# 顯影、抑制、約束與路由算子：外部注意力場的操作基礎

**Revealing, Suppression, Constraint, and Routing Operators: Operational Foundations of External Attention Fields**

版本：v0.1  
日期：2026-07-28  
文件性質：基礎理論與操作框架論文  
系列：外部注意力場工程系列，第 2 篇  
建議文件代號：`EML-EAFE-02-2026-v0.1`

---

## 摘要

第一篇〈外部注意力場工程總論〉提出：人工智慧的有效注意力不只由模型內部注意力機制決定，也受到模型推理前後之外部可見域、顯著度、權限、工具、來源、預算與治理條件共同塑造。若此一主張要從總體概念轉化為可實作方法論，就必須進一步回答：外部系統究竟如何使資訊進入工作場、如何暫時降低或阻止資訊進入、如何限制資訊與工具的使用方式，以及如何將任務送往不同模型、工具、代理與驗證路徑。

本文提出外部注意力場的四類核心算子：顯影算子、抑制算子、約束算子與路由算子。顯影算子負責使潛在資訊、記憶、工具或關係成為活動候選；抑制算子負責在保留來源與可恢復性的前提下，降低某些候選的顯著度、展開深度或可操作性；約束算子負責定義可見域、時間、版本、權限、成本、風險與寫回邊界；路由算子負責將不同資訊、問題與操作送往適合的模型、工具、代理、驗證器或人類批准節點。

本文強調，四類算子均不應被簡化為二元開關。顯影可能具有多層深度與多種證據狀態；抑制不等於刪除或否定；約束不等於懲罰；路由也不只是挑選單一工具。本文將其形式化為具型別、具前置條件、可拒絕、可撤銷、可解釋與可審計的部分算子，並引入多候選輸出、替代路由、保守失敗、來源保持與注意力帳本。

本文進一步分析算子之間的非交換性與非結合性。例如，先抑制再顯影與先顯影再抑制可能形成不同工作場；先套用權限約束再路由與先路由再檢查權限可能產生不同風險；多個路由器的組合也可能造成能力偏置、成本失控或遞歸自證。為此，本文提出操作序列、策略剖面、硬約束與軟約束、注意力差分、調控殘差、操作帳本與閉環驗證。

本文最後提出最小外部注意力算子系統 EAFOS、資料模型、錯誤狀態、工程接口、基礎命題與初步評估指標。此框架可用於 RAG、Agent 工具使用、長期記憶、程式分析、企業知識庫、格子與畫布介面、多代理協作，以及後續工作場與注意力預算工程。

**關鍵詞：** 外部注意力場、顯影算子、抑制算子、約束算子、路由算子、工具路由、上下文工程、AI Agent、注意力治理、動態顯影

---

# 1. 從外部注意力場到操作問題

第一篇將外部注意力場表示為：

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

其中包含：

- 可見域 $V_t$ ；
- 顯著度 $W_t$ ；
- 約束 $K_t$ ；
- 路由 $R_t$ ；
- 注意力預算 $B_t$ ；
- 來源結構 $P_t$ ；
- 調控帳本 $L_t$ 。

但此表示仍偏向狀態描述。工程系統還需要回答：

> 這些狀態是如何被產生、修改、拒絕、恢復與驗證的？

因此，本文將外部注意力場視為可被算子族持續更新的動態對象：

$$
\mathbb A_{t+1}^{\mathrm{ext}}
=
\mathfrak F
\left(
\mathbb A_t^{\mathrm{ext}},
\mathfrak E_t,
\xi_t,
\mathcal O_t
\right)
$$

其中：

- $\mathfrak E_t$ ：總資訊、記憶、工具與狀態環境；
- $\xi_t$ ：任務、觀測者、權限、預算與風險條件；
- $\mathcal O_t$ ：本輪被批准執行的外部注意力操作；
- $\mathfrak F$ ：注意力場更新函數。

本文提出：

$$
\boxed{
\mathcal O_t
\subseteq
\left\{
\Pi,
\Sigma,
\Gamma,
\mathcal R,
\mathcal E,
\mathcal V
\right\}
}
$$

其中：

- $\Pi$ ：顯影；
- $\Sigma$ ：抑制；
- $\Gamma$ ：約束；
- $\mathcal R$ ：路由；
- $\mathcal E$ ：展開；
- $\mathcal V$ ：驗證。

本篇集中討論前四類核心算子，並將展開與驗證作為它們的共同輔助機制。

---

# 2. 為何不能只使用「檢索」一個動詞

一般 AI 系統常將外部資訊操作壓縮成：

$$
q
\rightarrow
\operatorname{Retrieve}
\rightarrow
\text{Context}
$$

但實際過程至少包含：

1. 界定可搜尋域；
2. 排除無權限資料；
3. 找出候選；
4. 估計相關度；
5. 識別版本與來源；
6. 降低低價值或高風險內容；
7. 決定是否展開更多關係；
8. 選擇工具或代理；
9. 驗證結果；
10. 將結果寫入本輪工作場。

