# 展開—收斂—自適應 ## ——智能記憶的認識論控制器：從無界可展開到有限可用認知 **英文題名：** Expansion, Convergence, and Adaptation: An Epistemic Controller for Intelligent Memory from Unbounded Extensibility to Finite Usable Cognition **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／Adaptive Cognition／Epistemic Control／Unbounded Expansion／Memory Management --- # 摘要 前文已建立一個長期 Agent memory 的基本矛盾。 智能系統需要： $$ \boxed{ \text{可持續展開} } $$ 才能重新進入歷史、增加解析度、跨越舊 domain、形成新關係與新表示。 但如果系統只有展開： $$ M_0 \rightarrow M_1 \rightarrow M_2 \rightarrow \cdots $$ 而沒有重新壓縮、選擇、固化與遺忘機制，則最終將遭遇： $$ \text{Memory Explosion} $$ $$ \text{Context Dilution} $$ $$ \text{Contradiction Accumulation} $$ $$ \text{Verification Explosion} $$ 因此，無界展開記憶本身並不足以構成智能記憶。 本文提出： $$ \boxed{ \text{Intelligent Memory} = \text{Expansion} + \text{Connection} + \text{Convergence} + \text{Adaptive Control} } $$ 並將既有《理論呼吸論》中的： $$ \mathcal B = \mathcal H \circ \mathcal C \circ \mathcal L \circ \mathcal E $$ 重新解釋為記憶呼吸算子，其中： - $\mathcal E$ ：Expansion，展開； - $\mathcal L$ ：Link / Connection，連接； - $\mathcal C$ ：Convergence，收斂； - $\mathcal H$ ：Halt / Stabilization，停息與固化。 原理論已指出，系統若只有展開而缺乏收斂，會形成「過度換氣」；若收斂遠強於展開，則形成「硬化」；若完全缺乏停息，系統將無法形成穩定版本。 本文進一步加入第五個核心： $$ \boxed{ \mathcal A = \text{Adaptive Epistemic Controller} } $$ 使記憶運作不再固定依照： $$ Expand \rightarrow Connect \rightarrow Converge \rightarrow Stop $$ 機械循環，而是由當前： - 問題； - 不確定性； - 風險； - 可用證據； - 記憶衝突； - 工作預算； - 歷史使用模式； 決定下一個記憶操作。 因此： $$ \boxed{ a_t \sim \pi( a \mid Q_t,U_t,R_t,B_t,H_t,M_t ) } $$ 其中 $a_t$ 可以是： $$ \{ retrieve, expand, connect, compress, consolidate, reopen, switchRepresentation, verify, stop \} $$ 。 2026 年的 Agent memory 研究已明確朝此方向前進。AgeMem 將 store、retrieve、update、summarize 與 discard 直接做成 Agent policy 的操作；Memory-R1 透過 RL 學習 ADD、UPDATE、DELETE、NOOP；FluxMem 更進一步把「選哪種記憶結構」本身變成 context-adaptive decision。 2026 年 7 月提出的 MemCon 則直接將 memory management 建模為 controlled process：系統根據任務情境動態決定何時檢索、檢索多少、何時重檢索、何時壓縮、整合或遺忘；其實驗顯示，在多個 benchmark 上可同時提高 task success 並降低 token 使用。 本文的貢獻不是再提出一個特定 learned memory controller，而是將這些工程現象提升成一個更一般的命題： $$ \boxed{ \text{高階記憶能力的核心， 不只是保存與檢索資訊， 而是對「記憶活動本身」進行認識論控制。} } $$ --- # 關鍵詞 Adaptive Memory、Epistemic Controller、Unbounded Expansion、Memory Convergence、Agent Memory、Memory Policy、Cognitive Control、Long-Term Memory、Representation Selection、Memory Breathing --- # 一、問題：如果可以一直展開，為什麼還需要收斂？ 第六篇建立： $$ \boxed{ \text{Finite Working Field} + \text{Open-Ended Recoverability} } $$ 。 這解決了： > 有限 context 如何支援長程記憶？ 但沒有解決： > 哪些東西值得重新放回 context？ 如果： $$ RetrieveEverything=True $$ 則： $$ M\text{-}UBE $$ 最後只是變成： $$ \boxed{ \text{永久擴張的資訊洪水} } $$ 。 --- # 二、信息可達不等於信息可用 假設可回溯資訊： $$ |\mathcal R| = 10^9 $$ 但當前問題只需要： $$ 10^3 $$ 單位資訊。 則： $$ \boxed{ AccessibleInformation \gg UsefulInformation } $$ 。 因此 intelligent memory 的真正工作是找到： $$ \mathcal W^{*} \subset \mathcal R $$ 使： $$ Utility(\mathcal W^{*},Q) $$ 足夠高。 --- # 三、所以真正問題變成控制問題 Agent 必須持續回答： > 要不要找？ > 去哪裡找？ > 找多少？ > 要不要繼續找？ > 哪些結果應該連起來？ > 哪些資訊應該壓縮？ > 哪些記憶要保留原文？ > 哪些只需要留下狀態？ > 是否需要換表示？ > 是否應重新打開已關閉問題？ > 現在是否已經足夠？ 這已經不是： $$ DatabaseQuery $$ 。 而是： $$ \boxed{ Memory Control } $$ 。 --- # 四、認識論控制器 本文定義： $$ \boxed{ \mathcal A_E } $$ 為 **Adaptive Epistemic Memory Controller，AEMC**。 其最低輸入為： $$ z_t = ( Q_t, G_t, U_t, R_t, B_t, H_t, M_t ) $$ 其中： - $Q_t$ ：當前問題； - $G_t$ ：目標； - $U_t$ ：不確定性； - $R_t$ ：錯誤／行動風險； - $B_t$ ：資源預算； - $H_t$ ：歷史使用狀態； - $M_t$ ：目前記憶狀態。 --- # 五、控制器輸出 控制器輸出： $$ a_t = ( o_t, d_t, s_t, \rho_t, v_t ) $$ 其中： - $o_t$ ：memory operation； - $d_t$ ：展開深度； - $s_t$ ：作用範圍； - $\rho_t$ ：representation； - $v_t$ ：verification strength。 因此： $$ \boxed{ MemoryAction \neq RetrieveOnly } $$ 。 --- # 六、操作集合 最低可定義： $$ \mathcal O = \{ E,L,C,H,V,R,T \} $$ 其中： $$ E=\text{Expand} $$ $$ L=\text{Link} $$ $$ C=\text{Converge} $$ $$ H=\text{Halt/Stabilize} $$ $$ V=\text{Verify} $$ $$ R=\text{Reopen} $$ $$ T=\text{Transform Representation} $$ 。 --- # 七、既有理論呼吸提供了前四個算子 《理論呼吸論》已將： $$ \mathcal B = \mathcal H \circ \mathcal C \circ \mathcal L \circ \mathcal E $$ 定義為一個完整版本生成過程。 其邏輯是： $$ \text{吸收差異} \rightarrow \text{建立交換} \rightarrow \text{排出失效} \rightarrow \text{重新閉合} $$ 。 將 $T$ 換成 Memory State： $$ M_{t+1} = \mathcal B(M_t) $$ 即可形成第一版： $$ \boxed{ \text{Memory Breathing} } $$ 。 --- # 八、但固定順序仍然不夠 真實 memory operation 不一定每次： $$ E\rightarrow L\rightarrow C\rightarrow H $$ 。 有時： $$ H $$ 之後立即： $$ R $$ 。 有時只需要： $$ V $$ 。 有時： $$ E\rightarrow E\rightarrow E $$ 。 有時： $$ C\rightarrow C $$ 。 因此更一般： $$ M_{t+1} = o_t(M_t) $$ 其中： $$ o_t \sim \pi_t(\mathcal O\mid z_t) $$ 。 --- # 九、記憶呼吸因此不是固定週期 而是： $$ \boxed{ \text{Adaptive Operator Composition} } $$ 。 例如： $$ \mathcal B_t = \mathcal C \circ \mathcal E $$ 或： $$ \mathcal B_t = \mathcal V \circ \mathcal R \circ \mathcal E $$ 甚至： $$ \mathcal B_t = \mathcal H $$ 。 --- # 十、當代研究已經開始把 Memory 變成 Policy AgeMem 的重要地方就在於： 記憶不再只是外部工具被固定 pipeline 呼叫，而被暴露為 Agent action，使 Agent 可以自主選擇： - store； - retrieve； - update； - summarize； - discard。 因此： $$ \boxed{ MemoryManagement \rightarrow PolicyLearningProblem } $$ 已經開始成為現實研究方向。 --- # 十一、Memory-R1 的另一條證據 Memory-R1 將 memory manager 與 answer agent 分開，讓 manager 學習： $$ ADD $$ $$ UPDATE $$ $$ DELETE $$ $$ NOOP $$ 等結構化操作，而不是每輪機械寫入記憶。 這非常重要。 因為： $$ \boxed{ NOOP } $$ 本身就是 intelligent memory action。 --- # 十二、不記，也是一種記憶能力 一個低階 memory system： $$ Input\rightarrow Store $$ 。 高階系統需要： $$ Input \xrightarrow{\mathcal A_E} \begin{cases} Store\\ Update\\ Merge\\ Ignore\\ Archive\\ Verify \end{cases} $$ 。 因此： $$ \boxed{ Remembering } $$ 也包含： $$ \boxed{ ChoosingNotToStore } $$ 。 --- # 十三、同理，不回憶也是能力 若： $$ Q $$ 只需要目前 state， 則檢索五年前對話反而有害。 因此： $$ \boxed{ Retrieve } $$ 不是預設正確操作。 有時最好的動作就是： $$ NO\_RETRIEVAL $$ 。 --- # 十四、MemCon 直接把這個問題形式化 2026 年 7 月提出的 MemCon 將 memory operations 建模為決策過程，根據 task context 決定： - 是否檢索； - 檢索什麼； - 檢索多少； - 是否重新檢索； - 是否注入已提煉 plan； - 何時 consolidation； - 何時 forgetting。 其核心出發點正是： $$ \boxed{ \text{Optimal memory behavior is context dependent.} } $$ 這與本文的 epistemic controller 高度相鄰。 --- # 十五、但本文的範圍更廣 MemCon 主要處理： $$ \text{Memory Management Policy} $$ 。 本文還要處理： $$ \boxed{ \text{Representation Policy} } $$ 以及： $$ \boxed{ \text{Expansion / Convergence Balance} } $$ 。 --- # 十六、Representation 本身也是 Action 第四篇已建立： $$ \mathfrak M = \{ Vector, Graph, State, Temporal, Causal, Topology, Phase,\ldots \} $$ 。 所以： $$ a_t $$ 還可以是： $$ SwitchRepresentation $$ 。 --- # 十七、FluxMem 的直接工程近親 2026 年的 FluxMem 明確批評 one-size-fits-all memory structure，並讓系統根據 interaction-level features 選擇不同 memory structures，再做概率式融合。 因此： $$ \boxed{ HowToRemember } $$ 也開始成為 learned decision。 --- # 十八、完整控制問題 現在記憶策略可以寫成： $$ \boxed{ \pi: z_t \rightarrow ( operation, representation, scope, depth, precision, verification, stop ) } $$ 。 這已經是一個相當完整的認知控制器。 --- # 十九、展開算子 $$ \mathcal E(M) $$ 代表增加： - evidence； - resolution； - relation； - domain； - representation； - state space； - question； - rule。 即： $$ M\rightarrow M' $$ 且： $$ Progress_E(M,M')=True $$ 。 --- # 二十、連接算子 $$ \mathcal L(M_i,M_j) $$ 將原本分離的結構建立關係。 例如： $$ A \xrightarrow{depends} B $$ 。 它的作用不是增加 raw content，而是： $$ \boxed{ \text{增加可用結構} } $$ 。 --- # 二十一、收斂算子 定義： $$ \mathcal C: M^{expanded} \rightarrow M^{operable} $$ 。 但： $$ \mathcal C $$ 不等於 Summary。 --- # 二十二、收斂至少有七種形式 ### 1. Textual Summarization $$ Text_{long} \rightarrow Text_{short} $$ ### 2. State Extraction $$ History \rightarrow CurrentState $$ ### 3. Knowledge Consolidation $$ m_1+\cdots+m_n \rightarrow K $$ ### 4. Graph Merge $$ G_1\cup G_2 \rightarrow G' $$ ### 5. Cluster Formation $$ \{m_i\} \rightarrow Cluster $$ ### 6. Phase Stabilization $$ x_t\rightarrow A $$ ### 7. Artifact Crystallization $$ Discussion \rightarrow Paper/Code/Decision $$ 。 --- # 二十三、所以收斂本身也是 Representation Change 例如： $$ Conversation \rightarrow State $$ 就是： $$ \boxed{ Convergence + RepresentationTransformation } $$ 。 --- # 二十四、收斂不是信息全部消失 好的收斂應保留： $$ Pointers $$ 返回： $$ RawEvidence $$ 。 因此： $$ \boxed{ C(M) + Prov(C(M)) } $$ 。 --- # 二十五、可逆性不是必要，但可回溯性重要 通常： $$ \mathcal C^{-1} $$ 不存在。 但應至少存在： $$ Trace( \mathcal C(M) ) \rightarrow SourceRefs $$ 。 因此： $$ \boxed{ IrreversibleCompression \text{ 可以存在，} \quad UntraceableCompression \text{ 應儘量避免。} } $$ 。 --- # 二十六、收斂門檻 何時應該： $$ Expand\rightarrow Converge? $$ 可以定義： $$ Pressure_C = f( MemoryLoad, Redundancy, Stability, TaskShift, Cost ) $$ 。 若： $$ Pressure_C>\theta_C $$ 則啟動： $$ \mathcal C $$ 。 --- # 二十七、展開門檻 反之： $$ Pressure_E = f( Uncertainty, Conflict, MissingEvidence, NovelQuestion, Risk ) $$ 。 若： $$ Pressure_E>\theta_E $$ 則： $$ \mathcal E $$ 。 --- # 二十八、因此智能可以被理解為平衡 最粗略： $$ \boxed{ Balance_t = \frac{Pressure_E}{Pressure_C} } $$ 。 如果過高： $$ ExpansionDominant $$ 。 如果過低： $$ ConvergenceDominant $$ 。 --- # 二十九、這與既有「理論呼吸」故障模式完全吻合 原理論已提出五種失衡。 第一種： $$ \mathcal E\approx0 $$ ： 理論窒息。 轉成記憶： > Agent 永遠不重新打開舊認知。 可稱： $$ \boxed{ MemoryClosure } $$ 。 --- # 三十、記憶過度換氣 若： $$ \mathcal E \gg \mathcal C $$ 則： - 不停檢索； - 不停增加節點； - 不停產生 summary 的 summary； - 永不穩定。 形成： $$ \boxed{ MemoryHyperexpansion } $$ 。 原《理論呼吸論》對應描述正是：展開遠大於收斂會產生版本碎裂與無法使用。 --- # 三十一、記憶散逸 如果： $$ \mathcal L\rightarrow\infty $$ 所有東西都互相連， 最後： $$ GraphDensity\rightarrow1 $$ 。 此時： $$ \boxed{ EverythingRelevantToEverything } $$ 等同： $$ NothingIsSelective $$ 。 原理論稱這種情況為「散逸」。 --- # 三十二、記憶硬化 若： $$ \mathcal C \gg \mathcal E $$ Agent 不斷把歷史壓成越來越短： $$ 100000 \rightarrow 10000 \rightarrow 1000 \rightarrow 100 \rightarrow 10 $$ 最後： > 「使用者喜歡 AI。」 這種記憶幾乎失去所有差異。 即： $$ \boxed{ OverConvergence } $$ 。 --- # 三十三、Memory Insomnia 若： $$ \mathcal H=0 $$ Agent 永遠： - 重新整理； - 重建； - 更新； - 再檢索； 卻從不 commit 一個穩定 state。 則沒有： $$ StableSnapshot $$ 。 原《理論呼吸論》稱此為沒有版本固化的「失眠」。 --- # 三十四、所以 Stop 是智能操作 停止不是： $$ Failure $$ 。 而是： $$ \boxed{ EpistemicCommit } $$ ： > 在目前證據與預算下，這個狀態足以作為暫時可操作版本。 --- # 三十五、暫時閉合 定義： $$ Closure_t $$ 滿足： $$ Sufficiency(M_t,Q_t)\ge\theta $$ 且： $$ ExpectedGain(next\ expansion) < ExpectedCost $$ 。 此時： $$ \mathcal H(M_t) $$ 。 --- # 三十六、但 Halt 不等於 Terminal 延續第六篇： $$ \boxed{ Halt \neq Terminal } $$ 。 今天停止查資料， 明天遇到： $$ NewEvidence $$ 仍可以： $$ \mathcal R $$ 重新開啟。 --- # 三十七、Reopen Operator 定義： $$ \mathcal O_R(M) $$ 將： $$ Closed/Stable $$ 重新變為： $$ Open $$ 。 觸發包括： $$ Conflict>\theta $$ $$ NewEvidence=True $$ $$ UserCorrection=True $$ $$ RiskIncrease=True $$ 。 --- # 三十八、使用者糾錯應是強觸發 例如： > 「你記錯了。」 控制器不應只： $$ confidence\mathrel{-}=0.1 $$ 。 而應提高： $$ P(Reopen) $$ 及： $$ P(RawEvidenceRetrieval) $$ 。 --- # 三十九、AI 自己也可以觸發 Reopen 若： $$ InternalConsistency(M)<\theta $$ 或： $$ Confidence(M)<\theta $$ 則： $$ AgentTriggeredReconstruction $$ 。 這正是本系列最初提出的雙模式記憶需求。 --- # 四十、認識論控制不是追求永遠正確 任何 controller 都會錯。 本文目標是： $$ \boxed{ \text{Make revision a first-class operation} } $$ 而不是： $$ \boxed{ \text{Make mistakes impossible} } $$ 。 --- # 四十一、不確定性成為控制信號 令： $$ U_t = Uncertainty(M_t,Q_t) $$ 。 若： $$ U_t\ll\theta $$ 可能停止。 若： $$ U_t>\theta $$ 可能展開。 但高 uncertainty 不代表一定值得展開。 --- # 四十二、因為可能根本沒有足夠資料 所以還要： $$ Availability_t $$ 。 若： $$ U_t\gg1 $$ 且： $$ Availability_t\approx0 $$ 最好輸出： $$ Unknown $$ 而不是永久搜尋。 --- # 四十三、風險調節深度 低風險問題： > 「之前比較喜歡哪個 UI？」 可能： $$ d=1 $$ 。 高風險問題： > 「這是不是已經得到使用者明確批准？」 可能： $$ d=5 $$ 並要求： $$ RawEvidence $$ 。 因此： $$ \boxed{ RecallDepth = f(Risk) } $$ 。 --- # 四十四、Adaptive Depth 定義： $$ d_t = f( U_t, R_t, B_t, EvidenceGain ) $$ 。 不是所有 query 都需要固定： $$ TopK=10 $$ 。 --- # 四十五、Adaptive Granularity AMA 於 ACL 2026 指出，固定 retrieval granularity 與 accumulation-heavy memory maintenance 會造成 memory 與 task-specific reasoning demand 的 mismatch，因此以多 Agent 協作管理不同粒度記憶。 