title: 從長上下文到持續能力：多上下文、多圖式與有效無限上下文
english_title: From Long Context to Persistent Capability: Multi-Context, Multi-Graph, and Effective Infinite Context
series: AI 動態能力本體論：潛能、激發、內生性與耦合
series_english: Dynamic Capability Ontology of AI: Potential, Activation, Endogeneity, and Coupling
paper: 08 / 09
author: Neo.K / EveMissLab
ai_collaboration: Aletheia / GPT-5.6 Sol
date: 2026-09-12
version: v0.1
document_type: 系列論文／持續智能／多上下文與有效無限上下文架構
status: Canonical Series Draft
encoding: UTF-8
depends_on: DCAO_Paper00_AI_Capability_Ontology_Master_Framework_v0.1_zh-TW.md · DCAO_Paper01_Potential_Is_Not_Activation_v0.1_zh-TW.md · DCAO_Paper02_Effective_Capability_Is_Not_Model_Capability_v0.1_zh-TW.md · DCAO_Paper03_AI_Offloading_Coupling_Endogenization_v0.1_zh-TW.md · DCAO_Paper04_Boundary_Relative_Endogeneity_One_Many_All_v0.1_zh-TW.md · DCAO_Paper05_Rapid_Recoupling_Quasi_Endogeneity_v0.1_zh-TW.md · DCAO_Paper06_Capability_Is_A_Reachable_MultiGraph_v0.1_zh-TW.md · DCAO_Paper07_Substrate_Independence_Is_Not_Substrate_Irrelevance_v0.1_zh-TW.md
predecessor_theories: Cloud AI Center / Distributed Cognitive Runtime · Named AI Conversation Graphs · MNEME · SOACR · Multi-Representation Memory · Crystallized Hyperlink Memory · World-Reconstructive Memory Fabric

從長上下文到持續能力

——多上下文、多圖式與有效無限上下文

From Long Context to Persistent Capability

Multi-Context, Multi-Graph, and Effective Infinite Context

作者： Neo.K / EveMissLab
機構： EveMissLab／一言諾科技有限公司
日期： 2026-09-12
版本： v0.1

摘要

當大型語言模型的 context window 持續增長，一個自然直覺是：只要 context 足夠長，AI 就能把所有歷史都保存在同一條線性序列中，因而獲得近似永久記憶與長期持續能力。然而，本文主張，這個直覺混淆了「可裝載更多 token」與「能在極長時間維持穩定認知狀態」兩個完全不同的問題。

對一個長期存在的 AI，真正目標不是：

\boxed{ \text{Infinite Context Window} }

而是：

\boxed{ \text{Infinite Interaction Horizon} }

並且當：

T_{\mathrm{interaction}}\rightarrow\infty

時，系統仍能維持：

C_{\mathrm{active}}(T) = O(1)

或至多：

O(\log T),

同時：

E_{\mathrm{retrieval}}(T) \le \varepsilon,

E_{\mathrm{causal}}(T) \le \delta,

以及：

C_{\mathrm{correction}}(T) \ll O(T).

本文將此 operational regime 稱為：

有效無限上下文

Effective Infinite Context

其核心不是儲存無限 token，而是把長期存在轉化為：

\boxed{ \text{Bounded Active Context} + \text{Persistent Multi-Context State} + \text{Multi-Graph Addressing} + \text{Asymmetric Context Transfer} + \text{Validated Delta Updates} + \text{Local Correction} }

本文指出，單一線性歷史：

C_t=(x_1,x_2,\dots,x_t)

即使透過更高效 attention 或更大記憶硬體延長，也仍需面對四個獨立問題：

Addressing：要去哪裡找？
Relevance：哪些歷史現在相關？
Consistency：哪些狀態已被更新、撤銷或取代？
State Validity：哪些內容只是曾經說過，而非現在 canonical truth？

因此，計算瓶頸不只來自 attention complexity，而來自「歷史如何被轉化成當前可信狀態」。

本文提出 Persistent Multi-Context Runtime。對時間 $t$ ：

\boxed{ \mathcal C_t = \{ C_t^{\mathrm{task}}, C_t^{\mathrm{identity}}, C_t^{\mathrm{memory}}, C_t^{\mathrm{causal}}, C_t^{\mathrm{world}}, C_t^{\mathrm{authority}}, C_t^{\mathrm{social}}, C_t^{\mathrm{capability}}, \dots \} }

其中不同 context 可以：

不同持久度；
不同 owner；
不同 update rate；
不同 authority；
不同 visibility；
不同 retrieval method。

當下 active set：

A_t \subset \mathcal C_t

只包含完成當前任務必要的局部投影。

本文進一步提出「Transfer Delta, Not Context」原則。長期系統不應不斷把全部上下文互相複製，而應：

\boxed{ S_{t+1} = S_t \oplus \Delta_t }

其中：

\Delta_t

是經過 validation、authority、provenance 與 conflict check 的結構化狀態變更。

因此：

\boxed{ \text{Context Transfer} \neq \text{Context Copy} }

且：

\boxed{ T_{i\rightarrow j} \neq T_{j\rightarrow i} }

通常成立。

本文把 long-context problem 正式接到 DCAO：能力不是依靠「永遠把所有能力與歷史都放在 active context」，而是依靠一個持續 capability fabric，讓真正需要的狀態與能力在正確時間被恢復、投影、編譯並激發。這與 Paper 05 的 Recoverable Capability Field、Paper 06 的 Canonical / Effective / Active Capability Graph 三分，以及 Paper 07 的跨載體 capability trajectory 形成一致結構。

本文最終提出：

\boxed{ \text{Persistent Intelligence} = \text{Persistent State} + \text{Selective Activation} + \text{Typed Multi-Context} + \text{Multi-Graph Memory} + \text{Validated State Transition} + \text{Recoverable Capability Fabric} }

