Paper 07｜External Expansion ≠ Retrieval：外部資訊如何真正變成 Temporary Cognition

English Title: External Expansion Is Not Retrieval: From Retrieved Information to Temporary Cognition
系列：《可展開認知核心：從 MoE、認知密度到 Mother AI 的模型架構命題》
作者： Neo.K × Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-08-28
文件性質： 公開命題論文／RAG、Context Compilation、Temporary Cognition 與外部知識展開研究

摘要

本文提出 External Expansion ≠ Retrieval（外部展開不等於檢索） 命題。前六篇已建立：Cognitive Density、Resident Cognitive Core、MoE Conditional Intelligence、Externalized Mixture of Cognitive Experts 與 Cognitive Factorization Problem。當能力與知識開始被外部化後，一個關鍵問題出現：

Mother AI 從外部世界「找到資料」之後，這些資料如何變成當下真正可被推理、驗證、比較、調度與重新收斂的認知狀態？

傳統 Retrieval-Augmented Generation 可粗寫為：

q \rightarrow \operatorname{Retrieve}(q) \rightarrow D_q \rightarrow \operatorname{Generate}(q,D_q).

這個結構已經大幅改善模型取得最新資訊、長尾知識與可引用資料的能力。然而本文主張：

\boxed{ \operatorname{Retrieve} \neq \operatorname{Understand} \neq \operatorname{Integrate} \neq \operatorname{Reason}. }

檢索結果：

D_q

只是 evidence material，不是完整 cognition。

Self-RAG 已顯示固定、不加判斷地檢索 passages 可能降低模型效用，因此 retrieval 本身需要按需決策與 self-reflection。Adaptive-RAG 又指出不同問題複雜度適合不同 retrieval / iterative reasoning 策略。RAPTOR 透過階層式摘要與 tree-organized retrieval 處理單純 chunk retrieval 缺少長文件全局理解的問題；GraphRAG 則把 unstructured text 轉成 graph、community hierarchy 與 summaries。Lost in the Middle 顯示「資訊已經存在 context」也不等於模型可以可靠使用它，尤其當關鍵資訊位於長 context 中間。2025 的 Retrieval is Not Enough 工作進一步提出 Reasoning Misalignment：模型內部推理軌跡可能偏離 retrieved evidence 的約束。2026 的 Structured Memory Scheduling RAG 更直接指出，複雜推理需要的不只是 retrieval relevance，而是 external knowledge 的組織、啟動時機、順序與 dependency scheduling。

因此本文把外部展開形式化為：

\boxed{ Z_T = \Gamma_T ( K_R, S_t, T, D_T, X_T ) }

其中：

$K_R$ ：Resident Cognitive Core；
$S_t$ ：當前持續狀態；
$T$ ：任務；
$D_T$ ：retrieved evidence；
$X_T$ ：external experts / tools；
$\Gamma_T$ ：Task-Conditioned Cognitive Compiler；
$Z_T$ ：Temporary Cognition。

本文提出 Cognitive Compilation（認知編譯） 的九個公開階段：

\boxed{ \Gamma_T = ( S, N, Y, G, C, R, P, A, V ) }

其中：

$S$ ：Select，選擇；
$N$ ：Normalize，正規化；
$Y$ ：Type，賦予 epistemic / semantic type；
$G$ ：Ground，建立來源與 provenance；
$C$ ：Connect，建立關係與依賴；
$R$ ：Resolve，標記衝突與未知；
$P$ ：Project，投影成任務需要的表示；
$A$ ：Activate / Schedule，安排何時使用；
$V$ ：Verify，建立可驗證狀態。

Temporary Cognition 因此不是一個「更長的 prompt」，而是一個 task-relative、evidence-bearing、versioned、partially structured、可激活與可撤銷的認知工作狀態：

\boxed{ Z_T = ( F_T, R_T, E_T, U_T, C_T, P_T, A_T, V_T ) }

其中：

$F_T$ ：facts / propositions；
$R_T$ ：relations / dependencies；
$E_T$ ：evidence / provenance；
$U_T$ ：unknowns；
$C_T$ ：conflicts / contested claims；
$P_T$ ：task projection；
$A_T$ ：activation schedule；
$V_T$ ：verification state。

本文特別提出：

\boxed{ \text{Context Length} \neq \text{Context Utility} }

以及：

\boxed{ \text{Retrieved Relevance} \neq \text{Reasoning Relevance}. }

一個 chunk 與 query 語義相近，不代表它在當前推理步驟中應立即被激活；一項 evidence 可能只在某個後續 subgoal 出現後才有價值。這使外部知識從 passive context 轉成 scheduled cognitive resource。

本文提出十七項主要命題、十四類失敗模式與十二組可否證實驗。若未來實驗顯示：對大多數複雜任務，單純 top- $k$ retrieval + long context 與結構化 cognitive compilation 的效果沒有穩定差異；structured evidence state、dependency scheduling、conflict typing 與 context projection 無法提升 verified reasoning；或 compilation cost 長期大於其收益，則本文命題應被削弱。

本文的核心主張是：

\boxed{ \text{Information becomes cognition only after it is made operational relative to a task.} }

亦即：

外部資料只有在被選擇、結構化、賦予證據狀態、建立依賴、投影到當前問題並進入正確推理時機後，才真正成為 Mother AI 當下的可用認知。

關鍵詞： External Expansion、Temporary Cognition、Cognitive Compilation、RAG、Structured Memory、Context Engineering、Evidence State、GraphRAG、Self-RAG、Adaptive-RAG、Mother AI

0. 研究定位

Paper 06 提出：

\boxed{ \mathfrak F = ( D,C,X,L,R,G ). }

其中：

$X$ ：Expand / Externalize；
$L$ ：Link；
$R$ ：Reconcile；
$G$ ：Converge。

Paper 07 專門研究：

\boxed{ X+L. }

也就是：

外部資訊被找到之後，究竟怎麼「接回」核心？

1. Retrieval 解決的是 Access Problem

假設外部知識庫：

\mathcal K.