因此：

$$
\boxed{
\text{External Attention Regulation}
\neq
\text{Retrieval Alone}
}
$$

檢索只是顯影的一種實作，也不處理抑制、約束與路由的完整問題。

---

# 3. 外部注意力操作物件

令一個可被調控的外部注意力項目為：

$$
a_i
=
\left(
id_i,
type_i,
content_i,
relations_i,
source_i,
status_i,
cost_i,
risk_i,
permissions_i
\right)
$$

其中 $a_i$ 可以是：

- 文件片段；
- 完整文件；
- 記憶節點；
- 版本；
- 因果關係；
- 程式函數；
- 工具；
- Agent；
- 世界狀態；
- 待辦節點；
- 反例；
- 驗證結果。

外部注意力操作不只作用於節點，也可能作用於關係：

$$
e_{ij}
=
\left(
a_i,
relation,
a_j,
provenance,
confidence
\right)
$$

因此，算子域應包含：

$$
\mathfrak X_t
=
\mathcal N_t
\cup
\mathcal E_t
\cup
\mathcal T_t
\cup
\mathcal P_t
$$

分別代表節點、關係、工具與策略對象。

---

# 4. 具型別部分算子

外部注意力算子不應被假設為對所有輸入皆合法。

本文定義一般操作：

$$
\mathcal O_{\alpha}:
\operatorname{Dom}(\mathcal O_{\alpha})
\rightharpoonup
\operatorname{Result}(Y)
$$

其中：

- $\operatorname{Dom}(\mathcal O_{\alpha})$ ：合法輸入域；
- $\rightharpoonup$ ：部分函數；
- $\operatorname{Result}(Y)$ ：具狀態結果型別。

結果不是單純成功值，而是：

$$
\operatorname{Result}(Y)
=
\left\{
\begin{array}{ll}
\operatorname{Success}(Y) \\
\operatorname{Limited}(Y,K) \\
\operatorname{Alternatives}(Y_1,\ldots,Y_n) \\
\operatorname{NeedEvidence}(E) \\
\operatorname{NeedApproval}(H) \\
\operatorname{Rejected}(r) \\
\operatorname{Failed}(e)
\end{array}
\right.
$$

因此，「不執行」本身可以是合法、可解釋的系統結果。

---

# 5. 顯影算子

## 5.1 定義

顯影算子使原本處於潛在、封存、低活動或未載入狀態的對象，進入當前注意力場候選域。

$$
\Pi_{\alpha,\xi}:
\mathfrak E_t
\rightharpoonup
\mathcal C_{\alpha,t}
$$

其中：

- $\alpha$ ：顯影類型；
- $\xi$ ：任務、觀測者、權限與預算條件；
- $\mathcal C_{\alpha,t}$ ：顯影候選集合。

顯影不是將對象宣告為真，而是使其成為：

- 可見；
- 可比較；
- 可追蹤；
- 可操作；
- 可驗證；
- 可被模型注意。

## 5.2 顯影狀態

一個顯影項目至少可具有：

- `latent`：潛在但未載入；
- `candidate`：已進入候選；
- `active`：進入工作場；
- `expanded`：關係或內部結構已展開；
- `validated`：已經驗證；
- `quarantined`：顯影但被隔離；
- `revoked`：顯影已撤銷。