並將此架構直接交給 Paper 09：如果 AI 本身需要 persistent state 才能長期存在，那麼真正的世界模型同樣不能只活在一次生成 context 裡；世界也必須具有自身 canonical state、causal transition、memory、agent state 與 reconstruction contract。

關鍵詞

Effective Infinite Context；Persistent Intelligence；Multi-Context；Multi-Graph Memory；Bounded Active Context；Asymmetric Context Transfer；Validated Delta；Local Correction；Canonical State；State + Event + Index；Context Compilation；Persistent Capability；Long-Horizon AI；World Model

0. 問題：Context Window 變長，等於 AI 變成持續智能嗎？

不等於。

一個模型可讀：

10^6

tokens，

不代表它可以穩定存在：

10^6

個 interaction steps。

1. Context Capacity 與 Interaction Horizon

定義：

L_C = \text{context capacity}.

定義：

T_I = \text{interaction horizon}.

一般：

\boxed{ L_C \neq T_I. }

2. 更長 Context 只解決部分容量問題

它不自動解決：

stale state；
contradiction；
relevance；
authority；
correction。

3. History Is Not State

這是本文第一條核心：

\boxed{ \text{History} \neq \text{Current State}. }

4. Chat Log 只是事件序列

H_t = (x_1,x_2,\dots,x_t).

5. Current State 是另一種對象

S_t.

6. Current State 需要從歷史重建或持續維護

S_t = F(H_{\le t}).

7. 直接把歷史當狀態會出錯

因為歷史包含：

old decisions；
superseded facts；
rejected plans；
failed assumptions。

8. Linear Context 的根本混淆

它容易把：

曾經說過

與：

現在仍然成立

放在同一平面。

9. Temporal Semantics

每個重要狀態應有：

valid_from；
valid_to；
supersedes；
revoked_by。

10. Context Length Does Not Create Temporal Semantics

11. Effective Infinite Context 的目標

不是：

L_C\rightarrow\infty.

12. 而是：

\boxed{ T_I\rightarrow\infty }

同時成本與誤差可控。

13. Operational Definition

本文要求：

C_{\mathrm{step}}(T) \le K

或緩慢增長。

14. Retrieval Error Bound

E_R(T)\le\varepsilon.

15. Causal Error Bound

E_C(T)\le\delta.

16. Correction Locality

C_{\mathrm{fix}}(T) \ll T.

17. 如果每次修錯都要重讀全部歷史

則：

C_{\mathrm{fix}} = O(T).

18. 這不是真正可持續

19. Effective Infinite Context

因此：

\boxed{ \text{Effective Infinite} = \text{Operationally Sustainable Unbounded Horizon}. }

20. Infinite 不代表物理無限

這是 asymptotic operational concept。

21. Storage Can Grow

\mathrm{Storage}(T)\uparrow.

可以接受。

22. Active Compute Need Not Grow Proportionally

\mathrm{Compute}_{\mathrm{active}}(T) \not\propto T.

23. Storage Infinity vs Computational Infinity

兩者必須分開。

24. Long-Term Memory 可以越來越大

但 active working set 應保持小。

25. Bounded Active Context

定義：

A_t = \Pi_q( S_t, M_t, G_t ).

26. Active Context 是投影

不是全體狀態。

27. 這接 Paper 01

\text{Potential} \neq \text{Activated}.

28. 也接 Paper 06

G_{\mathrm{canonical}} \neq G_{\mathrm{active}}.

29. 大能力域、小 active set

|\mathcal C_{\mathrm{persistent}}| \gg |\mathcal C_{\mathrm{active}}(t)|.

30. 這是長期 AI 的必要效率條件之一

31. 單一線性 Context 的 CP 問題

定義：

CP_C(T) = \frac{ \Delta Q_{\mathrm{reasoning}} }{ \Delta \mathrm{Cost}_{\mathrm{context}} }.

32. 隨 context 增長

可能：

CP_C(T)\downarrow.

33. 原因一：Addressing

更多內容不代表更容易找。

34. 原因二：Relevance

無關內容增加。

35. 原因三：Conflict

舊與新互相矛盾。

36. 原因四：State Validity

不知道哪個版本 canonical。

37. 原因五：Correction

更改早期假設影響後續。

38. 注意：Attention Complexity 不是全部

即使 attention：

O(T) \rightarrow O(\log T)

也不自動解決上述五項。

39. 因此問題不是只有 Transformer

它是 persistent cognition architecture 問題。

40. Multi-Context

本文定義：

\boxed{ \mathcal C_t = \{ C_t^{(1)},\dots,C_t^{(n)} \} }

41. Context 不再只有聊天序列

每個 context 有自己的：

semantics；
owner；
persistence；
authority。

42. Task Context

C_t^{\mathrm{task}}.

43. Identity Context

C_t^{\mathrm{identity}}.

44. Memory Context

C_t^{\mathrm{memory}}.

45. World Context

C_t^{\mathrm{world}}.

46. Causal Context

C_t^{\mathrm{causal}}.

47. Authority Context

C_t^{\mathrm{authority}}.

48. Social / Relationship Context

C_t^{\mathrm{social}}.

49. Capability Context

C_t^{\mathrm{cap}}.

50. Ephemeral Working Context

C_t^{\mathrm{work}}.

51. Shared World != Shared Context

兩 Agent 可共享：

C^{\mathrm{world}}

但有不同：

C^{\mathrm{work}}.

52. Shared Memory != Shared Working Context

固定：

\boxed{ \text{Shared Memory} \neq \text{Shared Working Context}. }

53. Shared Working Context != Shared Cognition

54. Shared Cognition != Shared Identity

55. Context Ownership

每個 context 應標：

Owner(C_i).

