# 外部注意力場工程總論：從模型內部注意力到計算機先驗工作場建構

**External Attention Field Engineering: From Internal Model Attention to Computer-Mediated Pre-Construction of AI Work Fields**

版本：v0.1  
日期：2026-07-28  
文件性質：基礎理論論文  
系列：外部注意力場工程系列，第 1 篇  
建議文件代號：`EML-EAFE-01-2026-v0.1`

---

## 摘要

現有人工智慧系統經常將注意力理解為模型內部的權重分配機制，例如模型在既定輸入序列中，依查詢、鍵和值之間的關係，動態計算不同位置的相對影響。然而，實際部署中的人工智慧並不直接面對完整世界。模型在進行內部注意力運算之前，通常已經經歷搜尋、檢索、排序、過濾、摘要、權限檢查、工具選擇、記憶載入、工作區選取、視覺高亮與上下文壓縮。這些外部程序共同決定了模型究竟能看見什麼、以何種結構看見、可以沿哪些關係繼續展開，以及哪些資訊即使存在也暫時無法進入當前推理。

本文提出「外部注意力場工程」（External Attention Field Engineering, EAFE）。其核心主張是：人工智慧的有效注意力不應只被理解為模型內部對既定上下文的加權，而應被理解為由外部計算系統與模型內部機制共同形成的雙層注意力過程。外部系統首先依任務、觀測者、權限、成本、來源、時間、版本與治理條件，從總資訊環境中建構一個局部工作場；模型再於該工作場內部進行注意力分配、推理與行動。

本文將外部注意力場定義為一個包含可見域、顯著度、約束、路由、預算、來源與操作權限的動態結構，而非單純文件集合。本文區分外部注意力場工程與提示詞工程、檢索增強生成、上下文工程、工具路由、記憶系統、介面高亮及安全過濾之間的層級關係，並指出上述技術均可被視為外部注意力調控的局部實現，但尚不足以單獨構成完整方法論。

本文進一步提出人機閉環模型：人工智慧可以根據當前推理結果提出新的顯影、回溯、展開或工具調用請求，但外部治理層仍負責判斷是否允許擴張注意力場。由此，外部注意力工程不是將人工智慧限制在靜態上下文中，而是讓模型、工具、記憶、介面與治理系統共同形成可更新、可驗證、可撤銷的注意力環境。

本文最後將動態語義顯影、動態記憶顯影、張量動態顯影、格子與畫布介面，以及遠期的世界狀態顯影，重新定位為外部注意力場工程下的不同實現層。此理論可作為長期研究代理、企業知識系統、多代理協作、程式工程、虛擬世界管理與 AI 原生操作系統的共同方法論地基。

**關鍵詞：** 外部注意力場工程、動態顯影、人工智慧注意力、上下文工程、工具調用、記憶重建、工作場、AI 治理、Agent、可見域

---

# 1. 問題起點：AI 從未直接看見完整世界

一個人工智慧模型接收到的輸入，通常只是總資訊環境的一個極小切片。

令時間 $t$ 可被系統存取的總資訊環境為：

$$
\mathfrak E_t
=
\left(
\mathcal D_t,
\mathcal M_t,
\mathcal T_t,
\mathcal S_t,
\mathcal P_t,
\mathcal H_t
\right)
$$

其中：

- $\mathcal D_t$ ：文件、資料與外部知識；
- $\mathcal M_t$ ：短期與長期記憶；
- $\mathcal T_t$ ：工具與可執行能力；
- $\mathcal S_t$ ：任務、專案與世界狀態；
- $\mathcal P_t$ ：權限、政策與治理條件；
- $\mathcal H_t$ ：歷史、版本、來源與操作帳本。

