# 多表示智能記憶 ## ——從狀態機、向量資料庫、知識圖譜到拓樸與相位空間的記憶表示論 **英文題名：** Multi-Representational Intelligent Memory: From State Machines, Vector Databases, and Knowledge Graphs to Topological and Phase-Space Memory **作者：** Neo.K **AI 協作：** Aletheia（GPT-5.6 Thinking） **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026 年 8 月 **類型：** Agent Memory／Cognitive Architecture／Knowledge Representation／Graph Memory／Adaptive Representation --- # 摘要 當代大型語言模型 Agent 的長期記憶，常以少數幾種工程形式實作：文字摘要、Key-Value 狀態、向量嵌入、關聯式資料庫、文件索引與知識圖譜。這些方法各有成功案例，但也容易產生一個隱含假設： $$ \text{Memory} = \text{One Preferred Representation} $$ 例如認為所有長期記憶最終都應被轉換成 embedding，或所有結構化知識都應被圖形化。 本文提出相反命題： $$ \boxed{ \text{Memory} \neq \text{One Representation} } $$ 智能體所面對的記憶問題具有異質性。不同問題需要保存不同結構： - 語義相似度； - 精確數值； - 時序； - 因果； - 關係； - 狀態； - 分支； - 不確定性； - 空間鄰接； - 版本演化； - 連通性； - 動態軌跡。 因此本文提出 **多表示智能記憶（Multi-Representational Intelligent Memory, MRIM）**： $$ \boxed{ \mathfrak M = \{ M^{text}, M^{vector}, M^{state}, M^{relational}, M^{graph}, M^{temporal}, M^{causal}, M^{topological}, M^{phase}, \ldots \} } $$ 其中不同表示並非互斥，而可對同一資訊形成不同投影。 在 2026 年的 Agent memory 研究中，這種方向已經出現明顯工程前兆。Hindsight 同時結合 vector search、keyword matching、graph traversal 與 temporal filtering；Mnemis 同時使用語義相似度與階層圖遍歷；GAM 則把事件進展圖與主題關聯網分離，再進行分層整合。 本文因此進一步提出： $$ \boxed{ \text{Representation Selection} } $$ 本身應成為智能行為的一部分。 未來 Agent 不只需要回答： > 「我要記什麼？」 也需要回答： > 「這件事現在應該用什麼形式記？」 並進一步允許： $$ M_i \xrightarrow{\text{transform}} M_j $$ 亦即，同一記憶可依任務、風險、成本與認知需要，在不同表示之間轉換。 本文最後提出拓樸記憶與相位記憶作為後續猜想方向，但不主張這兩者已形成成熟通用 Agent-memory paradigm；其目的在於說明，一旦記憶表示不再被固定為資料表、向量或離散節點，智能記憶仍存在更廣大的幾何與動力學表示空間。 --- # 關鍵詞 Multi-Representational Memory、Agent Memory、Vector Memory、Graph Memory、Knowledge Graph、State Machine、Topology、Phase Space、Adaptive Memory、Cognitive Representation --- # 一、問題的提出：記憶應該存在哪裡？ 對 Agent memory 而言，常見問題是： > 應該用 Vector Database 還是 Knowledge Graph？ 或者： > SQL 還是 NoSQL？ 再或者： > 摘要還是完整對話？ 但這可能從一開始就是一個錯誤形式的問題。 因為： $$ \boxed{ \text{不同記憶問題可能需要不同表示} } $$ 就像： $$ \text{Image} \neq \text{Text} \neq \text{Graph} \neq \text{Time Series} $$ 但它們都可以描述同一個世界。 --- # 二、內容角色與資料表示必須分開 上一篇提出： $$ (E,S,M,K,A) $$ 分別代表： - Event； - State； - Memory； - Knowledge； - Artifact。 但： $$ Event $$ 不等於： $$ EventTable $$ 同樣： $$ State $$ 不等於： $$ FiniteStateMachine $$ 以及： $$ Knowledge $$ 不等於： $$ KnowledgeGraph $$ 所以必須區分： $$ \boxed{ \text{Semantic Role} } $$ 與： $$ \boxed{ \text{Representation Form} } $$ --- # 三、表示函數 假設存在某項記憶內容： $$ x $$ 我們可以對它建立不同表示： $$ \rho_i(x) $$ 其中： $$ \rho_i $$ 為第 $i$ 種表示算子。 