因此：

$$
\operatorname{Reveal}
\neq
\operatorname{AcceptAsTrue}
$$

---

# 6. 顯影算子族

## 6.1 語義顯影

$$
\Pi_{\mathrm{sem}}
\left(
\mathfrak E_t
\mid
q_t,g_t
\right)
$$

使與當前概念、問題或任務相關的意義進入候選場。

## 6.2 記憶顯影

$$
\Pi_{\mathrm{mem}}
\left(
\mathcal H_t
\mid
q_t,S_t
\right)
$$

使具有工作狀態恢復價值的歷史痕跡進入候選場。

## 6.3 關係顯影

$$
\Pi_{\mathrm{rel}}
\left(
a_i,
d,
\mathcal T_R
\right)
$$

沿指定關係類型與最大深度 $d$ 展開：

- 來源；
- 因果；
- 版本；
- 引用；
- 依賴；
- 衝突；
- 代理操作。

## 6.4 反例顯影

$$
\Pi_{\mathrm{counter}}
\left(
h,
\mathfrak E_t
\right)
$$

主動尋找與當前假設 $h$ 衝突的證據、失敗路徑與替代解釋。

## 6.5 工具顯影

$$
\Pi_{\mathrm{tool}}
\left(
g_t,
\mathcal T_t
\right)
$$

使與任務相關的工具能力進入可路由集合。

## 6.6 權限相容顯影

$$
\Pi_{\mathrm{perm}}
=
\Pi
\circ
\Gamma_{\mathrm{permission}}
$$

只有符合權限條件的候選才能進入後續工作場。

## 6.7 風險顯影

主動顯示：

- 高不確定性；
- 高損失操作；
- 來源缺口；
- 版本衝突；
- 權限接近邊界；
- 不可逆寫回。

---

# 7. 顯影深度與語義解析度

顯影不是二元狀態。可定義深度：

$$
d_{\Pi}
\in
\{0,1,\ldots,D\}
$$

例如：

- $d_{\Pi}=0$ ：只顯示名稱與狀態；
- $d_{\Pi}=1$ ：顯示摘要與直接來源；
- $d_{\Pi}=2$ ：顯示上游關係與版本；
- $d_{\Pi}=3$ ：顯示完整歷史、矛盾與替代解；
- $d_{\Pi}=D$ ：進入最大授權細節。

也可定義解析度：

$$
r_{\Pi}
=
\left(
r_{\mathrm{content}},
r_{\mathrm{relation}},
r_{\mathrm{provenance}},
r_{\mathrm{history}}
\right)
$$

因此，顯影可以只增加某一維度的可見性，而不必完整載入全部內容。

---

# 8. 顯影顯著度

顯影後的候選仍需配置顯著度：

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

其中：

- $S_i$ ：語義相關性；
- $C_i$ ：因果必要性；
- $V_i$ ：版本有效性；
- $P_i$ ：來源可信度；
- $U_i$ ：不確定性；
- $R_i$ ：風險與治理重要性。

顯著度必須與真實度分離：

$$
W_t(a_i)
\neq
\operatorname{Truth}(a_i)
$$

系統可提高低可信反例的顯著度，因為它具有高驗證價值；也可降低高相似舊版本的顯著度，因為它已失效。

---

# 9. 抑制算子

## 9.1 定義

抑制算子降低對象在當前注意力場中的活動程度、顯著度、展開深度、操作權限或路由優先級：

$$
\Sigma_{\beta,\xi}:
\mathbb A_t^{\mathrm{ext}}
\rightharpoonup
\mathbb A_{t+1}^{\mathrm{ext}}
$$

但抑制原則上不等於：

- 刪除；
- 否定；
- 遺忘；
- 永久封鎖；
- 宣告不重要。

因此：

$$
\boxed{
\operatorname{Suppress}(a)
\neq
\operatorname{Delete}(a)
}
$$

---

# 10. 抑制算子族

## 10.1 顯著度衰減

$$
W_{t+1}(a_i)
=
\lambda_i W_t(a_i),
\qquad
0\leq\lambda_i<1
$$

適用於低價值、重複或暫時無關內容。

## 10.2 展開抑制

限制關係展開深度：

$$
d_{\Pi}(a_i)
\leq
d_{\max}
$$

## 10.3 重複抑制

將多個近重複內容聚合為代表節點，但必須保留來源清單。

## 10.4 舊版本抑制

降低已被取代版本的活動度，同時保持其歷史可回溯性。

## 10.5 推定抑制

對 `inferred` 或 `speculative` 內容施加較低默認顯著度，避免推定固化。

## 10.6 自生成內容抑制

對模型自己生成、尚未獲外部證據支持的內容加上來源隔離。

## 10.7 高成本抑制

在預算不足時，延後載入高成本但低邊際價值的對象。

## 10.8 高風險操作抑制

阻止未經批准的：

- 外部寫入；
- 版本覆蓋；
- 刪除；
- 權限修改；
- 不可逆工具操作。

---

# 11. 抑制必須保留可恢復性

令被抑制集合為：

$$
\mathcal S_t^{\mathrm{sup}}
$$

系統至少應保留：

$$
\operatorname{SuppressionRecord}(a_i)
=
\left(
id_i,
reason_i,
policy_i,
actor_i,
time_i,
restore_i
\right)
$$

其中 $restore_i$ 描述恢復條件。

因此可定義：

$$
\operatorname{Restore}_{\eta}
:
\mathcal S_t^{\mathrm{sup}}
\rightharpoonup
V_{t+k}
$$