模型實際接收的上下文 $X_t$ 通常滿足：

$$
X_t
\subsetneq
\mathfrak E_t
$$

但這個子集不是自然形成的。它由搜尋、排序、過濾、摘要、權限判定、工具調用與介面選取共同產生。

因此，在模型進行任何內部注意力運算之前，外部系統已經回答了下列問題：

- 哪些內容可以進入上下文？
- 哪些內容應該被優先排列？
- 哪些來源應標為高可信？
- 哪些歷史分支暫時不展開？
- 哪些工具在本輪可被調用？
- 哪些資料因權限而不可見？
- 哪些矛盾需要保留而不能摘要消失？
- 哪些內容雖然相似，卻不屬於當前版本？

這些決定共同形成模型的外部注意力環境。

---

# 2. 模型內部注意力與外部注意力的區分

## 2.1 模型內部注意力

模型內部注意力可以抽象表示為：

$$
A_t^{\mathrm{int}}
=
\operatorname{Attn}_{\theta}
\left(
X_t
\right)
$$

其中：

- $X_t$ ：已經送入模型的輸入；
- $\theta$ ：模型參數；
- $A_t^{\mathrm{int}}$ ：模型對輸入內部各部分形成的動態權重與關係。

它回答的是：

> 在已經被提供的內容中，哪些部分對當前計算更重要？

## 2.2 外部注意力

外部注意力處理的是更早一步的問題：

> 哪些內容、關係、工具與操作可能性，應先被組成模型可以注意的工作場？

令外部調控條件為：

$$
\xi_t
=
\left(
q_t,
g_t,
c_t,
o_t,
p_t,
b_t,
r_t
\right)
$$

其中：

- $q_t$ ：當前查詢；
- $g_t$ ：任務目標；
- $c_t$ ：工作上下文；
- $o_t$ ：觀測者或代理身份；
- $p_t$ ：權限與政策；
- $b_t$ ：注意力與運算預算；
- $r_t$ ：風險、可靠性與驗證要求。

外部注意力場由下式生成：

$$
\mathbb A_t^{\mathrm{ext}}
=
\Phi_{\xi_t}
\left(
\mathfrak E_t
\right)
$$

接著將其序列化、投影或編譯成模型輸入：

$$
X_t
=
\rho
\left(
\mathbb A_t^{\mathrm{ext}}
\right)
$$

模型輸出則為：

$$
Y_t
=
\mathcal M_{\theta}
\left(
X_t;
A_t^{\mathrm{int}}
\right)
$$

完整流程因此是：

$$
\boxed{
\mathfrak E_t
\xrightarrow{\Phi_{\xi_t}}
\mathbb A_t^{\mathrm{ext}}
\xrightarrow{\rho}
X_t
\xrightarrow{\mathcal M_{\theta}}
Y_t
}
$$

---

# 3. 雙層注意力命題

本文提出：

$$
\boxed{
\text{AI Attention}
=
\text{External Attention-Field Construction}
+
\text{Internal Attention Computation}
}
$$

這不是說兩者在數學上相同，而是說部署系統中的有效注意力結果由兩層共同決定。

即使模型參數完全不變：

$$
\theta_{1}
=
\theta_{2}
$$

若外部注意力場不同：

$$
\mathbb A_{1}^{\mathrm{ext}}
\neq
\mathbb A_{2}^{\mathrm{ext}}
$$

則模型的輸出、推理路徑與工具行動也可能不同：

$$
Y_1
\neq
Y_2
$$

因此，模型表現不只取決於模型本身，也取決於它所處的注意力環境。

---

# 4. 外部注意力場的正式定義

定義一個外部注意力場：

$$
\mathbb A_t^{\mathrm{ext}}
=
\left(
V_t,
W_t,
K_t,
R_t,
B_t,
P_t,
L_t
\right)
$$