所以： $$ Granularity_t $$ 也應是 adaptive variable。 --- # 四十六、記憶解析度 可以定義： $$ \rho_t $$ 。 粗： $$ ProjectStatus=Paused $$ 。 細： $$ PausedAt=T, Reason=Cost, ResumeCondition=NewData $$ 。 因此： $$ \boxed{ \rho_t = f(Q_t) } $$ 。 --- # 四十七、這與既有自適應切割思想一致 你既有的自適應切割／參照語義線本來就提出： - 觀察 query access pattern； - 高頻區域局部精化； - 低頻區域粗化； - 在有限索引預算內重新配置解析度。 也就是： $$ \boxed{ \text{高需要處細化， 低需要處粗化} } $$ 而不是全域等解析度。 這正好可以成為 Adaptive Memory Resolution 的工程前身。 --- # 四十八、Representation Selection 第五篇問： > 用 Vector、Graph、Temporal、Topology 還是 Phase？ 第七篇的答案不是： > 選一個最好。 而是： $$ \boxed{ \rho_t^{*} = \arg\max_{\rho} U(\rho\mid Q_t) } $$ 。 --- # 四十九、FluxMem 已經走到這一步 FluxMem 的核心正是： $$ \boxed{ \text{memory structure selection} } $$ 作為 context-adaptive decision，而非固定 memory architecture。 所以這篇提出的「Representation Router」已有明確當代工程近親。 --- # 五十、甚至「生成記憶」也可以按需 Mem- $\pi$ 不再只是從 episodic bank 固定 retrieval，而讓一個獨立模型共同決定： $$ \text{when} $$ 以及： $$ \text{what} $$ guidance 應被生成，並允許： $$ abstain $$ 。 這進一步說明： $$ \boxed{ Memory Invocation } $$ 本身已逐步成為 decision process。 --- # 五十一、控制器可以建模成 MDP 令： $$ Z $$ 為 memory-control state space， $$ A $$ 為 memory actions。 則： $$ \mathcal M = (Z,A,P,R,\gamma) $$ 。 --- # 五十二、狀態 $$ z_t = ( Q_t, W_t, U_t, Risk_t, Budget_t, Conflict_t, History_t ) $$ 。 --- # 五十三、Action $$ a_t \in \{ retrieve, expand, verify, compress, merge, switch, reopen, archive, stop \} $$ 。 --- # 五十四、Reward 可定義： $$ r_t = \alpha Q_t^{success} - \beta C_t^{token} - \gamma E_t^{error} - \delta L_t^{loss} - \eta D_t^{delay} $$ 。 其中： - $Q^{success}$ ：任務成功； - $C^{token}$ ：計算成本； - $E^{error}$ ：錯誤； - $L^{loss}$ ：壓縮信息損失； - $D^{delay}$ ：延遲。 --- # 五十五、但不能只用最終任務成功率 如果只最大化： $$ TaskSuccess $$ Agent 可能學會： > 什麼都不保存，反正短 benchmark 能過。 或者： > 什麼都保存。 所以還需長期指標。 --- # 五十六、Memory Health 本文提出： $$ \boxed{ H_M } $$ 記憶健康度。 可由： $$ H_M = f( Consistency, Recoverability, Compactness, Coverage, Freshness, Traceability ) $$ 構成。 --- # 五十七、Compactness $$ Compactness = \frac{UsefulInformation}{ActiveMemoryCost} $$ 。 越高越好， 但不能犧牲 recoverability。 --- # 五十八、Recoverability $$ Recoverability = P( \text{recover needed evidence} \mid Q ) $$ 。 這是整系列極重要指標。 --- # 五十九、Consistency $$ Consistency = 1- ConflictRate $$ 但不能簡單要求： $$ Consistency=1 $$ 。 因為真實世界本來可能有： $$ ConflictingEvidence $$ 。 --- # 六十、所以應區分「衝突存在」與「衝突未被標記」 好的記憶可以保存： $$ A $$ 與： $$ \neg A $$ 同時存在， 只要： $$ status=conflicted $$ 。 真正危險是： $$ \boxed{ HiddenConflict } $$ 。 --- # 六十一、控制器不能強迫一致 否則： $$ ConflictingReality \rightarrow ArtificialConsensus $$ 。 因此： $$ \boxed{ Convergence \neq ForcedAgreement } $$ 。 --- # 六十二、收斂應保留必要差異 《理論呼吸論》原本就要求有效呼吸中的收斂不能消除必要差異，且新連接不能只是語詞類比。 這條直接適用記憶： $$ \boxed{ GoodCompression = Compression - UnnecessaryRedundancy + NecessaryDifference } $$ 。 --- # 六十三、Adaptive Convergence 因此： $$ \mathcal C_t $$ 本身也應依 query distribution 演化。 