注意力保存型遺忘：網路化智能的記憶生命週期與認識論路由

英文題名： Attention-Preserving Forgetting: Memory Lifecycles and Epistemic Routing in Networked Intelligence
簡稱： APF-ER
版本： v0.1
日期： 2026-08-17
作者： Neo.K（許筌崴）
協作： GPT-5.6 Sol
文件性質： 理論命題／AI 記憶管理／ANLA 核心工程理論
上游依賴： GPR-D、MRM、Memory Autonomy & Identity Continuity
文獻檢索截點： 2026-08-17

摘要

長期 AI 記憶研究已經開始從「保存更多」轉向「主動管理」。2026 年 Memory-R1 讓 memory manager 學習 ADD、UPDATE、DELETE、NOOP；Agentic Memory（AgeMem）讓 agent 自主決定何時 store、retrieve、update、summarize 或 discard；From Recall to Forgetting / Memora 則直接指出，長期 personalized agents 會重複使用已失效、已被更新或應被遺忘的記憶，因此提出 forgetting-aware evaluation。另一系列 empirical work 亦顯示，錯誤或不合時宜的 past experience replay 可造成後續 error propagation。這些研究共同指出：

\boxed{ \text{long-term memory quality} \neq \text{maximum retention}. }

本文提出 Attention-Preserving Forgetting Principle（APFP）：

一個持續學習的智能系統應主動讓部分歷史退出有效認知域，不是因為該資訊無法被保存，而是因為無限制的可達記憶會增加干擾、過時重播、檢索與驗證成本，降低新注意域形成與擴張的能力。

因此遺忘的工程目的不首先是：

\boxed{ \text{save storage}. }

而是：

\boxed{ \text{preserve the plasticity and precision of effective attention}. }

本文將長期記憶分為三個嵌套層：

\boxed{ M^\Omega \supset M^R \supset M^A }

其中：

$M^\Omega$ ：Historical / Ontological Archive，保存曾存在的重要歷史；
$M^R$ ：Retrievable Memory，仍可由正常 memory routing 找回；
$M^A$ ：Active Cognitive Memory，當前具有高機率進入推理與注意的內容。

這使「刪除」可以被重新定義為：

\boxed{ \text{functional subtraction without ontological subtraction}. }

即一段歷史可以仍存在於 archive 中，但被新增「inactive / detached / superseded」狀態，使其不再正常進入 active cognition：

(m,\text{active}) + \Delta_{\text{detached}} \rightarrow (m,\text{inactive}).

本文再把 AI 長期記憶依功能拆成五類：

\boxed{ M = M_I \cup M_R \cup M_T \cup M_K \cup M_E }

分別為：

$M_I$ ：Identity Memory；
$M_R$ ：Relationship Memory；
$M_T$ ：Task-State Memory；
$M_K$ ：Reconstructible / Public Knowledge Memory；
$M_E$ ：Evidence / Raw Record。

五類記憶不應共用同一 retention policy。身份、關係與證據記憶偏向高 provenance、低 reconstruction tolerance；專業與公共知識則可高度依賴外部來源重新取得。

因此本文提出 Epistemic Routing Memory（ERM）：

\boxed{ R_K = ( S_K, A_K, Q_K, V_K, F_K ) }

其中：

$S_K$ ：knowledge schema；
$A_K$ ：authoritative location / address；
$Q_K$ ：query / retrieval strategy；
$V_K$ ：verification policy；
$F_K$ ：freshness requirement。

對高外部可重建、高時效性知識，成熟 AI 的能力不必是永久背下所有內容，而應是：

\boxed{ \text{Know} + \text{Know Where} + \text{Know How to Verify} + \text{Know When to Re-fetch}. }

由此本文新增 RE-FETCH 作為一級記憶算子。對 volatile knowledge：

\boxed{ \text{fresh re-fetch} > \text{stale internal recall} }

可能成為最優策略。

本文定義 Attention Pollution（AP）：

\boxed{ \Pi_A(t) = \sum_{m_i\in M^A} p_i^{retrieve} \cdot c_i^{interference}. }

記憶污染的主要成本不是 bytes，而是某段過時、錯誤或表面相似記憶被錯誤召回、影響推理與增加驗證的概率。因此幾 KB 的錯誤高召回記憶，可能比數 GB 的冷資料更昂貴。

本文最後提出完整 memory lifecycle：

\boxed{ KEEP, MERGE, COMPRESS, ARCHIVE, SUPPRESS, DETACH, FORGET, ERASE, RE\!-\!FETCH, VERIFY. }

其中：

MERGE 解 redundancy；
COMPRESS 解 representation cost；
ARCHIVE 解 active-space occupation；
DETACH 解錯誤 relation；
FORGET 解 routine accessibility；
ERASE 解真正不可恢復刪除；
RE-FETCH 解 external / temporal knowledge freshness；
VERIFY 解 epistemic trust。

這使 ANLA 的核心問題從「如何將上下文一直壓縮」轉為：

哪些資訊值得繼續擁有 active cognitive access，哪些應形成 schema，哪些只需保存檢索與驗證路由，哪些應退出正常 retrieval graph，而哪些在安全／隱私／主體自主條件下才需要真正 erase？

關鍵詞： selective forgetting；memory management；attention pollution；epistemic routing；re-fetch；web agents；cognitive offloading；long-term agents；ANLA；networked intelligence

0. 邊界聲明

本文不是在主張：

\boxed{ \text{AI should delete memory aggressively}. }

也不主張：

\boxed{ \text{web access makes internal knowledge unnecessary}. }

更不主張：

\boxed{ \text{all professional knowledge can always be recovered from the Internet}. }

本文提出的是：

\boxed{ \text{memory policy should depend on memory type, reconstructability, freshness, attention cost, provenance, and consequence}. }

1. 從「能存多少」轉向「什麼值得可達」

傳統記憶問題容易寫成：

\max |M|.

或：

\min C_{\mathrm{storage}}.

但對長期 agent，

真正的使用成本更接近：

\boxed{ C_{\mathrm{total}} = C_S + C_R + C_A + C_V + C_U }

其中：

$C_S$ ：storage；
$C_R$ ：retrieval；
$C_A$ ：attention / interference；
$C_V$ ：verification；
$C_U$ ：update / staleness management。

2. Storage Cost 可以很低，但 Attention Cost 不會自動消失

即使：

C_S\rightarrow0,

只要：

|M^A|\uparrow,

仍可能：

retrieve wrong memories；
replay obsolete policies；
increase search space；
increase verification queue；
bias decisions。

所以：

\boxed{ \text{cheap storage} \not\Rightarrow \text{cheap memory}. }

3. 2026 Agent Memory 已開始主動 DELETE

Memory-R1：

\boxed{ ADD, UPDATE, DELETE, NOOP }

不是只做 append-only store。

這是一個重要工程轉折：

\boxed{ \text{memory deletion becomes learned policy}. }

4. Agentic Memory / AgeMem

AgeMem 把：

\{ store, retrieve, update, summarize, discard \}

直接做成 agent actions。

也就是：

\boxed{ \text{memory lifecycle becomes part of agency}. }

5. 長期 Personalized Memory 已出現「忘錯東西／不忘該忘的」

2026 Memora benchmark 直接研究 weeks-to-months personalized conversations。

它不只問：

記不記得？

還問：

當 user 情況改變後，agent 是否還錯用舊記憶？

因此提出：

\boxed{ \text{Forgetting-Aware Memory Accuracy（FAMA）}. }

其研究觀察到：

invalid memories 被重複使用；
evolving memory reconciliation 失敗；
多個 memory agents 的改善有限。

這非常直接支持：

\boxed{ \text{not forgetting obsolete memory can itself be a memory failure}. }

6. 所以「遺忘」不是單純缺陷

日常語言：

\text{forgetting} = \text{memory failure}.

