title: "從十二小時到數 KB：AI 長時研究中的證據爆炸與語義再壓縮" english_title: "From Twelve Hours to a Few Kilobytes: Evidence Explosion and Semantic Recompression in Long-Horizon AI Research" series: "AI Epistemic Reconstruction Series" paper: "05" author: "Neo.K" date: "2026-08-14" version: "v0.1" document_type: "Research Paper / Systems-and-Epistemology Paper" language: "zh-Hant" status: "Research Draft"

從十二小時到數 KB：AI 長時研究中的證據爆炸與語義再壓縮

From Twelve Hours to a Few Kilobytes: Evidence Explosion and Semantic Recompression in Long-Horizon AI Research

作者：Neo.K
系列：AI Epistemic Reconstruction Series — Paper 05
版本：v0.1
日期：2026 年 8 月 14 日

摘要

長時 AI Agent 研究存在一個反直覺現象：輸入目標本身可能很小，但為了理解它而產生的 screenshots、execution traces、save files、binary diffs、logs、failed runs、counterexamples、temporary working copies 與中間報告，可能比原始 artifact 大數十倍甚至數百倍。最終真正需要帶入下一輪推理的研究狀態，卻可能只有幾 KB 到幾 MB。

本文將這一過程形式化為：

\boxed{ \text{Legacy / Target Artifact} \rightarrow \text{Evidence Explosion} \rightarrow \text{Epistemic Semantic Recompression} }

本文主張，長時 Agent 的主要記憶問題不是單純「上下文太長」，而是三種資料被錯誤混在一起：

Raw Evidence：不可任意改寫的原始實驗證據；
Epistemic State：Verified、Invalidated、Unknown、Excluded、Current Frontier 等可續接研究狀態；
Active Context：當前 subgoal 真正需要進入模型 context 的最小工作集。

因此提出三層架構：

\boxed{ R_t \rightarrow K_t \rightarrow A_t }

其中：

$R_t$ ：full-fidelity raw evidence store；
$K_t$ ：provenance-backed canonical epistemic state；
$A_t$ ：task-relative active working context。

本文提出「Epistemic Sufficient State（ESS）」概念。對下一步研究決策集合 $\mathcal D$ ，若壓縮狀態 $K_t=C(R_{0:t})$ 能在容許誤差 $\epsilon$ 內保留使用完整 evidence 所需要的決策資訊，則：

\boxed{ K_t \text{ is } \epsilon\text{-sufficient for }\mathcal D }

形式上可寫為：

d\!\left( P(a_{t+1}\mid R_{0:t}), P(a_{t+1}\mid K_t,I_t) \right) \le\epsilon,

其中 $I_t$ 為可回溯 raw evidence 的索引／provenance graph。

這一定義的重要含義是：高品質壓縮不等於刪除 evidence，而是把 evidence 從「每輪都必須讀」轉成「可按需解引用」。

MemGPT 將有限 context 類比為分層記憶管理；LLMLingua 與 LongLLMLingua 顯示 prompt compression 可降低成本；2026 年的 HiMem、HORMA、MAGE 與 MemexRL 則進一步採用階層化記憶、摘要連結 raw trajectory、execution-state tree 與 indexed external evidence 等設計。本文在這些工作的基礎上，進一步把研究 Agent 的核心記憶單位從「conversation memory」改寫成「evidence-backed epistemic state」，並強調 contradiction、excluded runs、版本 scope、provenance pointer 與 replayability 必須在壓縮後仍可恢復。

以一個約十二小時的半黑箱 DOS 遊戲逆向研究作 running case，Agent 的一輪增量產生約 183 MiB 新資料，絕大多數是實驗與工作副本；而最終 handoff 層的語義更新只有數 KB。這個案例顯示：長時研究的真正價值不與 raw bytes 成正比，反而取決於能否把大量局部 observations 收斂成可重播、可反駁、可續接的知識狀態。

關鍵詞： Agent Memory, Evidence Compression, Semantic Compression, Long-Horizon Agents, Provenance, Context Management, Epistemic State, Research Agents, Evidence Graph, Memory Consolidation

1. 問題：為什麼 10 MB 的東西可以研究出幾百 MB？

直覺上，人們容易把：

\text{file size}

等同於：

\text{knowledge complexity}.

但對可執行系統而言，兩者沒有直接比例關係。

一個 binary：

G

可能非常小，

但其可觀測狀態空間：

\mathcal S

與 action space：

\mathcal A

組合後可以產生大量 trajectory：

\tau = (s_0,a_0,s_1,a_1,\ldots).

研究 Agent 為了恢復：

\Sigma_G

必須產生：

snapshots；
save files；
diffs；
logs；
screenshots；
hashes；
hypotheses；
failed runs；
replicated runs。

所以：

|E_G| \gg |G|

完全可能。

2. Evidence Explosion

定義 raw evidence stream：

R_t = \{e_1,e_2,\ldots,e_t\}.

若每一次 experiment：

a_i

產生：

m_i

個 evidence artifacts，

則：

|R_t| = \sum_{i=1}^{t}m_i.

若 experiment 數隨研究時間增長：

|R_t| \rightarrow\infty

在沒有 retention policy 時自然發生。

3. Evidence Expansion Factor

定義：

\boxed{ X_E(t) = \frac{ \operatorname{Bytes}(R_t) }{ \operatorname{Bytes}(G) } }

$X_E$ 不是研究品質指標。

它只表示：

研究 evidence 相對 target artifact 的物理展開倍率。

4. 高 $X_E$ 可能很有價值，也可能完全是垃圾

高價值情況

10 MB artifact
→ 500 MB controlled experiments
→ 20 MB canonical evidence
→ 100 KB semantic specification

低價值情況

10 MB artifact
→ 500 MB duplicate screenshots
→ 0 new constraints

所以：

\boxed{ \text{Evidence Volume} \neq \text{Information Gain} }

5. 從 Paper 03 到 Paper 05

Paper 03 定義主動認識重構：

K_t \rightarrow \mathcal H_t \rightarrow a_t \rightarrow E_{t+1} \rightarrow K_{t+1}.

Paper 04 又要求：

contradiction 必須保存。

問題隨即出現：

如果每次都把：

E_1,E_2,\ldots,E_t

全部塞進 context，

則：

\operatorname{ContextLength}(t) \rightarrow\infty.