其中：

## 4.1 可見域 $V_t$

$$
V_t
\subseteq
\mathfrak E_t
$$

表示本輪允許進入候選工作場的內容、狀態與工具。

## 4.2 顯著度結構 $W_t$

$$
W_t:
V_t
\rightarrow
\mathbb R_{\geq 0}
$$

表示外部系統賦予各項內容的優先程度。

顯著度不是事實真實度，也不必等同於語義相似度。

## 4.3 約束集合 $K_t$

包含：

- 權限；
- 版本；
- 時間範圍；
- 來源門檻；
- 不確定性；
- 工具使用限制；
- 最大回溯深度；
- 禁止修改區域。

## 4.4 路由結構 $R_t$

表示內容與工具如何被送往：

- 主模型；
- 子代理；
- 驗證器；
- 程式分析器；
- 搜尋工具；
- 記憶重建器；
- 人類批准介面。

## 4.5 注意力預算 $B_t$

表示當前可使用的：

- token；
- 時間；
- 工具調用次數；
- 記憶載入量；
- 推理深度；
- 金錢成本；
- 計算資源。

## 4.6 來源與證據結構 $P_t$

記錄：

- 原始來源；
- 派生關係；
- 推定內容；
- 替代解釋；
- 版本；
- 可信度；
- 矛盾。

## 4.7 調控帳本 $L_t$

記錄：

- 哪些內容被顯影；
- 哪些內容被抑制；
- 誰提出調控；
- 使用何種政策；
- 調控理由；
- 驗證結果；
- 是否可撤銷。

---

# 5. 為何稱為「場」

外部注意力不是一個固定清單，而具有下列性質。

## 5.1 分布性

注意力配置分布於文件、節點、關係、工具、記憶與介面區域，而不是只作用於單一物件。

## 5.2 關係性

某一內容是否重要，可能取決於它與其他內容的因果、版本、來源或任務關係。

因此：

$$
W_t(x)
\neq
W_t(x\mid y)
$$

## 5.3 動態性

隨著模型輸出、工具結果與任務狀態改變：

$$
\mathbb A_{t+1}^{\mathrm{ext}}
\neq
\mathbb A_t^{\mathrm{ext}}
$$

## 5.4 觀測者相對性

不同代理或角色具有不同權限、目標與歷史：

$$
\mathbb A_{t}^{(o_1)}
\neq
\mathbb A_{t}^{(o_2)}
$$

## 5.5 任務相對性

相同資料環境面對不同任務，可以形成不同工作場：

$$
\mathbb A_{t}^{(g_1)}
\neq
\mathbb A_{t}^{(g_2)}
$$

因此，「場」比「上下文清單」更能表達其動態、分布、關係與條件相對性。

---

# 6. 外部注意力場不等於上下文

上下文通常是已經送入模型的內容。

外部注意力場則還包含：

- 尚未載入但可被展開的候選；
- 可調用工具；
- 權限與禁區；
- 關係圖；
- 注意力預算；
- 回溯路徑；
- 驗證要求；
- 寫回條件。

因此：

$$
\boxed{
X_t
=
\rho
\left(
\mathbb A_t^{\mathrm{ext}}
\right)
}
$$

而不是：

$$
X_t
=
\mathbb A_t^{\mathrm{ext}}
$$

上下文只是外部注意力場的一次模型輸入投影。

---

# 7. 外部注意力場工程與既有技術的區別

| 技術 | 主要問題 | 與外部注意力場工程的關係 |
|---|---|---|
| 提示詞工程 | 如何指示模型處理已提供內容 | 屬於上下文內部調控 |
| RAG | 找回與查詢相關的片段 | 屬於候選顯影機制 |
| Reranker | 重新排列候選內容 | 屬於顯著度配置 |
| 上下文工程 | 組裝模型輸入 | 屬於工作場投影與序列化 |
| Tool Routing | 選擇工具 | 屬於能力路由 |
| 長期記憶 | 保存與取回歷史 | 屬於歷史注意力資源 |
| 動態記憶顯影 | 重建可延續工作狀態 | 屬於高階記憶場建構 |
| UI 高亮 | 改變人或 Agent 的視覺焦點 | 屬於介面注意力投影 |
| 權限過濾 | 限制可見資訊 | 屬於治理約束 |
| Guardrail | 限制輸入、輸出或行動 | 屬於安全與政策邊界 |