因此： $$ x \xrightarrow{\rho_{vector}} v_x $$ $$ x \xrightarrow{\rho_{graph}} G_x $$ $$ x \xrightarrow{\rho_{temporal}} T_x $$ $$ x \xrightarrow{\rho_{state}} S_x $$ 這些並不表示存在四個不同世界。 而是： $$ \boxed{ \text{One informational object} \rightarrow \text{Multiple operational views} } $$ --- # 四、表示不是本體 如果： $$ x $$ 被嵌入成： $$ v_x\in\mathbb R^d $$ 不代表： $$ x=v_x $$ 它只是： $$ v_x=\rho_{vector}(x) $$ 同理： $$ node(x) $$ 也不是 $x$ 本身。 因此： $$ \boxed{ Representation \neq Represented Object } $$ 這是本文最基礎的原則。 --- # 五、文字記憶 最原始形式： $$ M^{text} $$ 例如： > 使用者決定暫停專案，等待新資料。 優勢： - 表達力高； - 方便 LLM； - 保留自然語義； - 易於人工閱讀。 缺點： - 精確查詢困難； - 結構隱含； - 關係不透明； - 易受措辭影響。 因此： $$ M^{text} $$ 非常適合： $$ Narrative $$ 但不一定適合： $$ ExactStateQuery $$ --- # 六、Key-Value / State 記憶 例如： ```yaml project_status: paused version: 0.3 next_trigger: new_data ``` 可表示： $$ M^{state} = \{ (k_i,v_i) \} $$ 優點： - 清楚； - 快速； - 易驗證； - 適合控制。 但問題是： > 世界真的都是單值狀態嗎？ 例如： $$ architecture=A $$ 可能太粗。 真實情況可能是： $$ Candidates=\{A,B,C\} $$ 且： $$ P(A)=0.5,\quad P(B)=0.3,\quad P(C)=0.2 $$ 所以 Key-Value 很適合： $$ \text{settled operational states} $$ 不一定適合： $$ \text{ambiguous cognitive states} $$ --- # 七、關聯式資料庫 若資訊具有固定 schema： $$ R(A_1,A_2,\ldots,A_n) $$ 則 relational representation 非常強。 例如： | project | version | status | date | |---|---|---|---| | X | 0.3 | paused | T1 | 優勢： - 精確查詢； - transaction； - constraint； - join； - 可審計。 缺點： - schema 需要預先設計； - 弱於開放語義； - 對快速變動關係較僵硬。 因此： $$ M^{relational} $$ 應被視為重要表示之一，而不是舊技術。 --- # 八、向量記憶 向量表示： $$ x \rightarrow v_x\in\mathbb R^d $$ 以距離： $$ d(v_q,v_x) $$ 估計語義相關性。 這使： $$ \text{semantic retrieval} $$ 非常方便。 優勢： - 模糊匹配； - 語義搜尋； - 非結構化資料； - 大規模 retrieval。 缺點： - 精確關係不一定保存； - 時序容易模糊； - provenance 需要額外結構； - 「相似」不等於「正確相關」。 2026 年的實證比較也顯示，vector memory 與 graph memory 存在成本—準確率取捨，並不存在所有情境下都顯然更優的唯一表示。 --- # 九、圖記憶 Graph： $$ G=(V,E) $$ 天然適合： $$ \text{entities} + \text{relations} $$ 例如： $$ Neo.K \xrightarrow{authored} Paper $$ $$ Paper \xrightarrow{depends\ on} UBE $$ Graph-based Agent Memory 在 2026 年已形成相當明確的研究分支，相關 survey 將其優勢集中在 relational dependencies、hierarchy、structured retrieval 與 memory evolution。 --- # 十、Graph 並不是「更高級 Vector DB」 這兩種表示回答不同問題。 向量主要回答： > 哪些內容看起來相近？ 即： $$ Nearest(q) $$ Graph 則主要回答： > 哪些內容經由哪些關係相連？ 