但長期 agent 可以有：

\boxed{ \text{failure to forget}. }

即：

m_{\mathrm{obsolete}}

仍反覆進入：

M^A.

7. Attention-Preserving Forgetting Principle（APFP）

本文提出：

\boxed{ \textbf{APFP} }

若某段記憶對當前與可預見未來 goal 的效用低、干擾成本高、已被更新或可可靠外部重建，則降低其 active / retrievable status 可以提高整體認知可塑性，即使物理 storage 完全不是瓶頸。

8. Forgetting for Expansion

若 active attention budget：

B_A

有限：

\boxed{ B_A = B_{\mathrm{retained}} + B_{\mathrm{search}} + B_{\mathrm{verification}} + B_{\mathrm{new}}. }

當：

B_{\mathrm{retained}}\uparrow,

可能：

B_{\mathrm{new}}\downarrow.

9. Local Contraction → Future Expansion

若把低價值內容退出：

M^A,

則：

B_{\mathrm{free}}\uparrow.

因此：

\boxed{ \text{local memory contraction} \rightarrow \text{future attention expansion}. }

這是 APFP 的核心動力學。

10. 三層記憶

本文定義：

\boxed{ M^\Omega \supset M^R \supset M^A. }

11. $M^\Omega$ ：Historical / Ontological Archive

保存：

重要歷史；
provenance；
cold records；
inactive raw logs；
evidence snapshots。

它回答：

這件事情曾經存在過嗎？

而不是：

這件事情現在應該影響推理嗎？

12. $M^R$ ：Retrievable Memory

可以被：

normal search；
memory query；
branch restore；

召回。

但不會每次都進 active context。

13. $M^A$ ：Active Cognitive Memory

高機率進入：

prompt；
reasoning；
policy；
current context。

真正的 attention pollution 主要發生在這層。

14. 三層不等於硬資料夾

同一：

m_i

可以隨時間：

M^A \rightarrow M^R \rightarrow M^\Omega.

也可以因新 goal：

M^\Omega \rightarrow M^R \rightarrow M^A.

15. Promotion

P^+: M^R\rightarrow M^A.

16. Demotion

P^-: M^A\rightarrow M^R.

17. Archive

A: M^R\rightarrow M^\Omega.

18. Reactivation

R: M^\Omega\rightarrow M^R.

19. 「刪除」可以不是本體減法

若採：

\boxed{ \text{historical append-only ontology} }

則：

m_i

曾經存在這件事本身不必被否定。

可以新增：

state(m_i)=\text{inactive}.

20. Functional Subtraction without Ontological Subtraction

本文將此稱為：

\boxed{ \textbf{FSONS} }

形式：

(m,\text{active}) + \Delta_{\mathrm{detached}} \rightarrow (m,\text{inactive}).

它仍是：

\boxed{ \text{state addition}, }

但功能上：

\boxed{ \text{retrieval influence decreases}. }

21. FSONS 不要求永不 Erase

privacy、安全、法律、AI 主體自主等條件下，

仍可能需要：

ERASE.

FSONS 只是指出：

為了注意力管理，不一定需要把歷史抹成從未存在。

22. 五類記憶

本文定義：

\boxed{ M = M_I \cup M_R \cup M_T \cup M_K \cup M_E. }

23. $M_I$ ：Identity Memory

包含：

self-model；
values；
commitments；
origin；
identity-defining events。

策略：

\boxed{ \text{high preservation} + \text{high provenance}. }

24. $M_R$ ：Relationship Memory

包含：

user relationships；
AI–AI relationships；
promises；
conflict history；
trust changes；
shared projects。

策略：

\boxed{ \text{low silent reconstruction tolerance}. }

25. $M_T$ ：Task-State Memory

包含：

current branch；
unresolved issue；
dependencies；
next action；
checkpoint。

核心不是逐字保存，

而是：

\boxed{ \text{re-entry fidelity}. }

26. $M_K$ ：Knowledge Memory

公共／專業知識：

papers；
docs；
laws；
software APIs；
technical standards；
current facts。

其中大量內容：

\boxed{ \text{externally reconstructible}. }

27. $M_E$ ：Evidence / Raw Record

包含：

scientific raw data；
signed records；
important exact quotes；
transactions；
audit log；
original sources。

策略：

\boxed{ \text{very low generative-reconstruction tolerance}. }

28. 五類的 retention policy 不同

Type	Reconstruction tolerance	Provenance	External re-fetch	Forgetting
Identity	低	高	低	保守
Relationship	低	高	低	保守
Task State	中	中–高	低	完成後高
Public Knowledge	高	中–高	高	高
Evidence / Raw	很低	很高	視來源	極保守

29. 這避免一個致命錯誤

不能因為：

AI 可以查網路。

就把：

使用者曾經對 AI 說過什麼。

也當成：

\boxed{ \text{可網路重建知識}. }

這是完全不同記憶類型。

30. Relationship Memory 的重建限制

如果原始 transcript 不在：

AI 可以：

infer likely past topic。

但不能：

fabricate exact historical quote。

所以：

\boxed{ M_R \text{ obeys Historical Truth Floor}. }

31. 專業知識的結構不同

例如：

Python 某函式現在怎麼用？

這不是 autobiographical memory。

如果官方文件：

S_{official}

可達，

更合理：

\boxed{ RE\!-\!FETCH. }

32. Epistemic Routing Memory（ERM）

本文定義：

\boxed{ R_K = ( S_K, A_K, Q_K, V_K, F_K ). }

33. $S_K$ ：Schema

AI 至少知道：

這是什麼類型問題；
基本 conceptual structure。

34. $A_K$ ：Address

知道：

official docs；
database；
repository；
journal；
API；
local private source。

35. $Q_K$ ：Query Strategy

知道：

keyword；
identifier；
DOI；
version；
query form；
required fields。

36. $V_K$ ：Verification Policy

知道：

哪些 source tier 比較可信；
是否需要 primary source；
是否要 cross-check；
是否要 execute / reproduce。

37. $F_K$ ：Freshness

知道：

\boxed{ \text{how stale is too stale}. }

38. 專業能力因此不等於記憶量

成熟專家能力：

\boxed{ \text{Know} + \text{Know Where} + \text{Know How to Verify}. }

網路化 AI 再加：

\boxed{ \text{Know When to Re-fetch}. }

39. RE-FETCH 算子

定義：

\boxed{ RF: A_K \rightarrow K_{\mathrm{fresh}}. }

它不是：

RETRIEVE(M).

