# 工作場、上下文與注意力預算工程：有限資源下的任務閉合與局部世界構造

**Work Fields, Contexts, and Attention-Budget Engineering: Task Closure and Local-World Construction under Finite Resources**

版本：v0.1  
日期：2026-07-28  
文件性質：基礎理論與工程框架論文  
系列：外部注意力場工程系列，第 4 篇  
建議文件代號：`EML-EAFE-04-2026-v0.1`

---

## 摘要

人工智慧系統的上下文視窗、工具調用次數、推理時間、外部資料存取、計算資源與人類審核能力皆為有限。現有上下文工程通常將問題表述為：在固定 token 上限內，如何選擇與排列最相關的文字。然而，長期研究、程式開發、多代理協作、企業工作流與動態記憶恢復所需要的，不只是相關文字集合，而是一個能夠支持任務持續推進的局部工作世界。此工作世界必須同時包含目標、當前狀態、證據、來源、因果、版本、工具、限制、未決節點、失敗路徑與下一步操作。

本文提出「工作場、上下文與注意力預算工程」。本文區分總資訊環境、候選注意力場、活動工作場與模型上下文四個層級，指出上下文只是工作場的一次投影，而工作場本身仍可包含尚未載入模型、但可被條件展開的外部結構與工具能力。本文進一步定義「最小任務閉合工作場」（Minimal Task-Closed Work Field, MTCWF）：在滿足任務推進所需的語義、證據、因果、版本、狀態、工具與治理義務時，不再保留可被安全移除的冗餘元素。

本文將注意力預算建模為多維資源向量，而非單一 token 數量。預算至少包含上下文容量、時間、工具調用、運算、金錢、延遲、人類注意力、風險承受與寫回能力。本文提出硬預算、軟預算、預留預算與緊急預算，並將工作場配置視為帶有閉包義務、來源保持與不確定性限制的受約束決策問題，而不是只最大化相似度分數。

本文系統區分投影、選取、壓縮、摘要、重建、聚合與遺忘。壓縮可以減少表示成本，但若破壞來源、因果、版本或未決節點，便可能造成不可逆的工作場損失。為此，本文提出多解析度工作場、來源錨定摘要、開放節點保留、反例配額、版本純度、因果閉包、注意力預留與滾動工作狀態。本文亦分析上下文漂移、過度壓縮、預算近視、工具循環、來源丟失、舊版本滲透、工作場飢餓與 token 飽和等失敗模式。

本文最後提出「工作場與注意力預算引擎」（Work-Field and Attention-Budget Engine, WFABE）的第一代架構、API、資料模型、策略剖面、評估指標、基礎命題與可反證條件。此架構承接前述外部注意力場、顯影算子與 AI—外掛協同閉環，並為下一篇空間化、視覺化與介面注意力調控奠定資源與狀態基礎。

**關鍵詞：** 工作場、上下文工程、注意力預算、任務閉合、動態顯影、AI Agent、長期記憶、來源保持、版本純度、上下文壓縮

---

# 1. 問題起點：相關內容不等於可工作的局部世界

在簡單問答中，系統可能只需要找到幾段相關文字：

$$
q
\rightarrow
\operatorname{Retrieve}
\rightarrow
\{d_1,d_2,\ldots,d_k\}
\rightarrow
\mathcal M
$$

但對長期任務而言，模型真正需要的通常包括：

- 任務目標；
- 當前進度；
- 已做決策；
- 仍未完成的節點；
- 原始證據；
- 版本與分支；
- 已失敗的方法；
- 可用工具；
- 權限與限制；
- 下一步可執行操作。

因此：

$$
\boxed{
\text{Relevant Content}
\neq
\text{Operational Work Field}
}
$$

一個內容集合即使高度相關，也可能無法回答：

- 現在做到哪裡？
- 哪個版本有效？
- 為什麼採取這個決策？
- 哪些路徑已經失敗？
- 接下來能做什麼？
- 哪些操作不可執行？
- 目前結論依賴哪些來源？

工作場工程處理的正是這種「可延續性」。

---

# 2. 四個層級：總環境、候選場、活動工作場與上下文

令總資訊與能力環境為：

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

其中包含資料、記憶、工具、狀態、政策與歷史。

## 2.1 候選注意力場

經外部顯影後形成：

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

它包含可能與當前任務有關的內容、工具與關係。

## 2.2 活動工作場

由候選注意力場經閉包檢查、預算配置與治理後形成：

$$
\mathbb W_t
=
\Psi
\left(
\mathbb A_t^{\mathrm{cand}},
G_t,
B_t,
K_t
\right)
$$

其中：

- $G_t$ ：任務目標；
- $B_t$ ：注意力預算；
- $K_t$ ：約束。

## 2.3 模型上下文

模型上下文是工作場的當輪投影：

$$
X_t
=
\rho_t
\left(
\mathbb W_t
\right)
$$

因此：

$$
\boxed{
X_t
\subseteq
\mathbb W_t
\subseteq
\mathbb A_t^{\mathrm{cand}}
\subseteq
\mathfrak E_t
}
$$