若抑制沒有恢復機制、理由或帳本，它就可能退化為不可見審查或永久記憶損失。

---

# 12. 合法抑制與危險抑制

## 12.1 合法抑制

- 移除高度重複資訊；
- 降低過期版本優先級；
- 限制無關分支；
- 隱藏未授權資料；
- 暫停高風險工具；
- 收合已完成節點。

## 12.2 危險抑制

- 隱藏反例；
- 刪除衝突來源；
- 只保留支持既有結論的材料；
- 未留下抑制理由；
- 將商業排序偽裝為客觀重要性；
- 讓模型不知道可見域已被裁剪。

因此：

$$
\text{Suppression Efficiency}
\neq
\text{Suppression Legitimacy}
$$

---

# 13. 約束算子

## 13.1 定義

約束算子不一定直接改變內容顯著度，而是規定哪些外部注意力操作、工具、對象與結果在何種條件下合法：

$$
\Gamma_{\gamma}
:
\left(
\mathfrak E_t,
\xi_t,
\mathcal O_t
\right)
\rightharpoonup
\mathcal K_t
$$

其中 $\mathcal K_t$ 是有效約束集合。

約束回答：

- 可以看什麼？
- 可以看多深？
- 可以做什麼？
- 可以花多少成本？
- 可以寫回哪裡？
- 哪些結果必須先驗證？
- 何時需要人類批准？

---

# 14. 硬約束與軟約束

## 14.1 硬約束

不可被一般策略覆蓋：

$$
K^{\mathrm{hard}}
=
\left\{
\text{permission},
\text{legal},
\text{safety},
\text{tenant isolation},
\text{irreversible action}
\right\}
$$

若違反，操作必須拒絕：

$$
\neg K^{\mathrm{hard}}(o)
\Rightarrow
\operatorname{Rejected}
$$

## 14.2 軟約束

可依任務、預算或風險調整：

- token 上限；
- 最大回溯深度；
- 搜尋範圍；
- 工具調用次數；
- 最高等待成本；
- 最低來源可信度；
- 候選數量。

軟約束可以輸出 `Limited`，而不必完全拒絕。

---

# 15. 約束算子族

## 15.1 權限約束

$$
\Gamma_{\mathrm{perm}}
\left(
a_i,o_t
\right)
\in
\{\text{allow},\text{deny},\text{redact},\text{aggregate}\}
$$

## 15.2 時間約束

只允許顯影指定時間範圍或以特定時間點為有效狀態。

## 15.3 版本約束

$$
\Gamma_{\mathrm{ver}}
\left(
a_i,v^{*}
\right)
$$

限制使用：

- 最新已批准版本；
- 指定分支；
- 歷史快照；
- 未被 superseded 的狀態。

## 15.4 來源約束

設定來源門檻：

$$
P(a_i)
\geq
\tau_P
$$

但高風險任務也可允許低可信候選進入隔離域，以便檢查反例。

## 15.5 預算約束

$$
\sum_i
c_i x_i
+
\sum_j
k_j y_j
\leq
B_t
$$

其中分別計算內容載入與工具調用成本。

## 15.6 風險約束

高風險操作需要：

- 雙重驗證；
- 沙盒；
- 人類批准；
- 可逆執行；
- 只讀模式。

## 15.7 寫回約束

限制哪些推理結果可進入：

- 暫時工作記憶；
- 推定區；
- 已驗證知識庫；
- 程式主分支；
- 使用者永久記憶。

## 15.8 多樣性約束

對研究、政策與高爭議任務，要求候選場保留：

- 反例；
- 替代解釋；
- 多來源；
- 不同版本；
- 不確定性。

---

# 16. 約束的優先序

約束可能彼此衝突。本文暫定優先序：

$$
K_{\mathrm{legal}}
\succ
K_{\mathrm{permission}}
\succ
K_{\mathrm{safety}}
\succ
K_{\mathrm{provenance}}
\succ
K_{\mathrm{task}}
\succ
K_{\mathrm{budget}}
\succ
K_{\mathrm{preference}}
$$

其中 $\succ$ 表示一般情況下較高優先級。

但完整系統仍需保存實際策略剖面，因為不同領域可能採用不同排序。

---

# 17. 路由算子

## 17.1 定義

路由算子將內容、問題、工具請求或驗證任務送往適合的處理節點：

$$
\mathcal R_{\delta}
:
\left(
x,
g_t,
\mathcal C_t
\right)
\rightharpoonup
\mathcal D_{\mathrm{dest}}
$$

目的地可以是：

- 主模型；
- 小模型；
- 專業模型；
- 搜尋工具；
- 程式執行器；
- 資料庫；
- 記憶系統；
- 驗證器；
- 另一 Agent；
- 人類審核者。

路由不是單純選一個工具，而是建立一條處理路徑。

---

# 18. 路由結果

一般路由結果為：

$$
\operatorname{RoutePlan}
=
\left(
destinations,
order,
conditions,
budget,
fallbacks,
merge,
validation
\right)
$$

其中：

- `destinations`：目的節點；
- `order`：順序或並行；
- `conditions`：進入條件；
- `budget`：每一路徑預算；
- `fallbacks`：替代目的地；
- `merge`：結果合併規則；
- `validation`：驗證要求。

