可重放判斷與語義等價：從 Event Sourcing 到 Replay Verification

動態邏輯解與生成判斷系列・第十篇

英文題名： Replayable Judgment and Semantic Equivalence: From Event Sourcing to Replay Verification
版本： v0.1
日期： 2026-08-16
作者： Neo.K／Aletheia

摘要

如果一個判斷系統只保存「現在狀態」，那麼所謂動態邏輯仍然只是會變的資料庫。要讓判斷真正成為可研究、可驗證、可審核的運行歷史，系統必須回答：

給定同一初始狀態與同一事件歷史，我是否能重建同一個判斷狀態？

本文以 Event Sourcing 作為工程模式，但不把它當作新的邏輯定理。Event Sourcing 的核心思想是把狀態變化保存為 append-oriented event history，再由 reducer/projector 重建 current state。這與生成判斷天然相容。

本文定義：

S_n = \operatorname{Fold} ( S_0, e_1,\ldots,e_n; R_v ),

其中 $R_v$ 為 reducer version。

第一層 Replay Correctness 要求：

\boxed{ \operatorname{Replay} ( S_0,\mathcal H,R_v ) = S_n. }

然而 AI 系統加入 stochastic model 後，bitwise replay 不一定合理。因此本文再區分：

deterministic replay；
committed-output replay；
semantic re-evaluation。

並提出：

\boxed{ \text{Replay} \neq \text{Rejudge}. }

Replay 重建歷史當時已提交的狀態；Rejudge 則用新模型重新解讀相同證據。

這個區分是 Live Paper、ACO、長期 AI 科學與責任審核能否成立的關鍵。

一、只保存 Current State 不夠

假設目前：

J(P,t_n)=F_p.

若只保存：

state = provisionally_false

我們不知道：

曾經是否支持；
哪個證據造成反轉；
哪個模型做出判斷；
是否有資料被刪除；
是否發生過人工 override。

二、事件歷史

定義：

\mathcal H_n = ( e_1,e_2,\ldots,e_n ).

Current state：

S_n

由：

S_n = \operatorname{Fold} ( S_0,\mathcal H_n )

生成。

三、Reducer

Reducer：

R_v(S,e) \rightarrow S'.

版本：

v

必須保存。

因：

R_1 \neq R_2

可能對同一 event history 得到不同 state。

四、Deterministic Replay

若 reducer deterministic：

R_v(S,e)

對同一輸入唯一，

則：

\operatorname{Replay} ( S_0,\mathcal H,R_v )

應 bitwise 或 canonical-structure 等價。

五、Committed Output

LLM call：

M(prompt)

通常 stochastic。

因此不能在 replay 時重新呼叫：

M

期待得到相同 token。

正確做法是將當時接受的輸出：

O_i

提交成 event payload。

Replay 讀：

O_i.

六、模型呼叫事件

例如：

{
  "type": "MODEL_OUTPUT_COMMITTED",
  "model": "model-x",
  "prompt_hash": "...",
  "output_hash": "...",
  "committed_output": {}
}

Replay 不重新生成。

七、Rejudge 是另一條 lineage

若 2030 年想用：

M_{2030}

重新分析 2026 evidence，

應：

\operatorname{Rejudge} ( E_{2026}, M_{2030} ) \rightarrow J_{2030}^{new}.

而不是把：

J_{2026}

覆蓋。

八、兩條歷史

可以有：

L_E = \text{Evidence Log},

L_B = \text{Belief/Judgment Lineage}.

Evidence log 應盡量 immutable。

Judgment lineage 可以多分支。

九、2026 Agent Research 的新趨勢

近年的 agent 架構研究已開始明確使用 event sourcing，把 stochastic agent intention 與 deterministic state mutation 分離；也開始提出 evidence log 與 evolving belief lineage 分離的 epistemic replication 思路。

本文不依賴這些新工作才能成立，但它們顯示：

\boxed{ \text{append-only evidence history} + \text{versioned belief lineage} }

正成為 AI agent 長程可驗證性的自然架構方向。

十、Replay Verification

驗證至少包含：

h(\mathcal H)

event log hash。

h(R_v)

reducer version hash。

h(S_n)

current state hash。

Replay 後：

h(\widehat S_n) = h(S_n).

十一、Semantic Equivalence

有些 state 含：

key ordering；
timestamps；
volatile ids；
model prose。

bitwise equality 太強。

可定義 canonical projection：

C(S).