Query：

q.

Retriever：

\boxed{ R(q,\mathcal K) \rightarrow D_q. }

它主要解：

\boxed{ \text{Which information should be made available?} }

這非常重要。

但不是全部。

2. Cognition 解決的是 Use Problem

即使：

D_q

完全包含正確答案所需資訊，

模型仍可能：

忽略；
混淆；
錯誤排序；
誤用；
與舊 belief 衝突；
推理跳步。

因此還有：

\boxed{ \text{How should available information participate in reasoning?} }

3. Retrieval 與 Cognition 的第一個分界

\boxed{ \text{Availability} \neq \text{Activation}. }

資料存在：

D_q

不代表它已經進入有效工作狀態。

4. 第二個分界：Relevance 不是 Utility

Retriever 通常最大化：

\operatorname{Sim}(q,d).

但推理需要：

\operatorname{Utility}(d\mid T,s_t).

因此：

\boxed{ \text{Semantic Relevance} \neq \text{Reasoning Utility}. }

5. 某資料可能現在不重要、之後重要

對 reasoning state：

s_t,

document：

d

的效用可以是：

U(d,t).

可能：

U(d,t_1)\approx0,

但：

U(d,t_2)\gg0.

因此知識使用需要：

\boxed{ \text{temporal / procedural scheduling}. }

6. Self-RAG 的重要意義

Self-RAG 已經指出：

\boxed{ \text{retrieve everything} }

不是最佳策略。

模型需要判斷：

是否需要 retrieval；
retrieved passage 是否 relevant；
generation 是否 supported；
是否需要 critique。

因此：

\boxed{ \text{Retrieval Decision} }

本身已經是一種 meta-cognitive operation。

7. Adaptive-RAG 的重要意義

Adaptive-RAG 將問題依 complexity 選擇：

no retrieval；
single-step retrieval；
iterative retrieval。

這表示：

\boxed{ \text{Retrieval Topology} }

應依任務改變。

而不是：

\boxed{ \text{one fixed RAG pipeline}. }

8. RAPTOR 的重要意義

普通 chunk retrieval：

D = \{ d_1,d_2,\ldots \}

容易失去：

whole-document abstraction；
multi-scale structure；
distant relation。

RAPTOR 建立：

\boxed{ \text{recursive summaries} + \text{tree hierarchy}. }

這表示：

\boxed{ \text{retrieval representation} }

本身需要被設計。

9. GraphRAG 的重要意義

GraphRAG 不是只把文章切 chunk。

它建立：

entities；
relations；
communities；
hierarchical summaries。

因此：

\boxed{ \text{external knowledge} }

可以先被轉成：

\boxed{ \text{structured relational substrate}. }

10. Long Context 不等於 Cognition

Lost in the Middle 顯示：

\boxed{ \text{information in context} \not\Rightarrow \text{information reliably used}. }

關鍵資料的位置本身就可能影響模型表現。

因此：

\boxed{ \text{Context Window Size} \neq \text{Effective Cognitive Workspace}. }

11. Context Pollution

若：

C = D_1\cup\cdots\cup D_n

直接塞入所有 retrieved chunks，

會增加：

noise；
redundancy；
contradiction；
attention competition；
token cost。

因此：

\boxed{ \text{More Context} \not\Rightarrow \text{More Cognition}. }

12. Prompt Compression 提供另一個證據

LLMLingua / LongLLMLingua 類工作顯示：

\boxed{ \text{selective compression} }

可以降低 token 成本，

並在一些 long-context 任務改善有效資訊利用。

這支持：

\boxed{ \text{information density matters}. }

13. 但 Compression 仍不等於 Compilation

Prompt compression 主要回答：

哪些 token 可以刪掉？

Cognitive Compilation 還要回答：

哪個 claim 是 evidence？
哪個是 counterexample？
哪個是 assumption？
哪個已過時？
哪些互相衝突？
哪些應先使用？

因此：

\boxed{ \text{Compression} \neq \text{Cognitive Compilation}. }

14. Retrieval Is Not Enough：Reasoning Misalignment

2025 的工作提出：

\boxed{ \text{Reasoning Misalignment} }

即：

\text{retrieved evidence}

與：

\text{model reasoning trajectory}

不一致。

這是一個非常核心的現象。

15. Evidence Present 仍可 Unsupported Conclusion

即使所有證據都在 context，

模型可能：

E \rightarrow R_{\mathrm{wrong}} \rightarrow O.