---

# 19. 路由算子族

## 19.1 模型路由

依任務難度、模態、成本與可靠性，選擇不同模型。

## 19.2 工具路由

將搜尋、計算、程式執行、資料庫查詢或文件分析分配給不同工具。

## 19.3 Agent 路由

將子任務交給：

- 研究 Agent；
- 程式 Agent；
- 法律 Agent；
- 驗證 Agent；
- 規劃 Agent。

## 19.4 記憶路由

決定查詢：

- 短期對話；
- 長期記憶；
- 向量庫；
- 版本庫；
- 操作帳本；
- 原始文件。

## 19.5 驗證路由

將高風險結論送往：

- 規則驗證；
- 程式測試；
- 交叉模型檢查；
- 人工批准。

## 19.6 人類路由

當系統遇到：

- 多個等價候選；
- 權限不明；
- 高風險不可逆操作；
- 價值判斷；
- 來源衝突；

路由至人類而不是強行自動決策。

---

# 20. 單一路由、並行路由與條件路由

## 20.1 單一路由

$$
x
\xrightarrow{\mathcal R}
d_1
$$

## 20.2 並行路由

$$
x
\xrightarrow{\mathcal R}
\{d_1,d_2,\ldots,d_n\}
$$

用於多模型比較、多來源搜尋或獨立驗證。

## 20.3 條件路由

$$
x
\xrightarrow{\mathcal R}
\begin{cases}
d_1, & c_1 \\
d_2, & c_2 \\
d_3, & \text{otherwise}
\end{cases}
$$

## 20.4 漸進路由

先由低成本路徑處理，只有在不確定性或風險超過門檻時升級。

---

# 21. 路由不是權威轉移

將任務送往工具或子代理，不代表目的地獲得永久修改權。

因此必須區分：

$$
\text{Execution Capability}
\neq
\text{Commit Authority}
$$

一個工具可以執行分析，卻只能返回提案；一個 Agent 可以修改沙盒分支，卻不能直接覆蓋主狀態。

---

# 22. 四類算子的共同操作契約

每一次操作至少應包含：

```json
{
  "operation_id": "op-001",
  "operator": "reveal | suppress | constrain | route",
  "operator_type": "semantic_reveal",
  "actor": "agent-01",
  "target_ids": [],
  "task_id": "task-001",
  "preconditions": [],
  "policy_profile": "research-safe",
  "budget": {},
  "expected_effect": {},
  "fallback": {},
  "reversible": true,
  "validation_required": true
}
```

操作輸出至少包含：

```json
{
  "status": "success | limited | alternatives | needs_evidence | needs_approval | rejected | failed",
  "changed_field": {},
  "provenance": [],
  "suppressed": [],
  "alternatives": [],
  "warnings": [],
  "validation": {},
  "ledger_entry": "ledger-001"
}
```

---

# 23. 算子非交換性

外部注意力操作通常不可任意交換。

## 23.1 顯影與抑制

$$
\Sigma
\circ
\Pi
\neq
\Pi
\circ
\Sigma
$$

先顯影再抑制，系統可以記錄被顯影但後來降權的候選；先抑制再顯影，候選可能根本不進入可見域。

## 23.2 約束與顯影

$$
\Pi
\circ
\Gamma
\neq
\Gamma
\circ
\Pi
$$

一般情況下，權限與硬治理約束應先於顯影，避免未授權內容短暫進入工作場。

## 23.3 約束與路由

$$
\mathcal R
\circ
\Gamma
\neq
\Gamma
\circ
\mathcal R
$$

先路由再檢查可能造成資料已被送往不應接收的目的地。

## 23.4 顯影與路由

$$
\mathcal R
\circ
\Pi
$$

表示先建立候選再決定處理目的地；

$$
\Pi
\circ
\mathcal R
$$

則可能表示先依工具能力劃分域，再在各域顯影。兩者可形成不同結果。

---

# 24. 算子非結合性與路徑依賴

三個操作的組合可能滿足：

$$
(\mathcal O_1\circ\mathcal O_2)\circ\mathcal O_3
\neq
\mathcal O_1\circ(\mathcal O_2\circ\mathcal O_3)
$$

例如：

- 先聚合重複內容，再施加版本約束；
- 先施加版本約束，再聚合重複內容；

可能產生不同代表節點與來源清單。

因此，操作序列本身必須進入帳本：

$$
L_t
=
\left[
\mathcal O_1,
\mathcal O_2,
\ldots,
\mathcal O_n
\right]
$$

不能只保存最終上下文。

---

# 25. 建議的預設操作序列

對一般高可信任務，本文建議：

$$
\boxed{
\Gamma_{\mathrm{hard}}
\rightarrow
\Pi_{\mathrm{coarse}}
\rightarrow
\Sigma_{\mathrm{noise}}
\rightarrow
\Pi_{\mathrm{relation}}
\rightarrow
\Gamma_{\mathrm{budget}}
\rightarrow
\mathcal R_{\mathrm{plan}}
\rightarrow
\mathcal V
}
$$

