ↔ A d a pt i v e C o n t r o l l er ↔ A g e n t 。
一百二十八、結論
最初的 Agent memory 問題是：
如何讓 AI 記住更多？
但當系統逐漸長期化之後，問題會變成：
哪些需要保持活躍？
哪些應退出工作區？
哪些需要重新展開？
哪些已經足以收斂？
哪些舊結論需要重新打開？
哪種 representation 最適合當前問題？
應該花多少計算成本去確認？
現在應該繼續找，還是承認已經足夠？
因此：
M e m o r y C a p a c i t y \boxed{
MemoryCapacity
} M e m or y C a p a c i t y 只是一階問題。
更高階的是：
M e m o r y C o n t r o l \boxed{
MemoryControl
} M e m or y C o n t r o l 。
再往上：
A d a p t i v e E p i s t e m i c C o n t r o l \boxed{
AdaptiveEpistemicControl
} A d a pt i v e E p i s t e mi c C o n t r o l 。
如果一個長期智能體始終只有：
E x p a n s i o n Expansion E x p an s i o n 它會淹死在自己的歷史裡。
如果只有：
C o n v e r g e n c e Convergence C o n v er g e n ce 它會逐漸把世界壓縮成過度簡化的固定答案。
如果只有：
S t a b i l i t y Stability S t abi l i t y 它會無法吸收真正的新證據。
因此較成熟的記憶應形成：
展開 ⇄ 收斂 \boxed{
\text{展開}
\rightleftarrows
\text{收斂}
} 展開 ⇄ 收斂 並由：
自適應認識論控制 \boxed{
\text{自適應認識論控制}
} 自適應認識論控制 持續決定兩者的局部比例。
最終可以壓縮成一句：
智能記憶不是永遠記住， 而是永遠保留重新知道「現在該怎麼記」的能力。 \boxed{
\text{智能記憶不是永遠記住，
而是永遠保留重新知道「現在該怎麼記」的能力。}
} 智能記憶不是永遠記住， 而是永遠保留重新知道「現在該怎麼記」的能力。 參考資料
Neo.K with Aletheia，《理論呼吸論：以無限展開、無限連接與無限收斂作為版本生成機制》，v0.1，2026。
Neo.K with Aletheia，《無界展開論：從潛在無限、非終界延展到有限計算機上的生成框架》，v0.1，2026。
Yu, Y., et al. Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents . ACL 2026.
Yan, S., et al. Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning . ACL 2026.
Jiang, E. H., et al. Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents . 2026.
Lu, M., et al. Choosing How to Remember: Adaptive Memory Structures for LLM Agents . 2026.
Wang, X., et al. Mem- π \pi π . 2026.
Huang, W., et al. AMA: Adaptive Memory via Multi-Agent Collaboration . Findings of ACL 2026.
Zhang, J., et al. Lightweight LLM Agent Memory with Small Language Models . ACL 2026.