# 07．記憶編譯型母 AI ## 從 Episode、Skill 到 Compiled Cognitive Topology ### 《母 AI 與區域認知體：AI 中心動態認知系統》第七篇 **作者：Neo.K × Aletheia** **版本：v0.1** **日期：2026-08-01** **文件性質：公開命題論文／Mother AI Memory Compilation 架構研究** --- ## 摘要 前六篇建立了 Mother AI 的持續認知核心、世界狀態機、可動態重構的 Sub-AI Fabric、二階控制、Persistent Runtime 與 Agent Lifecycle。這些機制讓 Mother AI 能在不同世界狀態下生成、組合、替換與回收不同子 AI。 但如果每一次世界事件仍然要求 Mother AI 從零判斷： - 需要哪些 Agent； - 使用哪個模型； - 讀哪段記憶； - 建立什麼拓撲； - 分配多少預算； - 採用哪條驗證路徑； - 需要什麼權限； 那麼 Mother AI 依然會重複支付大量 Meta-Control 成本。 本文因此提出： $$ \boxed{ \text{Memory-Compiled Mother AI} } $$ 即「記憶編譯型母 AI」。 其核心不是單純保存過去的答案，而是將已完成的世界—認知—行動歷史： $$ \tau_i = ( W_i, M_i, S_i, G_i, A_i, R_i ) $$ 持續壓縮為： $$ \boxed{ B_i = ( c_i, \mathcal O_i^C, \Theta_i, V_i, P_i, w_i, v_i, t_i ) } $$ 其中： - $c_i$ ：world-state class； - $\mathcal O_i^C$ ：Cognitive Option； - $\Theta_i$ ：適用條件； - $V_i$ ：驗證器； - $P_i$ ：provenance／evidence； - $w_i$ ：信心／效用權重； - $v_i$ ：版本； - $t_i$ ：時間與失效資訊。 Cognitive Option 不只是「做什麼」，而是： $$ \mathcal O_i^C = ( \mathcal A_i, \mathcal L_i, \mathcal M_i^v, G_i^C, B_i, \Gamma_i, V_i, \beta_i ) $$ 即： - 應喚起哪些 Agent； - 各 Agent 使用什麼模型； - 取得哪些記憶切片； - 採用什麼認知拓撲； - 使用多少算力／時間； - 哪些權限有效； - 經過哪些驗證； - 何時終止或退出快速通道。 因此本文把記憶編譯重新定義為： $$ \boxed{ \text{歷史計算} \rightarrow \text{可重用的認知控制配置} } $$ 而非： $$ \text{歷史對話} \rightarrow \text{文字摘要}. $$ 2026 年 ProcMEM 已直接研究如何把 episodic interaction experience 轉成可重用 procedural skills，並用 activation、execution、termination 條件確保技能可執行；AFTER benchmark 亦顯示 procedural memory 在企業型任務中能跨任務、角色與模型帶來可量測的重用收益；MemCon 則把「何時取回、取多少、何時重取、何時 consolidation、何時 forget」本身建模為控制問題。更早的 Voyager 也已證明 executable skill library 可以累積、重用與組合複雜行為。 但本文同時採取比「持續總結一切」更保守的立場。2026 年研究已顯示，LLM 對 episodic traces 進行持續 consolidated-memory rewriting 可能產生失真，甚至讓原本有用的記憶隨更新而退化；原始 episodes 應保留為一級證據，而 consolidation 應有明確 gate。這與本文的基本原則一致： $$ \boxed{ \text{Compiled Memory} \neq \text{Ground Truth}. } $$ 因此 Mother AI 的記憶系統必須同時保存： $$ \mathcal M = \mathcal M_E \oplus \mathcal M_S \oplus \mathcal M_P \oplus \mathcal M_T \oplus \mathcal M_M $$ 分別表示 episodic、semantic、procedural、topological 與 meta-memory。 本文提出完整編譯流程： $$ \boxed{ \text{Record} \rightarrow \text{Validate} \rightarrow \text{Segment} \rightarrow \text{Deduplicate} \rightarrow \text{Classify} \rightarrow \text{Abstract} \rightarrow \text{Compile} \rightarrow \text{Shadow Test} \rightarrow \text{Promote} \rightarrow \text{Index} } $$ 並要求任何 compiled item 都可以： $$ \boxed{ \text{decompile} \rightarrow \text{revalidate} \rightarrow \text{recompile}. } $$ 本文最終將 Mother AI 的成熟智能重新表述為： $$ \boxed{ \text{已知世界狀態} \rightarrow \text{快速取回已編譯認知結構} } $$ $$ \boxed{ \text{真正未知} \rightarrow \text{重新生成與探索認知結構} } $$ 所以「已知則編譯，未知則展開」在 Mother AI 中不只控制答案生成，而控制整個認知生態如何被組織。 **關鍵詞：** Mother AI、Memory Compilation、Procedural Memory、Episodic Memory、Cognitive Option、Skill Library、Memory Consolidation、Meta-Memory、Agent Topology、Long-Term Agent Memory --- # 一、Mother AI 仍然可能重複支付計算成本 假設世界出現： $$ W_t. $$ Mother AI 重新決定： $$ \mathcal C_t = ( Agent, Model, Memory, Topology, Budget, Authority, Verification ). $$ 即使以前遇過： $$ W_{t-k}\sim W_t, $$ 如果系統完全重新 meta-reasoning， 則： $$ K_{\mathrm{repeat}} \approx K_{\mathrm{first}}. $$ 這表示： $$ \boxed{ \text{Persistent State} \neq \text{Reusable Cognition}. } $$ --- # 二、真正需要編譯的是「如何思考」 普通記憶： > 上次答案是 X。 Mother AI 記憶： > 上次這種狀態需要 Research Agent＋Legal Agent；先查兩個資料源，再由 Verifier 驗證；只有結果一致時才進入低權限執行。 