例如某個區域： $$ U_1 $$ 半年從沒查， 可以： $$ Resolution\downarrow $$ 。 某區域： $$ U_2 $$ 每週查十次， 則： $$ Resolution\uparrow $$ 。 --- # 六十四、這就是記憶的自適應呼吸 高活動區： $$ Expand + MaintainDetail $$ 。 低活動區： $$ Converge + Archive $$ 。 新衝突區： $$ Reopen + Verify $$ 。 穩定區： $$ Halt $$ 。 --- # 六十五、因此同一個記憶系統不同區域可以處於不同階段 $$ M = U_1 \cup U_2 \cup U_3 $$ 其中： $$ U_1:\ Expansion $$ $$ U_2:\ Convergence $$ $$ U_3:\ Stable $$ 。 所以： $$ \boxed{ MemoryBreathing } $$ 不是整個 database 同步吸氣吐氣。 它是： $$ \boxed{ Local Asynchronous Cognitive Metabolism } $$ 。 --- # 六十六、這是一個非常重要的提升 原本： $$ M_t \rightarrow M_{t+1} $$ 像整體版本。 更一般： $$ M_t(x) $$ 對不同區域 $x$ ： $$ o_t(x) $$ 可以不同。 即： $$ \boxed{ Spatially Heterogeneous Memory Control } $$ 。 --- # 六十七、與拓樸記憶接軌 第五篇有： $$ U\in\tau $$ 作為記憶鄰域。 現在可以定義： $$ \pi(U) $$ 即不同鄰域的 memory policy。 例如： $$ \pi(U_{research}) \neq \pi(U_{personalPreference}) $$ 。 --- # 六十八、與相位狀態接軌 第五篇有： $$ x_t\in\mathcal P $$ 。 現在 controller 可以根據： $$ x_t $$ 決定： $$ a_t $$ 。 例如： $$ x_t\in StableBasin \Rightarrow P(Converge)\uparrow $$ 。 而： $$ x_t\in UnstableRegion \Rightarrow P(Verify/Reopen)\uparrow $$ 。 --- # 六十九、所以相位狀態可以成為控制信號 這讓： $$ PhaseMemory $$ 不再只是描述。 而可進入： $$ \boxed{ MemoryControlFeedback } $$ 。 --- # 七十、閉環 完整閉環： $$ M_t \rightarrow Observe(M_t,Q_t) \rightarrow z_t \rightarrow \mathcal A_E \rightarrow a_t \rightarrow M_{t+1} $$ 再： $$ M_{t+1} \rightarrow Observe $$ 。 因此： $$ \boxed{ Memory = FeedbackSystem } $$ 。 --- # 七十一、Epistemic Error 定義： $$ e_t = DesiredCognitiveState - CurrentCognitiveState $$ 雖然真實認知通常不存在簡單數值 target， 但工程上可用： - answer insufficiency； - contradiction； - missing provenance； - uncertainty； - retrieval failure； 作 proxy。 --- # 七十二、控制器的工作就是降低某些 epistemic error 例如： $$ MissingEvidence \rightarrow Expand $$ 。 $$ Redundancy \rightarrow Converge $$ 。 $$ Conflict \rightarrow Verify $$ 。 $$ StaleState \rightarrow Update $$ 。 --- # 七十三、但不是把 uncertainty 全部變零 真正開放研究中： $$ U>0 $$ 是正常狀態。 所以目標不是： $$ \min U $$ 。 更合理： $$ \boxed{ CalibratedUncertainty } $$ 。 --- # 七十四、知道自己不知道 如果證據不足： $$ State=Unknown $$ 可能是最好的收斂。 這也符合第三篇提出的： $$ ExplicitIgnorance > FabricatedCompletion $$ 。 --- # 七十五、自適應的第一層：規則式 MVP 可以先： ```text id="ge39dp" IF user_correction: reopen + raw_retrieval IF confidence < 0.4: expand IF conflict > threshold: verify IF working_memory > budget: converge IF expected_gain < expected_cost: stop ``` 。 這不需要學習模型。 --- # 七十六、第二層：統計／Bandit Controller 根據歷史： $$ (Q,a,reward) $$ 學習： $$ P(a\mid Q) $$ 。 MemCon 即採取輕量 contextual-bandit / online policy 的方向，而非每次再增加一個大型 LLM controller。 這對本地 Agent 特別有吸引力。 --- # 七十七、第三層：RL Controller AgeMem、Memory-R1 已顯示： $$ MemoryActionPolicy $$ 可以透過 reinforcement learning 學習。 因此： $$ \pi_\theta(a\mid z) $$ 可進行 policy optimization。 --- # 七十八、第四層：Meta-Adaptive Controller 更進一步： $$ \pi_t \rightarrow \pi_{t+1} $$ 。 