上述技術均可納入 EAFE，但任何單一技術都不等於完整 EAFE。

---

# 8. 從檢索到工作場建構

傳統檢索流程可以表示為：

$$
q_t
\rightarrow
\operatorname{Retrieve}
\rightarrow
\{d_1,d_2,\ldots,d_k\}
$$

它主要回答：

> 哪些片段與查詢相似或相關？

外部注意力場工程則試圖建構：

$$
\mathbb W_t
=
\left(
\text{Goal},
\text{Evidence},
\text{State},
\text{Tools},
\text{Constraints},
\text{Open Nodes},
\text{Next Operations}
\right)
$$

它回答：

> 模型此刻需要一個怎樣的局部世界，才能合法、可靠且有效地推進任務？

所以：

$$
\boxed{
\text{Relevant Documents}
\neq
\text{Executable Work Field}
}
$$

---

# 9. 動態顯影的新定位

動態顯影可以定義為：

> 依當前條件，從潛在資料、記憶、關係或世界狀態中，使一部分內容轉為活動、可見、可操作或可驗證狀態的過程。

形式上：

$$
\Pi_{\xi_t}:
\mathfrak E_t
\rightarrow
V_t
$$

但完整外部注意力場工程不只顯影，也必須處理：

- 暫時抑制；
- 邊界約束；
- 工具路由；
- 預算配置；
- 來源保持；
- 驗證；
- 寫回。

因此：

$$
\boxed{
\text{Dynamic Revealing}
\subset
\text{External Attention Field Engineering}
}
$$

動態顯影是 EAFE 的核心實現族，但不是其全部。

---

# 10. 語義、記憶與世界狀態顯影

## 10.1 動態語義顯影

決定當前任務下哪些意義、概念與關係被激活：

$$
\mathbb S_t
=
\Pi_{\xi_t}^{\mathrm{sem}}
\left(
\mathfrak E_t
\right)
$$

## 10.2 動態記憶顯影

決定哪些歷史痕跡應進入工作記憶，並如何重建可延續狀態：

$$
\widehat{\mathbb M}_t
=
\Pi_{\xi_t}^{\mathrm{mem}}
\left(
\mathcal H_t
\right)
$$

既有動態記憶顯影已指出，記憶恢復不是只找回相關文本，而是由痕跡、關係、重建與驗證共同形成可工作的局部狀態。

## 10.3 張量動態顯影

在語義、時間、因果、版本、來源與權限等多模式上進行條件收縮：

$$
\mathbb A_t
=
\operatorname{Contract}
\left(
\mathbb M_t,
\mathbb Q_{\xi_t}
\right)
$$

## 10.4 世界狀態顯影

在虛擬世界或計算機宇宙中，依角色、位置、歷史與權限形成局部可見世界：

$$
\widehat{\mathcal W}_{o,q,t}
=
\Pi_{o,q,t}^{\mathrm{world}}
\left(
\mathfrak U_t
\right)
$$

這四者不是彼此排斥的技術，而是外部注意力場在不同對象尺度上的實現。

---

# 11. AI 與外掛的協同閉環

人工智慧不必被動接受一次性工作場。它可以在推理過程中提出新的注意力請求。

令模型輸出為：

$$
Y_t
=
\mathcal M_{\theta}
\left(
X_t
\right)
$$

模型可根據輸出形成調控請求：

$$
r_t
=
\operatorname{Request}
\left(
Y_t,
\mathbb A_t^{\mathrm{ext}}
\right)
$$

請求可能包括：

- 展開某一節點；
- 搜尋新資料；
- 回溯來源；
- 比較版本；
- 顯示矛盾；
- 調用程式分析器；
- 載入先前失敗路徑；
- 暫時收合低價值區域。

外部治理層判定：

$$
d_t
=
\Gamma
\left(
r_t,
\mathcal P_t,
B_t
\right)
$$

其中 $d_t$ 可以是：

- `approved`；
- `approved_with_limits`；
- `needs_evidence`；
- `needs_human_review`；
- `rejected`。