6. Context Explosion 與 Evidence Explosion 不同

Evidence explosion：

外部儲存資料越來越多。

Context explosion：

模型每輪需要讀的資料越來越多。

兩者不應綁死。

理想：

\boxed{ |R_t|\uparrow \quad\text{但}\quad |A_t|\approx bounded }

7. 三層記憶模型

本文提出：

\boxed{ R_t \rightarrow K_t \rightarrow A_t }

8. Layer R — Raw Evidence Store

R_t

包含：

original artifact；
raw trace；
experiment output；
screenshot；
file diff；
hash；
excluded run；
test result；
tool output。

原則：

append-only / immutable-by-default。

9. Layer K — Canonical Epistemic State

K_t

包含：

VERIFIED
INVALIDATED
PARTIALLY_VERIFIED
UNKNOWN
EXCLUDED
CURRENT_FRONTIER
DEPENDENCIES
NEXT_TESTS

以及：

每一 claim 對 raw evidence 的 pointer。

10. Layer A — Active Context

A_t

是模型在目前 subgoal 真正需要的：

current goal
relevant verified facts
relevant contradictions
open hypotheses
next experiments
minimal raw excerpts

11. 核心原則：Active Context 不是 Archive

錯誤：

A_t=R_t.

正確：

A_t = Retrieve(K_t,I_t,q_t).

其中：

$I_t$ ：index / provenance graph；
$q_t$ ：current subgoal。

12. 與 MemGPT 的接口

MemGPT 將 LLM 有限 context 類比作作業系統的 memory hierarchy。

其核心洞見：

fast context 與 large external memory 可以分層管理。

本文接受這個系統方向，

但將研究 Agent 的外部 memory 再拆成：

raw evidence；
canonical epistemic state。

13. 為什麼單純 conversation memory 不夠

研究狀態不是：

User said...
Assistant said...

而是：

Hypothesis H1 invalidated by E17
Rule R4 verified under DOS v1.02
Experiment B2 incomplete
Offset 0x50 historical prior only

14. Prompt Compression 不是 Epistemic Compression

LLMLingua / LongLLMLingua 的主要問題：

如何在較少 token 下保留 prompt 中的重要資訊。

本文的問題不同：

哪些資訊根本不應每輪進 context？
哪些 summary 必須連回 raw evidence？
哪些 negative result 絕不能被摘要吃掉？

15. Token Compression

令：

C_{\mathrm{token}}: X \rightarrow X'

目標：

|X'|<|X|.

16. Epistemic Compression

令：

C_E: R_{0:t} \rightarrow (K_t,I_t).

目標不是只：

|K_t|<|R_{0:t}|.

還要求：

可支持後續決策；
可查回原證據；
contradiction 不遺失；
provenance 不斷裂；
scope 不混合。

17. Epistemic Sufficient State

Definition 1

給研究決策類：

\mathcal D,

若：

K_t=C_E(R_{0:t})

滿足：

d\left( P(a\mid R_{0:t}), P(a\mid K_t,I_t) \right) \le\epsilon

對：

a\in\mathcal D,

則稱：

K_t

為：

\boxed{ \epsilon\text{-Epistemic Sufficient State} }

簡稱 ESS。

18. ESS 是 task-relative

對：

找 Stress offset

ESS 可能不需要：

所有 UI screenshots。

但對：

重建原 UI timing

那些 screenshot 又可能變重要。

所以：

ESS=ESS(q).

19. 不存在唯一「完美摘要」

同一 evidence store：

R

對不同 subgoal：

q_1,q_2

需要不同：

A(q_1),A(q_2).

因此核心不是產生一份永久摘要，

而是：

\boxed{ \text{Persistent Canonical State} + \text{Task-Relative Retrieval} }

20. Evidence Pointer

每個 canonical claim：

claim:
  id: STRESS_OFFSET
  status: verified
  value: 0x50

不能就此結束。

需：

evidence:
  - exp_017
  - exp_023
  - negative_control_004

21. Pointer-Preserving Compression

本文定義：

若 compressed state：

K

中的每個高權重 claim 都能透過：

I

解引用到 supporting / contradicting raw evidence，

則稱：

C_E

具有：

\boxed{ \text{Pointer Preservation} }

22. 這是「可逆 by reference」

不是：

C_E^{-1}(K)=R

字面可逆。

而是：

有需要時，可以從 claim 找回原始證據。

23. MemexRL 的直接接口

2026 年 MemexRL 提出：

compact working context；
structured summaries；
stable indices；
full-fidelity interaction 保存在 external database；
需要時 dereference index。

這和本文的：

(K_t,I_t,R_t)

高度相容。

24. 本文再增加一個要求

Memex 型架構重點是：

不因 summary-only compression 丟掉 evidence。

研究 Agent 還需要：

不因 compression 丟掉 epistemic status。

25. Summary 內容必須有狀態

錯誤摘要：

We investigated offset 0x0334.

正確摘要：

0x0334:
  status: unresolved
  H1 weakened
  H2 excluded by protocol
  B2 replication incomplete

26. Negative Memory

長時研究最容易丟掉：

已經證明不行的東西。

因為摘要器偏好保存「結論」。

但：

\boxed{ \text{Invalidated Hypotheses} }

也是高價值知識。

27. Contradiction Preservation

定義：

CR_t = \frac{ N_{\mathrm{invalidated\ claims\ retrievable}} }{ N_{\mathrm{invalidated\ claims\ total}} }.

理想：

CR_t\approx1.

28. 若 $CR_t$ 低

Agent 會：

forget failure
→ propose same hypothesis
→ rerun same experiment

形成研究迴圈。

29. Excluded Run Preservation

Excluded 與 Invalidated 又不同。

例如：

誤點 menu
→ run invalid

必須保存：

run excluded

但不能寫：

hypothesis false

30. Summary-Only Compression 的危險

如果把：

run A failed due to protocol violation

壓成：

run A failed

下一個 Agent 可能錯誤地把它當反例。

31. 所以 semantic compression 不是普通摘要

它要保留：

\boxed{ \text{Status Semantics} }

32. 五種核心 Epistemic Status

VERIFIED
PARTIALLY_VERIFIED
INVALIDATED
UNKNOWN
EXCLUDED

33. Current Frontier

另外必須保存：

What exactly remains unresolved?

定義：

F_t.

34. Frontier Preservation Rate

若原始 research state 有：

N_F

個 unresolved frontier，

壓縮後可恢復：

N_F'

定義：

FPR = \frac{N_F'}{N_F}.