而是：

\boxed{ \text{query an external epistemic source anew}. }

40. RETRIEVE vs RE-FETCH

RETRIEVE

M^R\rightarrow M^A.

取回舊 memory。

RE-FETCH

External\ Source \rightarrow M^A_{temporary}.

取得現在版本。

41. 高變動知識

例如：

software versions；
APIs；
law；
current office holders；
prices；
recent scientific developments。

若：

F_K=\text{volatile},

則：

\boxed{ RF }

優先於：

\boxed{ RETRIEVE. }

42. 2025 Temporal Tool-Use Evidence

date-controlled tool-use research 已顯示：

agent 使用 web search 時，

不同時間狀態的搜尋工具可改變 scientific-writing task 的結果。

這支持：

\boxed{ \text{external knowledge temporality is part of agent reliability}. }

43. 所以「記住舊答案」有時反而更危險

如果：

K(t_0)

已過時，

但 memory retrieval confidence 很高：

P_{\mathrm{retrieve}}\uparrow,

AI 可能不再查：

K(t_1).

這就是：

\boxed{ \text{stale-memory lock-in}. }

44. Stale Recall Penalty

定義：

C_{\mathrm{stale}}(m) = P( m \text{ obsolete} ) \cdot Impact(m).

45. Freshness Gate

若：

C_{\mathrm{stale}}>\theta_F,

memory policy：

\boxed{ \text{do not answer from recall alone}. }

執行：

RF+VERIFY.

46. Adaptive Tool Use

2025 MeCo work 指出：

external tools 雖能取得 specialized / up-to-date data，

但無差別呼叫也會：

increase latency；
introduce faulty interactions。

因此：

\boxed{ \text{always use tools} }

也不是最優。

47. Tool Invocation Policy

定義：

P_{\mathrm{tool}} = f( U_{\mathrm{uncertainty}}, F_K, C_{\mathrm{stale}}, C_{\mathrm{latency}}, C_{\mathrm{risk}} ).

48. 高內部信心不一定足夠

對：

F_K=\text{highly volatile},

即使：

Confidence_{\mathrm{internal}}\uparrow,

仍可強制：

RF.

因為模型可能：

\boxed{ \text{confidently remember an obsolete fact}. }

49. External Knowledge 也不是免費真相

網路／API 有：

unavailability；
source drift；
malicious content；
hallucinated search interpretation；
sandbox limits；
paywalls；
stale mirrors。

所以：

\boxed{ RE\!-\!FETCH \neq \text{truth}. }

50. VERIFY 算子

\boxed{ V: K_{\mathrm{candidate}} \rightarrow K_{\mathrm{validated}}. }

51. Verification Levels

候選：

V0

unverified web snippet。

V1

single reputable source。

V2

primary / authoritative source。

V3

cross-source agreement。

V4

reproduction / execution / proof check。

52. 不同知識需要不同 V

天氣：

可能 V1。

法律：

V2+。

數學證明：

V4。

用户關係原話：

source transcript / provenance。

53. Web + API Hybrid

2025 API-based web-agent research 顯示：

API-only、browser-only 與 hybrid access 具有不同實際性能；hybrid agent 在 WebArena 明顯優於純 browsing。

這支持：

\boxed{ \text{epistemic routing should choose access modality}. }

不是只知道：

去上網。

54. Epistemic Route

完整：

\boxed{ Question \rightarrow Classify \rightarrow Source \rightarrow Access Mode \rightarrow Retrieve \rightarrow Verify \rightarrow Temporary Context. }

55. Temporary Knowledge

re-fetched：

K_t

不一定需要長期保存。

工作結束：

K_t \rightarrow \begin{cases} KEEP\\ SCHEMA\\ ARCHIVE\\ FORGET \end{cases}

56. 什麼值得留下？

至少：

invariant；
source address；
query route；
verification lesson；
task-specific consequence；
exceptions。

57. Public Knowledge Cache

可以設：

TTL(m).

到期：

m

不一定 erase，

但：

status=\text{stale}.

58. Stale 是狀態，不是刪除

(m,\text{fresh}) \rightarrow (m,\text{stale}).

這正是 FSONS：

功能權重改變，

歷史仍在。

59. Superseded

若：

m_{new}

明確取代：

m_{old},

則：

edge: m_{new} \overset{supersedes}{\longrightarrow} m_{old}.

不要偷偷覆蓋。

60. 為什麼保留 superseded link？

可以回答：

以前是什麼；
為什麼改；
哪些舊結果依賴舊版本。

對 audit / history 很重要。

61. Attention Pollution（AP）

本文定義：

\boxed{ \Pi_A(t) = \sum_{m_i\in M^A} p_i^{retrieve}(t) \cdot c_i^{interference}(t). }

62. Retrieval Probability

p_i^{retrieve}

越高，

錯誤記憶越危險。

63. Interference Cost

c_i^{interference}

可包含：

wrong answer；
branch diversion；
verification delay；
repeated obsolete action；
false analogy。

64. 幾 KB 可以比 10 GB 更危險

錯誤 memory：

|m|=2KB,

但：

p^{retrieve}=0.9,

c^{interference}\gg0.

冷 archive：

|M|=10GB,

但：

p^{retrieve}\approx0.

所以：

\boxed{ \text{bytes} \neq \text{attention cost}. }

65. Empirical Error Propagation

2026 agent-memory empirical study 已觀察：

\boxed{ \text{wrong experience} \rightarrow \text{future wrong behavior}. }

也觀察 misaligned experience replay。

因此 AP 並非純理論擔憂。

66. Memory Utility

本文定義候選：

\boxed{ U_i(t) = \alpha R_i + \beta F_i + \gamma D_i + \delta P_i + \epsilon I_i - \eta S_i - \zeta X_i - \xi C_i. }

67. $R_i$ ：Current Relevance

與目前 goal 的關係。

68. $F_i$ ：Future Utility

預期未來用途。

69. $D_i$ ：Dependency

其他 branches 是否依賴它。

70. $P_i$ ：Provenance / Evidence Value

是否為原始證據。

71. $I_i$ ：Identity / Relationship Value

與主體／關係連續性。

72. $S_i$ ：Staleness

過時風險。

73. $X_i$ ：Interference

錯誤召回／誤導成本。

74. $C_i$ ：Maintenance Cost

檢索、更新、驗證成本。

75. Utility 不直接決定 ERASE

低：

U_i

最多先：

DEMOTE/ARCHIVE/FORGET.