若請求合法：

$$
\mathbb A_{t+1}^{\mathrm{ext}}
=
\operatorname{Update}
\left(
\mathbb A_t^{\mathrm{ext}},
r_t,
d_t
\right)
$$

形成：

$$
\boxed{
\text{顯影}
\rightarrow
\text{推理}
\rightarrow
\text{顯影請求}
\rightarrow
\text{治理判定}
\rightarrow
\text{注意力場更新}
\rightarrow
\text{再推理}
}
$$

---

# 12. AI 可以提議注意力，但不應無限制決定注意力

如果模型能無限制地決定自己看什麼，可能出現：

- 只找支持原結論的證據；
- 無限展開低價值資料；
- 繞過權限；
- 反覆調用自身生成內容；
- 用先前推定作為後續證據；
- 形成閉環自證。

因此：

$$
\boxed{
\text{AI Attention Request}
\neq
\text{Automatic Attention Authorization}
}
$$

人工智慧可以提出外部注意力配置建議，但真正的可見域、工具權限與寫回操作仍需由外部政策、驗證器或人類共同治理。

---

# 13. 外部注意力預算

外部注意力場不可能無限制展開。

令候選項目集合為：

$$
\mathcal C_t
=
\{c_1,c_2,\ldots,c_n\}
$$

每個項目的載入成本為 $k_i$ ，是否進入工作場由 $x_i\in\{0,1\}$ 表示，則：

$$
\sum_{i=1}^{n}
k_i x_i
\leq
B_t
$$

但不能只最大化表面相關度。效用函數至少應考慮：

$$
U_i
=
f
\left(
S_i,
C_i,
P_i,
V_i,
F_i,
R_i
\right)
$$

其中：

- $S_i$ ：語義相關；
- $C_i$ ：因果必要；
- $P_i$ ：來源與證據品質；
- $V_i$ ：版本有效性；
- $F_i$ ：失敗路徑或反例價值；
- $R_i$ ：風險與治理重要性。