即： $$ Path(a,b) $$ 所以： $$ \boxed{ Similarity \neq Relation } $$ --- # 十一、Hybrid 已經開始成為自然解 例如 Mnemis 同時使用： $$ \text{Similarity Retrieval} $$ 與： $$ \text{Hierarchical Graph Traversal} $$ 形成雙路 retrieval。 Hindsight 則同時使用： $$ Vector + Keyword + Graph + Temporal $$ 來完成 recall。 這表示工程實踐正在逐步承認： $$ \boxed{ \text{One Retrieval Geometry is often insufficient} } $$ --- # 十二、時間記憶 很多 Agent memory 問題不是： > 什麼和這件事情像？ 而是： > 當時是什麼？ 因此需要： $$ M^{temporal} $$ 例如事件： $$ e_i=(x_i,t_i) $$ 並可定義： $$ t_1 我們為什麼不用方案 A？ 不是 similarity query。 它要求： $$ Decision \leftarrow Reason $$ 例如： $$ HighCost \rightarrow Reject(A) $$ 這是決策 provenance。 --- # 十六、事件圖與知識圖不一定是同一張圖 GAM 在 2026 年已採用： $$ EventProgressionGraph $$ 與： $$ TopicAssociativeNetwork $$ 分離策略，將持續對話流與較穩定主題記憶分開處理。 這是一個很重要的工程證據： $$ \boxed{ Even Graph Memory may need multiple graph geometries } $$ 也就是： > 「用 Graph」仍然太粗。 --- # 十七、表示的多尺度性 因此同一記憶可能存在： $$ M^{local} $$ 以及： $$ M^{global} $$ 例如： 事件層： $$ e_1,e_2,e_3 $$ 主題層： $$ T_1 $$ 理論層： $$ K_1 $$ 形成： $$ e_i \rightarrow T_j \rightarrow K_k $$ --- # 十八、記憶可以同時具有多個表示 對某一資訊 $x$ ： $$ \mathfrak R(x) = \{ \rho_1(x), \rho_2(x), \ldots, \rho_n(x) \} $$ 例如： > 專案 A 在七月因成本原因暫停。 可以同時是： ### Text $$ M^{text} $$ ### State $$ status=paused $$ ### Temporal $$ paused\_at=July $$ ### Causal $$ cost\rightarrow pause $$ ### Graph $$ ProjectA \xrightarrow{pausedBecause} Cost $$ 沒有必要只選一個。 --- # 十九、多表示不是無限複製 但若每一筆資訊都複製到： $$ N $$ 種 representation： $$ StorageCost\propto N $$ 很快不可行。 所以必須區分： $$ CanonicalInformation $$ 與： $$ DerivedRepresentation $$ 即： $$ x $$ 保存一次， 表示： $$ \rho_i(x) $$ 可以按需生成、cache 或更新。 --- # 二十、Canonical Layer 假設： $$ \mathcal R $$ 是前文的完整資訊區。 那麼： $$ \mathcal R $$ 可以作為較接近 canonical evidence 的來源。 而： $$ M_i = \rho_i(\mathcal R) $$ 為不同表示。 因此： $$ \boxed{ \mathcal R \rightarrow M_1,M_2,\ldots,M_n } $$ 這直接延續第二篇的雙模式模型。 --- # 二十一、Representation Router 現在真正的新元件出現： $$ \boxed{ \mathcal R_\pi } $$ 稱為： **Representation Router**。 它根據： $$ Q_t $$ 選擇： $$ M_i $$ 即： $$ \mathcal R_\pi(Q_t) = M_i $$ --- # 二十二、例子 問題： > 「以前有沒有討論過相似的產品？」 選： $$ VectorMemory $$ 問題： > 「這項理論依賴哪幾篇論文？」 選： $$ GraphMemory $$ 問題： > 「當時先發生哪一件事？」 選： $$ TemporalMemory $$ 問題： > 「為什麼最後取消方案 A？」 選： $$ CausalMemory $$ 問題： > 「現在做到哪？」 選： $$ StateMemory $$ --- # 二十三、真正智能的 Router 低階版本： ```text if query contains "when": use temporal database ``` 這只是 heuristic。 