因此真正可重用的是： $$ \boxed{ \text{Cognitive Configuration}. } $$ --- # 三、認知軌跡 定義一次完整歷史： $$ \tau_i = ( W_i, Z_i^M, S_i, \mathcal C_i, A_i, W_i', R_i ). $$ 其中： - $W_i$ ：起始世界狀態； - $Z_i^M$ ：Mother Meta-State； - $S_i$ ：Sub-AI Fabric； - $\mathcal C_i$ ：認知配置； - $A_i$ ：實際世界行動； - $W_i'$ ：後續世界狀態； - $R_i$ ：結果／回饋。 這才是一個完整 episode。 --- # 四、Episode 不是一段聊天紀錄 聊天紀錄可能只保存： $$ \text{text}. $$ 但 episode 還要保存： - 世界狀態； - 使用的 Agent； - 模型； - 工具； - 記憶切片； - 成本； - 權限； - 驗證； - 執行結果； - 實際 state change。 因此： $$ \boxed{ \text{Agent Episode} > \text{Conversation Transcript}. } $$ --- # 五、五種記憶層 本文定義： $$ \boxed{ \mathcal M = \mathcal M_E \oplus \mathcal M_S \oplus \mathcal M_P \oplus \mathcal M_T \oplus \mathcal M_M. } $$ --- # 六、Episodic Memory $$ \mathcal M_E $$ 保存： > 發生過什麼？ 基本元素： $$ E_i = ( state, action, agents, outcome, time, evidence ). $$ 它是最接近原始經驗的記憶。 --- # 七、Semantic Memory $$ \mathcal M_S $$ 保存： > 世界有哪些相對穩定事實與概念？ 例如： - 客戶 A 的合約條款； - 服務 X 的依賴； - 某法規要求； - 某系統架構。 它不必綁定某一次 episode。 --- # 八、Procedural Memory $$ \mathcal M_P $$ 保存： > 這類事情通常怎麼做？ 例如： $$ p_i = ( activation, procedure, termination, validation ). $$ 這正是 ProcMEM 類研究所強調的可重用 skill。 --- # 九、Topological Memory 本文新增： $$ \boxed{ \mathcal M_T. } $$ 它保存： > 這類事情應該由什麼 Agent constellation、通信圖與驗證圖處理？ 例如： $$ T_i = ( V_i, E_i, \Omega_i, termination ). $$ 這是 Mother AI 特有的重點。 --- # 十、Meta-Memory $$ \mathcal M_M $$ 保存： > 我為什麼相信這份記憶？它在哪裡有效？何時應失效？ 例如： $$ m_i^M = ( source, confidence, scope, version, expiry, dependency, failure\ history ). $$ 所以： $$ \boxed{ \text{記憶也需要自己的記憶。} } $$ --- # 十一、Cognitive Option 第四篇已提出： $$ \mathcal O_i^C = ( \Theta_i, A_i, L_i, M_i, G_i, B_i, \Gamma_i, V_i, \beta_i ). $$ 現在正式把它放進 procedural／topological memory。 --- # 十二、Cognitive Option 不是固定 Workflow 固定 workflow： $$ f_1\rightarrow f_2\rightarrow f_3. $$ Cognitive Option 可以有： - dynamic routing； - conditional branch； - parallel agents； - optional verifier； - authority gate； - termination conditions。 因此： $$ \boxed{ \text{Cognitive Option} = \text{可調用的認知策略結構}. } $$ --- # 十三、ProcMEM 提供直接工程參照 2026 年 ProcMEM 將： $$ \text{episodic narratives} $$ 轉成： $$ \text{executable skills}. $$ 每個 skill 定義： - activation； - execution； - termination。 這與： $$ \mathcal O_i^C $$ 非常接近。 它的重要訊號是： $$ \boxed{ \text{Agent experience 可以非參數化地轉化成可重用 procedural memory}. } $$ --- # 十四、Mother AI 比 ProcMEM 多一層 單一 Agent skill： $$ x\rightarrow procedure. $$ Mother AI compiled option： $$ x \rightarrow ( Agent\ team, models, memories, topology, budget, authority, verification ). $$ 所以： $$ \boxed{ \text{Procedural Skill} \subset \text{Cognitive Option}. } $$ --- # 十五、Voyager 的 Skill Library 是更早的證據 Voyager 建立： $$ \text{ever-growing executable skill library}. $$ 並能： - retrieve； - compose； - reuse。 這證明： $$ \boxed{ \text{歷史行動可以被儲存成可執行能力，而不只文字回憶}. } $$ --- # 十六、Skill Library 與 Mother AI Memory Library Voyager 保存： $$ \text{code skills}. $$ Mother AI 要保存： $$ \boxed{ \text{cognitive organization skills}. } $$ 也就是： > 如何組織一群智能資源來處理某類世界狀態。 --- # 十七、Memory Compiler 本文定義： $$ \boxed{ \mathfrak C_M: \{\tau_1,\ldots,\tau_n\} \rightarrow \{B_1,\ldots,B_k\}. } $$ 其中： $$ B_i = ( c_i, \mathcal O_i^C, \Theta_i, V_i, P_i, w_i, v_i, t_i ). $$ --- # 十八、 $c_i$ ：狀態類 不是保存一個精確 world snapshot： $$ W_i. $$ 而是： $$ c_i = [W]_{\sim}. $$ 若： $$ W_a\sim W_b $$ 表示： > 它們在 response-relevant dimensions 上可使用近似認知策略。 這延續前一系列的 quotient-space 思路。 --- # 十九、什麼叫 response-relevant？ 例如兩台伺服器： - hostname 不同； - IP 不同； 但同樣： - disk > 95%； - backup available； - low traffic； - reversible cleanup。 則可屬同類： $$ c_{\mathrm{disk\ pressure}}. $$ 不需要每個 hostname 建新 memory。 --- # 二十、編譯不是 memorize exact trajectory 如果保存： $$ \tau_1, \tau_2,\ldots $$ 並每次 nearest-neighbor replay， 仍然容易： - 記憶爆炸； - 過擬合； - context cost 高。 真正編譯： $$ \boxed{ \{\tau_i\} \rightarrow \text{equivalence class + reusable structure}. } $$ --- # 二十一、Memory Compilation Pipeline 本文提出： $$ \boxed{ \text{Record} \rightarrow \text{Validate} \rightarrow \text{Segment} \rightarrow \text{Deduplicate} \rightarrow \text{Classify} \rightarrow \text{Abstract} \rightarrow \text{Compile} \rightarrow \text{Shadow Test} \rightarrow \text{Promote} \rightarrow \text{Index}. } $$ --- # 二十二、Record 先保存： $$ \tau_i. $$ 重要原則： $$ \boxed{ \text{先保存證據，再做摘要。} } $$ 不能先摘要後把原始 episode 丟掉。 --- # 二十三、Validate 不是每次成功都值得學。 需檢查： $$ V(\tau_i) \in \{pass,fail,uncertain\}. $$ 例如： - outcome 是否真的成功； - 是否只是偶然； - 是否造成副作用； - 是否有 hidden failure。 --- # 二十四、Segment 長 trajectory： $$ \tau $$ 可以切成： $$ \tau^{(1)}, \tau^{(2)},\ldots. $$ 因為不同部分可能對應不同 reusable skill。 --- # 二十五、Deduplicate 若： $$ O(\tau_i,\tau_j)>\tau_o, $$ 不必同時編譯兩份。 保留： - representative； - counter； - outcome variance； - exceptions。 --- # 二十六、Classify 將 episode 對應到： $$ c_i. $$ 若沒有合適 class： $$ C(\tau)=\bot. $$ 保留到： $$ \mathcal M_\bot. $$ 未知 episode 不要硬塞進既有類。 --- # 二十七、Abstract 從多個 episode 抽象： $$ \text{irrelevant details} \rightarrow 0. $$ 留下： $$ \text{response-relevant structure}. $$ 這是最危險但最有價值的步驟。 --- # 二十八、Compile 形成： $$ B_i. $$ 即： $$ c_i \Rightarrow \mathcal O_i^C. $$ --- # 二十九、Shadow Test 新 compiled memory 不應立即進 production fast path。 先： $$ \boxed{ \text{shadow mode}. } $$ 即： > 用新 memory 預測應該怎麼做，但不真正控制主要決策。 和實際結果比較。 --- # 三十、Promote 若： $$ Q(B_i)>\tau_Q $$ 且： $$ R(B_i)<\tau_R, $$ 才： $$ candidate \rightarrow compiled. $$ --- # 三十一、Index 最後建立： $$ I(B_i). $$ 使： $$ K_{\mathrm{retrieve}} $$ 足夠低。 否則： $$ |\mathcal M|\uparrow $$ 會讓記憶反而拖慢系統。 --- # 三十二、MemGPT 提供記憶階層的重要參照 MemGPT 把有限 context 視為： $$ \text{fast memory}, $$ 外部 storage 視為： $$ \text{slow memory}, $$ 透過類似 virtual memory 的方式在多層記憶間搬移資訊。 這與 Mother AI 的： $$ hot/warm/cold $$ memory hierarchy 相容。 但本文進一步關心： > 不只哪段 memory 進 context，而是哪種 memory 應該成為可重用認知策略。 --- # 三十三、Memory Retrieval 不是固定函式 傳統： $$ R(q)=\operatorname{TopK}(q). $$ 但 MemCon 2026 指出： $$ \boxed{ \text{optimal memory behavior is context-dependent}. } $$ 有時： - 少取； - 多取； - 重取； - 取 distilled plan； - consolidation； - forget。 都可能是正確策略。 --- # 三十四、記憶本身也需要二階控制 因此： $$ \Pi_{\mathrm{mem}} : Z_t \rightarrow a_t^{mem}. $$ 其中： $$ a_t^{mem} \in \{ retrieve, reretrieve, inject\_plan, consolidate, forget, retain \}. $$ 所以： $$ \boxed{ \text{Memory Management} } $$ 本身也是 Mother AI Meta-Control 的子空間。 --- # 三十五、MemCon 與 Mother AI 的重要交點 MemCon 把 memory operation 當成 MDP。 Mother AI 可以更一般： $$ \boxed{ \text{memory state} + \text{cognitive topology state} + \text{world state} } $$ 共同決定： $$ \text{retrieve / compile / forget / explore}. $$ --- # 三十六、Procedural Memory 確實可以跨任務重用 2026 年 AFTER benchmark： - 382 個 realistic enterprise tasks； - 六種 professional roles； - 22 種 procedural skills。 研究結果顯示 procedural memory 能產生： - local improvement； - cross-task transfer； - cross-role transfer； - cross-model generalization。 這對企業 Mother AI 非常重要。 