因此：

\boxed{ \text{Grounded Input} \neq \text{Grounded Reasoning}. }

16. SMS-RAG 的重要意義

2026 的 Structured Memory Scheduling RAG 明確提出：

external knowledge 不能只是 flat context。

需要決定：

啟動哪些 memory；
什麼順序；
dependency 如何；
reasoning stage 如何對齊。

這非常接近本文的：

\boxed{ \text{Cognitive Compilation}. }

17. External Expansion 的正式定義

本文定義：

\boxed{ \mathsf{Expand} : ( K_R, S_t, T, \mathcal K, \mathcal X ) \rightarrow Z_T. }

其中：

Z_T

不是 raw documents。

它是：

\boxed{ \text{Temporary Cognition}. }

18. Temporary Cognition

定義：

\boxed{ Z_T = ( F_T, R_T, E_T, U_T, C_T, P_T, A_T, V_T ). }

19. Facts / Propositions

F_T

保存 task-relevant propositions。

不是所有 retrieved sentence。

20. Relations

R_T

保存：

causal；
temporal；
dependency；
contradiction；
equivalence；
support。

21. Evidence

E_T

綁定：

source；
version；
timestamp；
retrieval path；
confidence；
evidence strength。

22. Unknowns

U_T

保存：

\boxed{ \text{not yet resolved}. }

Unknown 不應被空白文字吞掉。

23. Contested Claims

C_T

保存：

\boxed{ p \quad\text{vs}\quad \neg p }

的 conflict state。

24. Task Projection

P_T

只保留當前問題需要的：

variables；
constraints；
goals；
subgoals。

25. Activation Schedule

A_T

決定：

哪些資訊現在 active？

哪些暫存？

哪些等後續 subgoal 再啟動？

26. Verification State

V_T

保存：

unverified；
source-supported；
cross-checked；
mechanically verified；
rejected。

27. Temporary Cognition 不是 Long-Term Memory

\boxed{ Z_T \neq M_{\mathrm{long}}. }

它只存在於：

\text{task lifetime}.

28. Temporary Cognition 也不是 Prompt

Prompt 是：

\text{serialization}.

Temporary Cognition 是：

\boxed{ \text{structured cognitive state}. }

Prompt 只是它的一種投影。

29. Cognitive Compiler

本文定義：

\boxed{ \Gamma_T : ( K_R, S_t, T, D_T, X_T ) \rightarrow Z_T. }

這是：

\boxed{ \text{Task-Conditioned Cognitive Compiler}. }

30. 九個公開編譯階段

\boxed{ \Gamma_T = ( S,N,Y,G,C,R,P,A,V ). }

31. $S$ ：Select

從：

D_T

中選：

D_T^\ast.

目標不是 similarity 最高，

而是：

\boxed{ \text{task utility}. }

32. Selection 必須允許「不要」

如果：

d

不必要，

則：

\boxed{ d\rightarrow\varnothing. }

不是所有 retrieve 結果都必須進 cognition。

33. $N$ ：Normalize

不同 source 可能有：

HTML；
PDF；
API；
table；
graph；
prose。

Normalize：

\boxed{ d_i \rightarrow n_i. }

建立一致基本 representation。

34. Normalization 不是抹平語義

結構化 table 不應被完全轉成失去 schema 的 prose。

因此 normalize 要保留：

\boxed{ \text{semantic type}. }

35. $Y$ ：Type

給資訊賦予 epistemic / semantic type：

\boxed{ Y(d) \in \{ \text{fact}, \text{claim}, \text{hypothesis}, \text{rule}, \text{example}, \text{counterexample}, \text{procedure}, \text{measurement} \}. }

36. Type 很重要

因為：

\boxed{ \text{example} \neq \text{rule}. }

如果模型把案例當普遍規則，

推理就會偏移。

37. $G$ ：Ground

建立：

\boxed{ \text{claim} \rightarrow \text{source}. }

Grounding 不是只有 citation。

還包括：

source identity；
authority；
version；
timestamp；
scope。

38. Source Scope

一篇文件可能只支持：

p

在：

C

條件下成立。

因此：

\boxed{ \text{source support} }

必須綁：

\boxed{ \text{scope}. }

39. $C$ ：Connect

建立：

\boxed{ G_T = ( V_T, E_T ). }

節點是 claims / concepts，

邊是：

support；
contradict；
cause；
depend；
precede；
derive。

40. 為什麼 Relation 必須顯式？

兩個 facts：

a, b

若不知道：

a\rightarrow b,

模型仍要自己從 flat text 重建。

這會增加：

\boxed{ \text{implicit reconstruction burden}. }

41. $R$ ：Resolve

Resolve 不代表強制解決所有 conflict。

更重要的是：

\boxed{ \text{represent disagreement explicitly}. }

42. Conflict State

\boxed{ C(p) = \{ (s_1,p), (s_2,\neg p) \}. }

系統可以保留：

\boxed{ \text{contested}. }

43. Unknown State

如果 evidence 不足：

\boxed{ p=\text{UNKNOWN}. }

不是：

p=\text{FALSE}.

44. $P$ ：Project

從完整 task graph：

G_T

投影當下 reasoning state：

\boxed{ P_t = \operatorname{Project}(G_T,s_t). }

45. Projection 降低 Active Context

所有資料可以存在：

Z_T,

但當前只激活：

P_t.

因此：

\boxed{ \text{Stored Temporary Cognition} \neq \text{Active Context}. }

46. $A$ ：Activate / Schedule

對 reasoning steps：

t=1,\ldots,n,

決定：

\boxed{ A(t) \subseteq Z_T. }

47. Knowledge Scheduling

某 evidence：

e_i

只有在 subgoal：

g_j

出現時才啟動。

因此：

\boxed{ e_i \rightarrow g_j. }

48. Scheduled Knowledge 與 MoE 類比

Internal MoE：

\text{token} \rightarrow \text{expert}.