更高階版本應是： $$ M_t^{*} = \arg\max_{M_i} U(M_i\mid Q_t) $$ 其中： $$ U $$ 可以考慮： - answer quality； - cost； - latency； - uncertainty； - risk； - coverage。 --- # 二十四、多表示融合 有些問題不能只選一種。 例如： > 「我們去年為什麼把那個跟 NOVA 類似的專案停掉？」 需要： $$ Semantic + Temporal + Causal + Graph $$ 因此： $$ \mathcal S(Q) = \{M_{vector},M_{temporal},M_{causal},M_{graph}\} $$ 再進行： $$ Fusion(\mathcal S(Q)) $$ --- # 二十五、Adaptive Graph 已經展現這種趨勢 MemORAI 採用 query-adaptive subgraph retrieval，根據查詢調整邊的權重，而不是永遠用同一套 graph traversal。 這意味著： $$ Representation $$ 即使不變， 其： $$ OperationalGeometry $$ 也可以依問題而改變。 這會成為後續拓樸記憶的重要入口。 --- # 二十六、記憶表示也會反過來影響 Agent 這是一個容易忽略的問題。 若 Agent 主要透過 similarity retrieval 取得歷史： $$ Q \rightarrow similar\ memory $$ 它可能越來越容易： $$ \text{repeat similar past behavior} $$ 2026 年的實證研究稱此現象為 experience-following：當新任務與被檢索記憶高度相似時，Agent 輸出也容易高度追隨既有經驗。 所以： $$ \boxed{ Memory Representation } $$ 不只是儲存問題。 它會改變： $$ \boxed{ Agent Behavior } $$ --- # 二十七、表示偏差 每一種 representation 都存在 inductive bias。 Vector： $$ Bias_{vector} = Similarity $$ Graph： $$ Bias_{graph} = Connectivity $$ State Machine： $$ Bias_{state} = DiscreteTransition $$ Table： $$ Bias_{table} = Schema $$ Temporal： $$ Bias_{time} = Ordering $$ 因此： $$ \boxed{ Representation Choice = Cognitive Bias Choice } $$ --- # 二十八、這也是多表示的另一個理由 若整個 Agent 永遠只透過： $$ Similarity $$ 理解過去， 那麼它看到的歷史就會被 similarity geometry 主導。 多表示可以降低： $$ \text{single-representation lock-in} $$ 即： $$ \boxed{ \text{Representational Pluralism} } $$ --- # 二十九、拓樸記憶：第一個猜想方向 現在開始進入尚未成熟的部分。 假設記憶物件集合為： $$ X $$ 我們不只保存 pairwise edge，而是賦予： $$ X $$ 一個拓樸： $$ \tau $$ 形成： $$ \boxed{ M^{topo} = (X,\tau) } $$ 其中： $$ \tau $$ 描述哪些集合構成可辨識的鄰域與連通結構。 --- # 三十、Graph 與 Topology 有什麼概念差異？ Graph 問： > 哪兩個節點有 Edge？ Topology 更一般地問： > 哪些區域彼此鄰近、連通、分離、具有邊界或形成穩定區域？ 所以： $$ Graph $$ 偏： $$ PairwiseRelation $$ 而： $$ Topology $$ 偏： $$ NeighborhoodStructure $$ --- # 三十一、記憶鄰域 假設： $$ x=\text{NOVA} $$ 在 Vector DB 中可能搜尋： $$ Nearest(x) $$ 在 Graph 中： $$ Neighbors_G(x) $$ 而 Topological Memory 可以研究： $$ U(x) $$ 即： > 哪些記憶共同構成 $x$ 的一個局部語義／認知鄰域？ --- # 三十二、為什麼這可能有價值？ 因為某些概念不是單獨 Node。 例如一個研究系列可能由： - 術語； - 公式； - 論文； - 程式； - 實驗； - 討論； 共同形成一個局部區域。 因此： $$ Concept \approx Region $$ 可能比： $$ Concept=Node $$ 更合適。 --- # 三十三、拓樸記憶已有狹義工程近親 需要嚴格區分： 本文提出的通用認知拓樸記憶尚屬猜想。 但 embodied AI 已經存在明確的 **topological memory** 工程使用。例如 2026 年 VTM-Nav 使用持久 hierarchical visual-topological memory，讓 Agent 跨 episode 保存房間與物件層級的場景關係。 