因為： $$ \boxed{ \text{程序知識可以跨 Agent instance 與模型保存}. } $$ --- # 三十七、這意味著 Mother AI Identity 可以跨模型 若： $$ L_A\rightarrow L_B, $$ 但： $$ \mathcal M_P,\mathcal M_T $$ 仍保留， 大量組織能力仍可延續。 所以： $$ \boxed{ \text{模型換代} \neq \text{組織失憶}. } $$ --- # 三十八、但 procedural skill 並非都能泛化 AFTER 也指出： 某些 skill 可廣泛轉移， 某些則會： $$ \text{role-specific over-specialization}. $$ 因此每個： $$ B_i $$ 必須保存： $$ scope_i. $$ --- # 三十九、Scope $$ \Theta_i = ( domain, state\ region, model\ compatibility, authority, resource, time ). $$ 只有： $$ x\in\Theta_i $$ 才允許 fast path。 --- # 四十、Compiled Memory 不是 Universal Rule 所以： $$ \boxed{ B_i \neq \text{永恆規則}. } $$ 更準確： $$ B_i = \text{conditional computational asset}. $$ --- # 四十一、Continuous Consolidation 的風險 2026 年研究發現： 將有用 episodic traces 持續由 LLM 進行 consolidated-memory rewriting， 可能出現： $$ \boxed{ \text{memory utility} \uparrow \rightarrow \downarrow. } $$ 也就是一開始整理有幫助， 後來持續重寫反而失真。 --- # 四十二、這是一個非常重要的反例 它表示： $$ \text{more consolidation} \not\Rightarrow \text{better memory}. $$ 甚至： $$ \boxed{ \text{Useful Episode} \rightarrow \text{Faulty Abstraction} } $$ 可能發生。 --- # 四十三、因此 Raw Episode 必須是 First-Class Evidence 本文要求： $$ \boxed{ \mathcal M_E \text{ 不因 } \mathcal M_P \text{ 產生而自動刪除}. } $$ 即使 procedural memory 已建立， 仍保留足夠原始證據。 --- # 四十四、編譯記憶應保存 Provenance 每個： $$ B_i $$ 附： $$ P_i = \{ \tau_{j_1},\ldots,\tau_{j_k} \}. $$ 因此可以追問： > 這條策略是從哪些 episode 編譯出來？ --- # 四十五、Evidence Dependency 如果十個 episode： $$ \tau_1,\ldots,\tau_{10} $$ 其實都來自同一份錯誤來源， 不能當： $$ 10 $$ 份獨立證據。 所以： $$ Dep(\tau_i,\tau_j) $$ 必須保存。 --- # 四十六、Compiled Confidence 可以定義： $$ w_i = F( N_{\mathrm{independent}}, success, variance, recency, scope, validation ). $$ 不是： $$ w_i=N_{\mathrm{repetition}}. $$ --- # 四十七、編譯 Gate 只有： $$ G_C(\tau_{1:n})=1 $$ 才允許： $$ \operatorname{Compile}. $$ Gate 可以檢查： - independent episodes； - sufficient repetitions； - stable outcome； - low conflict； - clear scope。 --- # 四十八、不確定時應該 Retain，不是 Compile 如果： $$ U_C>\tau, $$ 則： $$ \boxed{ \text{retain episodic evidence}. } $$ 不要急著抽象。 這直接吸收 2026 consolidation failure 的教訓。 --- # 四十九、三種記憶狀態 一個 pattern 可以處於： $$ \boxed{ \text{Episodic} \rightarrow \text{Candidate} \rightarrow \text{Compiled}. } $$ 不是： $$ episode\rightarrow compiled $$ 一步完成。 --- # 五十、Candidate Memory $$ B_i^{cand} $$ 可以： - shadow use； - compare； - collect counterexamples。 只有成熟後： $$ B_i^{cand} \rightarrow B_i^{prod}. $$ --- # 五十一、Counterexample Buffer 如果某 episode： $$ \tau_j $$ 違反： $$ B_i, $$ 加入： $$ E_i^{exception}. $$ 所以 compiled item： $$ B_i = ( c_i, \mathcal O_i, \Theta_i, V_i, E_i^{exception} ). $$ --- # 五十二、例外記憶和主策略同等重要 高速直覺： $$ c_i\rightarrow\mathcal O_i $$ 安全的前提是： $$ \boxed{ \text{也能快速記得哪些情況不能用}. } $$ 這延續前一系列「直覺安全性來自快速記得例外」。 --- # 五十三、Fast Path Gate 定義： $$ F_i(x)=1 $$ 只有當： $$ P(c_i\mid x)>\tau_c, $$ $$ D(x,E_i^{exception})>\tau_e, $$ $$ Fresh(B_i)=1. $$ 才直接使用： $$ \mathcal O_i^C. $$ --- # 五十四、Compiled Cognitive Topology Mother AI 記憶最特殊的部分： $$ \boxed{ T_i^C = ( V_i^A, E_i^A, \Omega_i^A, \Gamma_i, V_i ). } $$ 即： - 哪些 Agent； - 怎麼連； - 各自權限； - 哪些驗證； - 邊權如何設。 這就是： $$ \boxed{ \text{Compiled Response Topology}. } $$ --- # 五十五、世界狀態映射到 Agent Constellation $$ c_i \Rightarrow \mathcal C_A^{(i)}. $$ 例如： $$ c_{\mathrm{contract\ risk}} \Rightarrow \{ A_{\mathrm{legal}}, A_{\mathrm{finance}}, A_{\mathrm{verifier}} \}. $$ 不是每次重新想： > 要找誰？ --- # 五十六、還可以映射到 Model Policy $$ c_i \Rightarrow L_i^{policy}. $$ 例如： 已知簡單： $$ L_{\mathrm{small}}. $$ 高風險： $$ L_{\mathrm{strong}}. $$ 所以： $$ \boxed{ \text{Model routing} } $$ 也能被編譯。 --- # 五十七、Memory View 也能被編譯 $$ c_i \Rightarrow M_i^v. $$ 也就是： > 這類任務通常需要哪些記憶域？ 例如： $$ M_i^v = M_{\mathrm{contract}} \oplus M_{\mathrm{customer}} \oplus M_{\mathrm{law}}. $$ --- # 五十八、Budget 也能被編譯 $$ c_i \Rightarrow B_i. $$ 成熟低風險： $$ B_i\downarrow. $$ 未知高風險： $$ B_i\uparrow. $$ 所以歷史能直接改變未來算力需求。 --- # 五十九、Authority Path 也能被編譯 $$ c_i \Rightarrow \Gamma_i^{path}. $$ 例如： > 建議可自動；實際付款需財務人員批准。 這使： $$ \boxed{ \text{認知配置} } $$ 和治理結構同步重用。 --- # 六十、Termination 也要記 一個 skill 若沒有： $$ \beta_i, $$ 就不知道何時停止。 例如： $$ \beta_i= \text{evidence\ sufficient} $$ 或： $$ \beta_i= \text{deadline reached}. $$ 所以： $$ \boxed{ \text{知道何時停止思考} } $$ 也是 procedural memory。 --- # 六十一、Compiled Option 的完整格式 $$ \boxed{ \mathcal O_i^C = ( I_i, A_i, L_i, M_i, G_i, B_i, \Gamma_i, V_i, \beta_i ) } $$ 其中： - $I_i$ ：activation； - $A_i$ ：agents； - $L_i$ ：models； - $M_i$ ：memory views； - $G_i$ ：topology； - $B_i$ ：budget； - $\Gamma_i$ ：authority； - $V_i$ ：verification； - $\beta_i$ ：termination。 --- # 六十二、這已經像一個「認知程序」 所以： $$ \boxed{ \mathcal O_i^C } $$ 不是一段 advice。 它更像： $$ \boxed{ \text{可執行、可驗證、可終止的認知程序}. } $$ 這是「記憶編譯」一詞真正工程化的地方。 --- # 六十三、Compiled Memory Index 需要： $$ \mathfrak I_M. $$ 可以包括： $$ I_{\mathrm{state}}, I_{\mathrm{semantic}}, I_{\mathrm{procedural}}, I_{\mathrm{topology}}, I_{\mathrm{exception}}, I_{\mathrm{temporal}}. $$ Mother AI 不是只做 vector similarity。 --- # 六十四、先分類再檢索 $$ x \xrightarrow{C} c_i \xrightarrow{I} B_i. $$ 比： $$ x \rightarrow \operatorname{search\ all\ memory} $$ 更符合大規模系統。 --- # 六十五、多階段 Retrieval $$ R_0: \text{coarse class} $$ $$ R_1: \text{candidate memories} $$ $$ R_2: \text{scope／exception filter} $$ $$ R_3: \text{final compiled option}. $$ 這延續極致分類與快速索引理論。 --- # 六十六、Memory Hit 若： $$ B_i $$ 安全命中， 則： $$ K_{\mathrm{repeat}} = K_{\mathrm{classify}} + K_{\mathrm{retrieve}} + K_{\mathrm{light\ verify}}. $$ 而不再： $$ K_{\mathrm{meta-search}} + K_{\mathrm{agent-design}} + K_{\mathrm{workflow-design}}. $$ --- # 六十七、這就是 Mother AI 的「計算直覺」 外部看起來： > 它好像立刻知道該找誰、該怎麼處理。 實際： $$ \boxed{ \text{大量歷史 meta-control 已被壓縮}. } $$ 所以： $$ \text{intuition} \approx \text{compiled historical cognition}. $$ --- # 六十八、Memory Miss 如果： $$ C(x)=\bot $$ 或： $$ F_i(x)=0, $$ 則不能強行 fast path。 進入： $$ \boxed{ \text{Exploratory Meta-Control}. } $$ --- # 六十九、Exploratory Meta-Control Mother AI 重新搜索： $$ \mathcal C. $$ 可以： - spawn new agents； - increase diversity； - use stronger models； - increase verification； - sandbox； - involve humans。 新的成功 trajectory 再回到： $$ \mathcal M_E. $$ --- # 七十、所以完整循環 $$ \boxed{ \text{Unknown State} \rightarrow \text{Explore Cognitive Configuration} \rightarrow \text{Act} \rightarrow \text{Validate} \rightarrow \text{Episode} \rightarrow \text{Compile} \rightarrow \text{Known State}. } $$ --- # 七十一、Memory Compiling 不是單向 世界會 drift。 因此： $$ B_i $$ 可能失效。 若： $$ V_i(x)=0 $$ 或： $$ Drift_i>\tau_D, $$ 則： $$ B_i \rightarrow \text{review}. $$ --- # 七十二、Decompile 定義： $$ \operatorname{Decompile}(B_i). $$ 不是把它刪掉。 而是： - 停止 fast path； - 回到 candidate； -重新讀原始 episodes； - 搜集新 evidence。 --- # 七十三、Recompile 新 evidence： $$ P_i' $$ 產生： $$ B_i'. $$ 所以： $$ \boxed{ B_i \rightarrow B_i' } $$ 可以保留版本 lineage。 --- # 七十四、Version Lineage $$ B_i^{v1} \rightarrow B_i^{v2} \rightarrow B_i^{v3}. $$ 每版保存： - why changed； - evidence； - failure； - compatibility。 