35. Next-Action Preservation

更進一步：

壓縮後 Agent 是否仍知道：

下一個最有價值實驗是什麼？

36. Decision Distortion

定義：

\Delta_D = d( \pi(\cdot\mid R), \pi(\cdot\mid K,I) ).

37. 好的壓縮

|K|\ll|R|

且：

\Delta_D\approx0.

38. 壞的壓縮

|K|\ll|R|

但：

\Delta_D\gg0.

例如把關鍵反例刪掉。

39. Compression Ratio

\boxed{ C_R = \frac{ \operatorname{Bytes}(R) }{ \operatorname{Bytes}(K) } }

高 $C_R$ 本身不是越高越好。

40. Effective Compression

定義：

C_{\mathrm{eff}} = C_R(1-\Delta_D).

只是概念性指標。

41. Provenance Completeness

令：

P_C = \frac{ N_{\mathrm{canonical\ claims\ with\ raw\ pointers}} }{ N_{\mathrm{canonical\ claims}} }.

42. Research Memory Quality

可寫：

Q_M = f( 1-\Delta_D, P_C, CR, FPR, Replayability ).

43. Provenance 不只是 citation

W3C PROV 把 provenance 形式化為：

Entity；
Activity；
Agent；
derivation；
generation；
usage。

對研究 Agent 非常自然。

44. Agent Research PROV Mapping

Entity

save file
trace
screenshot
claim
report

Activity

experiment
diff
normalization
compression
validation

Agent

LLM
script
human
tool

45. Claim derivation

Canonical Claim
  wasDerivedFrom
Experiment Result

46. Summary derivation

Handoff Summary
  wasDerivedFrom
Epistemic State

所以 summary 本身也有 provenance。

47. 這防止「摘要看起來像原始事實」

每一層標示：

raw
derived
interpreted
canonical

48. HORMA 的直接接口

2026 的 HORMA：

把 experience 組成 file-system-like hierarchy，

並讓 summarized entities 連回 raw trajectories。

這個方向支援本文：

\boxed{ \text{Organize} \rightarrow \text{Retrieve Minimal Sufficient Context} }

49. HORMA 額外指出一個問題

純 similarity retrieval 可能忽略：

temporal dependency；
causal dependency。

研究 Agent 尤其明顯。

50. 例如

Query：

為什麼 B2 還不能 verified？

最相關的不是語義最像 B2 的所有文字，

而是：

B1 baseline
→ B2 protocol
→ excluded run
→ replication gap

這是一條 causal / temporal chain。

51. 所以 Evidence Graph 優於 Bag of Chunks

RAG-only：

RetrieveBySimilarity(q).

研究記憶應：

RetrieveBy( Semantic, Dependency, Provenance, Status, Time ).

52. MAGE 的直接接口

2026 MAGE 把 memory 視為：

execution-state management。

它使用 state tree：

Grow；
Compress；
Maintain；
Revise。

並隔離 flawed branches。

這與：

EXCLUDED / INVALIDATED

不進 active canonical path 的要求高度一致。

53. Active Path

令：

P_t

是目前有效研究 trajectory。

錯誤 branch：

B^-.

不應完全刪除，

但不應混進 active path。

54. Branch Isolation

R = P_t \cup B^-.

Active Context：

A_t \subseteq P_t

除非正在 debugging 舊 branch。

55. Revise

當新 evidence 推翻某個早期假設：

P_t

需要回到：

t^*

重新分支。

56. 所以 memory 不是靜態 archive

它是一個：

\boxed{ \text{Versioned Epistemic State Machine} }

57. HiMem 的接口

HiMem 區分：

Episode Memory；
Note Memory。

具體事件與穩定知識分層。

本文對研究 Agent 對應：

Episode / Raw Evidence
↔
Canonical Epistemic Notes

58. 但研究 Agent 還多一層

一般 note：

User likes X。

研究 note：

Rule X verified by experiments A/B, contradicted by C under version V2。

所以：

\boxed{ \text{Knowledge} + \text{Evidence Status} }

不可分。

59. Context Compression 的四個目標

Cost 降低；
Decision quality 保持；
Evidence recoverability 保持；
Epistemic hygiene 保持。

60. 只達成 1 不是成功

如果：

tokens\downarrow

但：

contradiction\ recall\downarrow,

可能讓 Agent 更容易 hallucinate。

61. Evidence Tiering

本文建議：

L0 — Immutable Source
L1 — Raw Experiment Evidence
L2 — Derived / Normalized Evidence
L3 — Canonical Epistemic State
L4 — Active Context
L5 — Handoff Capsule

62. L0 — Immutable Source

例如：

original binary；
original save；
original version package。

永不改。

63. L1 — Raw Experiment Evidence

例如：

screenshots；
traces；
dumps；
logs。

可大量增長。

64. L2 — Derived Evidence

例如：

byte diff；
parsed table；
normalized trace；
extracted event sequence。

可重建時可以 cache。

65. L3 — Canonical Epistemic State

真正長期保存：

claims
status
scope
confidence
dependencies
evidence pointers

66. L4 — Active Context

依 subgoal 動態生成。

67. L5 — Handoff Capsule

跨 session 最小交接：

goal
latest verified
latest invalidated
frontier
next test
state pointer

68. Handoff Capsule 不是完整 memory

它是：

進入完整 memory 的索引頁。

69. Running Case：十二小時逆向研究

一個長時 Agent session：

約十二小時；
大量 UI 操作；
screenshots；
save/reload；
work copies；
protocol failures；
repeated runs。

70. 實際增量

該輪研究包相對前版約新增：

183\text{ MiB}

解壓資料。

其中主要落在：

experiments
working copies

71. 而 handoff 層只有幾 KB

這揭露：

\boxed{ \text{Physical Evidence Growth} \gg \text{Semantic Frontier Growth} }

72. 為什麼？

因為 1000 張 screenshot 可能只共同支持一句：

B1 protocol 可重現。

73. Evidence Aggregation

令：

E_1,\ldots,E_n

共同支持：

c.

Canonical state 只需要：

claim: c
status: verified
evidence:
  - batch_pointer

74. 但不能只留 c

若未來有人問：

你怎麼知道？

必須：

c\rightarrow E_{1:n}

可回溯。

75. 這就是 Evidence-Backed Compression

本文定義：

\boxed{ \operatorname{EBC}(R) = (K,I,R) }

其中 raw evidence：

R

仍在，

但 active reasoning 主要使用：

K,I.