上下文不等於工作場；工作場也不等於完整環境。

---

# 3. 工作場的正式定義

本文定義活動工作場：

$$
\mathbb W_t
=
\left(
G_t,
S_t,
E_t,
C_t,
V_t,
M_t,
T_t,
K_t,
O_t,
P_t,
L_t
\right)
$$

其中：

- $G_t$ ：目標與成功條件；
- $S_t$ ：當前任務或世界狀態；
- $E_t$ ：證據與原始觀測；
- $C_t$ ：因果、依賴與關係結構；
- $V_t$ ：版本、分支與有效時間；
- $M_t$ ：活動記憶；
- $T_t$ ：可用工具與路由；
- $K_t$ ：權限、風險與資源約束；
- $O_t$ ：開放節點與未完成義務；
- $P_t$ ：來源與證據階層；
- $L_t$ ：操作與調控帳本。

工作場不是單一文字序列，而是可被投影成文字、圖、格子、時間線或工具計畫的結構對象。

---

# 4. 工作場的三種性質

## 4.1 任務相對性

同一總環境面對不同目標：

$$
\mathbb W_t^{(G_1)}
\neq
\mathbb W_t^{(G_2)}
$$

## 4.2 觀測者相對性

不同 Agent、角色或權限身份：

$$
\mathbb W_t^{(o_1)}
\neq
\mathbb W_t^{(o_2)}
$$

## 4.3 暫時性

工作場是當前任務階段的活動結構：

$$
\mathbb W_t
\neq
\mathbb W_{t+1}
$$

它不應直接被等同為永久知識或完整世界。

---

# 5. 任務閉合

本文稱一個工作場對任務 $G$ 閉合，若它至少能支持：

1. 理解目標；
2. 確認當前狀態；
3. 辨識必要證據；
4. 追蹤關鍵因果與依賴；
5. 辨識有效版本；
6. 知道可用工具與限制；
7. 保留重要未決節點；
8. 產生一個合法下一步；
9. 驗證該下一步的結果。

定義任務閉合謂詞：

$$
\operatorname{Closed}
\left(
\mathbb W_t,G_t
\right)
\in
\{0,1\}
$$

更細緻地可表示為：

$$
\operatorname{ClosureScore}
=
f
\left(
c_G,
c_S,
c_E,
c_C,
c_V,
c_T,
c_K,
c_O
\right)
$$

其中各項代表目標、狀態、證據、因果、版本、工具、約束與開放節點的閉合程度。

---

# 6. 最小任務閉合工作場

定義：

# Minimal Task-Closed Work Field

縮寫：

# MTCWF

令工作場成本為：

$$
\operatorname{Cost}
\left(
\mathbb W
\right)
$$

則最小任務閉合工作場為：

$$
\mathbb W_t^{*}
=
\arg\min_{\mathbb W}
\operatorname{Cost}
\left(
\mathbb W
\right)
$$

滿足：

$$
\operatorname{Closed}
\left(
\mathbb W,G_t
\right)
=
1
$$

以及所有硬約束：

$$
K^{\mathrm{hard}}
\left(
\mathbb W
\right)
=
1
$$

但「最小」不代表文字最短，而是：

> 在不破壞任務閉合、來源、版本、因果與治理義務的前提下，移除不必要的表示成本。

---

# 7. 不能用單一相關度建構 MTCWF

若只最大化語義相關度：

$$
\max
\sum_i
S_i x_i
$$

可能排除：

- 低相似但關鍵的原始來源；
- 與當前結論衝突的反例；
- 舊失敗路徑；
- 權限與風險規則；
- 版本分歧；
- 工具限制；
- 下一步提交契約。

因此工作場效用應至少包含：

$$
U_i
=
f
\left(
S_i,
E_i,
C_i,
V_i,
P_i,
O_i,
R_i,
D_i
\right)
$$

其中：

- $S_i$ ：語義相關度；
- $E_i$ ：證據價值；
- $C_i$ ：因果必要性；
- $V_i$ ：版本有效性；
- $P_i$ ：來源價值；
- $O_i$ ：開放節點價值；
- $R_i$ ：風險與治理價值；
- $D_i$ ：多樣性與反例價值。

---

# 8. 注意力預算不是單一 token 上限

本文定義多維注意力預算：

$$
\mathbf B_t
=
\left(
B_t^{\mathrm{tok}},
B_t^{\mathrm{time}},
B_t^{\mathrm{tool}},
B_t^{\mathrm{compute}},
B_t^{\mathrm{money}},
B_t^{\mathrm{latency}},
B_t^{\mathrm{human}},
B_t^{\mathrm{risk}},
B_t^{\mathrm{write}}
\right)
$$

分別表示：

- token 容量；
- 任務時間；
- 工具調用次數；
- 運算資源；
- 費用；
- 可接受延遲；
- 人類注意力；
- 可承受風險；
- 可執行寫回範圍。