要求：

\boxed{ C(\widehat S_n) = C(S_n). }

十二、語義等價邊界

但不能濫用：

意思差不多。

Semantic equivalence 必須有 contract。

例如只忽略：

JSON key order；
UI-only timestamp；
display formatting。

不能忽略：

judgment state；
evidence cursor；
source set；
responsibility debt。

十三、Replay Contract

replay_contract:
  compare:
    - judgment_state
    - evidence_cursor
    - claim_graph_hash
    - responsibility_ledger_hash
  ignore:
    - render_timestamp
    - ui_expansion_state

十四、Event Ordering

若：

e_i,e_j

不可交換，

則 event order 必須固定。

若：

e_i\circ e_j = e_j\circ e_i,

才可允許 reorder。

因此 event log 本質上也包含因果排序。

十五、Concurrency

多 Agent 同時寫入時：

e_i\parallel e_j.

第一版可採：

monotonic sequence id；
single commit log；
optimistic concurrency check。

避免不同 agent 各有自己的「現在」。

十六、Snapshot

當：

|\mathcal H|

非常大，

可建立：

S_k

snapshot。

之後：

S_n = \operatorname{Fold} ( S_k, e_{k+1},\ldots,e_n ).

但 snapshot 不能取代原 event history 的 archival value。

十七、Ledger Tamper Detection

對高要求研究，可以建立 hash chain：

h_i = H( h_{i-1}, e_i ).

若中間事件被修改：

h_n

會改變。

這不是區塊鏈必要論證。

普通 hash chain 已足以增加 tamper evidence。

十八、Replay 與責任

如果某 Agent 說：

我當時不是這樣判。

Replay 可以回到：

S_t

並顯示：

evidence；
policy；
model output；
action；
approval。

責任因此從記憶爭議轉成可檢查歷史。

十九、Replay 與論文

Live Paper 的 PDF：

D_{snapshot}

可以指向：

event\_cursor=n.

未來讀者可 replay 至：

n.

看到當時真正狀態。

二十、Replay 與科學

如果論文結論後來改變，

不需要把舊論文當「垃圾」。

而可以：

J_{2026} \rightarrow J_{2027} \rightarrow J_{2030}.

研究史本身成為資料。

二十一、Replay 與 ACO

異常因果案例特別需要：

\text{Raw Evidence} \neq \text{AI Interpretation}.

Evidence log 可保存原始資料。

每代模型產生不同 Judgment lineage。

因此：

\boxed{ \text{同一世界證據， 可以被未來更強模型重新判讀， 但不能讓未來模型改寫過去證據。} }

二十二、Replay Correctness Proposition

若：

$S_0$ 相同；
event sequence 相同；
reducer version 相同；
所有非決定輸出均以 committed payload 保存；
canonicalization contract 相同；

則：

\boxed{ C( \operatorname{Replay}_1 ) = C( \operatorname{Replay}_2 ). }

這是本系列第一個非常適合直接寫成自動測試的形式命題。

二十三、Replay 與動態不動點

狀態內容：

S_t

一直變。

但 replay invariant：

\mathcal I_R

保持：

同一歷史必須能重建同一 canonical state。

因此 replay correctness 本身就是一種工程動態不動點。

二十四、結論

從這一篇開始，「判斷具有歷史」不再只是哲學敘述。

它得到一個明確工程判準：

\boxed{ \text{同一歷史，必須可以重建同一可比較狀態。} }

同時：

\boxed{ \text{Replay} \neq \text{Rejudge}. }

前者保存歷史真實性，後者允許知識進步。

兩者同時存在，才是真正的動態知識系統。

參考文獻

Doyle, J. “A Truth Maintenance System.” Artificial Intelligence, 12(3), 1979, 231–272. DOI: 10.1016/0004-3702(79)90008-0.
Fischer, M. J., & Ladner, R. E. “Propositional Dynamic Logic of Regular Programs.” Journal of Computer and System Sciences, 18(2), 1979.
Alchourrón, C. E., Gärdenfors, P., & Makinson, D. “On the Logic of Theory Change.” Journal of Symbolic Logic, 50(2), 1985.
Brito dos Santos Filho, E. “ESAA: Event Sourcing for Autonomous Agents in LLM-Based Software Engineering.” arXiv:2602.23193, 2026.（新近預印本，視為工程參考而非既定共識）
He, J., & Yu, D. “Replicating Belief, Not Bits: Epistemic State Replication for Agentic Systems.” arXiv:2607.09748, 2026.（新近預印本，視為工程參考而非既定共識）