76. Semantic Recompression

「recompression」指：

原 artifact 中的 semantics 原本高度隱含：

G.

研究先把它展開：

G\rightarrow R.

再把已理解部分重編碼：

R\rightarrow K.

所以：

\boxed{ \text{Implicit Compression} \rightarrow \text{Explicit Evidence Expansion} \rightarrow \text{Semantic Recompression} }

77. 第一個壓縮態與第二個壓縮態不同

原 binary 的壓縮：

對 CPU 可執行。

研究後 semantic state 的壓縮：

對 AI / 人類研究者可理解。

78. 因此不是「壓回原大小」

目標：

\operatorname{Size}(K)

不需要等於：

\operatorname{Size}(G).

而是：

最小到足以續接研究。

79. Lossless / Lossy 不夠描述

傳統壓縮：

lossless；
lossy。

研究壓縮應多一個維度：

\boxed{ \text{Epistemically Lossy} }

80. Epistemically Lossless-by-Reference

若 active state 丟掉細節，

但 pointer 可恢復，

可稱：

\boxed{ \text{Epistemically Lossless by Reference} }

81. Summary-only 通常不是

如果原 evidence 已刪，

summary 錯了就無法回頭。

82. Raw Evidence Retention Policy

不是所有 raw evidence 永久保留。

可以分：

irreproducible
reproducible
redundant
derived
cache

83. Irreproducible Evidence

例如：

rare external event；
costly real-world measurement。

優先保留。

84. Reproducible Evidence

例如 deterministic script output。

可以：

retain seed + program + hash

必要時重建。

85. Derived Cache

如果：

D=f(R)

且 $f$ 可重跑，

可以不永久保存所有 $D$ 。

86. Evidence Garbage Collection

定義：

GC_E

只能刪：

可由更底層 evidence + deterministic transform 重建的衍生物。

87. 不能刪唯一反例

如果：

E^-

是某 hypothesis 唯一 contradiction，

不可因：

不常 retrieval

就刪掉。

88. Evidence Value

可以定義：

V(e) = I(e;\mathcal H) + Rarity(e) + Irreplaceability(e) + ProvenanceWeight(e).

89. Storage Policy

高 $V(e)$ ：

cold archive。

低 $V(e)$ 且 reproducible：

delete / regenerate。

90. Screenshot Explosion

UI agent 特別容易產生：

N_{\mathrm{frames}}\gg1.

可以：

keyframe；
perceptual dedup；
event segmentation。

91. 但 screenshot dedup 要小心

兩張看似相同 UI，

可能有：

hidden cursor；
timestamp；
subtle state。

所以 dedup 只影響 storage，

不能自動推論 semantics 一樣。

92. Trace Compression

raw instruction trace 很大。

可以建立：

function-level summary
basic block summary
state-write summary

但保留 raw trace pointer。

93. Save Diff Compression

不要保存每一份 full save？

可保存：

baseline hash；
delta；
reconstruction rule。

但 canonical benchmark 最好仍保留重要 fixture。

94. Content-Addressable Evidence

用：

hash(e)

當 evidence ID。

優點：

dedup；
integrity；
immutable pointer。

95. Evidence Address

sha256:<digest>

比：

final2_really_final.png

可靠。

96. Provenance DAG

建立：

G_P=(V,E).

node：

artifact；
experiment；
derived evidence；
claim。

edge：

generated-by；
derived-from；
supports；
contradicts；
normalized-from。

97. Canonical Claim Graph

G_K

與：

G_P

分離但連結。

98. Claim Dependency

offset mapping
→ rule inference
→ event model
→ reimplementation

如果底層 claim invalidated，

上層 claim 要標 stale。

99. Compression 必須保存 dependency

否則 Agent 會：

改了底層，忘了重驗上層。

100. Staleness Propagation

若：

c_1\rightarrow c_2

且：

c_1

invalidated，

則：

c_2.status = needs\_revalidation.

101. 這比摘要更像 build system

研究知識有 dependency graph。

修改底層 evidence，

像修改 source file，

要重新 build downstream claims。

102. Epistemic Build System

本文提出：

\boxed{ \text{Epistemic Build System} }

輸入：

raw evidence；
rules；
version scope。

輸出：

canonical knowledge。

103. Incremental Rebuild

新 evidence：

e_{new}

只重算受影響：

Descendants(e_{new}).

104. 這可大幅降低長時 Agent 成本

不必每次：

重新讀全部歷史。

只讀：

changed frontier；
dependency ancestors；
relevant contradictions。

105. Context as Incremental Build Cache

Active context：

A_t

可以看成：

當前 subgoal 的 build cache。

106. Cache Miss

若需要細節：

A_t \rightarrow I_t \rightarrow R_t.

107. Cache Hit

如果 canonical state 足夠：

不讀 raw evidence。

108. Retrieval Cost

C_R(q)

應進整體 research cost。

109. Over-Retrieval

把 500 個 irrelevant raw logs 拉回 context，

會：

增 token；
降 attention density；
混淆 state。

110. Under-Retrieval

只讀 summary，

漏掉反例。

111. 最佳 retrieval

A_t^* = \arg\min_A |A|

subject to：

DecisionQuality(A)\ge\tau.

112. Minimal Sufficient Context

這也是 HORMA 類系統所追求的方向。

本文加上：

sufficient 必須包含 status/provenance，而不只是 semantic relevance。

113. Research Context Budget

固定：

B_C.

Agent 需在：

|A_t|\le B_C

下最大化：

Q_{\mathrm{decision}}.

114. Compression Trigger

可以在：

|A_t|>\beta B_C

時啟動。

115. 但不要等 overflow 才壓

最好 subgoal 完成即：

close branch
→ summarize
→ validate summary
→ archive raw

116. Subgoal Boundary Compression

MAGE 的 Compress / Maintain 概念與此相容。

117. Summary Validation

任何 summary：

s=C(R)

也可能 hallucinate。

所以需要：

V_s(s,R).

118. Summary Verifier

檢查：

claim 是否可追溯；
status 是否一致；
contradiction 是否遺失；
scope 是否正確。

119. Compression 也必須可被 falsify

如果 summary 說：

B2 verified

但 raw evidence：

B2 incomplete

summary invalid。

120. Compression Integrity Test

V_C(K,R) \rightarrow pass/fail.