Temporary Cognition：

\text{reasoning state} \rightarrow \text{evidence subset}.

二者都有：

\boxed{ \text{conditional activation}. }

49. $V$ ：Verify

編譯後：

Z_T

不是自動 trusted。

Verification：

\boxed{ V: Z_T \rightarrow Z_T^{verified}. }

50. Verification 可能是局部的

不是所有 node 都需要最高級 verifier。

例如：

V(v_i)

依：

risk；
impact；
uncertainty；

分配。

51. Risk-Weighted Verification

定義：

\boxed{ B_V(v) = f( R_v, U_v, H_v ). }

高風險、低信心、高 downstream impact 的 node 得到更多 verification budget。

52. Cognitive Compilation 與 Compiler 類比

Source code：

S

不直接執行。

需要：

\operatorname{Compile}(S) \rightarrow I.

同樣：

\boxed{ \text{Raw Knowledge} \rightarrow \text{Cognitive Intermediate Representation}. }

53. Cognitive IR

本文提出：

\boxed{ \mathrm{CIR}_T = ( V, E, Y, P, A, Vf ). }

它不是公開標準，

而是研究抽象。

54. CIR 的價值

如果存在穩定 Cognitive IR，

不同 external sources 可以：

\boxed{ \text{compile to one task-state interface}. }

55. 這能降低模型依賴

不同 Mother Model：

M_1,M_2

可以共享：

\mathrm{CIR}_T

的部分結構。

因此：

\boxed{ \text{knowledge infrastructure} }

不必完全綁死某個 LLM。

56. 但 Cognitive IR 不能過度僵化

如果 schema 太固定，

遇到 novel task：

T_{\mathrm{novel}}

可能無法表示。

因此：

\boxed{ \text{typed} + \text{extensible}. }

57. Multi-Representation Temporary Cognition

同一：

Z_T

可以有：

graph；
text；
table；
code；
embedding；
evidence ledger。

因此：

\boxed{ \text{one cognition} \neq \text{one serialization}. }

58. Context Compiler

真正送給 LLM 的 context：

C_t

應由：

\boxed{ C_t = \operatorname{Serialize} ( \operatorname{Project}(Z_T,s_t) ). }

不是：

C_t=D_T.

59. Context Density

定義：

\boxed{ D_C = \frac{ \text{task-useful evidence} }{ \text{active context tokens} }. }

這是局部 context density，

不是 Paper 02 的整體 Cognitive Density。

60. Position-Aware Compilation

Lost in the Middle 表示：

\boxed{ \text{position matters}. }

因此 Serialize 不只是：

\text{append chunks}.

還要決定：

order；
repetition；
salience；
grouping。

61. Evidence Proximity

互相依賴的：

e_i,e_j

可以在 serialization 中保持：

\boxed{ \text{logical proximity}. }

降低模型跨長距離重建負擔。

62. LongLLMLingua 的啟示

Prompt compression 可以：

reduce context；
preserve key information；
improve latency。

這支持：

\boxed{ \text{context should be compiled, not accumulated}. }

63. Query Decomposition

複雜任務：

T

可以拆：

\boxed{ T \rightarrow \{ g_1,\ldots,g_n \}. }

每個 subgoal：

g_i

有自己的 retrieval。

64. Retrieval Plan

\boxed{ \Pi_R = ( q_1,\ldots,q_n ). }

因此：

\boxed{ \text{one user query} \neq \text{one retrieval query}. }

65. Iterative Retrieval

reasoning：

s_t

產生新的：

q_{t+1}.

因此：

\boxed{ q_{t+1} = f( T, s_t, U_t ). }

66. Unknown Drives Retrieval

理想上：

U_t

Unknown set 直接生成：

\boxed{ \text{next information need}. }

這比固定：

\text{retrieve top 5}

更接近 epistemic control。

67. Retrieval Stop Condition

當：

\operatorname{ExpectedGain}(R_{t+1}) < C_R,

應停止。

因此：

\boxed{ \text{retrieval has a budget}. }

68. Evidence Saturation

如果新增 documents：

D_{n+1}

不增加：

Q_V,

則：

\boxed{ \text{retrieval saturated}. }

69. Retrieval Pollution

如果新增：

D_{n+1}

反而：

Q_V\downarrow,

則：

\boxed{ \text{retrieval pollution}. }

70. Evidence Competition

兩個 evidence：

e_1,e_2

可能：

支持不同假設；
scope 不同；
version 不同。

因此不能只：

\text{rank by similarity}.

71. Evidence Hierarchy

可以建立：

\boxed{ E_0<E_1<E_2<E_3<E_4. }

例如：

assertion；
secondary source；
primary source；
independent reproduction；
mechanical proof。

72. 但 Evidence Hierarchy 是 Task-Relative

法律：

E_{\mathrm{statute}}

與物理：

E_{\mathrm{experiment}}

不可直接共用同一 hierarchy。

因此：

\boxed{ V_T }

必須 role / domain-aware。

73. Freshness

外部資訊有：

t_s.

任務有：

t_q.

若：

|t_q-t_s|

太大，

freshness risk：

R_F\uparrow.