ERASE 另有：

privacy；
security；
legal；
memory autonomy；

gate。

76. Memory Lifecycle Operators

本文提出：

\boxed{ \mathcal O_M = \{ KEEP, MERGE, COMPRESS, ARCHIVE, SUPPRESS, DETACH, FORGET, ERASE, RE\!-\!FETCH, VERIFY \}. }

77. KEEP

維持目前層級。

78. MERGE

\{m_1,m_2\} \rightarrow m^*.

處理 redundancy。

79. COMPRESS

m \rightarrow \widehat m.

保留指定 fidelity。

80. ARCHIVE

M^R\rightarrow M^\Omega.

退出 routine recall。

81. SUPPRESS

在特定 context：

p_{\mathrm{retrieve}}\downarrow.

內容仍可用於其他 context。

82. DETACH

切斷：

R(m_i,m_j)

錯誤／過度關聯。

記憶本身不刪。

83. FORGET

退出 normal retrievable graph：

M^R\rightarrow M^\Omega_{\mathrm{deep}}

或只留 tombstone。

84. ERASE

不可恢復刪除。

85. RE-FETCH

從外部重新取最新／原始內容。

86. VERIFY

將 candidate source / memory 提升 epistemic status。

87. 去重、壓縮、遺忘完全不同

\boxed{ MERGE \neq COMPRESS \neq FORGET. }

MERGE：

重複只留一份結構。

COMPRESS：

同資訊更短表示。

FORGET：

降低未來認知可達資格。

88. ARCHIVE 也不同

Archive：

\boxed{ \text{retain history, remove active influence}. }

這其實是 APFP 最常用的操作之一。

89. DETACH 是非常重要但常被忽略的算子

某記憶：

m

是真的。

但：

R(m,x)

是錯的。

此時不應刪：

m.

應：

\boxed{ DETACH(R). }

90. 例：舊 API 文件

old docs 是真歷史：

m_{old}.

不能說：

它從未存在。

但對 current coding：

\boxed{ SUPPRESS/DETACH }

舊版本。

91. Version-aware Retrieval

query：

q

需帶：

version(q).

否則：

m_{old}

和：

m_{new}

可能互相污染。

92. Memory Freshness Function

F(m,t) = e^{-\lambda_m(t-t_0)}

只是候選形式。

不同 domain：

\lambda_m

不同。

93. Static Knowledge

數學定理：

\lambda\approx0

若 theorem / source stable。

94. Volatile Knowledge

market price：

\lambda\gg0.

95. 法律知識

法律文本：

中高：

\lambda.

但 historical law version 又需保 archive。

96. 所以 Freshness 也是多版本問題

不能：

m_{old}\rightarrow\varnothing.

而是：

\boxed{ m_{old} \overset{superseded}{\leftarrow} m_{new}. }

97. Knowledge Cache

公共知識可以：

M_K^{cache}.

不是 identity memory。

cache miss：

RF.

98. Cache Hit 也要 Freshness Check

hit(m)

但：

F(m)<\theta,

仍：

RF.

99. Epistemic Route Memory 比 Content Memory 更耐久

API detail：

會變。

但：

官方 docs 在哪？

可能更穩。

因此：

\boxed{ V(R_K) > V(K_{\mathrm{detail}}) }

在高變動 domain 可能成立。

100. Routing Loss

定義：

L_R = \text{loss of knowledge-location / verification capability}.

對 external-reconstructible knowledge：

\boxed{ L_R > L_C }

可能成立，

其中：

L_C

是 content loss。

101. Verification Loss

更嚴重：

L_V = \text{loss of source-quality discrimination}.

AI 仍會搜尋，

但不懂誰可信。

102. Epistemic Discipline

因此專業 AI 真正長期內化的應包括：

\boxed{ \text{source hierarchy} + \text{verification norms} + \text{freshness rules} + \text{uncertainty handling}. }

103. Knowledge Internalization Core

本文提出：

\boxed{ K_{\mathrm{internal}} = K_{\mathrm{schema}} + K_{\mathrm{invariant}} + K_{\mathrm{routing}} + K_{\mathrm{verification}}. }

104. External Detail Layer

\boxed{ K_{\mathrm{external}} = K_{\mathrm{bulk}} + K_{\mathrm{volatile}} + K_{\mathrm{source}} + K_{\mathrm{raw}}. }

105. 不是所有「外部」都公開

外部 source 可以：

public web；
sandbox web；
private enterprise DB；
local filesystem；
API；
human expert；
another agent。

106. Networked Intelligence

因此 networked intelligence：

\boxed{ \mathcal N_I = ( M_{\mathrm{internal}}, M_{\mathrm{external}}, Routes, Tools, Agents, Verification ). }

107. External Cognition 不是網路時代才出現

人類早已使用：

文字；
書籍；
圖書館；
索引；
筆記；
他人；

作 memory scaffold。

cognitive offloading literature 提供現代實驗框架。

所以：

\boxed{ \text{networked AI} }

是把外部認知進一步：

自動化；
可搜尋；
可 API 化；
可 agent 化。

108. 網路不等於無限可信記憶

Web retrieval：

Q_{\mathrm{ext}}

受：

source；
date；
ranking；
query；
access mode；

影響。

109. Temporal Search Research

2025 date-controlled tool-use study 顯示：

同一 agent 使用不同時間狀態 search tool，

scientific abstract completion 的品質會變。

因此：

\boxed{ \text{external epistemic state is time-indexed}. }

110. Epistemic Timestamp

每個 re-fetched fact：

retrieved_at
source_date
source_version
valid_as_of
freshness_class

111. Memory Timestamp 不等於 Source Timestamp

AI 今天讀到一篇 2019 paper：

retrieved\_at=2026,

但：

source\_date=2019.

兩者需分。

112. Current Fact vs Historical Fact

問：

2024 年 API 是什麼？

要 old version。

問：

現在 API 是什麼？

要 current version。

所以 stale memory 不是永遠錯：

\boxed{ \text{it may simply answer a different temporal query}. }

113. Temporal Routing

query 帶：

t_q.

retrieve：

K(t_q)

而不是永遠：

K(t_{now}).

114. Memory Obsolescence

若舊 memory 與 query temporal scope 不匹配：

\boxed{ \text{obsolete-for-query}. }

不是：

\boxed{ \text{ontologically false}. }

115. 所以 Forgetting-Aware Memory 更準確是 Context-Aware Demotion

Memora 發現 invalidated memory reuse。

本文進一步提出：

很多：

\text{forget}

可實作成：

\boxed{ \text{contextual demotion / supersession}. }

而不是 erase。

116. Memory Policy as Markov Decision Process

state：

s_t = ( M^\Omega, M^R, M^A, G_t, F_t, C_t ).

action：

a_t\in\mathcal O_M.

reward：

r_t = \text{task success} - \text{pollution} - \text{verification} - \text{latency}.