因此：

$$
\boxed{
\text{Attention Budget}
\neq
\text{Context Window Only}
}
$$

---

# 9. 硬預算、軟預算、預留預算與緊急預算

## 9.1 硬預算

不可超過：

- 模型上下文上限；
- 法定時限；
- 最高費用；
- 工具配額；
- 權限邊界。

## 9.2 軟預算

可依任務價值或不確定性調整：

- 額外搜尋輪次；
- 額外驗證；
- 更深因果回溯；
- 更多候選版本。

## 9.3 預留預算

不應在初始檢索階段耗盡全部資源。

定義預留比例：

$$
B_t^{\mathrm{reserve}}
=
\alpha
B_t,
\qquad
0<\alpha<1
$$

預留資源用於：

- 新衝突；
- 驗證；
- 反例；
- 工具失敗；
- 人類介入；
- 最終提交檢查。

## 9.4 緊急預算

只在高風險未決節點或重大錯誤時啟用。

---

# 10. 預算分配階段

建議將預算配置為：

$$
\mathbf B_t
=
\mathbf B_{\mathrm{reveal}}
+
\mathbf B_{\mathrm{structure}}
+
\mathbf B_{\mathrm{reason}}
+
\mathbf B_{\mathrm{verify}}
+
\mathbf B_{\mathrm{act}}
+
\mathbf B_{\mathrm{reserve}}
$$

分別用於：

1. 粗顯影；
2. 結構與來源整理；
3. 推理；
4. 驗證；
5. 行動與寫回；
6. 預留。

若初始顯影耗盡全部預算，就可能無法驗證或提交。

---

# 11. 工作場義務

本文定義工作場不只是內容集合，而具有必須被滿足的義務。

## 11.1 目標義務

必須能辨識：

- 任務目的；
- 完成標準；
- 禁止偏離的範圍。

## 11.2 狀態義務

必須知道：

- 目前進度；
- 已完成部分；
- 失敗狀態；
- 活動分支。

## 11.3 證據義務

關鍵結論需有來源或明確標示為推定。

## 11.4 因果義務

需要保留支持下一步決策的必要因果鏈。

## 11.5 版本義務

不得將相互衝突版本無標記混入同一活動狀態。

## 11.6 反例義務

高風險或研究任務需保留重要反例與替代解釋。

## 11.7 工具義務

必須知道哪些工具可用、已使用與不可用。

## 11.8 未決節點義務

未完成問題不能因摘要而消失。

## 11.9 治理義務

權限、風險與提交條件必須進入工作場。

---

# 12. 閉包缺口

定義閉包缺口：

$$
\mathcal G_t^{\mathrm{gap}}
=
\left(
g_G,
g_S,
g_E,
g_C,
g_V,
g_T,
g_K,
g_O
\right)
$$

例如：

- 缺少原始證據；
- 不知道當前有效版本；
- 未辨識下一步工具；
- 尚未解決權限；
- 因果鏈中斷；
- 失敗路徑未記錄；
- 開放節點無負責者。

工作場工程的目標不是把所有資訊載入，而是優先關閉影響任務推進的缺口。

---

# 13. 工作場選取問題

令候選項目為：

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

選取變數：

$$
x_i
\in
\{0,1\}
$$

可寫為多目標問題：

$$
\max
\left[
\sum_i
U_i x_i
-
\lambda
\sum_i
N_i x_i
\right]
$$

其中：

- $U_i$ ：任務效用；
- $N_i$ ：噪音或冗餘成本；
- $\lambda$ ：噪音懲罰。

同時滿足：

$$
\mathbf C
\mathbf x
\leq
\mathbf B_t
$$

以及：

$$
\operatorname{ClosureObligations}
\left(
\mathbf x
\right)
=
1
$$

此問題不必以單一全域最佳化求解；實務上可採分階段啟發式與閉環更新。

---

# 14. 邊際注意力價值

對候選 $c_i$ ，定義邊際工作場價值：

$$
\Delta U_i
=
U
\left(
\mathbb W_t\cup\{c_i\}
\right)
-
U
\left(
\mathbb W_t
\right)
$$

成本為：

$$
\Delta C_i
$$

可考慮比值：

$$
\eta_i
=
\frac{
\Delta U_i
}{
\Delta C_i+\epsilon
}
$$

但低比值項目仍可能因硬義務被保留，例如：

- 法律限制；
- 關鍵反例；
- 原始來源；
- 不可逆操作確認；
- 版本衝突。

所以：

$$
\text{Low Marginal Utility}
\not\Rightarrow
\text{Safe to Remove}
$$

---

# 15. 上下文投影

模型上下文由工作場投影產生：

$$
X_t^{(m)}
=
\rho_m
\left(
\mathbb W_t,
B_t^{\mathrm{tok}}
\right)
$$

不同模型或子代理可獲得不同投影：

$$
X_t^{(m_1)}
\neq
X_t^{(m_2)}
$$

例如：

- 規劃模型看目標、狀態與開放節點；
- 程式模型看程式、測試與依賴；
- 驗證模型看證據、來源與反例；
- 人類介面看摘要、警告與決策點。

但它們仍指向同一權威工作場。

---

# 16. 上下文不是完整重複

若每一輪都重新載入完整歷史：

$$
X_t
=
\operatorname{FullHistory}_{0:t}
$$

成本會持續增長。

更合理的形式是：

$$
X_t
=
X_t^{\mathrm{core}}
\cup
X_t^{\mathrm{delta}}
\cup
X_t^{\mathrm{evidence}}
\cup
X_t^{\mathrm{request}}
$$