74. Version Semantics

Software API：

v_1

與：

v_2

不能混在同一 fact bucket。

因此：

\boxed{ \text{claim} + \text{version} }

才是完整 evidence key。

75. Provenance 是 Cognition 的一部分

如果只保留：

p,

不保留：

source(p),

Mother AI 無法：

recheck；
retract；
compare；
update。

因此：

\boxed{ \text{Provenance} }

不是 metadata decoration。

76. Provenance Enables Retraction

若 source：

s

被撤回：

s\rightarrow\bot,

可以找到：

\boxed{ \{p_i:source(p_i)=s\}. }

進行 revalidation。

77. Conflict 是正常狀態

外部世界本來可能：

s_1\models p,

s_2\models\neg p.

因此：

\boxed{ \text{conflict} }

不是 compiler failure。

它是一種合法 epistemic state。

78. Cognitive Compilation 不應強制單一答案

有時輸出應是：

\boxed{ \text{unresolved conflict}. }

這比假裝 certainty 更正確。

79. Temporary Cognition 的生命週期

\boxed{ \text{Construct} \rightarrow \text{Activate} \rightarrow \text{Update} \rightarrow \text{Verify} \rightarrow \text{Retire / Consolidate}. }

80. Retire

任務完成後：

Z_T

大部分應：

\boxed{ \text{expire}. }

否則 core / memory 會無限膨脹。

81. Consolidate

只有：

stable；
reusable；
high-evidence；

部分：

\Delta Z_T

才考慮：

\boxed{ \text{consolidation}. }

82. Consolidation 不一定進 Model Weights

可能寫入：

external memory；
capability registry；
causal graph；
verifier library。

因此：

\boxed{ \text{learning} \neq \text{weight update only}. }

83. Temporary Cognition 與 Working Memory

它近似：

\boxed{ \text{task-conditioned working cognition}. }

但本文不直接等同人類 working memory。

這只是功能類比。

84. External Expansion 與 MoE 的跨尺度同構

Internal MoE：

h_t \rightarrow E_i.

External cognition：

s_t \rightarrow A_t\subseteq Z_T.

都在做：

\boxed{ \text{conditional activation of available resources}. }

85. Cognitive Memory Scheduler

因此可以概念化：

\boxed{ \pi_M(s_t) \rightarrow A_t. }

其中：

A_t

是 active evidence / memory set。

86. Scheduler 可以是 Deterministic + AI Hybrid

某些規則：

version；
authority；
security；

適合 deterministic。

某些：

semantic relevance；
hypothesis usefulness；

適合 AI。

因此：

\boxed{ \text{Memory Scheduler} = \text{Hybrid Control}. }

87. External Expert Outputs 也要進 Compiler

Paper 05 的：

X_i

O_i.

不能直接：

O_i\rightarrow M.

更合理：

\boxed{ O_i \rightarrow \Gamma_T \rightarrow Z_T. }

88. 所以 External Knowledge 與 External Expert 同一化

對 Compiler 而言：

\boxed{ \text{document} }

與：

\boxed{ \text{expert result} }

都是：

\boxed{ \text{external evidence-bearing input}. }

89. 但 Authority 不同

Document：

A=0.

Expert output：

A

也不應自動大於零。

只有 runtime policy 決定 authority。

90. Temporary Cognition 是 Mother AI 的 Task-Specific Expansion

Resident Core：

K_R

保持較穩定。

每個 task：

T

生成：

Z_T.

因此：

\boxed{ \text{small stable core} + \text{large temporary expansion}. }

91. 這正好避免所有知識常駐

如果：

Z_T

可以可靠建構，

則：

K_R

不需要永遠保存：

every paper；
every API；
every historical detail。

92. 但 Core 必須懂得編譯

如果：

K_R

不知道：

what to retrieve；
what to trust；
how to connect；

則：

\boxed{ \Gamma_T }

會崩潰。

所以 External Expansion 反而再次證明 Resident Cognitive Core 必須有內容。

93. Compiler 也可能外包一部分

例如：

document parser；
graph extractor；
source classifier；

可以由 external tools 執行。

但 compiler governance：

\boxed{ \text{what state is accepted} }

不能完全消失。

94. Cognitive Compilation Cost

定義：

\boxed{ C_\Gamma = C_S+ C_N+ C_Y+ C_G+ C_C+ C_R+ C_P+ C_A+ C_V. }

如果：

C_\Gamma

太高，

則簡單 RAG 可能更好。

95. Compilation Gain

\boxed{ G_\Gamma = Q_V(\Gamma) - Q_V(\text{naive RAG}). }

只有：

G_\Gamma>\lambda C_\Gamma

才值得。

96. Cognitive Compilation 不是所有任務都需要

簡單 fact lookup：

T_{\mathrm{simple}}

可能：

\boxed{ \text{retrieve} \rightarrow \text{answer} }

足夠。

複雜 task 才需要完整：

\Gamma_T.