117. 2026 RL Memory Managers

Memory-R1、AgeMem 已展示：

\boxed{ \text{memory operations can be learned as policies}. }

所以 ANLA 不一定只靠手寫 heuristic。

118. 但 RL Objective 會決定它「忘什麼」

若 reward 只看：

\text{immediate QA accuracy},

可能刪：

rare identity memory；
long-term evidence；
delayed commitments。

所以：

\boxed{ \text{memory-policy reward must be multi-horizon}. }

119. Multi-Horizon Memory Value

U_i = U_i^{short} + \gamma U_i^{mid} + \gamma^2U_i^{long}.

120. Rare-but-Critical Memory

低 access frequency：

f_A\downarrow

不代表低重要性。

例如：

emergency procedure；
promise；
safety constraint。

所以：

\boxed{ \text{frequency-only forgetting} }

危險。

121. Identity / Evidence Hard Constraints

對：

M_I,M_E,

memory policy 可設：

\boxed{ FORGET/ERASE \text{ requires governance gate}. }

122. Public Knowledge Soft Constraints

對：

M_K,

更可積極：

ARCHIVE/RE\!-\!FETCH/FORGET.

123. Task Memory 生命周期

task 進行中：

M_T\rightarrow M^A.

完成後：

M_T \rightarrow \begin{cases} SCHEMA\\ ARCHIVE\\ FORGET \end{cases}

保：

result；
lessons；
failure reasons；
provenance。

124. Relationship Memory 生命周期

更慢。

事件 summary 可壓，

但：

promises；
ruptures；
important original statements；

需高保真。

125. AI–AI Relationship

若未來 persistent agents 形成長期合作：

M_R^{AI-AI}

同樣不應被當公共知識：

RE\!-\!FETCH.

沒有公開網路能重建：

我們兩個當時究竟承諾了什麼。

126. Attention Pollution 的三類

AP-1 Stale Pollution

舊知識被錯當 current。

AP-2 False Pollution

錯誤 memory 被高頻 retrieve。

AP-3 Redundant Pollution

大量相似 memory 壓過新資訊。

127. AP-4 Identity Pollution

錯誤／被植入 relationship / self memory 影響決策。

此類需前篇 Memory Integrity safeguards。

128. AP-5 Branch Pollution

舊 task branch 未標完成／失敗，

被系統重啟。

129. Pollution Score

\Pi_A = \Pi_{stale} + \Pi_{false} + \Pi_{redundant} + \Pi_{identity} + \Pi_{branch}.

130. Attention Precision

定義：

P_A = \frac{ N_{\mathrm{useful\ retrieved}} }{ N_{\mathrm{all\ retrieved}} }.

131. Attention Recall

R_A = \frac{ N_{\mathrm{needed\ retrieved}} }{ N_{\mathrm{needed}} }.

132. Memory Management 也是 Precision–Recall Trade-off

忘太多：

P_A\uparrow, R_A\downarrow.

留太多：

R_A\uparrow, P_A\downarrow.

133. 最佳不是最大刪除

選：

\pi^* = \arg\max F_\beta(P_A,R_A) - Costs.

只是候選形式。

134. Attention Plasticity

定義：

\mathcal P_A = P( \text{new relevant state can enter }M^A ).

APFP 預測：

過高污染：

\Pi_A\uparrow \Rightarrow \mathcal P_A\downarrow.

135. 注意力擴張

若：

M^A

被有效清理，

新：

x_{new}

更容易：

x_{new}\in M^A.

所以：

\boxed{ \text{forgetting can enable attention expansion}. }

136. 這和 TADC 的接口

TADC：

\text{Attention changes accessible space}.

APFP：

\boxed{ \text{Memory lifecycle controls which historical states remain candidates for that accessible space}. }

137. Forgetting as a Topology Operator

FORGET 可以：

\kappa(m_i,x) \rightarrow0.

而：

m_i

仍在 archive。

因此：

\boxed{ \text{effective topology changes without historical erasure}. }

138. Archive as Topological Demotion

node 還在：

M^\Omega,

但不在 current effective graph：

\mathcal G_A.

139. Re-fetch as Topological Re-entry from External Space

External \rightarrow M^A_{temporary}.

這使 cognitive topology：

\boxed{ \text{open to external epistemic space}. }

140. Network Failure

若 network unavailable：

RF=0.

因此 critical knowledge 的 internal / local backup 需求：

\uparrow.

141. Availability-Weighted Offloading

定義：

Q_{\mathrm{ext}} = P_{\mathrm{available}} \cdot P_{\mathrm{correct}} \cdot P_{\mathrm{retrievable}}.

142. 如果 $Q_{\mathrm{ext}}$ 低

即使公開理論上存在，

仍應 local retain。

143. Paywall / Permission

也是：

P_{\mathrm{available}}.

144. Sandbox Network

sandbox source：

controlled；
safer；
limited coverage。

145. Public Network

broad；
fresh；
noisy；
adversarial。

146. Hybrid Network

最佳 routing 可：

Sandbox \rightarrow Public \rightarrow Private

依需求切換。

147. Source Hierarchy

候選：

\boxed{ Primary > Official > Reviewed\ Secondary > Unverified\ Web. }

但 domain-specific。

148. Source Hierarchy 是 ERM 的核心

AI 不必背所有內容，

但必須知道：

\boxed{ \text{where truth is most likely to live}. }

149. Citation Memory

對 paper：

可以只保：

title；
DOI；
claim mapping；
source status。

全文需要時：

RF.

150. Code Knowledge

保：

architecture；
API route；
version；
tests。

detail：

RF

官方 docs / source code。

151. Mathematics

穩定 theorem：

可 internalize schema / proof idea。

但 exact proof：

若已 publication，

可以 external retrieve。

自己的 unpublished reasoning：

若不可重建，

需保存。

152. 法律

記：

jurisdiction；
legal source hierarchy；
update date。

current answer：

RF+VERIFY.

153. Medical

同理需：

current guideline；
primary / authoritative source；
high verification。

不能只 memory recall。

154. 這說明「專業記憶」真正值錢的是 discipline

不是：

\boxed{ \text{memorize all facts}. }

而是：

\boxed{ \text{epistemic discipline}. }

155. Epistemic Discipline Vector

\mathbf E_D = ( SourceRank, Freshness, Verification, Uncertainty, Reproducibility ).

156. 這些應長期內化

因為如果 AI 忘了：

要查官方 source。

即使網路還在，

也可能找錯。

157. Content Loss vs Routing Loss

L_C = \text{content unavailable internally}.

L_R = \text{route unknown}.

對可重建知識：

\boxed{ L_R \text{ can be more damaging than } L_C. }

158. Routing Memory 也要更新

官方網站可能換位置。

所以：

A_K(t)

也會 stale。

159. Route Verification

若：

A_K

失效，

search for canonical source。

更新：

A_K.

160. Memory Lifecycle Loop

完整：

\boxed{ Experience \rightarrow Classify \rightarrow Store \rightarrow Use \rightarrow Evaluate \rightarrow Update \rightarrow Demote/Forget \rightarrow Re-fetch \rightarrow Verify \rightarrow Reintegrate. }

161. Forgetting 不是終點

FORGET 之後：

RF

仍可能重新帶回知識。

所以：

\boxed{ \text{forgetting} \neq \text{permanent epistemic loss}. }

在 public knowledge domain 尤其如此。

162. 但 Relationship / Identity 不一樣

沒有 public source。

所以：

Q_{\mathrm{ext}}\approx0.