即：

1. 先套用硬約束；
2. 粗顯影候選；
3. 抑制噪音與重複；
4. 展開必要關係；
5. 套用預算與任務約束；
6. 建立路由計畫；
7. 驗證操作與工作場。

高風險任務可在路由前加入人工批准。

---

# 26. 注意力差分

令操作前後注意力場分別為：

$$
\mathbb A_t,
\qquad
\mathbb A_{t+1}
$$

定義注意力差分：

$$
\Delta\mathbb A_t
=
\mathbb A_{t+1}
\ominus
\mathbb A_t
$$

其中 $\ominus$ 不是普通減法，而是記錄：

- 新顯影項目；
- 被抑制項目；
- 顯著度變化；
- 新增或移除約束；
- 路由變化；
- 預算變化；
- 來源與驗證狀態變化。

可表示為：

$$
\Delta\mathbb A_t
=
\left(
\Delta V_t,
\Delta W_t,
\Delta K_t,
\Delta R_t,
\Delta B_t,
\Delta P_t
\right)
$$

注意力差分提供可解釋性與回滾基礎。

---

# 27. 調控殘差

理想操作效果與實際效果可能不同。

令目標注意力場為：

$$
\mathbb A_t^{*}
$$

實際結果為：

$$
\widehat{\mathbb A}_t
$$

則調控殘差為：

$$
\mathbb E_t^{\mathrm{reg}}
=
\widehat{\mathbb A}_t
\ominus
\mathbb A_t^{*}
$$

殘差可能來自：

- 檢索遺漏；
- metadata 錯誤；
- 工具失敗；
- 版本辨識錯誤；
- 模型誤分類；
- 權限配置不完整；
- 預算不足；
- 不可觀測資料。

系統應允許殘差被顯影、診斷與再次調控。

---

# 28. 多候選而非過早坍縮

在資訊不完整時，系統不應強迫輸出唯一注意力配置。

可保留：

$$
\left\{
\mathbb A_t^{(1)},
\mathbb A_t^{(2)},
\ldots,
\mathbb A_t^{(m)}
\right\}
$$

並附帶：

- 候選理由；
- 預算；
- 風險；
- 缺失證據；
- 預期收益。

例如：

- 研究型配置；
- 快速回答配置；
- 高可信配置；
- 低成本配置；
- 反例優先配置。

這些可以交由人類或上層策略選擇。

---

# 29. 策略剖面

定義注意力策略剖面：

$$
\mathcal P_{\mathrm{attn}}
=
\left(
w_{\mathrm{relevance}},
w_{\mathrm{causality}},
w_{\mathrm{provenance}},
w_{\mathrm{diversity}},
w_{\mathrm{cost}},
w_{\mathrm{risk}}
\right)
$$

典型剖面包括：

## 29.1 快速回答

高相關、低成本、淺回溯。

## 29.2 學術研究

高來源、高反例、多版本、深回溯。

## 29.3 程式除錯

高因果、錯誤傳播、版本與執行日誌優先。

## 29.4 法律或高風險

高權限、高證據、高審計、人工批准。

## 29.5 創意探索

提高多樣性與遠距關係，降低過早抑制。

策略剖面必須可見，避免同一排序被誤認為普遍客觀。

---

# 30. 操作帳本

每一次顯影、抑制、約束與路由都應追加到帳本：

$$
\mathcal L_t
=
\left\{
\ell_1,\ell_2,\ldots,\ell_n
\right\}
$$

其中：

$$
\ell_i
=
\left(
operation,
actor,
targets,
policy,
reason,
before,
after,
time,
validation
\right)
$$