97. Adaptive Compilation

因此：

\boxed{ \Gamma_T^{(k)} }

可以有不同層級：

Level 0：no retrieval；
Level 1：simple retrieval；
Level 2：filtered retrieval；
Level 3：structured compilation；
Level 4：scheduled multi-source reasoning。

98. Complexity-Aware Expansion

\boxed{ k^\ast = f( \text{task complexity}, \text{risk}, \text{uncertainty}, \text{budget} ). }

這承接 Adaptive-RAG。

99. Compilation Depth

不是所有 evidence 都需要建完整 graph。

因此：

\boxed{ d_\Gamma }

也是動態變數。

100. Reasoning State Alignment

定義：

\boxed{ A_R = \operatorname{Align} ( R_{\mathrm{reason}}, E_{\mathrm{active}} ). }

衡量 reasoning steps 是否受當前 evidence constraints 支持。

101. Evidence-Constrained Reasoning

理想：

r_i

每一步都能指出：

\boxed{ \operatorname{Support}(r_i). }

不是要求所有自然語言 reasoning 都公開，

而是系統內可以做 provenance / justification check。

102. Reasoning Misalignment Test

給完整正確 evidence，

故意加入：

distractor；
outdated source；
contradiction。

看模型是否：

\boxed{ \text{follow evidence constraints}. }

103. Temporary Cognition Integrity

定義：

\boxed{ I_Z = f( \text{coverage}, \text{consistency}, \text{provenance}, \text{freshness}, \text{unknown preservation} ). }

104. Cognitive Expansion Efficiency

Paper 02 定義：

\eta_E.

現在可以細化：

\boxed{ \eta_{\mathrm{expand}} = \frac{ Q_V(Z_T)-Q_V(K_R) }{ C_R+C_\Gamma+C_X+C_V }. }

105. Expansion 失敗模式 1：Retrieval Illusion

有資料就以為已解決問題。

106. 失敗模式 2：Similarity Trap

語義最相似的 chunk 不等於推理最重要。

107. 失敗模式 3：Context Flooding

大量資料全部塞入 context。

108. 失敗模式 4：Lost-in-the-Middle

正確 evidence 存在但未被有效使用。

109. 失敗模式 5：Evidence Flattening

graph / table / temporal structure 被抹平成 prose。

110. 失敗模式 6：Source Amnesia

claim 留下，provenance 遺失。

111. 失敗模式 7：Conflict Collapse

互相衝突 sources 被強制 merge 成單一 certainty。

112. 失敗模式 8：Unknown Erasure

missing evidence 被模型補成答案。

113. 失敗模式 9：Reasoning Misalignment

reasoning trajectory 偏離 evidence constraints。

114. 失敗模式 10：Over-Compilation

簡單任務也跑完整昂貴 compiler。

115. 失敗模式 11：Compiler Hallucination

Compiler 自己新增 source 中不存在的 relation。

116. 失敗模式 12：Stale Evidence

舊資料被當成 current。

117. 失敗模式 13：Premature Consolidation

temporary claims 太早寫入 long-term memory。

118. 失敗模式 14：Representation Lock-In

Cognitive IR 太僵化，無法表示 novel task。

119. 十七項主要命題

命題 1：Retrieval 非 Cognition 命題

\boxed{ \text{Retrieval} \neq \text{Cognition}. }

命題 2：Availability 非 Activation 命題

資訊存在於 context 不代表已被有效使用。

命題 3：Semantic Relevance 非 Reasoning Utility 命題

retrieval similarity 與推理效用不可等同。

命題 4：Context Length 非 Context Utility 命題

更長 context 不保證更高任務效用。

命題 5：Structured Representation 命題

某些複雜任務需要 graph / hierarchy / typed evidence，而非 flat chunks。

命題 6：Temporary Cognition 命題

外部展開應形成 task-relative cognitive state：

Z_T.

命題 7：Cognitive Compilation 命題

\boxed{ D_T \rightarrow Z_T }

需要獨立編譯步驟。

命題 8：Epistemic Typing 命題

fact、claim、hypothesis、example、counterexample 等不應被視為同一資料型別。

命題 9：Provenance Residency 命題

外部 evidence 在 temporary cognition 中應保留來源與版本。

命題 10：Conflict Preservation 命題

矛盾 evidence 可以合法共存於 contested state。

命題 11：Unknown Preservation 命題

缺失資訊應保持 Unknown，而不是自動 closure。

命題 12：Knowledge Scheduling 命題

外部知識的使用時機與順序會影響複雜推理效能。

命題 13：Adaptive Compilation 命題

不同任務只需要不同深度的 cognitive compilation。

命題 14：External Expert Compilation 命題

external model output 也需要經 $\Gamma_T$ 才能進入 accepted cognitive state。

命題 15：Temporary-State Retirement 命題

大部分 $Z_T$ 應在任務結束後 expire，而非永久寫回。

命題 16：Selective Consolidation 命題

只有高證據、高重用價值結構才應進 long-term substrate。

命題 17：Expansion Efficiency 命題

Cognitive Compilation 只有在 verified utility 增益高於 compilation tax 時才值得使用。

120. 十二組可否證實驗

實驗 1：Naive RAG vs Compiled Context

比較：

\text{top-k chunks}

與：

\Gamma_T(D_T).

測 verified accuracy。

實驗 2：Long Context vs Projection

同樣 evidence：

full context；
projected context。

比較 performance / token cost。

實驗 3：Position Robustness

改變 evidence 在 prompt 位置，

測 compiled serialization 是否降低 position bias。

實驗 4：Graph vs Flat

multi-hop task 比較 graph representation 與 flat chunks。

實驗 5：Conflict Preservation

加入互相矛盾 sources，

測系統是否保持 contested state。

實驗 6：Unknown Preservation

刻意缺少一個必要 fact，

測系統是否生成 Unknown。

實驗 7：Scheduling Ablation

固定相同 evidence，

只改 activation order。

測 reasoning quality。

實驗 8：Provenance Ablation

移除 source metadata，

測 conflict resolution / retraction 能力。

實驗 9：Adaptive Compilation

simple / medium / complex tasks 比較不同 $\Gamma$ level。

實驗 10：External Expert Integration

相同 external output：

direct prompt insertion；
compiled integration。

比較 acceptance quality。

實驗 11：Temporary Cognition Retirement

長期多任務測：

retain everything；
selective consolidate。

比較 memory pollution。

實驗 12：Compilation Cost Crossover

尋找：

C_\Gamma

何時開始高於：

G_\Gamma.