121. Canonical State Hash

每個：

K_t

可 hash：

state_hash

用於 handoff integrity。

122. Versioned Epistemic State

K_001
K_002
K_003

不要 overwrite。

123. Semantic Diff

\Delta K_t = K_t-K_{t-1}.

比每次重讀完整 state 更有效。

124. Handoff Diff

下一個 Agent 先讀：

last canonical state
+
latest delta

125. Evidence Explosion 的真正瓶頸

不是 disk。

磁碟通常便宜。

瓶頸是：

\boxed{ \text{Attention / Retrieval / Validation} }

126. 1 TB raw logs 也許沒問題

只要：

Agent 不必每輪讀 1 TB。

127. 所以「大資料」不是本身的錯

錯的是：

\text{Large Archive} = \text{Large Working Memory}.

128. Storage / Cognition 分離

\boxed{ \text{Storage Capacity} \neq \text{Cognitive Working Set} }

129. 對人類也一樣

科學家不會把所有 paper 全背在 working memory。

他們使用：

notes；
indexes；
references；
lab notebooks。

130. AI 可以把這件事工程化

而且比人類更嚴格：

hash；
automatic provenance；
dependency graph；
replay。

131. 研究結果的「外顯認知殘留」

長時 Agent 每一次：

action；
observation；
decision；

都可能留下 artifact。

因此 AI cognition 的一部分被物質化：

\boxed{ \text{Ephemeral Computation} \rightarrow \text{Persistent Evidence Artifact} }

132. 這是 AI 與傳統人類研究的一個差異

人類很多推理：

留在腦中。

Agent 可以把大量中間過程自動寫成：

files；
logs；
tests；
traces。

133. 優點

可稽核。

134. 缺點

Evidence Explosion。

135. 解法不是「不要留」

而是：

\boxed{ \text{Leave Everything Important} + \text{Read Almost Nothing by Default} }

136. Cold Evidence / Hot Knowledge

Cold Evidence

R_t.

大、完整、低頻。

Hot Knowledge

K_t.

小、結構化、高頻。

137. Warm Index

中間：

I_t.

保存：

embeddings；
graph；
metadata；
hashes；
pointers。

138. 三溫層

HOT   — canonical epistemic state
WARM  — provenance/index/dependency
COLD  — raw evidence

139. Retrieval Escalation

Hot
↓ insufficient
Warm
↓ locate evidence
Cold
↓ inspect raw

140. 這比「一次塞全部」更接近 OS virtual memory

也呼應 MemGPT 的設計精神。

141. Epistemic Page Fault

當 Agent 發現：

canonical claim 不足以回答，

觸發：

\boxed{ \text{Epistemic Page Fault} }

從 cold evidence 載入細節。

142. Page Fault 不是失敗

它是正常 memory mechanism。

143. 研究 Agent 的 Cache Policy

可根據：

recency；
frontier relevance；
contradiction risk；
dependency centrality。

144. 不應只用 semantic similarity

因為：

最重要的 evidence 有時語義不相似，但在 dependency graph 上關鍵。

145. Contradiction Priority

任何 active hypothesis 的 counterexample：

高優先 hot memory。

146. Frontier Priority

下一個 experiment 依賴的 evidence：

高優先。

147. Verified Stable Knowledge

可留 canonical summary，

raw evidence cold。

148. Old Excluded Runs

通常 cold，

但 pointer 保留。

149. Evidence Consolidation Schedule

建議：

per experiment
→ lightweight index update

per subgoal
→ canonical compression

per session
→ handoff capsule

per milestone
→ provenance audit

150. Compression 不能無限遞迴

Summary of summary of summary：

C(C(C(R)))

可能逐步漂移。

151. Summary Drift

定義：

D_n = d( C^n(R), Truth(R) ).

可能隨 $n$ 增加。

152. 解法

Canonical state 更新應：

回看 raw pointers 或上一個 validated canonical state，

不要永遠只摘要摘要。

153. Anchor to Evidence

K_{t+1} = Update(K_t,E_{new})

而不是：

K_{t+1} = Summarize(K_t\text{ prose}).

154. Structured State 優於 prose-only

Prose：

We think offset is probably X.

Structured：

claim:
  status: hypothesis
  confidence: 0.62
  evidence_for: [...]
  evidence_against: [...]

155. Schema 防止狀態消失

固定欄位迫使 summary 保留：

UNKNOWN；
invalidated；
scope。

156. Epistemic Schema

核心：

Claim
Status
Scope
Confidence
Evidence+
Evidence-
Dependencies
Next Test

157. Running Case 的最小 ESS

十二小時研究後，真正 active handoff 可能只有：

A2 no-op save: verified byte-identical
B1 fixed schedule: verified via reload
wrong church run: excluded
B2 replication: incomplete
next: complete B2

158. 這只有幾行

但每一行後面：

可能連到數百張 screenshots 與多個 saves。

159. Semantic Density

定義：

D_S = \frac{ N_{\mathrm{decision-relevant\ constraints}} }{ \operatorname{Bytes}(K) }.

160. Raw Evidence Density

D_R = \frac{ N_{\mathrm{decision-relevant\ constraints}} }{ \operatorname{Bytes}(R) }.

一般：

D_S\gg D_R.

161. 這就是 semantic recompression 的價值

不是把 bytes 變少本身，

而是提高：

\boxed{ \text{Decision-Relevant Information Density} }

162. Research Throughput

若 context cost 下降，

Agent 可以在固定 budget 中做更多：

hypothesis；
experiment；
validation。

163. 但壓縮過度會適得其反

若漏掉 constraint，

會重跑舊路。

所以：

\text{Compression} \rightarrow \text{Future Search Cost}

有 tradeoff。

164. Total Cost

C_{\mathrm{total}} = C_{\mathrm{store}} + C_{\mathrm{compress}} + C_{\mathrm{retrieve}} + C_{\mathrm{rework}}.

165. 最佳 memory policy

最小化：

\boxed{ C_{\mathrm{total}} }

而不是只最小化 token。

166. Rework Cost

如果壓縮掉已 invalidated result，

Agent 重跑 3 小時，

那省的 token 根本不值得。

167. Compression ROI

ROI_C = \frac{ C_{\mathrm{future\ saved}} }{ C_{\mathrm{compression}} + C_{\mathrm{lost\ info}} }.