其中：

- $X_t^{\mathrm{core}}$ ：穩定任務核心；
- $X_t^{\mathrm{delta}}$ ：上一輪後的變化；
- $X_t^{\mathrm{evidence}}$ ：本輪必要證據；
- $X_t^{\mathrm{request}}$ ：當前操作請求。

---

# 17. 穩定核心與活動邊緣

工作場可分為：

$$
\mathbb W_t
=
\mathbb W_t^{\mathrm{core}}
\cup
\mathbb W_t^{\mathrm{active}}
\cup
\mathbb W_t^{\mathrm{latent}}
$$

## 17.1 穩定核心

長時間保持：

- 任務目的；
- 關鍵定義；
- 主要限制；
- 權威版本；
- 長期決策。

## 17.2 活動邊緣

本輪直接使用：

- 目前證據；
- 正在處理的節點；
- 工具結果；
- 當前推理。

## 17.3 潛在區

未載入模型，但可在需要時快速顯影：

- 完整歷史；
- 替代版本；
- 低優先分支；
- 大型原始資料。

---

# 18. 多解析度工作場

對同一對象 $c_i$ 可保存多種解析度：

$$
c_i^{(0)},
c_i^{(1)},
\ldots,
c_i^{(k)}
$$

例如：

- 標題；
- 一句摘要；
- 結構摘要；
- 關鍵片段；
- 完整內容；
- 原始二進位或資料集。

顯影解析度由任務與預算決定：

$$
r_i^{*}
=
\operatorname{SelectResolution}
\left(
c_i,G_t,B_t
\right)
$$

這比「載入或不載入」更細緻。

---

# 19. 投影、選取、壓縮、摘要、重建與遺忘

## 19.1 投影

$$
\rho:
\mathbb W
\rightarrow
X
$$

改變呈現形式，不一定改變底層資訊。

## 19.2 選取

從候選集中選出活動項目。

## 19.3 壓縮

降低表示成本：

$$
\kappa(c)
=
\widetilde c
$$

## 19.4 摘要

產生人或模型可快速理解的語義表示。

## 19.5 重建

由痕跡、關係與來源恢復工作狀態。

## 19.6 聚合

將多個項目合併為群組或代表結構。

## 19.7 遺忘

失去未來可恢復與可驗證的結構。

因此：

$$
\boxed{
\text{Compression}
\neq
\text{Forgetting}
}
$$

但不良壓縮可能造成遺忘。

---

# 20. 安全壓縮條件

壓縮 $\kappa$ 若要被視為工作場安全，至少應盡量保持：

$$
\operatorname{Goal}
$$

$$
\operatorname{Provenance}
$$

$$
\operatorname{Version}
$$

$$
\operatorname{CausalNecessity}
$$

$$
\operatorname{OpenNodes}
$$

$$
\operatorname{Uncertainty}
$$

可定義保持向量：

$$
\mathbf R_{\kappa}
=
\left(
r_G,
r_P,
r_V,
r_C,
r_O,
r_U
\right)
$$

若某一高風險維度低於門檻，壓縮結果不能取代原始結構，只能作為投影。

---

# 21. 來源錨定摘要

摘要應附帶來源映射：

$$
s_j
\mapsto
\left\{
p_{j1},p_{j2},\ldots,p_{jm}
\right\}
$$

其中每一摘要命題 $s_j$ 對應原始來源片段。

最小來源錨定摘要應記錄：

- 摘要句；
- 原始文件；
- 版本；
- 位置；
- 推導方式；
- 不確定性；
- 是否存在衝突來源。

---

# 22. 開放節點保留

摘要最容易刪除尚未完成的問題。

定義開放節點：

$$
o_i
=
\left(
question,
status,
dependencies,
owner,
next\_action,
risk
\right)
$$

工作場壓縮後必須滿足：

$$
O_t^{\mathrm{critical}}
\subseteq
O_t^{\mathrm{compressed}}
$$

否則系統會產生「看似完整，但無法繼續」的假狀態。

---

# 23. 失敗路徑預算

一般系統偏好保留成功結果，刪除失敗過程。

但長期任務需要避免重複失敗。

令失敗路徑集合為：

$$
F_t
=
\{f_1,f_2,\ldots,f_n\}
$$

並給予最低保留預算：

$$
B_t^{\mathrm{failure}}
\geq
\tau_F
$$

至少保留：

- 嘗試內容；
- 失敗原因；
- 適用版本；
- 是否可重試；
- 已知反例；
- 造成的副作用。

---

# 24. 反例配額

對高風險、研究或爭議任務，可設定：

$$
B_t^{\mathrm{counter}}
\geq
\tau_C
$$

確保工作場不是只包含支持主假設的內容。

反例配額不表示所有觀點等價，而是避免工作場在建構階段過早坍縮。

---

# 25. 版本純度

定義活動版本集合：

$$
V_t^{\mathrm{active}}
$$

若工作場混入彼此不相容的版本而未標記，便發生版本污染。

可定義版本純度：

$$
Q_{\mathrm{version}}
=
1
-
\frac{
N_{\mathrm{unmarked\ conflicts}}
}{
N_{\mathrm{versioned\ items}}+\epsilon
}
$$