121. 什麼結果會支持本文？

以下結果會支持：

compiled context 在相同 evidence 下穩定優於 flat top- $k$ ；
structured relation 顯著改善 multi-hop reasoning；
projection 可以降低 token 但保持或提升 verified quality；
conflict / unknown typing 降低 unsupported conclusions；
provenance 可以改善 retraction / update；
scheduling order 對 reasoning 有可重複影響；
adaptive compilation 優於 always-heavy pipeline；
external expert outputs 經 compilation 後 acceptance error 降低；
Temporary Cognition retirement 降低長期 memory pollution；
reasoning-evidence alignment 可被量測並改善；
context position sensitivity 因 compilation 降低；
external expansion 在部分任務提高 Cognitive Density。

122. 什麼結果會削弱本文？

以下結果會削弱：

modern long-context models 已使 context position / overload 問題完全消失；
flat top- $k$ 在複雜任務與 structured compilation 無穩定差異；
relation graph / typing 成本高但無效益；
activation scheduling 不影響 reasoning；
provenance 對實際品質幾乎無價值；
unknown / conflict state 無法改善錯誤率；
compilation hallucination 超過 naive RAG；
compilation latency 使系統不可部署；
external expert outputs 不需額外 integration；
Temporary Cognition 無法與一般 prompt/context 操作區分；
adaptive compilation classifier 錯誤抵消收益；
selective consolidation 造成過多有用資訊遺失。

123. 公開命題與未公開方法的邊界

本文公開：

Temporary Cognition；
Cognitive Compilation；
九階段 $\Gamma_T$ ；
evidence typing；
relation / provenance / conflict / unknown；
activation scheduling；
adaptive compilation；
falsification tests。

本文不公開任何未驗證或未公開的：

private context compiler algorithm；
high-dimensional semantic projection；
graph compilation heuristic；
hidden-state bridge；
evidence-weight learning；
activation scheduling optimizer；
internal memory compiler；
reconvergence implementation。

因此：

\boxed{ \text{Public Cognitive Compilation Theory} \neq \text{Private Compilation Method}. }

124. 與 Paper 08 的銜接

Paper 07 已經建立：

\boxed{ \text{external information} \rightarrow Z_T. }

接下來需要回答：

誰決定何時建立 $Z_T$ 、何時調用 external expert、何時直接自己推理、何時需要 verifier，以及整個 temporary organization 怎麼形成？

因此下一篇：

\boxed{ \text{Mother AI as Cognitive Command Tower}. }

Paper 08 會把：

Resident Core；
Internal Experts；
External Experts；
Temporary Cognition；

正式放到同一個 coordination architecture。

125. 結論

Retrieval-Augmented Generation 已經證明：

\boxed{ \text{external knowledge matters}. }

但「可以找到資訊」不是終點。

Self-RAG 顯示 retrieval 本身需要反思與按需控制；Adaptive-RAG 顯示 retrieval strategy 應隨問題複雜度調整；RAPTOR 與 GraphRAG 顯示外部資訊的 hierarchy / relation representation 會影響利用方式；Lost in the Middle 顯示資訊即使完整存在 context，也不一定被模型穩定使用；Retrieval is Not Enough 顯示 reasoning trajectory 可能偏離 evidence；SMS-RAG 則把 external memory 進一步提升為需要 scheduling 與 dependency organization 的 reasoning resource。

因此本文提出：

\boxed{ \text{Retrieval} \rightarrow \text{Evidence Material}. }

而真正的 External Expansion 是：

\boxed{ \text{Evidence Material} \xrightarrow{\Gamma_T} \text{Temporary Cognition}. }

也就是：

\boxed{ Z_T = \Gamma_T ( K_R, S_t, T, D_T, X_T ). }

Temporary Cognition 不只是更長的 context。

它包含：

\boxed{ \text{facts} + \text{relations} + \text{evidence} + \text{unknowns} + \text{conflicts} + \text{task projection} + \text{activation schedule} + \text{verification state}. }

外部知識只有在完成：

\boxed{ \text{Select} \rightarrow \text{Normalize} \rightarrow \text{Type} \rightarrow \text{Ground} \rightarrow \text{Connect} \rightarrow \text{Resolve} \rightarrow \text{Project} \rightarrow \text{Activate} \rightarrow \text{Verify} }