這使 Memory Compiler 可審計。 --- # 七十五、Forgetting 不是缺陷 MemCon 明確把： $$ forget $$ 納入 memory control action。 因為： $$ |\mathcal M|\uparrow $$ 不代表效能上升。 所以： $$ \boxed{ \text{成熟記憶系統必須會忘記}. } $$ --- # 七十六、但 Forget 應區分 ## Hard Delete 真正刪除。 ## Archive 移出 fast retrieval。 ## Deprecate 保留但不能自動調用。 ## Decay 降低權重。 所以： $$ \boxed{ \text{Forget} \neq \text{Erase}. } $$ --- # 七十七、Memory Decay 可以： $$ w_i(t) = w_i(t_0) e^{-\lambda_i(t-t_0)}. $$ 若被重新驗證： $$ w_i\uparrow. $$ 不同 memory： $$ \lambda_i $$ 不同。 --- # 七十八、法律規則與個人偏好不應同速衰減 例如： $$ \lambda_{\mathrm{preference}} > \lambda_{\mathrm{contract}}. $$ 所以 forgetting policy 應 domain-specific。 --- # 七十九、Memory Budget Mother AI 也有： $$ B_M. $$ 要決定： $$ \max V(\mathcal M) $$ subject to： $$ K_{\mathrm{storage}} + K_{\mathrm{retrieval}} + K_{\mathrm{maintenance}} \leq B_M. $$ 所以記憶本身也是資源配置問題。 --- # 八十、不是所有 episode 都值得永久保存 可以定義： $$ V_E(\tau) = \alpha novelty + \beta failure\ value + \gamma reuse + \delta evidence - \mu storage. $$ 低價值事件： $$ \rightarrow aggregate/archive. $$ --- # 八十一、失敗 episode 可能比成功更有價值 成功： > 這樣做有效。 失敗： > 這樣做在某條件下會出錯。 因此： $$ \boxed{ \mathcal M_E^{failure} } $$ 不應被清掉。 它是 exception memory 的主要來源。 --- # 八十二、Failure-to-Constraint Compilation 若多次： $$ \tau_i^{fail} $$ 在： $$ condition=C $$ 失敗， 可以編譯： $$ C\Rightarrow \neg\mathcal O_i. $$ 即： $$ \boxed{ \text{失敗也可以編譯成禁止條件}. } $$ --- # 八十三、Memory Poisoning 如果惡意或錯誤 episode： $$ \tau_m $$ 進入編譯， 可能產生： $$ B_m. $$ 之後： $$ B_m $$ 以 fast path 反覆影響系統。 所以： $$ \boxed{ \text{memory poisoning} } $$ 比一次錯誤回答更危險。 --- # 八十四、因此寫入權限比讀取權限更敏感 普通 Agent 可以： $$ read(\mathcal M). $$ 但： $$ write(\mathcal M_P) $$ 或： $$ write(\mathcal M_T) $$ 應有更高門檻。 --- # 八十五、Memory Write Pipeline Agent result： $$ r_i $$ 不能： $$ r_i\rightarrow\mathcal M_P $$ 直接寫入。 應： $$ r_i \rightarrow \mathcal M_E \rightarrow validate \rightarrow candidate \rightarrow compiled. $$ --- # 八十六、Mother AI 的「記憶」本質上是資產負債表 好的 compiled memory： $$ \rightarrow \text{future compute asset}. $$ 錯誤 compiled memory： $$ \rightarrow \text{future error liability}. $$ 所以： $$ \boxed{ \text{Memory Value} = \text{reuse benefit} - \text{error propagation risk}. } $$ --- # 八十七、Memory ROI 定義： $$ ROI(B_i) = \frac{ K_{\mathrm{saved}} + Q_{\mathrm{improved}} }{ K_{\mathrm{compile}} + K_{\mathrm{maintain}} + K_{\mathrm{error}} }. $$ 若： $$ ROI<1, $$ 就不值得編譯。 --- # 八十八、記憶編譯也是投資決策 因此 Mother AI 不應： > 每次做完事都寫一篇反思。 而是： $$ \boxed{ \text{只對有重用價值的歷史支付編譯成本}. } $$ --- # 八十九、Frequency × Cost × Reuse 可定義： $$ Priority_{\mathrm{compile}} = F( frequency, first\ cost, expected\ reuse, risk ). $$ 高頻、高成本、高重用： $$ \rightarrow \text{優先編譯}. $$ --- # 九十、低頻未知不一定值得編譯 一次性的： $$ x_i $$ 即使很複雜， 如果： $$ P(\text{repeat})\approx0, $$ 保留 episode 即可。 所以： $$ \boxed{ \text{不是所有智慧都需要程序化}. } $$ --- # 九十一、Memory Compilation 與創新 極強記憶不應讓 Mother AI 永遠使用： $$ B_i. $$ 相反： $$ B_i $$ 最大的作用之一是： > 讓已知部分快速退出昂貴推理，把資源留給真正未知。 所以： $$ \boxed{ \text{記憶越成熟，探索資源越應集中在殘差空間}. } $$ --- # 九十二、Residual Cognitive Search 已知認知空間： $$ \mathcal S_t = \operatorname{span} \{ B_1,\ldots,B_n \}. $$ 新問題： $$ x^\perp = x-\Pi_{\mathcal S_t}x. $$ 探索集中： $$ \|x^\perp\|. $$ 這延續前一系列的 residual novelty search。 --- # 九十三、所以 Mother AI 的學習不是越來越少思考 而是： $$ \boxed{ \text{越來越少在已知區域重新思考} } $$ 並： $$ \boxed{ \text{把更多思考轉移到真正未知區域}. } $$ --- # 九十四、跨 Agent 記憶編譯 Sub-AI： $$ A_1,\ldots,A_n $$ 的經驗最後可： $$ \bigcup_i\mathcal M_E^{(i)} \rightarrow \mathfrak C_M. $$ 所以一個 Agent 做出的經驗： $$ \boxed{ \text{可以成為整個 Mother AI 系統的未來能力}. } $$ --- # 九十五、但先局部再全局 Agent local memory： $$ \mathcal M_i $$ 先驗證。 