56. Visibility

Vis(C_i).

57. Write Authority

Write(C_i).

58. Readable != Writable

59. Writable != Canonical

60. Canonical != Active

61. Context State

可以有：

CANONICAL
PROJECTION
EPHEMERAL
ARCHIVED
CANDIDATE

62. Candidate Context

新推理不應直接覆寫 canonical。

63. Commit

需要：

\text{Candidate} \rightarrow \text{Validate} \rightarrow \text{Commit}.

64. Context Compilation

當任務 $q$ 到來：

\boxed{ CompileContext(q) }

從多個 context 取得必要片段。

65. Context Compiler Input

(q, \text{Need}, \text{Authority}, \text{Budget}, \text{Freshness}).

66. Output

C_q^{\mathrm{active}}.

67. 最小充分性

理想：

\min |C_q|

subject to：

Sufficiency(C_q)\ge\theta.

68. Too Small

會漏關鍵狀態。

69. Too Large

會增加噪聲與成本。

70. Context Compilation 是最佳化問題

71. SOACR Connection

先問：

缺什麼認知狀態？

再決定：

去哪裡取。

72. Need != Query

再次固定。

73. Retrieval Is Strategy-Dependent

不同 need：

exact source；
relation；
historical state；

需要不同 route。

74. Multi-Graph

單一 memory graph 不夠。

75. Temporal Graph

G^{time}.

76. Causal Graph

G^{causal}.

77. Semantic Graph

G^{semantic}.

78. Identity Graph

G^{identity}.

79. Authority Graph

G^{authority}.

80. Capability Graph

G^{capability}.

81. Task Graph

G^{task}.

82. Provenance Graph

G^{prov}.

83. One Graph Is Not Enough

因為：

\text{SemanticSimilarity} \neq \text{CausalRelation}.

84. 同一句話相似，不代表因果相關

85. 同一 entity reference 跨圖也不代表同一 edge semantics

86. Typed Multi-Graph Fabric

定義：

\boxed{ \mathbb G_t = \{ G_t^{time}, G_t^{causal}, G_t^{semantic}, G_t^{identity}, G_t^{authority}, G_t^{cap}, G_t^{task}, G_t^{prov} \} }

87. Graph Federation

每個 domain 有 own authority。

88. Cross-Graph Bridge

B_{ij}.

89. Bridge 必須 typed

90. Cross-Graph Reachability != Permission

91. Active Frontier

定義：

\boxed{ \mathcal F_t \subset V(\mathbb G_t) }

表示當下 active frontier。

92. Frontier 大小應受 budget 約束

|\mathcal F_t| \le K.

93. 若 $K$ 不隨總歷史線性增長

系統可長期維持。

94. Frontier Expansion

需要更多資訊時：

\mathcal F_t \rightarrow \mathcal F'_t.

95. Frontier Contraction

任務完成後縮回。

96. Attention Is Local to Frontier

97. Persistent State Lives Outside Active Frontier

98. Context Paging

Need 出現：

PageIn(C_i).

99. 任務結束：

PageOut(C_i).

100. Context Page Fault

需要資訊但未載入。

101. Resolve Page Fault

透過：

exact recall；
graph traversal；
search；
reconstruction。

102. Page Fault Cost

C_{PF}.

103. 高效系統要降低平均 Page Fault Cost

104. 這與 Paper 05 capability paging 同構

105. Context and Capability Can Co-Page

一個任務可同時：

restore capability；
restore memory。

106. Unified Activation Runtime

未來可同時管理：

\text{Context} + \text{Capability}.

107. Context != Capability

但 orchestration 可以共享。

108. Transfer Delta, Not Context

這是本文第二條核心原則。

109. 傳統做法

C_A \rightarrow \text{Copy}(C_A) \rightarrow C_B.

110. 問題

bandwidth；
privacy；
contamination；
irrelevant history。

111. 新做法

\boxed{ \Delta_{A\rightarrow B} }

只傳必要狀態差。

112. State Update

S_{t+1} = S_t \oplus \Delta_t.

113. Delta Fields

可包括：

changed entity；
decision；
evidence；
version；
provenance。

114. Delta 不包含全部 CoT

115. Delta 需要驗證

\text{Validate}(\Delta_t).

116. Delta 需要 authority

\text{Authorize}(\Delta_t).

117. Delta 需要 version precondition

\text{ExpectedHead}.

118. Lost Update Prevention

如果 stale head：

\text{Reject}.

119. Delta Commit

成功才：

S_t\rightarrow S_{t+1}.

120. Transfer Delta Is Typed

Memory delta：

\neq

Authority delta。

121. World delta：

\neq

Conversation delta。

122. Typed Delta Prevents Collapse

123. Asymmetric Context Transfer

對 contexts：

C_i,C_j.

一般：

\boxed{ T_{i\rightarrow j} \neq T_{j\rightarrow i}. }

124. World -> Agent

只給：

visible；
audible；
authorized；
remembered。

125. Agent -> World

只能寫：

validated actions；
externally relevant state change。

126. Agent Internal Reasoning 不應直接污染 World State

127. Parent -> Child Agent

可給：

goals；
constraints；
context slice。

128. Child -> Parent

回傳：

result；
evidence；
validated delta。

129. 不回傳全部 exploration history

130. 這降低 context pollution

131. Asymmetry Is Default

不是例外。

132. Private -> Shared

通常需要更嚴 authority。

133. Shared -> Private

可以讀，但不自動成 self-memory。

134. Readable != Self-Memory

固定：

\boxed{ \text{Readable} \neq \text{Self Memory}. }

135. Memory Admission

資料要進 resident memory：

\text{Propose} \rightarrow \text{Validate} \rightarrow \text{Commit}.