因此，注意力預算工程不是單純 token 填充問題。

---

# 14. 顯著度不等於真實度

外部系統可能提高某一內容的顯著度：

$$
W_t(x)
\uparrow
$$

但這不表示：

$$
\operatorname{Truth}(x)
\uparrow
$$

同樣地：

$$
\text{High Retrieval Score}
\neq
\text{High Truth}
$$

$$
\text{High Attention}
\neq
\text{High Importance}
$$

$$
\text{Frequently Used}
\neq
\text{Currently Valid}
$$

EAFE 必須將：

- 顯著度；
- 可信度；
- 因果必要性；
- 版本有效性；
- 權限；
- 使用頻率；

分開表示，不能壓成一個無法解釋的總分。

---

# 15. 外部注意力場的主要失敗模式

## 15.1 注意力飢餓

必要資訊未被顯影：

$$
V_t
\cap
E_{\mathrm{necessary}}
=
\varnothing
$$

## 15.2 注意力過載

大量低價值內容佔用預算，使模型無法形成清晰工作場。

## 15.3 注意力隧道

系統過度聚焦單一方向，壓制反例與替代解釋。

## 15.4 錯誤顯著性

因熱門度、排序偏誤或錯誤 metadata，使不重要內容獲得高權重。

## 15.5 隱性抑制

系統沒有記錄哪些內容被排除，模型誤以為當前工作場代表完整世界。

## 15.6 來源消失

摘要或重排後，內容與原始證據失去連結。

## 15.7 版本混合

舊規則、新版本與分支內容被放入同一上下文。

## 15.8 遞歸自證

模型生成的推定被寫回記憶，之後又被檢索為外部證據。

## 15.9 工具路由偏誤

系統總是選擇熟悉或便宜的工具，而不是最適合的工具。

## 15.10 權限穿透

外部注意力場在多代理或多租戶環境中顯影未授權資訊。

---

# 16. 外部注意力治理原則

## 原則一：權限先於顯影

$$
\Gamma_{\mathrm{permission}}
\prec
\Pi_{\mathrm{reveal}}
$$

只有合法可存取的內容，才能進入候選場。

## 原則二：顯影理由可追溯

每一項高顯著內容應盡可能回答：

- 為何顯影？
- 由誰要求？
- 依據何種政策？
- 來源是什麼？
- 是否有替代候選？

## 原則三：抑制也必須留下痕跡

系統不必把所有被抑制內容展示給模型，但應保留可審計記錄。

## 原則四：推定不得冒充觀測

$$
\text{Observed}
>
\text{Derived}
>
\text{Inferred}
>
\text{Speculative}
$$

## 原則五：注意力場必須可撤銷

任何動態配置都應允許在新證據出現時修正。

## 原則六：高風險任務保留多樣性

不能因追求精簡而刪除反例、矛盾與少數解釋。

## 原則七：工作場不是永久真相

$$
\mathbb A_t^{\mathrm{ext}}
=
\text{Task-Relative Temporary Field}
$$

它是任務相對的暫時結構，不應直接覆蓋總歷史。

---

# 17. 空間介面與注意力投影

外部注意力場可以投影到：

- 文件；
- 對話；
- 終端；
- 圖；
- 時間線；
- 格子語言；
- 無限畫布；
- 創生矩陣；
- 熱圖；
- 虛擬世界介面。

令介面投影為：

$$
P_j:
\mathbb A_t^{\mathrm{ext}}
\rightarrow
I_t^{(j)}
$$

必須區分：

$$
p^{\mathrm{display}}
$$

$$
p^{\mathrm{semantic}}
$$

$$
p^{\mathrm{attention}}
$$

即：

- 顯示位置；
- 語義位置；
- 注意力優先位置；

三者不必相同。

畫面上變亮的節點可以只是人類提示，也可以在特定剖面下改變模型工作場；系統必須明確宣告是哪一種情況。

---

# 18. 與 NOVA、EML-U 與格子語言的關係

## 18.1 EML-U

負責保留尚未完全降階的語義、意圖、來源與多重投影資訊。

## 18.2 NOVA

負責保存具有型別、關係、約束與操作語義的權威結構。

## 18.3 格子語言

負責將局部結構自由封裝成可定址、可展開、可收合、可操作的注意力單元。

## 18.4 EAFE

負責依任務與治理條件，決定：

- 哪些結構被顯影；
- 哪些格子被展開；
- 哪些工具被路由；
- 哪些記憶被載入；
- 哪些來源被優先；
- 哪些操作被允許。

因此可形成：

$$
\boxed{
\text{EML-U：保留意義}
}
$$

$$
\boxed{
\text{NOVA：保存權威結構}
}
$$

$$
\boxed{
\text{格子語言：封裝與操作表面}
}
$$

$$
\boxed{
\text{EAFE：建構當前注意力與工作場}
}
$$

---

# 19. 有效智能的系統性定義

本文提出：

$$
\operatorname{EI}_t
=
F
\left(
\mathcal M_{\theta},
\mathbb A_t^{\mathrm{ext}},
\mathcal T_t,
\mathcal V_t,
\mathcal G_t
\right)
$$

其中：

- $\mathcal M_{\theta}$ ：模型能力；
- $\mathbb A_t^{\mathrm{ext}}$ ：外部注意力場；
- $\mathcal T_t$ ：工具能力；
- $\mathcal V_t$ ：驗證能力；
- $\mathcal G_t$ ：治理能力。

因此：

$$
\boxed{
\text{Effective Intelligence}
\neq
\text{Model Capability Alone}
}
$$

同一模型若獲得更好的記憶重建、工具路由、證據顯影與注意力治理，可能展現更高的任務有效性；反之，再強的模型若處於錯誤、污染或過度限制的注意力環境，也可能產生低品質結果。