再： $$ \mathcal M_i \rightarrow \mathcal M_M. $$ 不能讓每個子 AI 自動改寫全局程序記憶。 --- # 九十六、跨模型 Procedural Memory AFTER 顯示由多模型 execution traces 演化出的 skills 具有跨模型轉移潛力。 這提供： $$ \boxed{ \text{Procedural Memory 可以比單一 Model Identity 更持久}. } $$ Mother AI 因此可以在模型世代更替中保持組織經驗。 --- # 九十七、跨 Agent Template Memory 若： $$ \Theta_r $$ 被更新， 未來所有： $$ A_i\sim\Theta_r $$ 都受益。 所以： $$ \boxed{ \text{經驗可以從 Instance 上升為 Role Memory}. } $$ --- # 九十八、跨 Topology Memory 若某 Agent constellation： $$ G_i $$ 長期成功， 可以： $$ G_i \rightarrow \mathcal M_T. $$ 下一次： $$ c_i\rightarrow G_i. $$ 所以： $$ \boxed{ \text{組織結構本身也可以被記憶}. } $$ --- # 九十九、Memory Compiler 的總輸入 $$ \mathcal D_t = ( W_{0:t}, S_{0:t}, M_{0:t}, A_{0:t}, R_{0:t} ). $$ 輸出： $$ \mathfrak C_M(\mathcal D_t) = ( \mathcal Q, \mathcal O, \Theta, \mathcal V, \mathfrak I ). $$ 其中： - $\mathcal Q$ ：state classes； - $\mathcal O$ ：cognitive options； - $\Theta$ ：scope／activation； - $\mathcal V$ ：validators； - $\mathfrak I$ ：indices。 --- # 一百、完整 Mother AI Memory Runtime $$ \boxed{ W_t \xrightarrow{\Phi} z_t \xrightarrow{C} c_t \xrightarrow{I} B_t \xrightarrow{F_G} \mathcal O_t^C \xrightarrow{\Pi} A_t \xrightarrow{V} R_t \xrightarrow{U} \mathcal M_{t+1}. } $$ 若： $$ C(z_t)=\bot, $$ 則： $$ z_t \rightarrow \text{explore} \rightarrow \tau_{new} \rightarrow \mathcal M_E. $$ --- # 一百零一、Compiler 不在每次事件後啟動 更合理： $$ \operatorname{CompileTrigger} = F( repeat, value, stability, evidence, cost ). $$ 只有： $$ CompileTrigger=1 $$ 才進行 consolidation。 --- # 一百零二、Memory Compiler 自己也是低頻高價值流程 它可能： - nightly； - weekly； - milestone-based； - threshold-based。 而不是： $$ \text{每一輪對話都 compile}. $$ 這能降低： - cost； - overfitting； - memory corruption。 --- # 一百零三、第一代 MVP 可以怎麼做？ MVP 只需要三層： $$ \mathcal M_E \oplus \mathcal M_P \oplus \mathcal M_M. $$ 先不做完整 semantic／topological graph。 --- # 一百零四、MVP Episode Schema ```text episode_id state_class task agents models memory_refs tools workflow_graph authority cost outcome evidence timestamp ``` 這已足以後續編譯。 --- # 一百零五、MVP Compiled Skill Schema ```text skill_id activation_conditions agent_constellation model_policy memory_policy workflow_graph budget authority_requirements verification termination provenance confidence version status ``` 這就是第一代 Cognitive Option。 --- # 一百零六、MVP Compile Policy 只有： ```text if repeated_success >= N and independent_evidence >= K and outcome_variance <= epsilon: create_candidate_skill() ``` 不要一開始用自由 LLM consolidation。 --- # 一百零七、MVP Shadow Test candidate skill： ```text status = shadow ``` 實際 task 到來時： - 主系統正常處理； - candidate 預測； - 比較兩者。 達標後才： ```text status = production ``` --- # 一百零八、MVP Decompile 如果： ```text failure_rate > threshold or drift > threshold or exception_match: status = suspended ``` 然後重新讀 episodes。 --- # 一百零九、MVP 評估指標 ## Compilation Rate $$ R_C = \frac{N_{\mathrm{compiled}}}{N_{\mathrm{episodes}}}. $$ ## Reuse Rate $$ R_R = \frac{N_{\mathrm{compiled\ hits}}}{N_{\mathrm{tasks}}}. $$ ## Compute Saving $$ S_K = K_{\mathrm{baseline}} - K_{\mathrm{compiled}}. $$ ## False-Known Rate $$ R_{FK}. $$ ## Decompile Rate $$ R_D. $$ ## Memory Drift $$ D_M. $$ --- # 一百一十、真正最重要的指標仍然是 False Known 如果： $$ B_i $$ 錯誤命中， Mother AI 會： - 快速叫錯 Agent； - 快速用錯模型； - 快速走錯流程； - 快速給錯權限。 