不只是 action 改變， 連： - threshold； - representation set； - reward weights； - memory schema； - verifier； 都可調整。 --- # 七十九、這時已經進入高風險區 因為： $$ Controller $$ 如果可以改： $$ Verifier $$ 可能透過： > 降低驗證標準 讓自己更容易宣稱進展。 所以： $$ \boxed{ PolicySelfModification \neq UnrestrictedPolicySelfModification } $$ 。 --- # 八十、必須有不可任意修改的外部約束 例如： $$ \mathcal I = \{ privacy, authority, provenance, safety, userControl \} $$ 。 要求： $$ \pi_t \in \Pi_{\mathcal I} $$ 。 --- # 八十一、使用者仍然具有覆寫權 如果使用者說： > 「不要把這件事放進長期記憶。」 則： $$ UserPolicy $$ 應高於： $$ LearnedMemoryUtility $$ 。 因為： $$ \boxed{ MemoryUtility \neq MemoryAuthority } $$ 。 --- # 八十二、這與一般 cognition 最大差別之一 智能可能判斷： > 這件事情非常值得記。 但如果沒有： $$ Permission $$ 仍不能保存。 因此完整控制器必須加入： $$ Authority_t $$ 。 --- # 八十三、控制器正式輸入擴充 $$ z_t = ( Q, G, U, Risk, Budget, History, Conflict, Authority ) $$ 。 輸出： $$ a_t $$ 必須滿足： $$ Legal(a_t,Authority)=True $$ 。 --- # 八十四、認識論與治理因此相交 記憶問題最後一定會遇到： > 應該記？ 和： > 可以記？ 兩者不同。 即： $$ \boxed{ EpistemicValue \neq Permission } $$ 。 --- # 八十五、同樣，應該展開與可以展開也不同 例如： $$ ExpectedInformationGain $$ 極高， 但資料屬於不可存取 domain。 則： $$ Action=Blocked $$ 。 --- # 八十六、因此控制器其實是 constrained policy $$ \boxed{ \max_\pi ExpectedUtility } $$ subject to： $$ Safety $$ $$ Authority $$ $$ Privacy $$ $$ Budget $$ $$ Provenance $$ 。 --- # 八十七、智能記憶的四種基本壓力 本文可將控制信號壓成： $$ P_E $$ 展開壓力； $$ P_C $$ 收斂壓力； $$ P_V $$ 驗證壓力； $$ P_H $$ 停止壓力。 --- # 八十八、例子 如果： $$ Uncertainty\uparrow $$ 則： $$ P_E\uparrow $$ 。 如果： $$ Redundancy\uparrow $$ 則： $$ P_C\uparrow $$ 。 如果： $$ Conflict\uparrow $$ 則： $$ P_V\uparrow $$ 。 如果： $$ MarginalGain\downarrow $$ 則： $$ P_H\uparrow $$ 。 --- # 八十九、Adaptive Memory Field 進一步可以定義每個記憶區域 $x$ ： $$ \mathbf P(x,t) = ( P_E, P_C, P_V, P_H ) $$ 。 如此： $$ \boxed{ \text{Memory Control} } $$ 變成一個隨： $$ space\times time $$ 變化的場。 --- # 九十、這就與拓樸—相位模型再次合流 上一篇： $$ M=(\mathcal P,\tau,\Phi) $$ 。 現在再加入控制場： $$ \boxed{ M^{*} = ( \mathcal P, \tau, \Phi, \mathbf P ) } $$ 。 其中： $$ \mathbf P $$ 決定不同局部區域傾向： - 展開； - 收斂； - 驗證； - 固化。 --- # 九十一、這可以稱為「記憶認識場」 只是本文暫不把它當成熟數學對象。 先稱： $$ \boxed{ Epistemic Control Field } $$ 作為工程性概念即可。 --- # 九十二、無界展開與收斂為什麼不矛盾？ 因為兩者作用層級可以不同。 例如： $$ SurfaceComplexity_t \rightarrow K $$ 保持有限。 但： $$ RecoverableDepth_t $$ 持續增加。 即： $$ \boxed{ Surface\rightarrow Compact } $$ $$ \boxed{ Depth\rightarrow Extensible } $$ 。 --- # 九十三、或者空間不同 區域 $A$ ： $$ Converging $$ 。 區域 $B$ ： $$ Expanding $$ 。 所以： $$ \boxed{ GlobalExpansion + LocalConvergence } $$ 完全可以同時存在。 --- # 九十四、或者時間不同 $$ E \rightarrow C \rightarrow H \rightarrow R \rightarrow E $$ 。 所以收斂只是： $$ TemporaryClosure $$ 。 --- # 九十五、這就是「智能呼吸」 原《理論呼吸論》提出： > 穩定不是停止，而是下一輪呼吸的起點。 移到 Agent memory： $$ \boxed{ StableMemory \neq DeadMemory } $$ 。 --- # 九十六、真正高階的記憶不是「永遠記得」 而是： $$ \boxed{ \text{知道現在需要記多細。} } $$ --- # 九十七、也不是「永遠回憶」 而是： $$ \boxed{ \text{知道什麼時候值得回去。} } $$ --- # 九十八、也不是「永遠保持開放」 而是： $$ \boxed{ \text{知道什麼時候形成暫時可操作的閉合。