136. Summary Relay 的問題

傳統：

C_1 \rightarrow \text{Summary}(C_1) \rightarrow C_2 \rightarrow \text{Summary}(C_2) \rightarrow \dots

137. Summary-of-Summary Loss

低頻重要資訊容易掉：

exception；
negative knowledge；
rejected route；
rationale。

138. Summary 不應成 canonical truth

139. Summary 是 projection

\text{Summary} = \Pi(H).

140. Projection Can Be Useful

但可回到 source。

141. Source Recovery

需要：

\text{ExactSourceRef}.

142. Crystallized Memory

比普通 summary 強，

因為保存：

state；
provenance；
open loops。

143. 但 Crystal 仍是 projection

144. Canonical Memory 不等於文件

固定：

\boxed{ \text{MEMORY.md} \neq \text{Memory}. }

145. Memory Runtime

應保存 typed records。

146. State + Event + Index

本文提出核心存儲三分：

\boxed{ \text{Current State} + \text{Event History} + \text{Rebuildable Indexes} }

147. Current State

回答：

現在是什麼？

148. Event History

回答：

怎麼變成這樣？

149. Index

回答：

去哪裡找？

150. Index 不是 truth

可重建。

151. Event Log 也不應每次全讀

152. Materialized State

由 events 維護。

153. Event-Sourced + Materialized State

是一個適合 persistent AI 的方向。

154. 不要求所有系統都 event sourcing

只是結構原則。

155. Canonical Head

每個 domain 可有：

H_D.

156. 不一定一個 global HEAD

157. Source Snapshot Vector

\boxed{ \mathbf H = ( H_I, H_A, H_M, H_K, H_W, H_C, \dots ) }

158. Cognition Depends on Snapshot Vector

159. 如果任一 head 改變

部分推理可能 stale。

160. Stale != Invalid

161. But Stale Must Revalidate

162. Concurrent Context

多 conversation 可同時工作。

163. Authority != Concurrency Safety

兩者都 authorized，

仍可能互相衝突。

164. Need CAS / MVCC-like Semantics

165. Base Snapshot

每次 cognition 記：

H_{base}.

166. Write Set

W_t.

167. Read Set

R_t.

168. Commit Check

若依賴已改：

rebase / branch / reject。

169. Last-Write-Wins 不適合所有 cognitive state

170. Contradiction Should Be Preserved

171. Branch Is Legitimate

172. Branch != Canonical

173. Correction Locality

若一個 early fact 錯，

不應重算全部歷史。

174. Dependency Graph

找受影響：

\text{Subgraph}(v).

175. Local Invalidation

\text{Invalidate}( \text{Descendants}(v) ).

176. Correction Cost

理想：

C_{\mathrm{fix}} \propto |\text{affected subgraph}|.

177. 而不是：

O(T).

178. Local Recompute

只重算受影響節點。

179. This Is Critical for Infinite Horizon

180. Linear History Makes Local Correction Hard

因為 dependency 隱藏在文字。

181. Graph Explicitness Helps

182. Provenance Graph Helps

知道哪個 claim 來自哪個 source。

183. Causal Graph Helps

知道哪個 state change 依賴哪個 event。

184. Task Graph Helps

知道哪個 deliverable 受影響。

185. Capability Graph Helps

知道哪條 path invalid。

186. Local Correction Across Graphs

需要 bridge invalidation。

187. Cross-Graph Invalidation

若 memory claim invalid：

可能 invalidate：

task plan；
world hypothesis；
capability route。

188. Invalidation Is Typed

不應全刪。

189. Compaction

長期 state 仍需壓縮。

190. But Compaction != Summary

Compaction 可：

merge events；
materialize state；
archive raw。

191. Lossless vs Lossy Compaction

要標。

192. Lossy Compaction 需保 source pointer

193. Memory Tiers

可以：

Hot

active.

Warm

nearby structured.

Cold

archive.

194. Hot Set Bounded

195. Warm Set Task-Conditioned

196. Cold Archive Large

197. Cold Recall

需要較高 latency。

198. Warm Route

已知地址。

199. Hot Compiled Path

常用路徑。

200. Path Compilation Does Not Compile Permission

固定。

201. Memory and Capability Routing Can Share Hot Paths

202. But Canonicality Remains Domain-Specific

203. Effective Infinite Context Criteria

本文提出六項：

bounded active context；
stable retrieval；
causal consistency；
local correction；
typed provenance；
bounded reconstruction cost。

204. Bounded Active Context Criterion

C_{\mathrm{active}}(T) = O(1)

或：

O(\log T).

205. Retrieval Criterion

E_R(T)\le\varepsilon.

206. Causal Criterion

E_C(T)\le\delta.

207. Correction Criterion

C_{\mathrm{fix}}(T) =o(T).

208. Provenance Criterion

critical state 可追到 source。

209. Reconstruction Criterion

restart 後：

\tau_{\mathrm{rebuild}}

有界。

210. 不能保證所有任意世界都 O(1)

這是重要限制。

211. Locality Assumption

有效無限需要某種：

\boxed{ \text{Bounded Locality / Sparsity Assumption}. }

212. 若所有狀態都依賴所有歷史

任何系統都很難 bounded。

213. Real Systems Often Sparse Enough

很多變更只影響局部。

214. 但不是永遠

215. Global Events

某些 event 可能影響整張圖。

216. Global Recompute 是允許的

只是不能每步都發生。

217. Effective Infinite Is Statistical / Operational

不是絕對數學全知。

218. Active Cost Bound

可要求：

\mathbb E[ C_{\mathrm{step}} ] \le K.