這證明： $$ \boxed{ \text{Topological Memory} } $$ 至少在空間／導航記憶中具有實際工程意義。 但： $$ \boxed{ \text{Spatial Topological Memory} \neq \text{General Cognitive Topological Memory} } $$ 本文後者仍需另行研究。 --- # 三十四、拓樸可以描述記憶邊界變化 假設某理論一開始： $$ U_1 $$ 與： $$ U_2 $$ 分離。 後來發現橋接概念： $$ b $$ 使： $$ U_1 \cup \{b\} \cup U_2 $$ 形成連通區域。 這不是單純「新增一條 Edge」。 它也可以被理解為： $$ \boxed{ TopologyChange } $$ 即認知空間的連通性改變。 --- # 三十五、相位空間記憶：第二個猜想方向 再往下一步： 記憶不只是一組靜態物件。 它可能具有動態狀態： $$ x_t $$ 其中： $$ x_t\in\mathcal P $$ 而： $$ \mathcal P $$ 是一個 phase space。 因此： $$ \boxed{ M^{phase} = (\mathcal P,\Phi_t) } $$ 其中： $$ \Phi_t $$ 描述狀態演化。 --- # 三十六、例子：對一項理論的認知狀態 可定義： $$ x_t = ( c_t, e_t, u_t, r_t ) $$ 其中： - $c_t$ ：confidence； - $e_t$ ：evidence； - $u_t$ ：uncertainty； - $r_t$ ：risk。 隨著新證據： $$ x_t \rightarrow x_{t+1} $$ --- # 三十七、這就不再是普通 State Machine 有限狀態機可能： $$ Hypothesis \rightarrow Accepted $$ 但 Phase Representation 可以保留： $$ 0 這項認知逐漸進入穩定理解區。 而新反例可能： $$ x_t \xrightarrow{counterexample} x_{t+1} $$ 離開原本吸引域。 --- # 三十九、相變 甚至可能： $$ x_t $$ 逐步累積差異， 直到某個臨界條件： $$ \lambda>\lambda_c $$ 發生： $$ \boxed{ \text{Cognitive Phase Transition} } $$ 例如： $$ \text{Tentative} \rightarrow \text{Rejected} $$ 不是由單一 Boolean command 造成，而是大量證據積累後的結構改變。 --- # 四十、Phase-space 不是憑空創造的數學語言 相位空間本來就是動力系統描述狀態及其演化的標準方法。 在具有記憶的計算系統研究中，也已有研究直接討論 memory dynamics 如何改變 phase-space geometry，例如 2025 年的 memcomputing 工作即分析記憶自由度與 phase-space exploration 之間的關係。 但這並不等於： > 現有研究已經建立 Agent Phase Memory。 因此本文只主張： $$ \boxed{ \text{Phase Space is a plausible representational candidate} } $$ 而不是既成標準。 --- # 四十一、Topology 與 Phase Space 可以組合 若狀態空間： $$ \mathcal P $$ 具有拓樸： $$ \tau_{\mathcal P} $$ 那麼智能記憶可以同時研究： $$ (\mathcal P,\tau_{\mathcal P},\Phi_t) $$ 即： - 狀態空間； - 鄰域結構； - 動態流。 這就開始超出傳統 database 的語言。 --- # 四十二、多表示記憶的完整抽象 本文提出： $$ \boxed{ \mathfrak M_t = ( \mathcal I_t, \mathcal R_t, \mathcal T_t, \mathcal G_t ) } $$ 其中： $$ \mathcal I_t $$ 是 informational objects； $$ \mathcal R_t $$ 是 available representations； $$ \mathcal T_t $$ 是 representations 之間的 transform； $$ \mathcal G_t $$ 是 selection / governance policy。 --- # 四十三、表示轉換 存在： $$ T_{ij}: M_i\rightarrow M_j $$ 例如： $$ Text \rightarrow Vector $$ $$ Text \rightarrow Graph $$ $$ EventLog \rightarrow State $$ $$ Graph \rightarrow Topology $$ $$ Trajectory \rightarrow PhaseModel $$ --- # 四十四、但轉換未必可逆 通常： $$ T_{ij}^{-1} $$ 不存在。 