---

# 20. 外部注意力場工程的最小系統

第一代 EAFE 可表示為：

$$
\operatorname{EAFE}_t
=
\left(
\mathfrak E_t,
\Phi_t,
\rho_t,
\Gamma_t,
\mathcal T_t,
\mathcal V_t,
\mathcal L_t
\right)
$$

其中：

- $\mathfrak E_t$ ：總資訊與狀態環境；
- $\Phi_t$ ：外部注意力場建構器；
- $\rho_t$ ：模型輸入投影器；
- $\Gamma_t$ ：治理與權限層；
- $\mathcal T_t$ ：工具與路由層；
- $\mathcal V_t$ ：驗證器；
- $\mathcal L_t$ ：調控與操作帳本。

最小流程：

```text
任務與代理狀態
  ↓
治理選域
  ↓
候選搜尋與記憶顯影
  ↓
顯著度、來源與版本配置
  ↓
工具與上下文路由
  ↓
形成模型工作場
  ↓
模型推理與行動
  ↓
提出新的顯影或工具請求
  ↓
驗證、更新與追加式記錄
```

---

# 21. 基礎命題

## 命題一：先驗工作場命題

模型內部注意力只能作用於已進入模型輸入的內容，因此外部工作場建構先於模型內部注意力。

## 命題二：條件相對命題

同一總資訊環境在不同任務、觀測者、權限與預算下，可形成不同外部注意力場。

## 命題三：模型不變而表現可變命題

模型參數不變時，外部注意力場的改變仍可導致不同輸出與任務表現。

## 命題四：上下文投影命題

模型上下文是外部注意力場的一次投影，而不是外部注意力場本身。

## 命題五：顯著度非真理命題

外部顯著度配置不等於真實度、有效性或道德正當性。

## 命題六：AI 請求非授權命題

人工智慧可以提出注意力場更新請求，但請求本身不構成合法授權。

## 命題七：抑制可治理命題

未進入工作場的內容也會影響模型可能形成的結論，因此抑制行為必須可追溯與可審計。

## 命題八：閉環注意力命題

有效 EAFE 不是一次性檢索，而是模型、工具、記憶、治理與驗證共同形成的迭代閉環。

## 命題九：工作場暫時性命題

任務工作場是局部、暫時且可撤銷的，不應被直接等同於完整世界或永久記憶。

## 命題十：有效智能複合命題

人工智慧的任務有效性由模型、注意力環境、工具、驗證與治理共同構成。

---

# 22. 可反證條件

外部注意力場工程不是不可檢驗的哲學敘述。

若實驗顯示，在控制模型、提示詞與算力後：

1. 外部工作場結構不影響任務完成率；
2. 來源、版本與因果約束不降低記憶污染；
3. 動態顯影不優於普通固定上下文；
4. AI—工具閉環只增加成本而不提升結果；
5. 外部調控帳本無法改善錯誤追蹤與治理；
6. 不同外部注意力策略在長期任務中沒有穩定差異；

則 EAFE 作為獨立工程層的必要性將受到削弱。

反之，若同一模型在不同外部注意力場中呈現可重現的任務差異，且結構化調控能提升來源忠實、版本純度、工作狀態恢復與治理可追溯性，則 EAFE 具有獨立研究與工程價值。

---

# 23. 第一代研究問題

後續研究至少需要回答：

- 如何形式化顯影、抑制、約束、路由、展開與驗證算子？
- 如何量化注意力場品質？
- 如何避免注意力隧道與遞歸自證？
- AI 可以在多大程度上自主要求擴張可見域？
- 如何在有限預算下保持因果、來源與版本閉包？
- 如何比較純提示詞、RAG、工具 Agent 與完整 EAFE？
- 如何讓人類看見 AI 的外部注意力環境？
- 多代理之間如何共享或隔離注意力場？
- 虛擬世界中的觀測域是否可視為世界尺度的外部注意力？
- 注意力配置權應如何被審計與治理？