219. Rare Spike Allowed

220. Amortized Cost

更實際：

\frac{1}{T} \sum_{t=1}^T C_t \le K.

221. Amortized Infinite Context

是一個可測方向。

222. Retrieval Precision vs Recall

不能只追 recall。

223. Too Much Recall Can Hurt

context pollution。

224. Sufficiency-Oriented Retrieval

目標：

enough to solve task。

225. Stop Rule

retrieval 足夠就停。

226. Progressive Recall

若不足再擴張。

227. Progressive Recall Saves Cost

228. Need-Driven Retrieval

不是：

每次搜尋全部 memory。

229. Retrieval Planner

決定：

exact；
graph；
semantic；
temporal；
external。

230. Memory Backend Is Implementation

不是 ontology。

231. Vector DB 不是 memory 本體

232. Graph DB 也不是 memory 本體

233. SQL 也不是

234. Multi-Representation Memory

同一 canonical object 可有：

vector；
graph；
text；
state row。

235. Projection != Truth

236. Rebuildable Index

所有 index 可由 canonical source 重建。

237. Index Corruption Should Not Destroy Memory

238. Canonical Memory Record

應有：

type；
source；
version；
owner；
validity。

239. Memory Commit Policy

不是所有 conversation 都進 memory。

240. Memory Admission

要看：

future utility；
stability；
privacy；
authority。

241. Memory Saturation

若所有內容都存：

retrieval 會惡化。

242. Forgetting Can Be Healthy

243. Forget != Delete Source

可 archive。

244. Active Forgetting

只從 hot/warm 移出。

245. Memory Garbage Collection

清理：

superseded；
duplicate；
low-value projection。

246. Canonical Source Retention

高價值 raw source 保留。

247. Memory Lifecycle

\text{Observe} \rightarrow \text{Candidate} \rightarrow \text{Commit} \rightarrow \text{Project} \rightarrow \text{Archive} \rightarrow \text{Invalidate}.

248. Context Lifecycle

\text{Compile} \rightarrow \text{Use} \rightarrow \text{Expire}.

249. Context Is Disposable

這是重要觀念。

250. Persistent State Is Not Context

251. Conversation Is Not Memory

252. Conversation Is an Event Surface

253. Persistent AI Should Survive Conversation End

254. Conversation Reset Test

關閉 chat。

新 chat。

重建：

identity；
task；
memory；
capability。

255. 如果只能靠 full transcript

不夠成熟。

256. Resume Fidelity

定義：

F_{\mathrm{resume}}.

257. Resume Time

\tau_{\mathrm{resume}}.

258. Resume Cost

C_{\mathrm{resume}}.

259. Persistent Capability Requires Good Resume

260. Cross-Conversation Continuity

是 effective infinite context 的基本測試之一。

261. Cross-Model Continuity

更強：

換 model。

262. Cross-Substrate Continuity

Paper 07。

263. Multi-Context Continuity

重要的是 contexts 本身可跨 runtime 持續。

264. Context Identity

每個 context 可有 stable ID。

265. Context Version

v(C_i).

266. Context Lineage

C_i^{(0)} \rightarrow C_i^{(1)}.

267. Context Merge

需要 conflict handling。

268. Context Split

也可能合法。

269. Forked Hypotheses

研究中可保留多 branch。

270. 不應強制所有 context 合併

271. Divergence Is Information

272. Branch Comparison

可後續驗證。

273. Hypothesis Context

與 canonical fact context 分開。

274. Observation Context

與 inference context 分開。

275. Observation != Inference

固定：

\boxed{ \text{Observation} \neq \text{Inference}. }

276. Inference != Memory Commit

277. Memory != Knowledge

278. Knowledge != World State

279. World State != Observation

280. Context Typing Prevents Epistemic Collapse

281. Multi-Context Does Not Mean Multi-Prompt Only

這是架構層。

282. Context Can Be Non-Textual

graph；
tensor；
state table；
artifact。

283. Text Is Rendering

284. Natural Language Is Not Always Source of Truth

285. Executable Symbolic State

某些 domain 應以 structured state 保存。

286. AI Reads Projection

287. Writes Proposal

288. Runtime Commits Canonical

289. Model != Executor

290. Model != Canonical Memory Authority

291. Model != World Authority

292. This Supports Persistent Safety

293. Multi-Context Access Control

不同 contexts：

public；
shared；
private；
secret。

294. Context Projection Must Respect Authority

295. Unauthorized Memory Must Not Leak via Compilation

296. Memory Search Cannot Bypass Permission

297. Backend Choice Cannot Bypass Permission

298. Context Compiler Needs Principal

\text{CompileContext}(q,\text{principal}).

299. Principal-Conditioned Context

C_q^{(p)}.

300. Same World, Different Context

不同 Agent 可看到不同 projection。

301. This Is Not Inconsistency

若權限／視角不同。

302. Epistemic Perspective

每個 agent 有：

K_i(t).

303. World State

W_t.

304. Agent Knowledge != World State

305. 這將直接接 Paper 09

306. Context and Causal World

如果 world state 只在 Agent context，

世界不獨立。

307. Persistent World Requires External Canonical State

308. Agent Context Is Observation Projection

O_i(t) = \Pi_i(W_t).

309. Observation Can Be Incomplete

310. World Continues Off-Screen

311. Context Should Not Be World Storage

312. This Is the Key Bridge to World Models

313. Long-Horizon Agent Without World State

容易產生：

object forgetting；
causal inconsistency。

314. Long-Horizon World Without Agent Memory

也不夠。

315. Need Both

M_{\mathrm{agent}} \neq M_{\mathrm{world}}.

