# Operator-Assisted Memory ## 算子標籤、混合檢索與可解釋 AI 知識導航 **中文題名：** 算子輔助記憶：算子標籤、混合檢索與可解釋 AI 知識導航 **作者：** Neo.K（許筌崴） **AI 協作：** GPT-5.6 Thinking **機構：** EveMissLab／一言諾科技有限公司 **文件性質：** 內部研究論文／內視分類學重構系列應用論文 F **版本：** v0.1 **日期：** 2026-07-31 **狀態：** 系統架構、資料模型與實驗設計；尚未完成大規模實作驗證 **取代關係：** 本文取代《內視記憶系統：基於坐標化的 AI 知識管理框架》作為目前正式基線；舊 IMS 保留為歷史探索版本 **前置文件：** 1. 《內視分類學的算子論》 2. 《第一人稱可及性與公共不可觀察性》 3. 《內視算子代數》 4. 《宗教與神秘體驗的算子比較》 5. 《內感—呼吸—動作耦合》 --- ## 摘要 本文提出 Operator-Assisted Memory（OAM，算子輔助記憶），作為舊版 Inner-View Memory System（IMS）的重構版本。舊 IMS 將文檔映射到七維坐標，主張具有明確認知語義的低維坐標可以取代或超越高維向量嵌入，並能以坐標距離實現精確檢索、可解釋導航及從「RAG 1.0」到「RAG 2.0」的範式轉移。該設計包含一項仍具價值的直覺：AI 知識系統不應只能回答「哪份文本最相似」，還應支援「更抽象」「更具體」「更接近原始來源」「更偏實證」「查看反例」「沿依賴向上」等方向性導航。然而，舊版把七個人工坐標視為完整語義空間，並在沒有實驗結果的情況下宣稱其在精度、可解釋性與擴展性上優於傳統 RAG，這些強主張必須撤回。 OAM 不以算子標籤取代向量嵌入，而採用多表示、多索引與自適應路由架構。每個知識物件 $d$ 被表示為： $$ \mathcal{K}(d) = \left( E_d, L_d, \Phi_d, G_d, P_d, V_d, S_d, C_d \right) $$ 其中： - $E_d$ ：dense semantic embedding； - $L_d$ ：sparse lexical representation； - $\Phi_d$ ：內視算子及知識操作標籤； - $G_d$ ：概念、命題、依賴及引用圖； - $P_d$ ：來源與 provenance； - $V_d$ ：版本與時間狀態； - $S_d$ ：認識狀態； - $C_d$ ：存取、可見性及領域條件。 查詢不再只被映射成一個向量，而被編譯為查詢計畫： $$ \mathcal{Q}(q) = \left( q_{\mathrm{lex}}, q_{\mathrm{sem}}, q_{\mathrm{op}}, q_{\mathrm{graph}}, q_{\mathrm{epi}}, q_{\mathrm{version}}, q_{\mathrm{route}} \right) $$ 不同查詢可以自適應選擇： - sparse retrieval； - dense retrieval； - hybrid fusion； - operator filtering； - graph traversal； - provenance backtracking； - version retrieval； - global community search； - answerability gating。 最終候選分數可表示為： $$ \operatorname{Score}(d\mid q) = \mathcal{F} \left( s_{\mathrm{sparse}}, s_{\mathrm{dense}}, s_{\mathrm{operator}}, s_{\mathrm{graph}}, s_{\mathrm{provenance}}, s_{\mathrm{epistemic}}, s_{\mathrm{version}} \right) $$ 但本文不預設固定線性權重。近期混合 RAG、GraphRAG、query routing 及 retriever routing 研究皆指出，不同問題對稀疏、稠密、圖式及不同檢索器的需求不相同；固定單一路徑往往不能處理精確詞彙、全局主題、多跳關係與版本條件等異質問題。 OAM 的新意不在於宣稱一組算子標籤可以表示全部語義，而在於將算子標籤作為**可解釋導航面**。向量檢索回答「語義上接近什麼」；算子標籤回答「以何種方向、角色與操作關係接近」；TCF 與圖結構回答「這項命題依賴什麼、由何處而來、目前是猜想還是已驗證」；Original 則提供最高來源回調。 本文提出十四種導航指令、查詢路由器、多階段檢索管線、檢索追蹤證書、節點級與文檔級雙層索引、標籤不確定性、反過濾救援、版本失效傳播，以及適用於 Logic Matrix 的最小資料結構。本文亦提出一套對照實驗，將 BM25、dense RAG、hybrid RAG、GraphRAG、舊 IMS、OAM 及 OAM+TCF 進行比較。評估不只包含 Precision@k 與 Recall@k，也包含導航成功率、依賴路徑正確率、來源可追溯率、認識狀態保持率、版本混淆率、解釋忠實性、過度過濾損失與全局問題覆蓋度。 本文最終主張：AI 記憶問題不是單純的「記住」或「找到」，而是能否在不同檢索模式之間路由，理解知識物件的角色與狀態，沿著明確方向探索，並說明此次檢索為何成立。算子標籤不應取代向量，而應成為向量搜尋缺少的方向盤、儀表板與交通規則。 **關鍵詞：** Operator-Assisted Memory、混合檢索、RAG、GraphRAG、算子標籤、知識導航、TCF、來源追溯、query routing、可解釋檢索 --- # 0. 從 IMS 到 OAM ## 0.1 舊 IMS 的核心直覺 舊 IMS 指出三個真實問題： 1. 向量嵌入維度通常缺乏人類可讀語義； 2. 餘弦相似不直接解釋「為何相關」； 3. 一般 RAG 容易做相似搜尋，卻不容易支援方向性探索。 