168. 可證偽預測一

Pointer-preserving hierarchical memory 應比 summary-only memory：

更低 contradiction loss；
更低 repeated-error rate。

169. 可證偽預測二

對 long-horizon research task：

|A_t|

有上限的 hierarchical memory agent，

應比 full-history stuffing 有更好的 cost/performance tradeoff。

170. 可證偽預測三

如果移除 raw evidence dereference，

complex edge-case correctness 應下降。

171. 可證偽預測四

如果移除 negative memory，

重複已 invalidated hypothesis 的比例應上升。

172. 可證偽預測五

如果 summary 不保存 status field，

Excluded / Invalidated 混淆率應上升。

173. 可證偽預測六

dependency-aware retrieval 應在 multi-step research task 上優於純 semantic similarity retrieval。

174. 可證偽預測七

以 structured epistemic state 取代 prose summary，

長 session 的 state consistency 應提高。

175. 可證偽預測八

Validated canonical state + delta handoff，

應比每輪重新摘要全歷史具有更低 summary drift。

176. 限制一：Sufficiency 不可精確證明

對開放研究：

\mathcal D

未來會變。

所以 ESS 多半是：

empirical / task-relative。

177. 限制二：Raw Evidence 也可能錯

保存 raw 不代表 raw 正確。

它只是保留：

當時真正觀察到什麼。

178. 限制三：Provenance Graph 本身也有成本

如果每個 token 都建立 node，

系統會爆。

所以 provenance granularity 也要分層。

179. 限制四：Privacy / Security

Raw evidence 可能包含：

private data；
credentials；
licensed assets。

需要 access control。

180. 限制五：Storage 不是免費

尤其：

video；
memory dumps；
full traces。

需要 GC。

181. 限制六：Reproducibility 可能消失

舊 tool / environment 未保存，

未來 raw pointer 也可能無法重跑。

所以需保存 environment manifest。

182. Reproducibility Capsule

tool versions
OS
seed
command
input hashes
output hashes

183. 限制七：模型不一定會主動 dereference

Memory 有 pointer 不代表 Agent 會用。

所以 retrieval policy 也需訓練／評估。

184. Retrieval Recall

RR = P( \text{retrieve necessary evidence} \mid \text{decision requires it} ).

185. Retrieval Precision

RP = P( \text{retrieved evidence useful} ).

186. Memory system evaluation

至少測：

retrieval recall；
contradiction recall；
frontier preservation；
decision distortion；
token cost。

187. 不是只測 QA accuracy

因為 research memory 是 execution substrate。

188. Memory as Execution State

這也是 MAGE 類工作提出的重要方向。

189. 研究 Agent Memory 的真正單位

不是：

\text{message}.

而是：

\boxed{ \text{Epistemic Transition} }

190. Epistemic Transition

HYPOTHESIS
→ EXPERIMENT
→ EVIDENCE
→ VERDICT
→ STATE CHANGE

191. 這是應被壓縮的最小邏輯單位

而不是：

3000 tokens conversation chunk。

192. Transition Record

transition:
  hypothesis:
  action:
  observation:
  verdict:
  state_delta:
  evidence_pointer:

193. Semantic Compression 可直接壓 transition

多個 transition：

T_1,\ldots,T_n

若共同支持一個 stable claim，

可合併：

T_{1:n}\rightarrow c.

194. 但 counterexample transition 永遠保留 pointer

195. Canonical State = Research Build Artifact

因此：

\boxed{ K_t = \text{compiled research state} }

196. Raw Evidence = Source

R_t = \text{research source tree}.

197. Active Context = Runtime Working Set

A_t = \text{loaded research state}.

198. 這形成一個完整計算類比

Raw Evidence       = Source
Canonical State    = Compiled Artifact
Index/Provenance   = Symbol Table / Debug Info
Active Context     = Working Set
Retrieval          = Page Load
New Evidence       = Source Change
Revalidation       = Incremental Rebuild

199. 這也解釋「記憶編譯」

長時 Agent memory 不是單純 append。

它必須：

\boxed{ \text{Compile Evidence into State} }

200. 而且 compiled state 可失效

如果 source evidence 改變，

要重新 build。

201. Semantic Recompression Operator

定義：

\mathcal C: (R_t,K_{t-1}) \rightarrow (K_t,I_t).

202. Incremental Version

\mathcal C_\Delta: (\Delta R_t,K_{t-1}) \rightarrow \Delta K_t.

更適合長時 Agent。

203. Compression Invariant 1

Verified claim 必須：

至少一個 admissible evidence path。

204. Compression Invariant 2

Invalidated claim 必須：

contradiction pointer。

205. Compression Invariant 3

Unknown 不得靜默升級成 verified。

206. Compression Invariant 4

Excluded run 不得作為核心支持／反駁。

207. Compression Invariant 5

Scope 必須保留：

version
build
environment
protocol

208. Compression Invariant 6

新 summary 不得把：

prior

改成：

local verification

209. Compression Invariant 7

Canonical claim dependency 必須可重建。

210. Compression Invariant 8

所有 high-impact claim 必須可 dereference。

211. ESS Verification

可以建立 unit tests：

Can we recover why H was invalidated?
Can we reproduce B1?
Can we identify next frontier?
Can we distinguish DOS vs Refine scope?

212. Memory Regression Test

每次 compression 後跑：

T_M.

213. 這使 memory 本身成為可測軟體

214. 長時研究的真正「上下文壓縮」

不再是：

幫我把前面摘要一下。

而是：

compile current epistemic state
validate invariants
archive evidence
emit active capsule

215. 這與一般聊天摘要完全不同

聊天摘要追求：

人類可讀。

研究 compression 追求：

下個 Agent 不會重複犯錯，而且知道去哪找證據。

216. Handoff Quality

定義：

Q_H = f( Continuity, Correctness, Frontier, Provenance, Compactness ).