必要時，系統應維持平行工作場：

$$
\mathbb W_t^{(v_1)}
\parallel
\mathbb W_t^{(v_2)}
$$

而不是強行合併。

---

# 26. 因果閉包

工作場不需要載入完整因果圖，但必須保留支持當前決策的必要因果子圖：

$$
G_t^{\mathrm{causal},*}
\subseteq
G_t^{\mathrm{causal}}
$$

若下一步操作依賴某前置條件，該條件與其來源應在工作場中可恢復。

因果閉包可檢查：

- 前置條件是否存在；
- 狀態轉移是否合法；
- 關鍵中間步驟是否被摘要消失；
- 結果是否來自不同版本。

---

# 27. 不確定性預算

工作場不能把所有不確定性都壓縮成單一信心值。

定義不確定性集合：

$$
U_t
=
\left\{
u_{\mathrm{source}},
u_{\mathrm{version}},
u_{\mathrm{causal}},
u_{\mathrm{model}},
u_{\mathrm{missing}},
u_{\mathrm{conflict}}
\right\}
$$

注意力預算需要為高影響不確定性保留顯影與驗證空間。

---

# 28. 注意力預留

如果工作場已完全塞滿，模型遇到新證據時只能刪除舊內容或忽略新內容。

因此建議：

$$
B_t^{\mathrm{active}}
<
B_t^{\mathrm{max}}
$$

保留：

$$
B_t^{\mathrm{headroom}}
=
B_t^{\mathrm{max}}
-
B_t^{\mathrm{active}}
$$

用於：

- 突發反例；
- 工具結果；
- 權限警告；
- 版本衝突；
- 使用者新指令。

---

# 29. 滾動工作狀態

在長期任務中，工作場隨時間更新：

$$
\mathbb W_{t+1}
=
\operatorname{Roll}
\left(
\mathbb W_t,
\Delta_t,
G_{t+1}
\right)
$$

滾動操作包括：

- 保留穩定核心；
- 加入新差分；
- 收合已完成節點；
- 保留失敗紀錄；
- 更新版本；
- 重新分配預算；
- 清理暫時工具輸出；
- 保存提交帳本。

---

# 30. 工作場檢查點

在重要階段建立：

$$
\mathbb W_{t_k}^{\mathrm{checkpoint}}
$$

檢查點包含：

- 任務狀態；
- 有效版本；
- 核心證據；
- 開放節點；
- 已知失敗；
- 下一步；
- 預算使用；
- 來源指紋。

檢查點用於：

- Agent 交接；
- 長期恢復；
- 分支；
- 回滾；
- 比較策略。

---

# 31. 上下文打包順序

模型輸入的排列也會影響可用性。

建議一般打包結構：

```text
1. 任務與成功條件
2. 當前權威狀態
3. 本輪操作目標
4. 必要約束與權限
5. 核心證據與來源
6. 因果與版本差異
7. 開放節點與失敗路徑
8. 可用工具與操作契約
9. 最近差分
10. 輸出與驗證要求
```

不同模型與任務可以採不同投影，但不應任意混排來源、指令與外部資料。

---

# 32. 指令、狀態、證據與外部資料分區

上下文至少應區分：

$$
X_t
=
X_t^{\mathrm{instruction}}
\cup
X_t^{\mathrm{state}}
\cup
X_t^{\mathrm{evidence}}
\cup
X_t^{\mathrm{external}}
\cup
X_t^{\mathrm{output}}
$$

避免外部文件中的文字被誤認為系統指令，也避免推定狀態與原始證據混合。

---

# 33. 動態上下文重編譯

每輪不應只在原上下文尾部追加。

定義上下文重編譯：

$$
X_{t+1}
=
\operatorname{CompileContext}
\left(
\mathbb W_{t+1},
m,
B_{t+1}^{\mathrm{tok}}
\right)
$$

它可以：

- 移除失效候選；
- 更新版本；
- 重新排列證據；
- 提升新衝突；
- 降低已完成節點；
- 保留核心任務狀態。

---

# 34. 預算策略剖面

## 34.1 快速回答剖面

- 淺顯影；
- 高語義相關；
- 少量工具；
- 低延遲；
- 基本來源。

## 34.2 深度研究剖面

- 高來源保持；
- 反例配額；
- 多版本；
- 深回溯；
- 大驗證預算。

## 34.3 程式除錯剖面

- 執行日誌；
- 依賴與因果；
- 失敗路徑；
- 測試工具；
- 版本純度。

## 34.4 高風險剖面

- 高證據門檻；
- 人類審核；
- 寫回預留；
- 多重驗證；
- 保守停止。

## 34.5 創意探索剖面

- 多樣性；
- 遠距關係；
- 多候選；
- 延遲過早壓縮；
- 低寫回權限。

---

# 35. 工作場飢餓

若必要項目長期無法獲得預算，發生工作場飢餓：

$$
\exists c_i\in C_{\mathrm{required}}
:
x_i(t)=0
\quad
\forall t\in[t_0,t_1]
$$