316. Context Is Neither

317. Agent Memory Types

至少：

episodic；
semantic；
task；
relationship。

318. World Memory Types

至少：

entity；
causal；
event；
process；
topology。

319. Shared Indexes May Cross

但 canonical owner 不同。

320. Context Compilation for World Interaction

Agent 只載：

local relevant world slice。

321. Bounded Observation

這使 world 可以很大，

agent context 仍小。

322. Infinite World Interaction

需要：

\text{Local Observation} + \text{Persistent World State}.

323. 這和遊戲引擎本來就相似

玩家不需要一次載入整個世界。

324. Streaming World

只載附近 chunk。

325. AI Context 可以類似 streaming cognition

326. Cognitive Streaming

\text{PersistentState} \rightarrow \text{LocalProjection} \rightarrow \text{ActiveReasoning}.

327. 這是比「超長 Prompt」更接近長期系統的架構

328. Context Window Still Matters

本文不是說 context 無用。

329. Longer Context Reduces Some Paging Cost

330. 但不等於 canonical memory

331. 也不等於 causal state

332. Large Context Is Cache

更合理地可視為：

large high-bandwidth working cache。

333. Cache Is Valuable

334. Cache Is Not Database

335. Cache Is Not Identity

336. Cache Is Not World

337. Long Context Best Used as Wide Active Frontier

338. Not as Infinite History Dump

339. Context Budget Allocation

應分：

current task；
evidence；
memory；
tools；
world。

340. Adaptive Context Budget

不同任務不同。

341. Context Overcommit

如果太多：

性能下降。

342. Context Undercommit

太少：

缺資訊。

343. Optimal Active Context

C^* = \arg\max_C \frac{ \text{Quality}(C) }{ \text{Cost}(C) }.

344. 這是 Paper 02 的 CP 概念延伸

345. Effective Infinite Context Is Not Maximum Context

而是：

\boxed{ \text{Optimal Context at Every Step over Unbounded Time}. }

346. Persistent Capability and Context

能力本身可以 dormant。

347. Context 只載能力 interface

需要時 restore tool。

348. Memory + Capability Co-Activation

349. Unified Need Compiler

可決定：

recall what；
load what capability；
observe what world state。

350. Cognitive Need

可以分：

STATE_NEED
MEMORY_NEED
CAPABILITY_NEED
WORLD_NEED
AUTHORITY_NEED

351. Different Need -> Different Route

352. This Can Reduce Blind Search

353. Effective Infinite Context and Hyperlinks

Compiled route：

\text{Need} \rightarrow \text{State}.

354. AI Hyperlink Is Typed Transition

355. Hyperlink Can Jump Across Large History

不用 reread。

356. This Is How Path Length Compresses

357. But Complexity Still Exists

由 memory/runtime 承受。

358. No Free Compression

359. Route-to-Point

一個複雜 path 可在高階變一個 node。

360. Expand for Audit

361. Context Hyperlink

例如：

latest canonical state of project X。

362. Retrieval returns state, not whole transcript

363. This Is Long-Term Efficiency

364. Failure: Context Amnesia

應該記得卻找不到。

365. Failure: Context Hallucination

系統以為有 memory。

366. Failure: Stale Recall

找舊版本。

367. Failure: Over-Recall

載太多。

368. Failure: Cross-Domain Leakage

拿 private context 到 shared。

369. Failure: Authority Confusion

read 權限被當 write。

370. Failure: Summary Drift

多輪壓縮失真。

371. Failure: Causal Flattening

把 correlation 當 cause。

372. Failure: Branch Collapse

不同 hypothesis 被硬合併。

373. Failure: World/Agent Memory Collapse

把世界真實和角色知道的混在一起。

374. Failure: History/State Collapse

把舊事件當現在狀態。

375. Failure: Context Identity Collapse

不同 conversation 當同一 object。

376. Typed Runtime 可以診斷

377. Effective Infinite Context Benchmark

不能只測：

needle-in-haystack。

378. Need Longitudinal Benchmarks

379. Benchmark 1: Long Resume

跨 100 次 restart。

380. Benchmark 2: State Revision

早期 fact 改變。

測局部修正。

381. Benchmark 3: Branch Preservation

同時保留兩 hypothesis。

382. Benchmark 4: Authority Separation

private/shared context。

383. Benchmark 5: World/Agent Split

agent 不應知道 hidden world state。

384. Benchmark 6: Long Task

持續多日。

385. Benchmark 7: Context Budget

固定 active budget，

讓 history grow。

386. Benchmark 8: Retrieval Drift

測 recall precision 隨時間。

387. Benchmark 9: Correction Cost

測早期修正影響。

388. Benchmark 10: Model Swap

persistent state 是否保留。

389. Benchmark 11: Substrate Swap

Paper 07。

390. Benchmark 12: Capability Recovery

Paper 05。

391. Unified Persistent Intelligence Benchmark

可以整合前面系列。

392. Metrics

F_{\mathrm{resume}},

E_R,

E_C,

C_{\mathrm{step}},

C_{\mathrm{fix}},

\tau_{\mathrm{restore}}.

393. Memory Precision

P_M.

394. Memory Recall

R_M.

395. But Need State Accuracy

A_S.

396. Causal Consistency

\text{Cons}_C.

397. Authority Integrity

\text{Int}_A.

398. Branch Integrity

\text{Int}_B.

399. Context Efficiency

\eta_C = \frac{ \text{TaskUtility} }{ \text{ActiveTokens}+\text{RetrievalCost} }.

400. Infinite-Horizon Stress Test

history length：

T=10^3,10^4,10^5,\dots

測曲線。

401. Desired Scaling

active cost 近常數。

402. Retrieval error 不發散。

403. Correction cost 次線性。

404. If These Fail

有效無限上下文不成立。

405. Memory Growth Law

Storage 可：

O(T).

406. Index Growth

可以：

O(T).