它因此提出： $$ \Phi: d \rightarrow (d_1,\ldots,d_7) $$ 並使用： $$ D_{\mathrm{coord}}(q,d) = \sqrt{ \sum_i w_i(q_i-d_i)^2 } $$ 重新排序候選文檔。 舊版甚至已經採用： 1. 向量粗召回； 2. 七維坐標重排； 的混合雛形，而非完全刪除向量。這是可保留的工程起點。 ## 0.2 舊 IMS 的過度主張 問題在於它進一步宣稱： - $\mathbb{R}^{768}$ 是無結構黑箱； - $\mathbb{R}^{7}$ 是具有完整元規則的白箱； - 七維坐標能精確表示文檔； - 坐標距離反映真實語義關係； - IMS 已在精度、可解釋性及擴展性上證明優於 RAG； - 「更抽象」可以直接等同提高單一 $d_3$ ； - 主客比例、頻譜及拓撲可作為所有文件的通用標量。 這些內容沒有完成實驗，也承接了舊內視分類學的完備性假定。 ## 0.3 新命名 「Inner-View Memory System」容易把 AI 知識檢索與主觀內視混在一起。 新名稱： $$ \boxed{ \text{Operator-Assisted Memory} } $$ 強調的是： - 算子標籤輔助； - 不取代其他表示； - 記憶是存取與導航系統； - 不預設 AI 具有主觀內視。 --- # 1. 記憶不是單一向量 令知識物件集合為： $$ \mathcal{D} = \{ d_1,d_2,\ldots,d_N \} $$ 每個知識物件可以是： - 一篇 Original； - 一份 TCF； - 一個命題節點； - 一段來源； - 一項實驗； - 一份 3M 結果； - 一次對話； - 一個版本差異； - 一項反例。 OAM 將每個物件表示為： $$ \mathcal{K}(d) = ( E,L,\Phi,G,P,V,S,C ) $$ ## 1.1 稠密表示 $E$ $$ E(d)\in\mathbb{R}^{n} $$ 用於： - 語義近似； - 同義改寫； - 跨語言召回； - 模糊查詢； - 內容相似。 OAM 不把 embedding 描述成「無結構所以沒有價值」。它是學習得到的分布式表示，其內部維度不必逐維可讀，仍可能具有強大召回能力。 ## 1.2 稀疏表示 $L$ 包含： - BM25； - learned sparse representation； - 關鍵詞； - 專有名詞； - 符號； - 精確版本號； - 文件編號； - 人名與引用。 稀疏檢索對下列查詢常有優勢： ```text TCF v2.1 KINV-00042 Δ_OT EML-IOT-2026-v4.0 ``` ## 1.3 算子標籤 $\Phi$ $$ \Phi(d) = \{ (o_i,\theta_i,\gamma_i,p_i) \} $$ 其中： - $o_i$ ：算子類型； - $\theta_i$ ：參數； - $\gamma_i$ ：標註信心； - $p_i$ ：來源與標註方法。 算子標籤可以包括： ```text SCOPE.FOCUS SCOPE.EXPAND META.REVIEW REP.FORMALIZE REP.COMPRESS TIME.HISTORICAL TIME.COUNTERFACTUAL REL.SELF_AS_OBJECT RHYTHM.PERIODIC STRUCT.HIERARCHICAL INTERO.BREATH ACTION.ROBOT_CONTROL ``` 對一般知識文件，亦可增加知識導航標籤： ```text ABSTRACTION.UP ABSTRACTION.DOWN EVIDENCE.EMPIRICAL EVIDENCE.FORMAL EVIDENCE.TESTIMONIAL ROLE.DEFINITION ROLE.HYPOTHESIS ROLE.COUNTEREXAMPLE ROLE.IMPLEMENTATION ROLE.CRITIQUE ``` ## 1.4 關係圖 $G$ TCF／SGCD／研究圖中可包含： ```text defines depends_on supports contradicts refines implements tests translates supersedes derived_from same_claim_as counterexample_to ``` ## 1.5 來源 $P$ 包括： - Original SourceSpan； - 作者； - 文件； - 外部文獻； - 生成模型； - 人工覆核； - 3M artifact； - 轉換歷史。 ## 1.6 版本 $V$ $$ V(d) = ( v_{\mathrm{doc}}, v_{\mathrm{tcf}}, v_{\mathrm{schema}}, t_{\mathrm{valid}}, t_{\mathrm{deprecated}} ) $$ ## 1.7 認識狀態 $S$ ```text DEFINITION OBSERVATION SOURCE_CLAIM HYPOTHESIS CONJECTURE DERIVED FORMALLY_PROVED MACHINE_CHECKED REPRODUCED REFUTED UNRESOLVED ``` ## 1.8 條件 $C$ 包括： - 領域； - 語言； - 可見性； - 安全層級； - 適用族群； - 版本限制； - 使用權； - 任務前提。 --- # 2. 查詢也不是單一向量 使用者查詢 $q$ 可能同時包含： - 內容需求； - 精確詞彙； - 導航方向； - 證據要求； - 版本要求； - 來源要求； - 排除條件； - 回答形式。 因此定義查詢編譯： $$ \mathcal{Q}(q) = ( q_{\mathrm{lex}}, q_{\mathrm{sem}}, q_{\mathrm{op}}, q_{\mathrm{graph}}, q_{\mathrm{epi}}, q_{\mathrm{version}}, q_{\mathrm{route}} ) $$ ## 2.1 示例 查詢： > 找出比舊 IMS 更嚴謹、但仍保留知識導航概念的新版理論。 