---

# 24. 系列定位

本系列規劃為七篇核心文與兩篇遠期應用文：

1. 外部注意力場工程總論；
2. 顯影、抑制、約束與路由算子；
3. AI—外掛協同注意力閉環；
4. 工作場、上下文與注意力預算工程；
5. 空間化、視覺化與介面注意力調控；
6. 外部注意力治理、偏誤與權力問題；
7. 外部注意力場工程系統與實驗框架；
8. 多代理共享注意力場；
9. 計算機宇宙世界狀態注意力管理。

前七篇構成第一階段完整方法論。第八與第九篇為遠期應用，不要求現階段立即工程化。

---

# 25. 討論：從模型中心論轉向注意力環境論

過去的 AI 工程經常將能力提升理解為：

$$
\text{更大模型}
+
\text{更多參數}
+
\text{更多訓練資料}
$$

外部注意力場工程並不否定模型能力的重要性，而是指出另一條經常被低估的路徑：

$$
\text{更好的可見域}
+
\text{更好的證據結構}
+
\text{更好的工具路由}
+
\text{更好的記憶重建}
+
\text{更好的治理}
$$

模型並非在真空中推理。它所面對的「局部世界」是由資料系統、介面、工具、權限、排序與人類決策共同塑造的。

因此，未來的 AI 原生系統不應只問：

> 模型能注意什麼？

還應問：

> 計算機系統在模型注意以前，替它建構了什麼樣的可注意世界？

---

# 26. 結論

本文提出「外部注意力場工程」，將 AI 部署系統中的搜尋、檢索、記憶、工具、上下文、介面與治理，統一理解為模型推理前後的外部注意力環境建構。

其核心流程為：

$$
\boxed{
\text{總資訊環境}
\rightarrow
\text{外部注意力場}
\rightarrow
\text{模型工作上下文}
\rightarrow
\text{內部注意力與推理}
\rightarrow
\text{顯影／工具請求}
\rightarrow
\text{治理與場更新}
}
$$

本文的核心命題可以寫成：

> 人工智慧不是在完整世界中自由集中注意力，而是在計算系統預先顯影、約束、排序與路由出的局部工作場中進行注意力運算。

因此：

$$
\boxed{
\text{動態顯影}
=
\text{外部注意力場工程的核心實現族}
}
$$

而：

$$
\boxed{
\text{有效智能}
=
\text{模型能力}
+
\text{注意力環境}
+
\text{工具}
+
\text{驗證}
+
\text{治理}
}
$$

外部注意力場工程的最終目標，不是替 AI 永久選定它應該看見的世界，而是建立一個可以被模型、人類與治理系統共同更新、檢查、撤銷與驗證的局部世界建構機制。

---

## 附錄 A：最小外部注意力場物件

```json
{
  "field_id": "eafe-field-001",
  "task": {
    "goal": "恢復長期研究專案的工作狀態",
    "observer": "agent-research-01"
  },
  "visible_domain": [],
  "salience": [],
  "constraints": {
    "permissions": [],
    "version_scope": [],
    "time_scope": [],
    "max_tokens": 32000,
    "max_tool_calls": 12
  },
  "routes": [],
  "provenance": [],
  "suppressed_summary": [],
  "open_nodes": [],
  "validation": {
    "required": true,
    "status": "pending"
  },
  "ledger": []
}
```

---

## 附錄 B：最小閉環

```text
建立任務
  ↓
選擇合法可見域
  ↓
顯影證據、記憶與工具
  ↓
形成外部注意力場
  ↓
投影為模型上下文
  ↓
模型推理
  ↓
提出新的搜尋、展開或工具請求
  ↓
外部治理層批准、限制或拒絕
  ↓
更新注意力場
  ↓
驗證結果並追加式記錄
```