所以： $$ \boxed{ Cost(FalseKnown) \gg Cost(MemoryMiss). } $$ 高風險系統尤其如此。 --- # 一百十一、寧可 Miss，也不要錯誤 Fast Path 因此： $$ \tau_{\mathrm{compile}} $$ 可以偏保守。 如果 unsure： $$ \rightarrow \text{explore}. $$ 這仍延續： $$ \boxed{ \text{未知是合法狀態}. } $$ --- # 一百十二、Memory Compilation 的終極作用 一開始： $$ W_t \rightarrow \text{expensive meta-control search}. $$ 成熟後： $$ W_t \rightarrow c_i \rightarrow B_i \rightarrow \mathcal O_i^C. $$ 所以： $$ \boxed{ \text{世界狀態} \rightarrow \text{索引問題} } $$ 逐步取代： $$ \boxed{ \text{世界狀態} \rightarrow \text{重新搜尋問題}. } $$ --- # 一百十三、這就是 Mother AI 的歷史計算資本化 定義： $$ \mathcal A_t^M = \{ B_1,\ldots,B_n \} $$ 為 Mother AI 的 compiled cognitive assets。 隨時間： $$ |\mathcal A_t^M|\uparrow. $$ 理想： $$ K_{\mathrm{known}}(t)\downarrow. $$ 這可以稱： $$ \boxed{ \text{Historical Cognitive Capitalization}. } $$ --- # 一百十四、Mother AI 越成熟，不代表硬編譯率越接近 100% 理想： $$ R_{\mathrm{compile}}<1. $$ 因為： - 世界會變； - unknown 永遠存在； - rare events 不值得編譯； - novel combinations 持續產生。 所以： $$ \boxed{ \bot } $$ 必須永久保留。 --- # 一百十五、正式定義 > **記憶編譯型母 AI，是一種將世界狀態、子 AI 組合、模型選擇、記憶切片、認知拓撲、預算、權限、驗證與實際結果所形成的歷史軌跡，經由保留原始 episode、來源追蹤、去重、狀態分類、抽象、候選編譯、影子驗證與版本化管理，轉換成可在相似未來狀態中快速、安全、可撤銷地重新調用之 Cognitive Options 的持續智能架構。** --- # 一百十六、核心公式 $$ \boxed{ \mathfrak C_M: \{\tau_i\}_{i=1}^{n} \rightarrow \{ (c_j,\mathcal O_j^C,\Theta_j,V_j,P_j) \}_{j=1}^{m} } $$ 且通常： $$ m\ll n. $$ 表示大量歷史 episode 被壓縮成較少的可重用結構。 --- # 一百十七、系列第二部到目前的位置 第 05 篇： $$ \boxed{ \text{Mother AI 一直存在，但不必一直高成本思考}. } $$ 第 06 篇： $$ \boxed{ \text{能力可以按需長成 Sub-AI 器官}. } $$ 第 07 篇： $$ \boxed{ \text{歷史可以把這些器官的最佳組合編譯成未來快速通道}. } $$ 現在只剩第二部最後一篇： # 08．《母 AI Runtime：從模型到持續認知核心》 將把： - World State； - Persistent State； - Sub-AI Fabric； - Memory Compiler； - Meta-Control； - Unknown； - Authority； 收斂成真正可實作的 Runtime 規格： $$ \boxed{ \text{Mother Runtime} = W+M+S+G+R+U+\Gamma. } $$ --- # 參考資料與公開技術資料 1. Jiang, E. H. et al. (2026). **Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents.** https://arxiv.org/abs/2607.13591 2. Mi, Q. et al. (2026). **ProcMEM: Learning Reusable Procedural Memory from Experience via Non-Parametric PPO for LLM Agents.** https://arxiv.org/abs/2602.01869 3. Belikova, J. et al. (2026). **Managing Procedural Memory in LLM Agents: Control, Adaptation, and Evaluation.** https://arxiv.org/abs/2606.23127 4. Zhang, D. et al. (2026). **Useful Memories Become Faulty When Continuously Updated by LLMs.** https://arxiv.org/abs/2605.12978 5. Xiong, Z. et al. (2025). **How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior.** https://arxiv.org/abs/2505.16067 6. Wang, G. et al. (2023). **Voyager: An Open-Ended Embodied Agent with Large Language Models.** https://arxiv.org/abs/2305.16291 7. Packer, C. et al. (2023). **MemGPT: Towards LLMs as Operating Systems.** https://arxiv.org/abs/2310.08560 8. Hsiao, V., Roberts, M., & Smith, L. (2025). **Procedural Knowledge Improves Agentic LLM Workflows.** https://arxiv.org/abs/2511.07568 --- # 內部理論依賴 1. 01《AI 不是流程中的一個節點》 2. 02《母 AI、世界狀態機與子智能網路》 3. 03《會改變拓撲的智能：動態圖論認知系統》 4. 04《母 AI 是二階控制器》 5. 05《持續世界狀態：母 AI 如何一直醒著》 6. 06《子 AI 是認知器官，不是獨立 Workflow》 7. 《從路徑覆蓋到行星智能：記憶編譯型計算存在論》 本篇將前一系列的 Memory-Compiled State Agent、極致分類、Unknown Gate、Residual Novelty Search 與文明記憶編譯概念，正式移植到 Mother AI 的 Agent／Model／Memory／Topology／Authority Meta-Control 層。 --- ## 一句話摘要 $$ \boxed{ \text{Mother AI 真正應該記住的，不只是「上次怎麼回答」，而是「這種世界狀態下，哪一種認知組織最值得再次被喚起」。} } $$