可編譯為： ```yaml lexical: include: [IMS, 知識導航] semantic: intent: replacement framework for IMS operator: require: - META.REVIEW - REP.FORMALIZE navigation: direction: - VERSION.LATEST - EPISTEMIC.MORE_RIGOROUS graph: relation: - supersedes - refines version: prefer_active: true epistemic: exclude: - historical_claim_as_current route: type: hybrid_graph ``` 查詢： > 從這篇理論往下找第一個可執行 MVP。 可編譯為： ```yaml navigation: direction: - APPLICATION.DOWN - IMPLEMENTATION.NEAREST graph: relation: - implements - operationalizes epistemic: prefer: - SPECIFICATION - CODE - TEST_RESULT ``` --- # 3. 十四種知識導航方向 舊 IMS 最有價值的概念，是把檢索從「找相似」提升到「沿方向移動」。 OAM 定義最小導航集合。 ## 3.1 抽象度導航 ```text ABSTRACT.UP CONCRETE.DOWN ``` 不是對單一標量加減，而是沿關係圖尋找： - 一般化； - 上位概念； - 基礎原理； - 具體案例； - 實作； - 數據。 ## 3.2 來源導航 ```text SOURCE.BACK DERIVATION.FORWARD ``` - 回到 Original； - 從來源走向衍生理論。 ## 3.3 證據導航 ```text EVIDENCE.STRONGER EVIDENCE.WEAKER ``` 例如由： ```text CONJECTURE → TESTABLE_HYPOTHESIS → EXPERIMENT → REPRODUCED ``` ## 3.4 時間與版本 ```text VERSION.EARLIER VERSION.LATER ``` ## 3.5 立場與反例 ```text CRITIQUE.OPPOSING COUNTEREXAMPLE.NEAREST ``` ## 3.6 依賴 ```text DEPENDENCY.UPSTREAM DEPENDENCY.DOWNSTREAM ``` ## 3.7 表徵 ```text REP.ORIGINAL REP.COMPRESSED ``` ## 3.8 主體與觀察面 ```text PERSPECTIVE.FIRST_PERSON PERSPECTIVE.PUBLIC_EVIDENCE ``` 這十四種方向可以組合，不宣稱彼此正交。 --- # 4. 多階段檢索管線 ## 4.1 查詢理解 $$ q \rightarrow \widehat{\mathcal{Q}}(q) $$ 輸出： - query type； - entities； - exact terms； - operator directions； - evidence requirement； - version requirement； - answerability risk。 ## 4.2 路由 路由器： $$ \rho(q) \rightarrow \mathcal{R}_q $$ 其中 $\mathcal{R}_q$ 可為： ```text SPARSE_ONLY DENSE_ONLY HYBRID OPERATOR_FILTERED GRAPH_LOCAL GRAPH_GLOBAL VERSION_TRACE SOURCE_TRACE NO_RETRIEVAL ``` 不同查詢需要不同檢索器。近年的 query routing 與 retriever routing 研究亦把「一體適用的單一檢索器」視為限制，並依查詢與下游生成效用動態選擇路徑。 ## 4.3 第一階段召回 候選集合： $$ C_0 = C_{\mathrm{sparse}} \cup C_{\mathrm{dense}} \cup C_{\mathrm{graph}} $$ 可用 Reciprocal Rank Fusion： $$ \operatorname{RRF}(d) = \sum_{r\in\mathcal{R}} \frac{1}{k+\operatorname{rank}_r(d)} $$ ## 4.4 算子與條件處理 分為兩類。 ### 硬約束 例如： - 必須是最新版； - 不得公開內部文件； - 必須有 Original； - 必須是 `FORMALLY_PROVED`。 ### 軟偏好 例如： - 更抽象； - 更偏實作； - 與第一人稱資料更接近； - 較強證據。 避免把所有算子條件都做成 hard filter，否則標註錯誤會造成零召回。 ## 4.5 圖擴展 對候選節點沿關係擴展： $$ C_1 = \operatorname{Expand} ( C_0, G, r, h ) $$ 其中： - $r$ ：關係類型； - $h$ ：最大跳數。 ## 4.6 重排 $$ C_2 = \operatorname{Rerank} ( q, C_1, \mathcal{Q}(q) ) $$ 重排器同時考慮： - 問題相關； - 生成可用性； - 來源； - 狀態； - 多樣性； - 重複； - 版本。 ## 4.7 回答能力閘門 若： - 沒有足夠來源； - 候選互相衝突； - 只有歷史版本； - 問題需要尚不存在的證據； 則輸出： ```text PARTIALLY_ANSWERABLE UNANSWERABLE_FROM_CORPUS VERSION_CONFLICT EVIDENCE_INSUFFICIENT ``` 而不是強行生成。 --- # 5. 