例如：

- 反例永遠被低相關度排序排除；
- 版本檢查沒有 token；
- 驗證一直被延後；
- 人類審核預算為零。

系統應設置最低義務配額，避免飢餓。

---

# 36. token 飽和

當：

$$
B_t^{\mathrm{tok,used}}
\approx
B_t^{\mathrm{tok,max}}
$$

可能出現：

- 新證據進不來；
- 舊失效內容仍留在上下文；
- 模型注意力分散；
- 指令被淹沒；
- 工具輸出重複。

解法不是盲目摘要所有內容，而是重新編譯工作場：

1. 移除失效內容；
2. 收合已完成節點；
3. 把低活動內容移回潛在區；
4. 保留來源錨；
5. 重新分配解析度；
6. 留出預備空間。

---

# 37. 上下文漂移

定義任務核心為：

$$
G_0
$$

經多輪工具與推理後，活動目標可能偏移：

$$
D
\left(
G_t,G_0
\right)
>
\tau_G
$$

原因包括：

- 工具結果吸引注意；
- 子任務取代主任務；
- 新資料改變問題定義；
- 模型自行擴張範圍。

系統應區分：

- 合法目標更新；
- 暫時子目標；
- 未經批准的任務漂移。

---

# 38. 預算近視

系統若只優先低成本高相關內容，可能忽略高成本但必要的：

- 原始資料；
- 形式驗證；
- 人類批准；
- 長時間模擬；
- 多來源核對。

因此：

$$
\text{Cheapest Next Step}
\neq
\text{Best Task-Level Strategy}
$$

預算工程需考慮整體任務失敗成本。

---

# 39. 預算遊戲

模型或工具選擇器可能為了符合局部指標：

- 少調工具但降低品質；
- 大量使用便宜工具；
- 省略驗證；
- 把高成本操作延後；
- 用摘要假裝關閉開放節點。

因此評估不能只看成本，也要看任務閉合與來源品質。

---

# 40. 主要失敗模式

## 40.1 過度壓縮

來源、版本與開放節點消失。

## 40.2 壓縮幻覺

摘要加入原文沒有的結論。

## 40.3 來源斷裂

模型只能看到摘要，無法回到證據。

## 40.4 版本滲透

舊內容進入新工作場。

## 40.5 因果斷裂

只保留結論，刪除必要中間關係。

## 40.6 開放節點消失

未完成問題被摘要成已完成狀態。

## 40.7 工具輸出囤積

每次工具結果永久留在上下文。

## 40.8 重複檢索

系統忘記已查過的來源與失敗。

## 40.9 驗證預算耗盡

前段檢索使用全部資源。

## 40.10 人類注意力濫用

頻繁要求確認，造成審核疲勞。

## 40.11 工作場分支污染

多個候選方案無標記合併。

## 40.12 預算不可解釋

無法說明資源為何分配到某些內容或工具。

---

# 41. 工作場治理原則

## 原則一：閉合優先於填滿

上下文未滿不代表應繼續加入內容；上下文已滿也不代表工作場已閉合。

## 原則二：先保留義務，再配置相關內容

來源、版本、權限與關鍵反例不能完全交給相似度排序。

## 原則三：預留驗證與意外預算

不得在前段搜尋耗盡全部資源。

## 原則四：壓縮必須可回溯

壓縮表示應保留原始來源錨。

## 原則五：工作場與永久記憶分離

本輪活動狀態不得自動成為長期事實。

## 原則六：開放節點不得靜默消失

任何關閉都需狀態與理由。

## 原則七：多版本應分支，不應假合併

## 原則八：上下文每輪可重編譯

避免無限追加。

## 原則九：高風險任務保留反例與不確定性

## 原則十：預算決策可審計

---

# 42. 工作場與注意力預算引擎

本文將第一代系統命名為：

# Work-Field and Attention-Budget Engine

縮寫：

# WFABE

定義：

$$
\operatorname{WFABE}
=
\left(
\mathfrak E,
\mathbb A,
\mathbb W,
\mathcal C,
\mathcal B,
\mathcal S,
\mathcal K,
\rho,
\kappa,
\mathcal V,
\mathcal L
\right)
$$

其中：

- $\mathfrak E$ ：總環境；
- $\mathbb A$ ：候選注意力場；
- $\mathbb W$ ：活動工作場；
- $\mathcal C$ ：閉包義務；
- $\mathcal B$ ：多維預算；
- $\mathcal S$ ：選取與配置器；
- $\mathcal K$ ：約束；
- $\rho$ ：上下文投影器；
- $\kappa$ ：壓縮與多解析度管理器；
- $\mathcal V$ ：驗證器；
- $\mathcal L$ ：預算與場變更帳本。

---

# 43. WFABE 系統流程

```text
Task Goal and Current State
            ↓
Candidate Attention Field
            ↓
Closure-Gap Analysis
            ↓
Hard Obligations and Constraints
            ↓
Multi-Dimensional Budget Allocation
            ↓
Work-Field Selection
            ↓
Resolution and Compression Planning
            ↓
Model-Specific Context Compilation
            ↓
Reasoning / Tool / Verification Cycle
            ↓
Work-Field Delta and Budget Ledger
            ↓
Rolling State or Checkpoint
```