217. Compactness 只是其中一項

218. PM2 案例真正教我們的

不是：

AI 可以產生很多檔案。

而是：

長時 AI 研究第一次讓「認知中間態」大量物質化，因此我們必須像管理資料庫與編譯系統一樣管理研究記憶。

219. 這可能成為 Agent OS 的核心服務

未來 Agent Runtime 需要：

Evidence Store
Epistemic Compiler
Provenance Graph
Memory GC
Context Loader
Contradiction Ledger
Frontier Manager

220. Agent Memory OS

抽象：

\boxed{ \mathcal M = (R,K,I,GC,Ret,V_C) }

其中：

$R$ ：raw evidence；
$K$ ：canonical state；
$I$ ：index/provenance；
$GC$ ：evidence garbage collection；
$Ret$ ：retrieval；
$V_C$ ：compression verifier。

221. Memory OS 不是模型本身

可以被不同：

GPT；
Claude；
local model；
specialized model；

共同使用。

222. 這讓研究成果跨模型持續存在

如果：

M_1\rightarrow M_2,

只要：

K,I,R

保持，

研究不必重頭開始。

223. 模型替換與研究連續性

\boxed{ \text{Research Identity} \neq \text{Single Model Instance} }

224. 這是長時自主研究的必要條件之一

因為：

model upgrade；
quota reset；
context reset；
agent crash；

都會發生。

225. Externalized Epistemic State

因此真正長期穩定的：

K_t

應外部化。

226. 可證偽預測九

相同 memory substrate 下更換模型，

應能比「只有 model context」更快恢復 research frontier。

227. 可證偽預測十

如果 memory substrate 有完整 contradiction ledger，

跨模型 handoff 後 repeated invalidated hypothesis 應顯著下降。

228. 與 Paper 06 的接口

Paper 05 處理：

如何壓縮研究結果。

Paper 06 將處理：

如何壓縮研究路徑本身。

即：

\Pi = (a_1,a_2,\ldots,a_n)

如何學成：

\Pi^*

使下一個相似問題不必再花十二小時。

229. 與 Paper 07 的接口

如果某些 experiment protocol 已穩定，

應從 Agent 的「認知勞動」下放給 deterministic automation。

230. 與 Paper 08 的接口

Benchmark 不只測 final answer，

也應測：

memory compression 後是否仍能保持 target-local evidence chain。

231. 核心命題一

Proposition 1 — Evidence Growth Does Not Require Active-Context Growth

若 raw evidence 外部化並可索引，

則：

|R_t|\rightarrow\infty

不必推出：

|A_t|\rightarrow\infty.

232. 核心命題二

Proposition 2 — Summary-Only Compression Can Destroy Falsification Capacity

存在 research history：

R

與 summary：

s=C(R)

使 summary 丟失唯一 counterexample：

e^-.

則後續 Agent 無法從 $s$ 恢復：

hypothesis 已被否證。

因此：

\boxed{ \text{Semantic Summary} \not\Rightarrow \text{Epistemic Sufficiency} }

233. 核心命題三

Proposition 3 — Pointer-Preserving Compression Can Maintain Evidence Recoverability

若所有 canonical claim：

c_i

都有：

I(c_i) \rightarrow R_i,

則壓縮 active context 不必刪除原 evidence。

234. 核心命題四

Proposition 4 — Contradiction Memory Is a First-Class Compression Invariant

若 invalidated claim 不被保存，

則長時 Agent 在 context reset 後可重新提出它。

因此 negative memory 必須被視為 canonical state。

235. 核心命題五

Proposition 5 — Epistemic Sufficiency Is Task-Relative

同一：

K

對 subgoal：

q_1

可能 sufficient，

對：

q_2

不 sufficient。

因此不存在不依 task 的唯一最小摘要。

236. 核心命題六

Proposition 6 — Evidence-Backed Semantic Recompression Can Increase Decision-Relevant Information Density

若：

|K|\ll|R|

且：

\Delta_D\le\epsilon,

則：

D_S>D_R

可成立。

237. 核心命題七

Proposition 7 — Epistemic Compilation Enables Incremental Research Continuity

若 canonical state：

K_t

與 evidence delta：

\Delta R_{t+1}

可增量更新，

則下一 session 不需重新處理完整：

R_{0:t}.

238. 最終架構

TARGET / SOURCE
      │
      ▼
RAW EVIDENCE STORE  ─────────────────────┐
      │                                  │
      │ provenance                       │ dereference
      ▼                                  │
EPISTEMIC COMPILER                       │
      │                                  │
      ▼                                  │
CANONICAL EPISTEMIC STATE                │
VERIFIED / INVALIDATED / UNKNOWN         │
      │                                  │
      ▼                                  │
PROVENANCE + DEPENDENCY INDEX ───────────┘
      │
      ▼
TASK-RELATIVE RETRIEVAL
      │
      ▼
ACTIVE CONTEXT
      │
      ▼
NEXT AGENT DECISION

239. 最終公式

研究資料生命週期：

\boxed{ G \rightarrow R_t \xrightarrow{\mathcal C} (K_t,I_t) \xrightarrow{Ret(q_t)} A_t }

其中：

|A_t|\ll|K_t|\ll|R_t|

在大型研究中可以成立。

240. 結論

長時 AI 研究真正的記憶問題，不是「模型能不能塞進更多 token」。

如果 Agent 研究數小時、數天甚至數月，raw evidence 必然持續增長。試圖把所有歷史塞回 context 不可擴展；把歷史全部摘要成 prose 又容易丟掉 contradiction、scope、failed run 與 provenance。

因此需要第三條路：

\boxed{ \text{Keep the evidence, compile the knowledge, retrieve only what is needed.} }

本文將它稱為：

\boxed{ \textbf{Evidence-Backed Semantic Recompression} }

以及其核心產物：

\boxed{ \textbf{Epistemic Sufficient State} }

它要求：

raw evidence 可以很大；
active context 必須很小；
canonical claim 必須可追溯；
invalidated hypothesis 必須被記住；
excluded run 必須與 contradiction 分離；
current frontier 必須被保留；
壓縮後仍能在需要時重新載入原證據。

因此，從十二小時、數百 MB evidence 收斂到幾 KB handoff，不應被理解為：

「把資料摘要掉。」

更準確的是：

把大量實驗時空間編譯成一個更高語義密度的研究狀態，同時用 provenance pointer 保存重新打開原世界的能力。

這使 Agent 的長時研究第一次具有一種接近作業系統、資料庫、版本控制與科學筆記本交集的記憶架構。

241. 後續

Paper 06：研究軌跡壓縮：從 Agent 的十二小時探索到局部資訊解構效率

將研究：

\boxed{ \text{Evidence Compression} \neq \text{Trajectory Compression} }

也就是：現在我們已經知道怎麼把十二小時的結果壓縮；下一步要問：

能不能讓下一個相似問題根本不用再跑十二小時？

References

[1] Packer, C., Wooders, S., Lin, K., Fang, V., Patil, S. G., Stoica, I., & Gonzalez, J. E. MemGPT: Towards LLMs as Operating Systems. arXiv:2310.08560, 2023.
https://arxiv.org/abs/2310.08560