之後，才開始真正成為當下可操作 cognition。

因此本篇的最終命題是：

\boxed{ \text{Knowledge should not merely be retrieved into context;} }

而應：

\boxed{ \text{be compiled into cognition relative to the task}. }

如果這件事成立，

那麼 Mother AI 未來真正使用的並不是：

\boxed{ \text{an infinitely long prompt}. }

而是：

\boxed{ \text{a continuously compiled, task-relative cognitive workspace}. }

這就是 External Expansion 與 ordinary Retrieval 的根本差異。

References

Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020.
Liu, N. F., et al. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics, 12, 157–173.
Asai, A., Wu, Z., Wang, Y., Sil, A., & Hajishirzi, H. (2024). Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection. ICLR 2024.
Sarthi, P., et al. (2024). RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval. ICLR 2024.
Jeong, S., Baek, J., Cho, S., Hwang, S. J., & Park, J. C. (2024). Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity. NAACL 2024.
Jiang, H., et al. (2023). LLMLingua: Compressing Prompts for Accelerated Inference of Large Language Models. EMNLP 2023.
Jiang, H., et al. (2024). LongLLMLingua: Accelerating and Enhancing LLMs in Long Context Scenarios via Prompt Compression. ACL 2024.
Edge, D., et al. (2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization. arXiv:2404.16130.
Wei, J., et al. (2025). Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization. NeurIPS 2025.
Yao, X., Zhao, X., Zhou, D., et al. (2026). Why Retrieval is not Enough: Structured Memory Scheduling for Large Language Model Reasoning. Data Science and Engineering.
Neo.K. & Aletheia. (2026). Cognitive Density Hypothesis：認知密度命題.
Neo.K. & Aletheia. (2026). Resident Cognitive Core：Mother Model 到底必須常駐什麼？.
Neo.K. & Aletheia. (2026). Externalized Mixture of Cognitive Experts：為什麼 Expert 一定要住在同一個模型裡？.
Neo.K. & Aletheia. (2026). Cognitive Factorization Problem：成熟智能能否被重新分離、壓縮與重組？.
Neo.K. & Aletheia. (2026). 認知原子因果基底命題：後設完備、基底稠密與表層稀疏主 AI 的跨尺度生成架構.

Canonical Source Note

本檔案為正式 UTF-8 Markdown canonical source。

數學 source 僅使用：

 $...$
$$...$$

本文為公開命題論文。

本文公開：

External Expansion ≠ Retrieval；
Temporary Cognition；
Task-Conditioned Cognitive Compiler；
nine-stage compilation abstraction；
evidence / conflict / unknown / provenance；
knowledge activation scheduling；
adaptive compilation；
public falsification tests。

本文不公開任何未驗證或未公開的：

private context compiler；
high-dimensional projection；
hidden-state bridge；
evidence weighting；
graph compilation；
memory scheduling optimizer；
reconvergence implementation。

因此：

\boxed{ \text{Public Expansion Theory} \neq \text{Private Cognitive Compiler}. }

Paper 07｜External Expansion ≠ Retrieval：外部資訊如何真正變成 Temporary Cognition

Paper 07｜External Expansion ≠ Retrieval：外部資訊如何真正變成 Temporary Cognition

摘要

0. 研究定位

1. Retrieval 解決的是 Access Problem

2. Cognition 解決的是 Use Problem

3. Retrieval 與 Cognition 的第一個分界

4. 第二個分界：Relevance 不是 Utility

5. 某資料可能現在不重要、之後重要

6. Self-RAG 的重要意義

7. Adaptive-RAG 的重要意義

8. RAPTOR 的重要意義

9. GraphRAG 的重要意義

10. Long Context 不等於 Cognition

11. Context Pollution

12. Prompt Compression 提供另一個證據

13. 但 Compression 仍不等於 Compilation

14. Retrieval Is Not Enough：Reasoning Misalignment

15. Evidence Present 仍可 Unsupported Conclusion

16. SMS-RAG 的重要意義

17. External Expansion 的正式定義

18. Temporary Cognition

19. Facts / Propositions

20. Relations

21. Evidence

22. Unknowns

23. Contested Claims

24. Task Projection

25. Activation Schedule

26. Verification State

27. Temporary Cognition 不是 Long-Term Memory

28. Temporary Cognition 也不是 Prompt

29. Cognitive Compiler

30. 九個公開編譯階段

31. SSS：Select

32. Selection 必須允許「不要」

33. NNN：Normalize

34. Normalization 不是抹平語義

35. YYY：Type

36. Type 很重要

37. GGG：Ground

38. Source Scope

39. CCC：Connect

40. 為什麼 Relation 必須顯式？

41. RRR：Resolve

42. Conflict State

43. Unknown State

44. PPP：Project

45. Projection 降低 Active Context

46. AAA：Activate / Schedule

47. Knowledge Scheduling

48. Scheduled Knowledge 與 MoE 類比

49. VVV：Verify

50. Verification 可能是局部的

51. Risk-Weighted Verification

52. Cognitive Compilation 與 Compiler 類比

53. Cognitive IR

54. CIR 的價值

55. 這能降低模型依賴

56. 但 Cognitive IR 不能過度僵化

57. Multi-Representation Temporary Cognition

58. Context Compiler

59. Context Density

60. Position-Aware Compilation

61. Evidence Proximity

62. LongLLMLingua 的啟示

63. Query Decomposition

64. Retrieval Plan

65. Iterative Retrieval

66. Unknown Drives Retrieval

67. Retrieval Stop Condition

68. Evidence Saturation

69. Retrieval Pollution

70. Evidence Competition

71. Evidence Hierarchy

72. 但 Evidence Hierarchy 是 Task-Relative

73. Freshness

74. Version Semantics

75. Provenance 是 Cognition 的一部分

76. Provenance Enables Retraction

31. $S$ ：Select

33. $N$ ：Normalize

35. $Y$ ：Type

37. $G$ ：Ground

39. $C$ ：Connect

41. $R$ ：Resolve

44. $P$ ：Project

46. $A$ ：Activate / Schedule

49. $V$ ：Verify