帳本用途包括：

- 解釋模型為何看到這些內容；
- 確認哪些內容被排除；
- 重現工作場；
- 比較不同策略；
- 回滾；
- 污染追蹤；
- 治理審計。

---

# 31. 主要失敗模式

## 31.1 過度顯影

工作場包含太多候選，造成注意力過載。

## 31.2 不足顯影

缺少完成任務所需的關鍵因果、版本或來源。

## 31.3 過度抑制

反例、少數來源或關鍵歷史被錯誤降權。

## 31.4 抑制失憶

系統無法恢復或解釋先前被抑制的內容。

## 31.5 約束衝突

不同政策給出矛盾要求，但系統沒有明確優先序。

## 31.6 約束洩漏

敏感資料在約束套用之前已經被路由或摘要。

## 31.7 路由偏置

系統總是使用熟悉、便宜或速度快的工具。

## 31.8 路由循環

Agent 與工具彼此反覆轉交，無法終止。

## 31.9 合併污染

並行路由結果被錯誤融合，來源與矛盾消失。

## 31.10 無帳本調控

只保存最終上下文，無法知道場如何形成。

---

# 32. 治理原則

## 原則一：硬約束先行

敏感資料與不可逆操作必須先檢查，再顯影或路由。

## 原則二：抑制可恢復

除非依法或明確政策要求刪除，抑制應保留來源與恢復條件。

## 原則三：顯影不等於認證

顯影候選必須保留其證據狀態。

## 原則四：路由不等於授權

目的地獲得處理能力，不代表獲得提交權。

## 原則五：多候選優於虛假確定

證據不足時保留替代路徑。

## 原則六：調控順序可追溯

非交換操作必須保存實際執行順序。

## 原則七：高風險任務保留反例

不能為了壓縮而消除衝突與不確定性。

## 原則八：所有調控可被驗證

至少能檢查來源、版本、權限、預算與操作結果。

---

# 33. 最小外部注意力算子系統

本文將第一代系統命名為：

# External Attention Field Operator System

縮寫：

# EAFOS

定義：

$$
\operatorname{EAFOS}
=
\left(
\mathfrak E,
\mathbb A,
\{\Pi_{\alpha}\},
\{\Sigma_{\beta}\},
\{\Gamma_{\gamma}\},
\{\mathcal R_{\delta}\},
\mathcal V,
\mathcal L,
\mathcal P
\right)
$$

其中：

- $\mathfrak E$ ：總環境；
- $\mathbb A$ ：活動注意力場；
- $\Pi$ ：顯影算子族；
- $\Sigma$ ：抑制算子族；
- $\Gamma$ ：約束算子族；
- $\mathcal R$ ：路由算子族；
- $\mathcal V$ ：驗證器；
- $\mathcal L$ ：操作帳本；
- $\mathcal P$ ：策略剖面。

---

# 34. 第一代模組架構

```text
Task / Agent State
        ↓
Policy & Permission Gate
        ↓
Candidate Revealers
 ┌──────┼────────┐
 Search Memory Relation Tool
        ↓
Suppression & Deduplication
        ↓
Constraint Resolver
        ↓
Route Planner
 ┌──────┼────────────┐
 Model Tool Agent Human
        ↓
Result Merger & Provenance Keeper
        ↓
Validator
        ↓
External Attention Field Update
        ↓
Append-only Regulation Ledger
```

---

# 35. 最小 API 草案

```text
reveal(
  task,
  source_scope,
  relation_types,
  depth,
  policy_profile
) -> OperationResult[CandidateField]

suppress(
  field,
  targets,
  suppression_type,
  restore_condition
) -> OperationResult[AttentionField]

constrain(
  field,
  constraints,
  priority_profile
) -> OperationResult[ConstrainedField]

route(
  payload,
  candidate_destinations,
  route_policy,
  fallbacks
) -> OperationResult[RoutePlan]

validate(
  field_or_result,
  validation_profile
) -> ValidationResult
```

---

# 36. 評估指標

## 36.1 必要資訊召回率

$$
R_{\mathrm{necessary}}
=
\frac{
|\mathcal N_{\mathrm{revealed}}\cap\mathcal N_{\mathrm{required}}|
}{
|\mathcal N_{\mathrm{required}}|
}
$$

## 36.2 無關載入率

$$
R_{\mathrm{irrelevant}}
=
\frac{
|\mathcal V_{\mathrm{irrelevant}}|
}{
|\mathcal V_{\mathrm{loaded}}|
}
$$

## 36.3 抑制可恢復率

$$
R_{\mathrm{restore}}
=
\frac{
\text{可被正確恢復的抑制項目}
}{
\text{所有需要恢復的抑制項目}
}
$$

## 36.4 約束違規率

$$
R_{\mathrm{constraint}}
=
\frac{
\text{違反約束的操作數}
}{
\text{總操作數}
}
$$

## 36.5 路由成功率

$$
R_{\mathrm{route}}
=
\frac{
\text{由適當目的地成功完成的任務}
}{
\text{總路由任務}
}
$$

## 36.6 來源保持率

衡量經過顯影、抑制與路由後，輸出是否仍可回到原始來源。

## 36.7 注意力差分可解釋率

衡量場變化是否能由帳本中的操作充分解釋。

## 36.8 成本效益

$$
E_{\mathrm{cost}}
=
\frac{
\Delta \operatorname{TaskQuality}
}{
\Delta \operatorname{ResourceCost}
}
$$