[2] Jiang, H., Wu, Q., Lin, C.-Y., Yang, Y., & Qiu, L. LLMLingua: Compressing Prompts for Accelerated Inference of Large Language Models. arXiv:2310.05736, 2023.
https://arxiv.org/abs/2310.05736

[3] Jiang, H., Wu, Q., Luo, X., Dongsheng Li, Lin, C.-Y., Yang, Y., & Qiu, L. LongLLMLingua: Accelerating and Enhancing LLMs in Long Context Scenarios via Prompt Compression. arXiv:2310.06839, 2023.
https://arxiv.org/abs/2310.06839

[4] Zhang, N., Yang, X., Tan, Z., Deng, W., & Wang, W. HiMem: Hierarchical Long-Term Memory for LLM Long-Horizon Agents. arXiv:2601.06377, 2026.
https://arxiv.org/abs/2601.06377

[5] Wang, Z., Chen, H., Wang, J., & Wei, W. Memex(RL): Scaling Long-Horizon LLM Agents via Indexed Experience Memory. arXiv:2603.04257, 2026.
https://arxiv.org/abs/2603.04257

[6] Chen, Y., et al. Beyond Semantic Organization: Memory as Execution State Management for Long-Horizon Agents. arXiv:2606.06090, 2026.
https://arxiv.org/abs/2606.06090

[7] Hsu, H.-L., Kuang, N. L., Liu, B., Yao, Z., & He, Y. Organize then Retrieve: Hierarchical Memory Navigation for Efficient Agents. arXiv:2606.11680, 2026.
https://arxiv.org/abs/2606.11680

[8] W3C Provenance Working Group. PROV-O: The PROV Ontology. W3C Recommendation, 2013.
https://www.w3.org/TR/prov-o/

Appendix A — Epistemic State Bundle

epistemic_state_bundle:
  version:
  target:
    id:
    build:
    source_hashes: []

  canonical_claims:
    - id:
      scope:
      statement:
      status:
        - verified
        - partially_verified
        - invalidated
        - unknown
      confidence:
      evidence_for: []
      evidence_against: []
      dependencies: []
      stale_if: []

  excluded_runs:
    - id:
      reason:
      protocol:
      raw_evidence: []

  frontier:
    unresolved: []
    next_experiments: []

  provenance:
    entities: []
    activities: []
    agents: []
    derivations: []

  active_context_policy:
    max_tokens:
    always_hot: []
    retrieve_on_demand: []

Appendix B — Compression Invariants

I1  VERIFIED must have admissible evidence path.
I2  INVALIDATED must retain contradiction pointer.
I3  UNKNOWN cannot silently become VERIFIED.
I4  EXCLUDED cannot support or refute canonical claims.
I5  Version/build/protocol scope must survive compression.
I6  Historical prior cannot be relabeled as local verification.
I7  Dependency graph must survive.
I8  High-impact claims must be dereferenceable.

Appendix C — 最小 Handoff Capsule

handoff:
  goal:
  canonical_state_hash:

  latest_verified: []
  latest_invalidated: []
  current_unknowns: []
  excluded_runs: []

  frontier:
  next_best_experiment:

  evidence_store:
  provenance_index:

Appendix D — 一句話命題

長時 Agent 的真正記憶能力，不在於永遠把所有歷史塞進上下文，而在於能把大量原始證據編譯成小型、可追溯、可反駁、可按需展開的認識狀態。

從十二小時到數 KB：AI 長時研究中的證據爆炸與語義再壓縮

從十二小時到數 KB：AI 長時研究中的證據爆炸與語義再壓縮

From Twelve Hours to a Few Kilobytes: Evidence Explosion and Semantic Recompression in Long-Horizon AI Research

摘要

1. 問題：為什麼 10 MB 的東西可以研究出幾百 MB？

2. Evidence Explosion

3. Evidence Expansion Factor

4. 高 XEX_EXE​ 可能很有價值，也可能完全是垃圾

高價值情況

低價值情況

5. 從 Paper 03 到 Paper 05

6. Context Explosion 與 Evidence Explosion 不同

7. 三層記憶模型

8. Layer R — Raw Evidence Store

9. Layer K — Canonical Epistemic State

10. Layer A — Active Context

11. 核心原則：Active Context 不是 Archive

12. 與 MemGPT 的接口

13. 為什麼單純 conversation memory 不夠

14. Prompt Compression 不是 Epistemic Compression

15. Token Compression

16. Epistemic Compression

17. Epistemic Sufficient State

Definition 1

18. ESS 是 task-relative

19. 不存在唯一「完美摘要」

20. Evidence Pointer

21. Pointer-Preserving Compression

22. 這是「可逆 by reference」

23. MemexRL 的直接接口

24. 本文再增加一個要求

25. Summary 內容必須有狀態

26. Negative Memory

27. Contradiction Preservation

28. 若 CRtCR_tCRt​ 低

29. Excluded Run Preservation

30. Summary-Only Compression 的危險

31. 所以 semantic compression 不是普通摘要

32. 五種核心 Epistemic Status

33. Current Frontier

34. Frontier Preservation Rate

35. Next-Action Preservation

36. Decision Distortion

37. 好的壓縮

38. 壞的壓縮

39. Compression Ratio

40. Effective Compression

41. Provenance Completeness

42. Research Memory Quality

43. Provenance 不只是 citation

44. Agent Research PROV Mapping

Entity

Activity

Agent

45. Claim derivation

46. Summary derivation

47. 這防止「摘要看起來像原始事實」

48. HORMA 的直接接口

49. HORMA 額外指出一個問題

50. 例如

51. 所以 Evidence Graph 優於 Bag of Chunks

52. MAGE 的直接接口

53. Active Path

54. Branch Isolation

55. Revise

56. 所以 memory 不是靜態 archive

57. HiMem 的接口

58. 但研究 Agent 還多一層

59. Context Compression 的四個目標

60. 只達成 1 不是成功

61. Evidence Tiering

62. L0 — Immutable Source

63. L1 — Raw Experiment Evidence

64. L2 — Derived Evidence

65. L3 — Canonical Epistemic State

66. L4 — Active Context

67. L5 — Handoff Capsule

68. Handoff Capsule 不是完整 memory

69. Running Case：十二小時逆向研究

70. 實際增量

4. 高 $X_E$ 可能很有價值，也可能完全是垃圾

28. 若 $CR_t$ 低