分數模型 最簡形式： $$ s(d\mid q) = \alpha s_L + \beta s_E + \gamma s_{\Phi} + \delta s_G + \eta s_P + \mu s_S + \nu s_V $$ 但固定權重具有侷限。 ## 5.1 查詢自適應權重 $$ \mathbf{w}_q = f_{\omega} ( q, \operatorname{margin}_{\mathrm{sparse}}, \operatorname{margin}_{\mathrm{dense}}, \operatorname{coverage}_{\Phi}, \operatorname{graph\_availability} ) $$ 精確專有名詞查詢可提高 sparse 權重；概念改寫提高 dense 權重；依賴與全局問題提高 graph 權重；方向性探索提高 operator 權重。 ## 5.2 生成效用 相關文檔不一定能支持正確回答。因此加入： $$ u_{\mathrm{gen}}(d,q) $$ 衡量文檔是否包含： - 可引用證據； - 完整條件； - 可解析來源； - 足夠上下文； - 正確版本。 最終： $$ s^* = \lambda s_{\mathrm{retrieval}} + (1-\lambda)u_{\mathrm{gen}} $$ ## 5.3 多樣性 對全局問題，避免 top-$k$ 全部來自同一局部群組： $$ \operatorname{MMR} = \arg\max_d \left[ \lambda s(d,q) - (1-\lambda) \max_{d'\in C_{\mathrm{selected}}} \operatorname{sim}(d,d') \right] $$ --- # 6. 算子標籤不是坐標真理 ## 6.1 多標籤而非單點 同一文件可以同時包含： ```text REP.FORMALIZE META.CRITIQUE TIME.HISTORICAL REL.MULTI_AGENT ACTION.IMPLEMENTATION ``` 所以： $$ \Phi(d) \neq (x_1,\ldots,x_9) $$ 而是帶不確定性的集合或序列。 ## 6.2 節點級標籤 整篇論文可能同時包含： - 理論背景； - 實驗； - 猜想； - 批判； - 實作。 因此算子應標在： - document； - section； - statement； - relation； - source span； 不同粒度。 ## 6.3 不確定性 $$ P(o_i\mid d) $$ 而不是： $$ o_i(d)\in\{0,1\} $$ 保留： ```text confidence annotator model_version review_status ``` ## 6.4 開放集合 若現有算子不適合： ```text UNKNOWN_OPERATOR NEW_OPERATOR_CANDIDATE MULTIPLE_PLAUSIBLE ``` 不能強行分類。 --- # 7. 反過濾救援 結構標籤最大的風險，是錯誤標籤使真正相關文檔被排除。 ## 7.1 過度過濾 若硬條件導致： $$ |C| 為什麼這份資料出現在結果中？ 示例： ```json { "retrieval_id": "OAM-R-00042", "query": "找出內視分類學中更嚴謹的呼吸理論", "route": [ "HYBRID", "OPERATOR_FILTERED", "VERSION_TRACE" ], "query_plan": { "semantic_intent": "reconstructed breathing framework", "operators": [ "META.CRITIQUE", "REP.FORMALIZE", "INTERO.BREATH" ], "version_preference": "latest_active", "epistemic_preference": "testable_over_metaphysical" }, "result": { "document_id": "IOT-E-v0.1", "scores": { "sparse": 0.63, "dense": 0.91, "operator": 0.88, "graph": 1.0, "version": 1.0, "epistemic": 0.94 }, "graph_path": [ "historical_v3", "superseded_by", "IOT-E-v0.1" ], "source_available": true }, "explanation": [ "This document supersedes the historical breathing paper.", "It is tagged as interoception, respiration, action, and methodological critique.", "It has a later active version and separates testable claims from ontology." ] } ``` 解釋必須由實際檢索訊號生成，不能事後由 LLM 編造。 --- # 11. OAM 資料結構 ```json { "knowledge_object_id": "KO-00042", "granularity": "statement", "content": "...", "representations": { "dense_embedding_ref": "emb://...", "sparse_terms": ["TCF", "knowledge invariant"], "language": "zh-Hant" }, "operators": [ { "family": "REP", "mode": "FORMALIZE", "confidence": 0.91, "annotator": "model+human" }, { "family": "META", "mode": "CRITIQUE", "confidence": 0.84 } ], "knowledge_role": [ "HYPOTHESIS", "FRAMEWORK" ], "relations": [ { "type": "supersedes", "target": "KO-OLD-001" }, { "type": "depends_on", "target": "KO-00011" } ], "provenance": { "original_document": "DOC-009", "source_spans": ["SPAN-021", "SPAN-028"], "tcf_version": "2.1.0" }, "version": { "semantic_version": "0.1", "status": "active", "valid_from": "2026-07-31" }, "epistemic_status": { "state": "STRUCTURAL_CONJECTURE", "verification": "NOT_TESTED" }, "access": { "visibility": "internal" } } ``` --- # 12. 索引架構 ## 12.1 Dense index 用於語義召回。 ## 12.2 Sparse index 用於精確術語與符號。 ## 12.3 Operator index 倒排： ```text REP.FORMALIZE → [KO-1, KO-7, KO-9] META.CRITIQUE → [KO-2, KO-9] ``` ## 12.4 Graph index 鄰接表、property graph 或 RDF／TCF relation store。 ## 12.5 Version index 追蹤： - active； - deprecated； - historical； - superseded； - branch； - merge。 ## 12.6 Provenance index 由命題回到： - SourceSpan； - Original； - artifact； - reviewer； -生成流程。 ## 12.7 Epistemic index 支援： ```text only_verified include_conjectures show_refuted show_unresolved ``` --- # 13. 查詢路由類型 ## 13.1 Exact lookup 例： > KINV-00042 是什麼？ 使用 sparse + ID index。 ## 13.2 Semantic lookup 例： > 哪些理論討論 AI 如何維持可修訂知識？ 使用 dense + rerank。 ## 13.3 Directional navigation 例： > 找比這篇更具體的實作。 使用 operator + graph。 ## 13.4 Relational query 例： > 哪些論文依賴「Original 最高來源」？ 使用 graph traversal。 ## 13.5 Global query 例： > 這 2,000 篇理論主要形成哪些研究群？ 使用 graph community／hierarchical summarization。 ## 13.6 Epistemic query 例： > 哪些命題仍只是猜想，但已經有 3M 實驗？ 使用 epistemic + evidence relation。 ## 13.7 Version query 例： > 內視分類學從 v1 到重構版改了什麼？ 使用 version trace + source. ## 13.8 Negative query 例： > 找出反對「宇宙呼吸律」的重構內容。 使用 critique + contradiction + supersedes。 --- # 14. 原子單元與多粒度檢索 固定字數 chunk 可能切斷： - 條件； - 主張； - 證據； - 否定； - 來源。 企業 RAG 研究已嘗試把 chunk 分解成原子命題並生成問題，以改善召回。TCF 天然提供概念與命題級單元。 OAM 支援： ```text DOCUMENT SECTION ARGUMENT STATEMENT SOURCE_SPAN EVIDENCE_ARTIFACT ``` ## 14.1 粗到細 1. 文檔／社群召回； 2. 章節定位； 3. 命題定位； 4. SourceSpan 回調。 ## 14.2 細到粗 1. 找到命題； 2. 補回其條件； 3. 補回論證； 4. 補回文檔與版本背景。 --- # 15. 可解釋性不是顯示權重而已 「因為算子距離是 0.2」不是充分解釋。 OAM 的檢索解釋至少包含： 1. 命中的查詢條件； 2. 使用的路由； 3. 主要匹配內容； 4. 圖路徑； 5. 來源； 6. 版本； 7. 認識狀態； 8. 被排除結果與原因； 9. 不確定性。 ## 15.1 忠實解釋 解釋應由實際計算 trace 產生： $$ e = g(\text{retrieval trace}) $$ 而不是： $$ e = \operatorname{LLMInvent}(q,d) $$ ## 15.2 可反查 每句解釋可回到： ```text score component filter rule graph edge metadata field source span ``` --- # 16. 評估框架 舊 IMS 只規劃 Precision@k、Recall@k、坐標一致性與人工解釋評分。OAM 擴展如下。 ## 16.1 檢索品質 - Recall@k； - Precision@k； - MRR； - nDCG； - MAP； - answer recall。 ## 16.2 導航成功率 $$ N_{\mathrm{success}} = \frac{ \text{到達目標類型或節點的導航} }{ \text{導航查詢總數} } $$ ## 16.3 路徑正確率 檢索出的依賴、版本或來源路徑是否正確。 ## 16.4 來源可追溯率 $$ P_{\mathrm{trace}} = \frac{ \text{可回到充分 SourceSpan 的結果} }{ \text{需要來源的結果} } $$ ## 16.5 認識狀態保持 是否把猜想誤當事實、歷史稿誤當現行稿。 ## 16.6 版本混淆率 $$ F_{\mathrm{version}} = \frac{ \text{返回錯誤版本的查詢} }{ \text{版本敏感查詢} } $$ ## 16.7 過濾後悔 $$ R_{\mathrm{filter}} $$ ## 16.8 解釋忠實性 解釋中的理由是否真正參與檢索。 ## 16.9 全局覆蓋度 對資料庫全局問題，答案是否涵蓋多個主要社群。 ## 16.10 成本 - indexing cost； - latency； - token cost； - graph construction cost； - annotation cost。 --- # 17. 對照實驗 ## 17.1 系統組別 ### A. BM25 只使用稀疏檢索。 ### B. Dense RAG embedding + cosine。 ### C. Hybrid RAG BM25 + dense + fusion。 ### D. GraphRAG 圖索引與全局／局部搜尋。 ### E. IMS Historical dense recall + 七維距離重排。 ### F. OAM hybrid + operator + version／epistemic metadata。 ### G. OAM + TCF 節點級 TCF、來源回調與圖導航。 ### H. OAM + TCF + 3M 加入可執行證據及結果路由。 ## 17.2 查詢集 至少包含： ```text exact paraphrase cross-lingual global multi-hop abstract-up concrete-down source-back version counterexample epistemic-status implementation unanswerable ``` ## 17.3 消融實驗 移除： - sparse； - dense； - operator； - graph； - version； - epistemic； - provenance； - adaptive router。 觀察每一層真正提供的價值。 --- # 18. 主要假說 ## H1：混合優於替代 OAM 的最佳表現來自多表示互補，而不是算子標籤全面取代 embedding。 ## H2：算子層主要改善導航 算子標籤對 `ABSTRACT.UP`、`IMPLEMENTATION.DOWN`、`PERSPECTIVE` 等方向查詢的改善，應高於一般相似查詢。 ## H3：TCF 提高來源與狀態正確率 OAM + TCF 應降低來源丟失、條件丟失及認識狀態漂移。 ## H4：自適應路由優於固定融合 不同查詢動態選擇 sparse、dense、graph 及 operator 權重，應優於單一固定權重。 ## H5：硬過濾具有雙刃效果 可靠標籤的硬過濾提高 precision；低覆蓋或錯誤標籤則降低 recall。 ## H6：圖層改善全局與多跳查詢 Graph layer 對 corpus-level themes、依賴與演化問題較有價值，但對簡單 exact lookup 未必划算。 ## H7：檢索 trace 提高可審計性 有 trace 的系統較容易發現錯誤版本、錯誤來源及錯誤路由。 ## H8：舊 IMS 在部分導航任務仍可能有效 七維歷史坐標可以作為 baseline，某些人工方向標籤可能確實有用；但其優勢需實驗而非理論宣告。 --- # 19. 失敗模式 ## 19.1 標籤本體僵化 新知識被迫塞入舊算子。 ## 19.2 標籤幻覺 AI 自動標註產生不存在的角色或狀態。 ## 19.3 偽精確 顯示 0.873 的 operator score，卻沒有可靠標註基礎。 ## 19.4 圖污染 錯誤 relation 造成多跳放大。 ## 19.5 版本失效 舊節點被新版本取代，但仍在檢索中獲得高分。 ## 19.6 來源洗白 生成摘要被誤當 Original。 ## 19.7 全局摘要偏差 Graph community summary 遺漏少數但重要分支。 ## 19.8 過度複雜 在小型資料庫或簡單查詢中，多層路由成本高於收益。 ## 19.9 導航循環 使用者或 agent 在 abstract／concrete、source／derived 之間無限往返。 ## 19.10 使用者意圖誤判 「更深入」可能表示更數學、更實證、更細節或更批判，不能直接映射單一方向。 --- # 20. 實作分期 ## Phase 0：離線標註 對 100 篇文件建立： - operator； - role； - epistemic； - version； - provenance； 人工黃金集。 ## Phase 1：Hybrid Baseline BM25 + dense + RRF + reranker。 ## Phase 2：Operator Navigation 先支援四個高價值方向： ```text ABSTRACT.UP CONCRETE.DOWN SOURCE.BACK VERSION.LATER ``` ## Phase 3：TCF Node Index 加入 statement、relation、SourceSpan。 ## Phase 4：Graph Search 支援依賴、多跳及全局群組。 ## Phase 5：Adaptive Router 依查詢選擇檢索路徑。 ## Phase 6：Retrieval Certificate 輸出 trace 與認識狀態。 ## Phase 7：3M Evidence 從理論導航至執行與反例。 --- # 21. Logic Matrix 中的部署 建議端點： ```text /search /navigate /trace /source /version /graph /epistemic /global ``` ## 21.1 Search 普通查詢。 ## 21.2 Navigate ```json { "start": "KO-00042", "direction": "ABSTRACT.UP", "steps": 2 } ``` ## 21.3 Trace 回傳檢索證書。 ## 21.4 Source 直接回調 Original SourceSpan。 ## 21.5 Version 顯示演化鏈。 ## 21.6 Epistemic 篩選猜想、已驗證、反駁或未決內容。 --- # 22. 與內視分類學的關係 OAM 不再宣稱整個知識世界具有與人類內視相同的九維空間。 真正保留的連接是： > 內視算子是一組可用於描述知識文本「在做什麼」的操作標籤。 例如： - 一篇文章在壓縮； - 一篇文章在反思舊理論； - 一篇文章在重建歷史； - 一篇文章在改變主客立場； - 一篇文章在把理論轉為行動。 這是語義角色標註，不是意識本體映射。 因此： $$ \boxed{ \text{Operator label} = \text{interpretable semantic facet} } $$ 而非： $$ \boxed{ \text{Operator label} = \text{complete coordinate of knowledge} } $$ --- # 23. 與舊 IMS 的逐項修訂 | 舊 IMS | OAM | |---|---| | 七維坐標取代高維向量 | 算子標籤輔助 dense／sparse | | 每文檔一個坐標 | 多粒度、多標籤、帶信心 | | 坐標距離是真實語義距離 | 距離只是可學習／可測的排序訊號 | | 固定維度權重 | 查詢自適應路由與融合 | | 七維導航 | 圖關係＋算子方向導航 | | 證明優於 RAG | 建立對照實驗 | | 向量是黑箱、坐標是白箱 | 兩者具有不同優缺點 | | 所有文檔可唯一分類 | 允許未知、多義與低信心 | | 只比較文件 | 文件、章節、命題、來源、證據多粒度 | | 無版本治理 | active／historical／superseded | | 無認識狀態 | conjecture／verified／refuted／unresolved | | 找到即回答 | answerability gating | | 解釋來自坐標差 | 解釋來自檢索 trace | --- # 24. 討論：AI 記憶的真正問題 舊 IMS 的結語是： > AI 記憶問題不是記不住，而是找不到。 重構後需要再加三層： $$ \boxed{ \text{不是只找不到， 也可能找錯版本、找錯狀態、找不到關係、或不知道不該回答。} } $$ 因此 AI 記憶能力至少包括： 1. **Recall**：找回候選； 2. **Discrimination**：區分相關與表面相似； 3. **Navigation**：沿目標方向移動； 4. **Grounding**：回到來源； 5. **State Awareness**：知道命題目前的認識狀態； 6. **Version Awareness**：知道哪個版本有效； 7. **Abstention**：資料不足時不偽造答案； 8. **Revision**：新資料進入後更新索引與依賴。 所以： $$ \boxed{ \text{AI Memory} = \text{Storage} + \text{Retrieval} + \text{Navigation} + \text{Governance} + \text{Revision} } $$ --- # 25. 結論 本文提出 Operator-Assisted Memory，將舊 IMS 的核心直覺——「AI 需要可導航的知識空間」——從七維坐標替代論，重構成多表示混合檢索架構。 每個知識物件由： $$ \boxed{ \mathcal{K}(d) = (E,L,\Phi,G,P,V,S,C) } $$ 共同描述。 每個查詢則被編譯成： $$ \boxed{ \mathcal{Q}(q) = ( q_{\mathrm{lex}}, q_{\mathrm{sem}}, q_{\mathrm{op}}, q_{\mathrm{graph}}, q_{\mathrm{epi}}, q_{\mathrm{version}}, q_{\mathrm{route}} ) } $$ OAM 不再主張： - 七或九個維度足以表示全部知識； - 人工坐標天然優於 learned embeddings； - 坐標距離等於語義真實距離； - 形式上可導航就代表檢索效果已被證明。 它改為主張： $$ \boxed{ \text{向量負責召回， 算子負責方向， 圖負責關係， TCF 負責結構， Original 負責來源， 版本與認識狀態負責邊界。} } $$ 算子標籤的角色不是取代向量，而是回答向量難以單獨回答的問題： - 這份資料在做什麼？ - 它比起另一份更抽象還是更具體？ - 它是原始來源、壓縮表示、批判還是實作？ - 它目前是猜想、已驗證還是已反駁？ - 從這裡應往哪個方向探索？ - 為什麼系統把它找回來？ 最終： $$ \boxed{ \text{Operator-Assisted Memory} = \text{Hybrid Retrieval} + \text{Directional Navigation} + \text{Provenance} + \text{Epistemic Governance} } $$ 這保留了 IMS 最值得留下的「給 AI 一個知識導航儀」概念，同時撤回了把七維坐標當成整個語義世界地圖的過度宣稱。 --- # 參考文獻 1. Edge, D., Trinh, H., Cheng, N., Bradley, J., Chao, A., Mody, A., Truitt, S., Metropolitansky, D., Ness, R. O., & Larson, J. (2024). *From Local to Global: A Graph RAG Approach to Query-Focused Summarization*. Microsoft Research. 