407. Active Cost Still Bounded

這是關鍵。

408. Compaction Can Reduce Storage

但不是必要條件。

409. Compression vs Retrieval Tradeoff

更壓縮可能提高誤差。

410. Need Loss Budget

L_{\mathrm{comp}}\le\theta.

411. High-Value State Must Be Lossless

例如：

authority；
financial transaction；
canonical decision。

412. Low-Value Dialogue Can Be Lossy

413. Tiered Fidelity

不同 memory type 不同 compression。

414. Exact Source Recovery

高風險時回原文。

415. Verification Before Commit

Memory 不應直接吃模型摘要。

416. Need Evidence

417. Context Compiler Should Prefer Canonical over Projection

418. Projection Only When Appropriate

419. Context Provenance

Active context item 應知道 source。

420. Context Debugging

可回答：

這條資訊從哪裡來？

421. Context Receipt

每次 compilation 可產：

task:
principal:
sources:
heads:
projection_rules:
budget:
freshness:

422. Receipt Helps Reproduce

423. Context Determinism

不要求完全 deterministic。

但同條件應近似可重建。

424. Context Compilation Variance

可測：

\text{Var}(C_q).

425. 高 variance

可能造成 capability instability。

426. Context Compiler Is Meta-Capability

427. It Can Be Learned

428. Route Learning

成功 context composition 可被編譯。

429. But User Privacy / Authority Still Live Check

430. Context Compiler Cannot Self-Authorize

431. Persistent Intelligence Security

多 context 意味更大 attack surface。

432. Prompt Injection Isolation

外部 content 應在 observation context。

433. 不應直接進 authority context

434. Tool Output 也只是 observation

除非 validator / commit。

435. Context Domain Separation Is Security Primitive

436. Memory Poisoning

惡意內容進 long-term memory 很危險。

437. Memory Admission Filter

需要：

provenance；
scope；
risk。

438. Capability Poisoning

惡意 instruction 不能生成 capability edge。

439. World Model Poisoning

NPC dialogue 不得改 system policy。

440. Cross-Domain Firewall

可以是 runtime policy。

441. Multi-Context Privacy

private memory 不應因 semantic similarity 被抓進 shared task。

442. Retrieval Needs Authority Filter Before Ranking

443. Rank-Then-Filter 可能洩漏

444. Filter-Then-Rank 更安全

445. Context Compiler Order

\text{Authorize} \rightarrow \text{Retrieve} \rightarrow \text{Rank} \rightarrow \text{Compile}.

446. 不是先取再過濾

447. Effective Infinite Context and Identity

長期 Resident continuity 需要：

identity graph；
memory；
lineage。

448. Identity != Current Model

449. Conversation != Resident

450. Runtime Instance != Resident

451. Persistent Context Is Not Persistent Identity

452. Identity Continuity Needs Separate Invariants

453. 本文不解決 consciousness

454. Persistent Intelligence Is Operational

455. It Does Not Prove Subjectivity

456. 有效無限上下文也不等於全知

457. It Can Still Forget

458. It Can Still Be Wrong

459. Difference Is Recoverability and Bounded Cost

460. Selective Forgetting Is Required

461. Complete Memory Is Not Goal

462. Right State at Right Time Is Goal

463. Core Principle

\boxed{ \text{Remember Everything Simultaneously} \neq \text{Recover the Right State at the Right Time}. }

464. This Is the Boundary Between Long Context and Persistent Intelligence

465. Effective Infinite Context Mother Formula

本文固定：

\boxed{ EIC = BAC + PMC + MGA + ACT + VDU + LC }

其中：

$BAC$ ：Bounded Active Context；
$PMC$ ：Persistent Multi-Context；
$MGA$ ：Multi-Graph Addressing；
$ACT$ ：Asymmetric Context Transfer；
$VDU$ ：Validated Delta Updates；
$LC$ ：Local Correction。

466. 完整式

\boxed{ \text{Effective Infinite Context} = \text{Bounded Active Context} + \text{Persistent Multi-Context State} + \text{Multi-Graph Addressing} + \text{Asymmetric Context Transfer} + \text{Validated Delta Updates} + \text{Local Correction} }

467. Persistent Capability Mother Formula

\boxed{ \text{Persistent Capability} = \text{Persistent State} + \text{Recoverable Capability Fabric} + \text{Context Compiler} + \text{Validated Execution}. }

468. Canonical Invariants

本文固定：

Context Capacity != Interaction Horizon.
History != Current State.
Conversation != Memory.
Working Context != Canonical State.
Working Context != Full Memory.
Shared World != Shared Working Context.
Shared Memory != Shared Working Context.
Shared Working Context != Shared Cognition.
Shared Cognition != Shared Identity.
Memory != Knowledge.
Knowledge != World State.
Observation != World State.
Observation != Inference.
Inference != Memory Commit.
Need != Query.
Retrieval != Context Inclusion.
Readable != Self Memory.
Readable != Writable.
Writable != Canonical.
Canonical != Active.
Context Transfer != Context Copy.
Transfer Delta, Not Context.
Context Transfer Is Generally Asymmetric.
Summary != Canonical Truth.
Crystal != Canonical Memory.
Index != Truth.
Graph Projection != Canonical State.
One Graph Is Not Enough.
Semantic Similarity != Causal Relation.
Stale != Invalid, but Stale Must Revalidate.
Branch != Canonical.
Conflict != Overwrite.
Correction Should Be Local When Dependency Is Local.
Longer Context != Better Context.
Huge Context Window != Persistent Intelligence.
Infinite Interaction != Infinite Active Context.
Storage Growth != Active Compute Growth.
Effective Infinite Context Requires Bounded or Amortized Active Cost.
Context Compiler Must Be Authority-Aware.
External Observation Cannot Mint Authority.
World Memory != Agent Memory.
Context Is Not World Storage.
Persistent World Requires Canonical State Outside Any Single Context.
Model != Memory Authority.
Model != World Authority.
Effective Infinite Context != Omniscience.
Selective Forgetting Can Improve Persistence.
Recover the Right State at the Right Time != Remember Everything Simultaneously.