例如： $$ Text \rightarrow Vector $$ 之後不能由 embedding 完美重建原文。 因此： $$ \boxed{ Representation Conversion } $$ 也必須記錄 loss。 --- # 四十五、Representation Loss 定義： $$ L_{ij} = Loss( M_i, T_{ij}(M_i) ) $$ 這個 loss 不一定只是一個數值。 可以分解： $$ L= ( L_{semantic}, L_{temporal}, L_{causal}, L_{provenance}, L_{precision} ) $$ --- # 四十六、最小充分表示 對問題： $$ Q $$ 理想表示不是： $$ \text{richest representation} $$ 而是： $$ \boxed{ \text{minimum sufficient representation} } $$ 即： $$ M^{*} = \arg\min_M Cost(M) $$ subject to： $$ Answerability(M,Q)\ge\theta $$ 這直接與前兩篇的有限工作記憶思想接軌。 --- # 四十七、表示組合問題 若單一表示不足： $$ M_1 $$ 則加入： $$ M_2 $$ 形成： $$ M_1\oplus M_2 $$ 若仍不足： $$ M_1\oplus M_2\oplus M_3 $$ 因此： $$ \boxed{ Representation Expansion } $$ 本身也可以逐步發生。 --- # 四十八、這已開始接近 UBE 對任意有限問題： $$ Q $$ Agent 不需要一次啟用全部： $$ \mathfrak M $$ 而可從： $$ M_1 $$ 開始。 若不足： $$ M_1 \rightarrow M_1\oplus M_2 $$ 再不足： $$ M_1\oplus M_2 \rightarrow M_1\oplus M_2\oplus M_3 $$ 形成： $$ \boxed{ \text{Finite Representation Working Set} + \text{Open-Ended Representation Expansion} } $$ 這將在第六、第七篇正式與無界展開整合。 --- # 四十九、Representation 甚至可以被創造 目前我們假設： $$ \mathfrak M $$ 中的表示種類已經存在。 但真正高階 Agent 可能發現： > 現有 representation 都不好用。 於是生成： $$ M_{new} $$ 即： $$ \boxed{ \mathfrak M_t \rightarrow \mathfrak M_{t+1} } $$ 且： $$ |\mathfrak M_{t+1}| > |\mathfrak M_t| $$ 這就是： $$ \boxed{ Representational Self-Extension } $$ --- # 五十、這比「選資料庫」更深 此時問題不再是： > PostgreSQL 還是 Neo4j？ 而變成： > 智能體如何決定自己的過去應該被如何表達？ 即： $$ \boxed{ \text{Memory Representation} \rightarrow \text{Epistemic Decision} } $$ --- # 五十一、多表示記憶控制器 定義： $$ \mathcal A_R $$ 為表示控制器。 輸入： $$ (Q,G,B,R,U) $$ 其中： - $Q$ ：query； - $G$ ：goal； - $B$ ：budget； - $R$ ：risk； - $U$ ：uncertainty。 輸出： $$ \mathcal A_R \rightarrow (\mathcal S,\mathcal T,\mathcal F) $$ 其中： - $\mathcal S$ ：選哪些表示； - $\mathcal T$ ：需要哪些轉換； - $\mathcal F$ ：如何融合。 --- # 五十二、第一代工程版 ```text Query │ ▼ Representation Router │ ┌───────────────┼────────────────┐ │ │ │ ▼ ▼ ▼ Vector Graph Temporal │ │ │ └───────────────┼────────────────┘ │ ▼ Result Fusion │ confidence enough? / \ yes no │ │ Answer expand modes ``` 後續可以加入： - State； - Causal； - Topological； - Phase。 --- # 五十三、表示一致性問題 如果： $$ M^{state} $$ 寫： $$ Project=Paused $$ 但： $$ M^{graph} $$ 仍有： $$ Project \xrightarrow{status} Active $$ 就出現： $$ RepresentationConflict $$ 所以需要： $$ ConsistencyManager $$ --- # 五十四、Canonical Evidence 可以解決部分衝突 兩個 representation 衝突時： $$ M_i\neq M_j $$ 回到： $$ \mathcal R $$ 即完整資訊區。 