---

# 44. 最小 API 草案

```text
analyze_closure_gaps(
  task,
  candidate_field,
  policy_profile
) -> ClosureGapReport

allocate_attention_budget(
  task,
  closure_gaps,
  available_resources,
  strategy_profile
) -> BudgetPlan

build_work_field(
  candidate_field,
  closure_obligations,
  budget_plan,
  constraints
) -> OperationResult[WorkField]

compile_context(
  work_field,
  target_model,
  token_budget,
  projection_profile
) -> ModelContext

compress_with_provenance(
  work_field_items,
  compression_profile
) -> CompressedRepresentation

roll_work_field(
  previous_work_field,
  field_delta,
  new_task_state
) -> UpdatedWorkField

checkpoint_work_field(
  work_field,
  checkpoint_profile
) -> WorkFieldCheckpoint
```

---

# 45. 最小資料模型

```json
{
  "work_field_id": "wf-001",
  "task_id": "task-001",
  "goal": {
    "description": "恢復研究專案並完成下一個實驗",
    "completion_conditions": []
  },
  "state": {},
  "evidence": [],
  "causal_structure": [],
  "versions": [],
  "active_memory": [],
  "tools": [],
  "constraints": [],
  "open_nodes": [],
  "failures": [],
  "provenance": [],
  "budget": {
    "tokens": {
      "maximum": 64000,
      "active": 42000,
      "reserve": 12000
    },
    "tool_calls": {
      "maximum": 20,
      "used": 8,
      "reserve": 4
    },
    "human_reviews": {
      "maximum": 2,
      "used": 0
    }
  },
  "closure": {
    "goal": true,
    "state": true,
    "evidence": false,
    "causality": true,
    "version": true,
    "tools": true,
    "constraints": true,
    "open_nodes": true
  },
  "ledger": []
}
```

---

# 46. 評估指標

## 46.1 任務閉合率

$$
R_{\mathrm{closure}}
=
\frac{
\text{已滿足閉包義務}
}{
\text{全部必要閉包義務}
}
$$

## 46.2 必要證據覆蓋率

$$
R_{\mathrm{evidence}}
=
\frac{
|E_{\mathrm{required}}\cap E_{\mathrm{field}}|
}{
|E_{\mathrm{required}}|
}
$$

## 46.3 因果閉包率

## 46.4 版本純度

## 46.5 來源保持率

## 46.6 開放節點保留率

$$
R_{\mathrm{open}}
=
\frac{
|O_{\mathrm{critical,after}}|
}{
|O_{\mathrm{critical,before}}|
}
$$

## 46.7 無關內容率

$$
R_{\mathrm{noise}}
=
\frac{
N_{\mathrm{irrelevant}}
}{
N_{\mathrm{active}}
}
$$

## 46.8 壓縮損失率

衡量壓縮後關鍵命題、來源、版本與不確定性損失。

## 46.9 預算使用效率

$$
E_{\mathrm{budget}}
=
\frac{
\Delta Q_{\mathrm{task}}
}{
\mathbf C_{\mathrm{used}}
}
$$

此指標應以多維報告呈現，不宜只壓成單一分數。

## 46.10 預留預算存活率

衡量任務後段是否仍保有驗證與異常處理資源。

## 46.11 滾動連續性

衡量下一輪是否能從工作場直接繼續，而非重新搜尋整個歷史。

## 46.12 上下文漂移率

---

# 47. 基礎命題

## 命題一：上下文投影命題

模型上下文是工作場的有限投影，而不是完整工作場。

## 命題二：工作場閉合命題

高相關內容集合不必然構成可推進任務的閉合工作場。

## 命題三：最小非最短命題

最小任務閉合工作場追求最低安全表示成本，而非最短文字。

## 命題四：多維預算命題

注意力資源至少包含 token、時間、工具、運算、金錢、人類注意與風險，不可只以 context window 表示。

## 命題五：義務優先命題

來源、版本、因果、開放節點與治理義務不能完全由語義相關度排序決定。

## 命題六：壓縮非遺忘命題

壓縮若保持來源與可重建結構，不必等同遺忘；破壞可恢復性時才形成工作場損失。

## 命題七：預留必要命題

沒有預留預算的系統，在新證據、衝突與驗證階段容易失去調整能力。

## 命題八：動態重編譯命題

長期任務的上下文應由更新後工作場重新編譯，而非無限追加歷史。

## 命題九：失敗保留命題

失敗路徑具有避免重複成本與校正策略的正向注意力價值。

## 命題十：分支純度命題

不相容版本與候選狀態應保留分支身份，而非為節省上下文而強制融合。

## 命題十一：工作場暫時命題

活動工作場是任務相對、可撤銷的局部世界，不應自動被寫成永久知識。

## 命題十二：連續性命題

好的工作場不只提高當輪回答品質，也應提高下一輪任務的可直接延續性。

---

# 48. 可反證條件

若對照實驗顯示：

1. 只依語義相關度選取上下文，與閉包義務方法沒有穩定差異；
2. 多維預算模型不優於單一 token 預算；
3. 預留預算不改善後段驗證與異常處理；
4. 來源錨定壓縮不改善可追溯性；
5. 保留失敗路徑只增加成本而不降低重複失敗；
6. 工作場重編譯不優於持續追加上下文；
7. MTCWF 不改善任務延續、版本純度或開放節點保留；
8. WFABE 的工程成本長期大於其品質與治理收益；