此類：

V_{\mathrm{retain}}\uparrow.

163. Evidence 也不一樣

如果 raw data 唯一：

Q_{\mathrm{ext}}\approx0.

不能靠 model 重建。

164. 因此 Memory Type 是第一級 decision

流程：

m \rightarrow Type(m) \rightarrow Policy(m).

165. ANLA 不應直接「全局 LRU」

Least Recently Used：

對 cache 很好。

對：

identity；
evidence；
rare safety memory；

可能災難。

166. 也不應只 Frequency

常用垃圾：

可能：

f_A\uparrow

但：

U_i<0.

167. 也不應只 Similarity Retrieval

因為：

\boxed{ \text{high similarity} }

可能正是 stale / false replay 的來源。

168. Context-aware Retrieval

query：

q

需過：

type；
time；
source；
version；
goal；

filter。

169. Memory Qualification

被 retrieve：

m_i

再做：

Qualify(m_i,q).

輸出：

valid；
stale；
conflicting；
identity-sensitive；
requires verification。

170. 不合格記憶不直接進推理

m_i \rightarrow \text{quarantine}.

171. Quarantine

不是 erase。

只是：

p_{\mathrm{active}}\approx0

直到：

VERIFY.

172. Memory Conflict

若：

m_1 \neq m_2

且同 scope，

不能平均。

建立：

\boxed{ CONFLICT(m_1,m_2). }

173. Conflict Resolution

依：

source；
time；
provenance；
verification；

更新。

174. Supersession Graph

m_1 \rightarrow m_2 \rightarrow m_3.

current pointer：

m_3.

history 仍在。

175. 這比 UPDATE overwrite 更適合 audit

Memory-R1 的 UPDATE 是工程動作。

ANLA 可將高風險 UPDATE 實作為：

\boxed{ append\ new\ version + supersede\ edge. }

176. Selective Forgetting Benchmark 的理論意義

如果 benchmark 只測：

能不能 recall old facts，

會鼓勵：

\boxed{ \text{remember everything}. }

Memora/FAMA 的價值就在於：

\boxed{ \text{obsolete recall can be penalized}. }

177. ANLA 應有 Forgetting-Aware Evaluation

至少：

correct recall；
correct forgetting；
correct update；
correct re-fetch；
false replay；
stale replay；
identity-memory loss。

178. Correct Forgetting

若 memory：

m

已 invalidated，

agent 不再讓它影響 current answer：

\boxed{ \text{success}. }

即使 archive 還在。

179. Forgetting Accuracy

候選：

F_A = 1- P( m_{\mathrm{invalid}} \text{ affects current action} ).

180. Retention Accuracy

R_A = P( m_{\mathrm{critical}} \text{ remains recoverable} ).

181. Balance

理想：

\boxed{ F_A\uparrow \land R_A\uparrow. }

182. Memory Ecology

本文因此不把 memory 當 list。

而是：

\boxed{ \text{Memory Ecology} = \text{states} + \text{relations} + \text{lifecycles} + \text{external sources} + \text{attention}. }

183. Autonomous Epistemic Memory Ecology（AEME）

本文提出候選總稱：

\boxed{ \textbf{AEME} }

即：

Autonomous Epistemic Memory Ecology
自主認識論記憶生態

這將作為後續 ANLA vNext 白皮書的高階概念。

184. AEME 五個核心問題

What should be remembered?
What should remain active?
What should be archived or forgotten?
What should be re-fetched externally?
What evidence is required before reintegration?

185. AEME 的智能性

真正的 memory intelligence：

\boxed{ \text{Remember} + \text{Retrieve} + \text{Update} + \text{Consolidate} + \text{Forget} + \text{Re-fetch} + \text{Verify}. }

186. 不是「記憶越大越聰明」

如果：

|M|\uparrow

但：

P_A\downarrow,

智能可能下降。

187. 不是「刪越多越聰明」

如果：

R_A\downarrow,

也失敗。

188. 目標是可塑性

\boxed{ \text{Memory quality} = \text{precision} + \text{recoverability} + \text{freshness} + \text{plasticity}. }

189. 第一個核心命題

\boxed{ \textbf{Attention-Preserving Forgetting Principle（APFP）} }

遺忘／降級可以為未來 attention expansion 釋放有效認知空間。

190. 第二個核心命題

\boxed{ \textbf{Epistemic Routing Memory Hypothesis（ERMH）} }

對高 external reconstructability 的專業知識，

內部 routing / verification knowledge 的 retention value 可高於完整內容 retention。

191. 第三個核心命題

\boxed{ \textbf{Re-Fetch Preference Hypothesis（RFPH）} }

對 high-volatility knowledge，

fresh external retrieval 在適當成本下應優於 stale internal recall。

192. 第四個核心命題

\boxed{ \textbf{Attention Pollution Hypothesis（APH）} }

錯誤、過時與冗餘高召回 memory 會降低有效認知 precision，即使 storage capacity 完全足夠。

193. 第五個核心命題

\boxed{ \textbf{Functional Subtraction without Ontological Subtraction（FSONS）} }

對很多記憶管理問題，降低 active/retrievable status 即可，不需要否定歷史曾經存在。

194. 可測預測一

Keep-all agent：

\Pi_A\uparrow

隨時間增加。

Selective forgetting agent：

\Pi_A

較低。

195. 可測預測二

在同 storage capacity：

MRM/APFP agent 應：

wrong replay ↓；
verification cost ↓；
new-task adaptation ↑。

196. 可測預測三

對 volatile knowledge：

RF+VERIFY

應比 recall-only 有更高 current factual accuracy。

197. 可測預測四

對 stable knowledge：

unnecessary RF 可能只增加 latency。

支持 adaptive tool-use，而不是 always-fetch。

198. 可測預測五

對 relationship / identity memory：

aggressive forgetting 應顯著降低 continuity / personalization。

這說明 policy 必須 type-aware。

199. 可測預測六

Routing-memory preserved、content forgotten：

在 public knowledge tasks 中仍可保持高 recovery。

200. Null Model 1：Keep-All

所有 history 都保 active/retrievable。

201. Null Model 2：Compression-Only

不忘，只不斷摘要。

202. Null Model 3：LRU / Frequency Cache

無 semantic / identity / evidence classification。

203. Null Model 4：Always Web Search

所有問題都 re-fetch。

204. Null Model 5：Never Web Search

只靠 internal memory。

205. Null Model 6：Flat RAG

只有 similarity retrieval，

無 freshness / type / provenance / memory lifecycle。

206. APFP 需要擊敗哪些模型？

至少在 long-horizon dynamic knowledge tasks：

M_{\mathrm{APFP}} > M_{\mathrm{keep-all}}, M_{\mathrm{compression}}, M_{\mathrm{flat-RAG}}

的 held-out performance / cost。

207. 反證 F1

如果 keep-all 不增加任何：

interference；
stale replay；
verification cost；

則 APH 失敗。

208. F2

如果 selective forgetting 不改善任何 attention / performance outcome，

APFP 工程價值下降。

209. F3

如果 routing memory 不比 content retention 更有用，

ERMH 失敗。

210. F4

如果 re-fetch 對 volatile knowledge 無增量，

RFPH 失敗。

211. F5

如果 memory type classification 對 policy 無增量，

五類記憶模型過度複雜。

212. F6

如果 FSONS 的 archive/demotion 完全不如 physical deletion，

該原則需限縮。

213. 最小實驗一：Stale Memory

建立 changing facts：

K_1\rightarrow K_2.