重新生成： $$ M_i' $$ 及： $$ M_j' $$ 因此： $$ \boxed{ Representation Conflict \rightarrow Evidence Reconstruction } $$ 這再次驗證第二篇雙模式的重要性。 --- # 五十五、多表示記憶與人類類比 人類回憶一個地方時，可能同時具有： - 視覺； - 空間； - 語義； - 情節； - 時序； - 情緒； - 身體感。 本文不主張 AI 必須模仿人腦。 但這個類比至少提醒： $$ \boxed{ \text{Memory need not have a universal homogeneous format} } $$ --- # 五十六、不要把「多表示」誤讀成「多模態」 兩者不同。 Multimodal： $$ Text+Image+Audio $$ 是輸入／感知模態。 Multi-Representational： $$ Vector+Graph+State+Topology+\ldots $$ 是同一資訊的結構表示方式。 所以： $$ \boxed{ Multimodal \neq MultiRepresentational } $$ 但兩者可以結合。 --- # 五十七、本文的七個核心命題 ## 命題一：表示非本體命題 $$ \boxed{ M_i \neq Information } $$ --- ## 命題二：表示多元命題 $$ \boxed{ \exists M_i,M_j: M_i\neq M_j } $$ 但兩者可描述相同資訊。 --- ## 命題三：問題條件化命題 $$ \boxed{ M^{*} = f(Q) } $$ 最佳表示依問題而變。 --- ## 命題四：融合命題 某些問題需要： $$ \boxed{ M^{*} = M_1\oplus M_2\oplus\cdots } $$ --- ## 命題五：表示偏差命題 $$ \boxed{ Representation \rightarrow RetrievalBias \rightarrow ReasoningBias } $$ --- ## 命題六：表示演化命題 $$ \boxed{ \mathfrak M_t \neq \mathfrak M_{t+1} } $$ 記憶表示集合本身可以變化。 --- ## 命題七：可回溯命題 表示衝突或信心不足時： $$ \boxed{ M_i \rightarrow \mathcal R } $$ 應能返回完整資訊區重新建構。 --- # 五十八、最小 MVP 第四篇可以建立： # MRIM Runtime v0.1 第一輪只實作四種 representation： $$ State + Vector + Graph + Temporal $$ --- ## T1 — Similarity Query 問： > 哪個過去專案最像 X？ 測試： $$ Vector $$ --- ## T2 — Dependency Query 問： > X 依賴哪些理論？ 測試： $$ Graph $$ --- ## T3 — Current State Query 問： > X 現在做到哪？ 測試： $$ State $$ --- ## T4 — Historical Query 問： > X 在哪個版本之前被暫停？ 測試： $$ Temporal $$ --- ## T5 — Mixed Query 問： > 去年那個跟 X 很像，而且因為成本被暫停的項目是哪個？ 測試： $$ Vector + Temporal + Graph $$ --- ## T6 — Representation Conflict 故意讓： $$ State \neq Graph $$ 測試是否回到 Raw Evidence。 --- ## T7 — Router Selection 測試 Agent 是否能自己選擇適當 representation。 --- # 五十九、評估指標 定義： ### Representation Selection Accuracy $$ A_R $$ ### Retrieval Accuracy $$ A_Q $$ ### Fusion Accuracy $$ A_F $$ ### Representation Cost $$ C_R $$ ### Conflict Detection Rate $$ D_C $$ ### Evidence Fallback Success $$ F_E $$ 最終可定義： $$ Utility = \alpha A_Q + \beta A_F + \gamma D_C - \lambda C_R $$ --- # 六十、本文不主張什麼？ 本文不主張： 1. Vector DB 即將過時； 2. Knowledge Graph 優於 Vector DB； 3. 所有資訊都需要多份 representation； 4. Graph 等於 Topology； 5. Topological Memory 已是成熟通用 Agent 技術； 6. Phase-space Memory 已是成熟 Agent 技術； 7. AI 記憶必須模仿人腦； 8. 所有 representation 都應永久保存； 9. 