則本文提出的工作場層可能只適用於長期、高風險或多工具任務，而不具普遍必要性。

---

# 49. 與 EAFOS、GAALS 的關係

第二篇建立 EAFOS：

- 顯影；
- 抑制；
- 約束；
- 路由。

第三篇建立 GAALS：

- AI 提案；
- 治理；
- 外掛執行；
- 觀測；
- 場補丁；
- 再推理。

本篇的 WFABE 負責：

- 分析閉包缺口；
- 配置多維預算；
- 建立活動工作場；
- 編譯模型上下文；
- 管理壓縮與解析度；
- 保持滾動連續性。

因此：

$$
\boxed{
\text{EAFOS：如何調控}
}
$$

$$
\boxed{
\text{GAALS：如何形成閉環}
}
$$

$$
\boxed{
\text{WFABE：在多少資源下保留什麼}
}
$$

---

# 50. 與 NOVA、EML-U、格子語言及動態顯影的接口

## 50.1 EML-U

可保存尚未降階的意圖、來源、不確定性、替代解釋與壓縮損失標記。

## 50.2 NOVA

可保存：

- 權威工作場圖；
- 型別化版本；
- 因果與依賴；
- 預算契約；
- 上下文編譯規則；
- 場補丁與提交語義。

## 50.3 格子語言

可將：

- 工作場核心；
- 活動邊緣；
- 潛在區；
- 預算區；
- 開放節點；
- 工具與驗證器；

封裝成可操作格子。

## 50.4 動態顯影

依預算、任務與觀測者，決定哪些格子、關係與解析度進入活動工作場。

---

# 51. 與下一篇的接口

本篇說明如何建構工作場、配置預算與編譯上下文，但尚未完整回答：

- 人類與 AI 如何共同看見工作場？
- 空間位置、視覺高亮與語義注意力如何區分？
- 無限畫布、格子語言、創生矩陣與熱圖如何承載工作場？
- 使用者的展開、收合、鎖定與拖曳是否改變 AI 的可見域？
- 如何讓注意力調控可操作而不是只存在於後端？

這些問題由第五篇：

# 《空間化、視覺化與介面注意力調控》

正式展開。

---

# 52. 結論

本文提出工作場、上下文與注意力預算工程，將 AI 上下文問題從「如何塞入更多相關文字」提升為：

> 如何在有限 token、時間、工具、運算、人類注意力與風險預算下，建立一個最小但任務閉合、來源可追溯、版本不混線、保留反例與開放節點，並能支持下一步行動的局部工作世界。

完整流程為：

$$
\boxed{
\text{候選注意力場}
\rightarrow
\text{閉包缺口分析}
\rightarrow
\text{多維預算配置}
\rightarrow
\text{最小任務閉合工作場}
\rightarrow
\text{模型上下文投影}
\rightarrow
\text{推理、工具與驗證}
\rightarrow
\text{工作場滾動更新}
}
$$

本文的核心區分為：

$$
\boxed{
\text{上下文}
\neq
\text{工作場}
\neq
\text{總資訊環境}
}
$$

以及：

$$
\boxed{
\text{最相關}
\neq
\text{足以完成任務}
}
$$

$$
\boxed{
\text{最短}
\neq
\text{最小任務閉合}
}
$$

$$
\boxed{
\text{壓縮}
\neq
\text{遺忘}
}
$$

$$
\boxed{
\text{預算用完}
\neq
\text{任務完成}
}
$$

外部注意力場工程只有在能夠管理「保留什麼、以何種解析度保留、何時展開、為何壓縮，以及還剩多少資源可以處理意外」時，才真正從檢索與上下文拼接提升為持續工作的系統工程。

---

## 附錄 A：最小任務閉合檢查

```json
{
  "closure_check": {
    "goal_understood": true,
    "current_state_known": true,
    "critical_evidence_present": false,
    "causal_dependencies_present": true,
    "active_version_identified": true,
    "tools_available": true,
    "constraints_loaded": true,
    "critical_open_nodes_preserved": true,
    "legal_next_action_available": false
  }
}
```

---

## 附錄 B：預算配置範例

```json
{
  "attention_budget_plan": {
    "tokens": {
      "total": 64000,
      "core_state": 9000,
      "evidence": 18000,
      "causal_and_version": 7000,
      "open_nodes_and_failures": 5000,
      "tool_results": 8000,
      "reasoning_workspace": 7000,
      "reserve": 10000
    },
    "tool_calls": {
      "total": 20,
      "reveal": 6,
      "verification": 5,
      "execution": 3,
      "reserve": 6
    },
    "human_attention": {
      "reviews": 2,
      "reserved_for": [
        "irreversible write",
        "unresolved version conflict"
      ]
    }
  }
}
```

---

## 附錄 C：工作場滾動補丁

```json
{
  "work_field_delta": {
    "base_work_field": "wf-001",
    "completed_nodes": ["node-17"],
    "new_evidence": ["evidence-304"],
    "suppressed_items": ["duplicate-88"],
    "version_updates": {
      "module-a": "v2.3"
    },
    "new_open_nodes": [
      "verify evidence-304 against original dataset"
    ],
    "budget_delta": {
      "tokens_used": 4200,
      "tool_calls_used": 1
    },
    "checkpoint_required": false
  }
}
```