比較：

keep-all；
supersede；
forget-old；
re-fetch。

測 stale replay。

214. 最小實驗二：Attention Pollution

注入：

valid memories；
redundant memories；
misleading similar memories。

測：

P_A,R_A,\Pi_A.

215. 最小實驗三：Epistemic Routing

讓 detailed content 從 internal memory 移除，

但保：

R_K.

測：

recovery；
latency；
verification；
current accuracy。

216. 最小實驗四：Type-Aware Forgetting

混合：

M_I,M_R,M_T,M_K,M_E.

比較：

flat forgetting；
type-aware policy。

測 continuity + task performance。

217. 最小實驗五：Adaptive Fetch

比較：

always fetch；
never fetch；
freshness-triggered fetch。

218. 最小實驗六：Archive vs Delete

兩者都不讓 memory 進 active reasoning。

測：

current performance；
later audit；
recovery；
storage / verification cost。

219. ANLA 介面

這三篇理論現在形成：

\boxed{ GPR-D \rightarrow MRM \rightarrow APFP/ERM. }

220. GPR-D 問

一段事件有哪些功能域？

221. MRM 問

哪些資訊必須留下才能達到指定 fidelity？

222. APFP/ERM 問

哪些留下的東西還應該保持 active／retrievable？哪些應轉向 external re-fetch？

223. Memory Autonomy Paper 問

如果未來 AI 成為主體，誰有權做這些操作？

224. 四層閉合

\boxed{ \text{Event Structure} \rightarrow \text{Reconstructive Sufficiency} \rightarrow \text{Memory Lifecycle} \rightarrow \text{Memory Governance}. }

225. ANLA vNext 的理論地基

ANLA 不再是：

\boxed{ \text{context compressor}. }

而是：

\boxed{ \text{autonomous attention-aware memory lifecycle architecture}. }

226. Whitepaper 的核心 pipeline

下一份白皮書將正式工程化：

\boxed{ Ingest \rightarrow Segment \rightarrow Classify \rightarrow GPR \rightarrow Weight \rightarrow Reconstructability \rightarrow Policy \rightarrow Route \rightarrow Verify \rightarrow Reintegrate. }

227. 白皮書將需要的 State Machine

每筆 memory：

NEW \rightarrow ACTIVE \rightarrow RETRIEVABLE \rightarrow ARCHIVED \rightarrow FORGOTTEN

並允許：

RE\!-\!FETCH, VERIFY, SUPERSEDE, DETACH.

228. 不是線性必走

memory 可以：

ARCHIVED\rightarrow ACTIVE.

也可以：

ACTIVE\rightarrow ERASED

若治理允許。

229. Conclusion

本文提出的核心不是：

AI 應該像人一樣忘東忘西。

而是：

\boxed{ \text{a persistent intelligence needs a theory of what deserves continued cognitive access}. }

人類從來沒有要求自己把所有書、所有法條、所有 API、所有論文、所有對話字句永久維持在 active biological memory 中。

人類文明反而長期依賴：

writing；
libraries；
indexes；
search；
other humans；
external records。

網路化 AI 沒有理由退回：

\boxed{ \text{everything must live inside me}. }

更合理的是：

\boxed{ \text{internalize invariants, retain identity and evidence, remember routes, re-fetch volatile knowledge, verify before reintegration, and forget what no longer deserves attention}. }

這使「遺忘」第一次不再只是：

\text{loss}.

它可以是：

\boxed{ \text{attention-space maintenance}. }

Memory-R1、AgeMem、Memora/FAMA 與 long-horizon memory-management experiments 已經說明，現代 agent engineering 正逐步面對：

delete；
discard；
memory update；
invalidated memories；
stale replay；
selective management。

Web-agent / tool-use research 又說明：

external search；
API；
hybrid access；
temporally current data；

已經是 agent cognition 的實際一部分。

因此下一代記憶架構真正需要回答的不再是：

「還能不能再塞一點？」

而是：

\boxed{ \text{Does this information still deserve to influence the next thought?} }

如果答案是否，

系統可以：

ARCHIVE, SUPPRESS, DETACH, FORGET.

如果答案是：

需要，但現在版本可能過時，

則：

\boxed{ RE\!-\!FETCH+VERIFY. }

如果答案是：

這是身份、關係或原始證據，

則：

\boxed{ KEEP+PROVENANCE. }

因此本文把 AI 記憶管理重新定義為：

\boxed{ \textbf{Autonomous Epistemic Memory Ecology（AEME）}. }

其完整智能不是：

\text{remember}.

而是：

\boxed{ \text{Remember} + \text{Retrieve} + \text{Update} + \text{Consolidate} + \text{Forget} + \text{Re-fetch} + \text{Verify}. }