2. Hu, Y., Lei, Z., Zhang, Z., Pan, B., Ling, C., & Zhao, L. (2024). *GRAG: Graph Retrieval-Augmented Generation*. arXiv:2405.16506. 3. Kalra, R., Wu, Z., Gulley, A., Hilliard, A., Guan, X., Koshiyama, A., Treleaven, P. C. (2024). *HyPA-RAG: A Hybrid Parameter Adaptive Retrieval-Augmented Generation System for AI Legal and Policy Applications*. CustomNLP4U 2024. 4. Islam, S. B., Rahman, M. A., Hossain, K. S. M. T., Hoque, E., Joty, S., & Parvez, M. R. (2024). *Open-RAG: Enhanced Retrieval Augmented Reasoning with Open-Source Large Language Models*. Findings of EMNLP 2024. 5. Lu, J., Hall, K., Ma, J., & Ni, J. (2024). *HYRR: Hybrid Infused Reranking for Passage Retrieval*. LREC-COLING 2024. 6. Zhuang, S., et al. (2024). *PromptReps: Prompting Large Language Models to Generate Dense and Sparse Representations for Zero-Shot Document Retrieval*. EMNLP 2024. 7. Raina, V., & Gales, M. (2024). *Question-Based Retrieval using Atomic Units for Enterprise RAG*. FEVER 2024. 8. Zhang, J., Liu, X., Hu, Y., Niu, C., Wu, F., & Chen, G. (2025). *Query Routing for Retrieval-Augmented Language Models*. arXiv:2505.23052. 9. Mu, F., Zhang, L., Jiang, Y., Li, W., Zhang, Z., Xie, P., & Huang, F. (2025). *Unsupervised Query Routing for Retrieval Augmented Generation*. arXiv:2501.07793. 10. Zhao, T., Zhu, Y., Tian, Y., & Dou, Z. (2026). *R3AG: Retriever Routing for Retrieval-Augmented Generation*. arXiv:2604.22849. 11. Raya-Rios, V., Gomez-Adorno, H., Hecht, L., et al. (2026). *IIMAS-RAG at SemEval-2026 Task 8: Hybrid Sparse-Dense Retrieval and Answerability-Conditioned Generation for Multi-Turn RAG*. SemEval 2026. 12. Yang, J., Chen, Y., & Yang, L. (2026). *DUTIR at SemEval-2026 Task 8: A Hybrid Retrieval and Faithfulness-Guarded Framework for Multi-Turn RAG*. SemEval 2026. 13. Cao, Y., Gao, Z., Li, Z., Xie, X., Zhou, K., & Xu, J. (2024). *LEGO-GraphRAG: Modularizing Graph-based Retrieval-Augmented Generation for Design Space Exploration*. arXiv:2411.05844. 14. Neo.K. (2026). *內視記憶系統：基於坐標化的 AI 知識管理框架*. Historical Internal Version. 15. Neo.K. (2026). *內視分類學的算子論*. EveMissLab Internal Paper v0.1. 16. Neo.K. (2026). *內視算子代數*. EveMissLab Internal Paper v0.1. 17. Neo.K. (2026). *Original–TCF–3M 三平面研究架構*. EveMissLab Internal Paper v0.1. --- ## 內部研究備註 1. 本文為內視分類學第一輪重構系列應用論文 F。 2. 至此 A–F 六份新基線已完成： - A：算子論與不可觀察者分類； - B：第一人稱資料分層； - C：算子代數； - D：宗教與神秘體驗； - E：內感—呼吸—動作； - F：Operator-Assisted Memory。 3. 下一步不應繼續增加理論篇數，優先建立： - 系列索引； - TCF 轉換； - OAM 最小資料 Schema； - 100 篇黃金標註集； - BM25＋dense＋operator baseline。 4. 舊 IMS 可作為消融 baseline，不刪除。 5. OAM 名稱中的 Memory 指 AI 知識存取與治理，不表示 AI 主觀記憶。