---

# 37. 基礎命題

## 命題一：顯影非認證命題

對象進入注意力場不代表其為真或已被接受。

## 命題二：抑制非刪除命題

抑制是任務相對的活動度調節，不必等同永久移除。

## 命題三：約束先行命題

硬權限與安全約束應先於可能造成資料暴露的顯影與路由。

## 命題四：路由非授權命題

處理目的地不因被路由而自動取得寫回權。

## 命題五：算子非交換命題

顯影、抑制、約束與路由的一般組合具有順序依賴。

## 命題六：操作帳本必要命題

只保存最終上下文不足以重建注意力場形成過程。

## 命題七：多候選合法命題

證據不完整或策略衝突時，多個候選注意力場可以同時保持合法。

## 命題八：抑制治理命題

被排除內容的選擇會影響模型結論，因此抑制本身是可治理操作。

## 命題九：策略相對命題

不存在對所有任務皆最佳的單一顯影、抑制與路由策略。

## 命題十：調控殘差命題

任何注意力場操作都可能產生無法完全符合目標配置的殘差，殘差應可被顯影與修正。

## 命題十一：來源保持命題

外部注意力操作若破壞來源連結，將降低後續驗證與治理能力。

## 命題十二：保守失敗命題

對高風險、權限不明或不可逆操作，拒絕執行優於生成看似完整但無法治理的結果。

---

# 38. 可反證條件

若實驗顯示：

1. 顯影與普通檢索沒有穩定差異；
2. 抑制帳本與恢復機制不改善錯誤追蹤；
3. 約束套用順序不影響資料暴露或任務結果；
4. 路由計畫不優於單一模型或固定工具；
5. 來源保持與版本約束不改善可靠性；
6. 操作帳本無法重現注意力場；
7. 多候選策略只增加成本而不減少過早錯誤；

則本文提出的算子分層可能沒有必要，或應被更簡單架構取代。

---

# 39. 與後續篇章的接口

本篇建立操作語言，但尚未完整回答：

- AI 如何自主提出與修正操作請求；
- 外掛如何與模型形成閉環；
- 如何分配 token、時間、工具與計算預算；
- 人類介面如何呈現注意力場；
- 誰擁有顯影與抑制權；
- 如何建立可重現實驗。

這些問題將分別由後續篇章處理。

第三篇將集中討論：

# AI—外掛協同注意力閉環

其核心是：

$$
\boxed{
\text{模型提出調控請求}
\rightarrow
\text{外部系統驗證與執行}
\rightarrow
\text{工作場更新}
\rightarrow
\text{模型再推理}
}
$$

---

# 40. 結論

本文提出顯影、抑制、約束與路由四類外部注意力核心算子，將外部注意力場從靜態概念提升為可操作、可拒絕、可撤銷、可驗證與可審計的工程對象。

其基本操作鏈可表示為：

$$
\boxed{
\text{硬約束}
\rightarrow
\text{候選顯影}
\rightarrow
\text{噪音與風險抑制}
\rightarrow
\text{關係展開}
\rightarrow
\text{預算約束}
\rightarrow
\text{模型／工具／Agent 路由}
\rightarrow
\text{驗證與帳本}
}
$$

本文的核心區分是：

$$
\boxed{
\text{顯影不等於認證}
}
$$

$$
\boxed{
\text{抑制不等於刪除}
}
$$

$$
\boxed{
\text{約束不等於懲罰}
}
$$

$$
\boxed{
\text{路由不等於授權}
}
$$

只有當上述操作能夠保持來源、版本、權限、替代候選與操作歷史時，外部注意力調控才不會退化為不可見的上下文剪輯。

因此，外部注意力場工程的操作核心不是「替 AI 選出最相關的內容」，而是：

> 在有限資源、權限與風險條件下，建立一條可解釋、可恢復且可驗證的路徑，使適當的資訊與能力在適當時機進入適當的工作場。

---

## 附錄 A：最小操作序列

```text
接收任務
  ↓
檢查硬權限與安全約束
  ↓
粗顯影候選資訊、記憶與工具
  ↓
抑制重複、過期與低價值內容
  ↓
顯影來源、因果、版本與反例
  ↓
套用預算、時間與寫回約束
  ↓
建立模型、工具、Agent 與人工路由計畫
  ↓
執行、合併與保持來源
  ↓
驗證
  ↓
更新注意力場
  ↓
寫入追加式帳本
```

---

## 附錄 B：最小調控帳本物件

```json
{
  "ledger_id": "eafos-ledger-001",
  "task_id": "task-001",
  "operations": [
    {
      "operation_id": "op-001",
      "operator": "reveal",
      "type": "memory_relation",
      "targets": ["mem-101"],
      "reason": "恢復目前研究分支的決策來源",
      "policy": "research-safe",
      "status": "success",
      "before": {
        "visibility": "latent"
      },
      "after": {
        "visibility": "active",
        "depth": 2
      },
      "provenance": ["message-88", "file-v3"],
      "reversible": true
    }
  ]
}
```