多表示一定比單表示便宜； 10. 本文已找到智能記憶的最終本體。 本文主張的只有： $$ \boxed{ \text{不應把目前工程上最方便的資料結構， 誤認為智能記憶唯一可能的形狀。} } $$ --- # 六十一、下一篇：拓樸與相位正式展開 本文只建立： $$ Topology $$ 與： $$ PhaseSpace $$ 作為候選 representation。 下一篇將單獨回答： > 如果記憶不是一堆獨立 Item，而是一個具有鄰域、連通、邊界與動態流的認知空間，會發生什麼？ 下一篇： # 《拓樸記憶與相位狀態：智能記憶的幾何化猜想》 將正式研究： $$ M_{topo} = (X,\tau) $$ 以及： $$ M_{phase} = (\mathcal P,\Phi_t) $$ 並探索兩者是否能統合成： $$ \boxed{ (\mathcal P,\tau,\Phi_t) } $$ 即一個同時具有： - 空間； - 鄰域； - 連通； - 軌跡； - 穩定域； - 相變； 的動態記憶幾何。 --- # 六十二、結論 長期 Agent 記憶的問題不應被縮減為： $$ \text{Which database should we use?} $$ 真正問題是： $$ \boxed{ \text{Which representation makes the relevant structure visible?} } $$ 當我們問相似性時： $$ Vector $$ 可能最好。 當我們問依賴： $$ Graph $$ 可能最好。 當我們問現在： $$ State $$ 可能最好。 當我們問歷史： $$ Temporal $$ 可能最好。 當我們問原因： $$ Causal $$ 可能最好。 而未來某些問題可能更適合： $$ Topology $$ 或： $$ PhaseSpace $$ 甚至尚未發明的 representation。 因此： $$ \boxed{ \text{Memory intelligence} } $$ 可能不只是： $$ \text{remembering the right information} $$ 還包括： $$ \boxed{ \text{representing the right information in the right form at the right time} } $$ 再進一步： $$ \boxed{ \text{高階智能未必只是使用記憶； 它也可能重新發明自己的記憶形狀。} } $$ 這使 Agent memory 從資料儲存問題，開始進入： $$ \boxed{ \text{Representation Dynamics} } $$ 與： $$ \boxed{ \text{Memory Epistemology} } $$ 的範圍。 --- # 參考資料 1. Yang, C., et al. *Graph-based Agent Memory: Taxonomy, Techniques, and Applications*. 2026. 2. Wu, Z., et al. *GAM: Hierarchical Graph-based Agentic Memory for LLM Agents*. ACL 2026. 3. Tang, Z., et al. *Mnemis: Dual-Route Retrieval on Hierarchical Graphs for Long-Term LLM Memory*. ACL 2026. 4. Latimer, C., et al. *Hindsight: Structured Agent Memory that Retains, Recalls, and Reflects*. ACL 2026 Demo. 5. Pham Van, H., et al. *MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents*. Findings of ACL 2026. 6. Wolff, B., Bennati, J. *Cost and Accuracy of Long-Term Graph Memory in Distributed LLM-Based Multi-Agent Systems*. 2026. 7. Xiong, Z., et al. *How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior*. ACL 2026. 8. Zhu, J., et al. *HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents*. ACL 2026. 9. Xu, X., et al. *VTM-Nav: Hierarchical Visual-Topological Memory for Cross-Episode Object-Goal Navigation*. 2026. 10. Sipling, C., Zhang, Y.-H., Di Ventra, M. *Phase-Space Engineering and Dynamical Long-Range Order in Memcomputing*. 2025.