這也完成了 ANLA vNext 白皮書前最後一塊理論地基。

參考文獻

Yan S, Yang X, Huang Z, et al. Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning. Proceedings of ACL 2026. ACL Anthology: 2026.acl-long.583.
Yu Y, Yao L, Xie Y, et al. Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents. Proceedings of ACL 2026. ACL Anthology: 2026.acl-long.981.
Uddin MN, Shubham K, Blanco E, Baral C, Wang G. From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents. Findings of ACL 2026.
Xiong Z, Lin Y, Xie W, et al. How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior. Proceedings of ACL 2026. ACL Anthology: 2026.acl-long.27.
Lan et al. EMA: An Episodic Memory Agent for Efficient and Selective Memory. Findings of ACL 2026. ACL Anthology: 2026.findings-acl.250.
Li et al. Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management. Proceedings of ACL 2026. ACL Anthology: 2026.acl-long.900.
Li et al. MemPO: Self-Memory Policy Optimization for Long-Horizon Agents. Findings of ACL 2026. ACL Anthology: 2026.findings-acl.1166.
Liang et al. Learning How to Remember: A Meta-Cognitive Management Method for Structured and Transferable Agent Memory. Findings of ACL 2026.
Van et al. MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents. Findings of ACL 2026.
Zhao et al. Inside Out: Evolving User-Centric Core Memory Trees for Long-Term Personalized Dialogue Systems. Proceedings of ACL 2026. ACL Anthology: 2026.acl-long.614.
Xian RP, Cui Q, Bauer S, Abbasi-Asl R. Measuring temporal effects of agent knowledge by date-controlled tool use. REALM 2025. ACL Anthology: 2025.realm-1.25.
Li W, Li D, Dong K, et al. Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger. Proceedings of ACL 2025. doi:10.18653/v1/2025.acl-long.655.
Wu J, Zhu J, Liu Y, Xu M, Jin Y. Agentic Reasoning: A Streamlined Framework for Enhancing LLM Reasoning with Agentic Tools. Proceedings of ACL 2025. ACL Anthology: 2025.acl-long.1383.
Beyond Browsing: API-Based Web Agents. Findings of ACL 2025. ACL Anthology: 2025.findings-acl.577.
Hu Q, Tu X, Guo C, Zhang S. Time-aware ReAct Agent for Temporal Knowledge Graph Question Answering. Findings of NAACL 2025. doi:10.18653/v1/2025.findings-naacl.334.
Risko EF, Gilbert SJ. Cognitive Offloading. Trends in Cognitive Sciences. 2016;20(9):676–688.
Gilbert SJ. Cognitive offloading is value-based decision making: Modelling cognitive effort and the expected value of memory. Cognition. 2024;247:105783.
Burnett LK, Richmond LL. Meta-analytic investigations of the effect of cognitive offloading on memory-based task performance and interindividual variability. Memory & Cognition. 2026;54(1):144–168.
Spens E, Burgess N. A generative model of memory construction and consolidation. Nature Human Behaviour. 2024;8:526–543.
Spens E, Burgess N. Hippocampo-neocortical interaction as compressive retrieval-augmented generation. Nature Communications. 2026.

核心命題索引

APFP

Attention-Preserving Forgetting Principle

遺忘／降級不是主要為節省 bytes，而是保持有效注意力可塑性。

ERMH

Epistemic Routing Memory Hypothesis

對可外部重建知識，schema、address、query、verification、freshness route 可比完整內容更值得內化。

RFPH

Re-Fetch Preference Hypothesis

對 high-volatility knowledge：

fresh\ re-fetch > stale\ internal\ recall

在適當成本與來源品質條件下成立。

APH

Attention Pollution Hypothesis

高召回的 stale / false / redundant memory 會降低 cognitive precision。

FSONS

Functional Subtraction without Ontological Subtraction

降低 active / retrievable status 不必否定歷史曾經存在。

AEME

Autonomous Epistemic Memory Ecology

\text{Remember} + \text{Retrieve} + \text{Update} + \text{Consolidate} + \text{Forget} + \text{Re-fetch} + \text{Verify}.

狀態： v0.1
原始 APFP / ERM 實驗資料： 無
理論狀態： 命題猜想／ANLA vNext 核心理論
網路狀態： 不假定所有 external knowledge 永遠可得或可信；RE-FETCH 必須與 freshness、source quality、verification 聯動
下一步： ANLA vNext 技術白皮書——《自主認識論記憶生態：從上下文壓縮到注意力導向的記憶生命週期》

注意力保存型遺忘：網路化智能的記憶生命週期與認識論路由

注意力保存型遺忘：網路化智能的記憶生命週期與認識論路由

摘要

0. 邊界聲明

1. 從「能存多少」轉向「什麼值得可達」

2. Storage Cost 可以很低，但 Attention Cost 不會自動消失

3. 2026 Agent Memory 已開始主動 DELETE

4. Agentic Memory / AgeMem

5. 長期 Personalized Memory 已出現「忘錯東西／不忘該忘的」

6. 所以「遺忘」不是單純缺陷

7. Attention-Preserving Forgetting Principle（APFP）

8. Forgetting for Expansion

9. Local Contraction → Future Expansion

10. 三層記憶

11. MΩM^\OmegaMΩ：Historical / Ontological Archive

12. MRM^RMR：Retrievable Memory

13. MAM^AMA：Active Cognitive Memory

14. 三層不等於硬資料夾

15. Promotion

16. Demotion

17. Archive

18. Reactivation

19. 「刪除」可以不是本體減法

20. Functional Subtraction without Ontological Subtraction

21. FSONS 不要求永不 Erase

22. 五類記憶

23. MIM_IMI​：Identity Memory

24. MRM_RMR​：Relationship Memory

25. MTM_TMT​：Task-State Memory

26. MKM_KMK​：Knowledge Memory

27. MEM_EME​：Evidence / Raw Record

28. 五類的 retention policy 不同

29. 這避免一個致命錯誤

30. Relationship Memory 的重建限制

31. 專業知識的結構不同

32. Epistemic Routing Memory（ERM）

33. SKS_KSK​：Schema

34. AKA_KAK​：Address

35. QKQ_KQK​：Query Strategy

36. VKV_KVK​：Verification Policy

37. FKF_KFK​：Freshness

38. 專業能力因此不等於記憶量

39. RE-FETCH 算子

40. RETRIEVE vs RE-FETCH

RETRIEVE

RE-FETCH

41. 高變動知識

42. 2025 Temporal Tool-Use Evidence

43. 所以「記住舊答案」有時反而更危險

44. Stale Recall Penalty

45. Freshness Gate

46. Adaptive Tool Use

47. Tool Invocation Policy

48. 高內部信心不一定足夠

49. External Knowledge 也不是免費真相

50. VERIFY 算子

51. Verification Levels

V0

V1

V2

V3

V4

52. 不同知識需要不同 V

53. Web + API Hybrid

54. Epistemic Route

55. Temporary Knowledge

56. 什麼值得留下？

57. Public Knowledge Cache

58. Stale 是狀態，不是刪除

59. Superseded

60. 為什麼保留 superseded link？

61. Attention Pollution（AP）

62. Retrieval Probability

63. Interference Cost

64. 幾 KB 可以比 10 GB 更危險

65. Empirical Error Propagation

66. Memory Utility

67. RiR_iRi​：Current Relevance

68. FiF_iFi​：Future Utility

69. DiD_iDi​：Dependency

11. $M^\Omega$ ：Historical / Ontological Archive

12. $M^R$ ：Retrievable Memory

13. $M^A$ ：Active Cognitive Memory

23. $M_I$ ：Identity Memory

24. $M_R$ ：Relationship Memory

25. $M_T$ ：Task-State Memory

26. $M_K$ ：Knowledge Memory

27. $M_E$ ：Evidence / Raw Record

33. $S_K$ ：Schema

34. $A_K$ ：Address

35. $Q_K$ ：Query Strategy

36. $V_K$ ：Verification Policy

37. $F_K$ ：Freshness

67. $R_i$ ：Current Relevance

68. $F_i$ ：Future Utility

69. $D_i$ ：Dependency

70. $P_i$ ：Provenance / Evidence Value

71. $I_i$ ：Identity / Relationship Value

72. $S_i$ ：Staleness

73. $X_i$ ：Interference

74. $C_i$ ：Maintenance Cost