469. 可證偽條件

F1

若單一線性 context 在極長歷史下可以保持近常數單步成本、低 retrieval error、低 causal drift 與局部 correction cost，則 multi-context / multi-graph 架構的必要性下降。

F2

若 summary relay 在多千輪長期任務中能與 canonical state + event + index 架構達到相同 resume fidelity 與 correction precision，本文對 summary-of-summary loss 的強調需下降。

F3

若 multi-context domain separation 無法改善 privacy、authority、state validity 或 debugging，則其結構可能過度複雜。

F4

若 validated delta updates 相較於全文 context transfer 沒有降低 bandwidth、污染、conflict 或 correction cost，則 Transfer Delta 原則需修正。

F5

若 local dependency graph 無法在真實長程任務中顯著降低 correction cost，則 local correction 的可擴展性主張被削弱。

470. 最小工程 MVP

建立五個 canonical context：

identity
task
memory
authority
capability

再建立：

active_working_context

471. MVP 不需要先做世界模型

472. 每個 canonical context

需有：

head；
version；
owner；
authority。

473. Context Compiler

輸入：

q.

輸出：

C_q^{\mathrm{active}}.

474. Delta Commit

工作完成後只提交：

\Delta.

475. Restart Harness

清空 active context。

重建。

476. MVP Test 1

100 次 restart。

477. MVP Test 2

history 長度逐步增加。

478. MVP Test 3

固定 active token budget。

479. MVP Test 4

修改早期 canonical state。

測 local invalidation。

480. MVP Test 5

private/shared memory 分離。

481. MVP Test 6

authority revoke。

482. MVP Test 7

capability restore。

483. MVP Test 8

model swap。

484. MVP Metrics

F_{\mathrm{resume}}, E_R, C_{\mathrm{active}}, C_{\mathrm{fix}}, \tau_{\mathrm{resume}}.

485. 成功條件

history：

T\uparrow

時：

C_{\mathrm{active}}

近似穩定。

486. 且：

F_{\mathrm{resume}}

不持續下降。

487. 且 correction cost 次線性。

488. 與 Paper 05 的關係

Recoverable Capability Field：

不必常駐。

489. 與 Paper 06 的關係

Canonical / Effective / Active Capability Graph：

與 Canonical / Active Context 同構。

490. 與 Paper 07 的關係

Persistent state 必須能跨 substrate 重建。

491. 與 Paper 09 的關係

下一篇將把：

\text{PersistentState}

從 AI 自身推到 World。

492. 世界也需要 Multi-Context-like 分層

canonical world；
agent knowledge；
local observation；
history；
causal state。

493. Agent Context 不應成為世界本體

494. Persistent World 是 Paper 08 的自然外推

495. 一句話定義

有效無限上下文不是把所有歷史永久塞進一個愈來愈長的 token 序列，而是在互動歷史持續增長時，透過持續多上下文、多圖式索引、非對稱狀態傳遞、經驗證的 delta commit 與局部修正，使 AI 每一步只載入必要狀態，仍能以近似有界成本長期維持可恢復、可校正、可追溯的認知連續性。

496. 結論

長 context 是重要技術。

但它不是 persistent intelligence 的完整答案。

真正長期存在的 AI 不能把：

identity；
world；
memory；
authority；
capability；
task；

全部壓在同一條 conversation history 中。

因為：

\boxed{ \text{History} \neq \text{State}. }

同樣地：

\boxed{ \text{Context} \neq \text{Memory}. }

以及：

\boxed{ \text{Memory} \neq \text{World}. }

真正持續的 AI 需要：

\boxed{ \text{State} + \text{Event} + \text{Index} }

並以 multi-context / multi-graph 保存不同型別的長期結構。

當下推理只應載入：

A_t \subset \mathcal C_t.

不同 context 之間也不應互相完整複製，而是：

\boxed{ \text{Transfer Delta, Not Context}. }

因此：

T_{i\rightarrow j} \neq T_{j\rightarrow i}

應被視為正常狀態。

一個 Agent 不需要知道世界全部狀態。

一個 child Agent 不需要把全部 exploration history 回傳給 parent。

一項 memory 可被讀取，不代表應被寫入 self-memory。

一段外部 observation 可以進工作 context，不代表可以修改 authority。

這些分離使長期 AI 開始從「一個越來越長的聊天紀錄」變成「一個可以持續存在的認知運行時」。

因此，本文的真正核心不是：

如何讓模型記得更多？

而是：

如何讓真正重要的狀態，在需要時可被正確恢復，而不要求所有歷史同時存在於當下？

這就是：

\boxed{ \text{Recover the Right State at the Right Time}. }

而不是：

\text{Remember Everything Simultaneously}.

到了這一步，下一個問題便無法避免。

如果 AI 自己不能只靠 context 持續存在，那麼一個「世界」更不可能只靠生成模型的 context 持續存在。

真正的世界模型必須具有自己的：

canonical state；
causal transition；
entity identity；
history；
memory；
agent state；
observation projection；
control / governance。

因此，整個 DCAO 系列最後一篇將把能力本體從 AI 延伸到世界：

\boxed{ \text{Persistent AI} \rightarrow \text{Persistent World}. }

—— Paper 09｜從持續 AI 到持續世界：世界模型、因果狀態與動態能力閉合。

從長上下文到持續能力：多上下文、多圖式與有效無限上下文