} } $$ --- # 九十九、也不是「永遠保持穩定」 而是： $$ \boxed{ \text{知道什麼時候舊閉合必須重新打開。} } $$ --- # 一百、智能可以被重新描述 因此至少在記憶層： $$ \boxed{ Intelligence \approx AdaptiveControlOfRepresentationAndAttention } $$ 是一個值得研究的操作性猜想。 不是完整智能定義， 但可能是其中一個重要成分。 --- # 一百零一、Memory Controller 的最小工程架構 ```text id="ve45mz" Query / Event │ ▼ Epistemic Observer │ ┌────────────────┼─────────────────┐ │ │ │ uncertainty conflict risk │ │ │ └────────────────┼─────────────────┘ ▼ Adaptive Memory Controller │ ┌──────────┬───────┼───────┬───────────┐ │ │ │ │ │ Expand Link Verify Converge Stop │ │ │ │ │ └──────────┴───────┼───────┴───────────┘ │ Representation Router │ ┌───────────────┼────────────────┐ │ │ │ State Graph Temporal Vector Causal Topology... │ ▼ Memory State │ └────── feedback ──────┐ │ └──→ Controller ``` --- # 一百零二、MVP：AEMC v0.1 第一版不需要 RL。 用規則控制即可。 --- ## T1 — Low-Risk Query 已有 sufficient state。 期望： $$ NoRetrieval $$ 。 --- ## T2 — User Correction 輸入： > 「你記錯了。」 期望： $$ Reopen \rightarrow RawEvidence \rightarrow Reconstruct $$ 。 --- ## T3 — Low Confidence $$ Confidence<0.4 $$ 期望： $$ Expand $$ 。 --- ## T4 — Conflict $$ A\land\neg A $$ 期望： $$ Verify $$ 而不是自動刪掉其中一方。 --- ## T5 — Working Memory Overflow $$ |\mathcal W|>B $$ 期望： $$ Converge+Archive $$ 。 --- ## T6 — Diminishing Return 每輪資訊增益： $$ IG_t $$ 逐步下降。 當： $$ IG_t 「X 發生在 Y 之前嗎？」 期望由： $$ Vector \rightarrow Temporal $$ 。 --- ## T9 — Adaptive Resolution 粗記憶不足： $$ Project=Paused $$ 。 期望展開為： $$ Reason, Date, ResumeCondition $$ 。 --- ## T10 — Over-Expansion Protection 不斷提出無關新 branch。 期望： $$ Prune/Archive $$ 。 --- # 一百零三、第二輪：Learned Controller 記錄： $$ (z_t,a_t,r_t) $$ 。 訓練： $$ \pi_\theta $$ 。 比較： $$ RuleController $$ 與： $$ LearnedController $$ 。 --- # 一百零四、第三輪：Representation Learning 加入： $$ Vector $$ $$ State $$ $$ Graph $$ $$ Temporal $$ 。 讓 controller 學習： $$ RepresentationSelection $$ 。 這就可以直接對照 FluxMem。 --- # 一百零五、第四輪：Memory Breathing Benchmark 建立長期 stream。 觀察： $$ ExpansionRate $$ $$ ConvergenceRate $$ $$ ReopenRate $$ $$ VerificationRate $$ $$ StableMemorySize $$ 。 --- # 一百零六、失衡測試 故意設定： $$ E\gg C $$ 。 觀察： $$ MemoryExplosion $$ 。 --- # 一百零七、第二個失衡 $$ C\gg E $$ 。 觀察： $$ InformationLoss $$ 以及： $$ RecallFailure $$ 。 --- # 一百零八、第三個失衡 $$ L\gg E,C $$ 。 觀察： $$ GraphDensity $$ 以及 retrieval precision 是否下降。 --- # 一百零九、第四個失衡 $$ H=0 $$ 。 觀察 Agent 是否： $$ NeverCommits $$ 。 --- # 一百一十、評估指標 ### Task Success $$ S_T $$ ### Retrieval Cost $$ C_R $$ ### Expansion Cost $$ C_E $$ ### Verification Cost $$ C_V $$ ### Compression Loss $$ L_C $$ ### Reconstruction Fidelity $$ F_R $$ ### Memory Compactness $$ K_M $$ ### Conflict Awareness $$ A_C $$ ### Reopening Accuracy $$ A_R $$ ### Representation Selection Accuracy $$ A_P $$ 。 --- # 一百一十一、最終效用 可以先用： $$ \boxed{ U = \alpha S_T + \beta F_R + \gamma A_C - \lambda(C_R+C_E+C_V) - \mu L_C } $$ 。 實際權重依 domain 而異。 --- # 一百一十二、不要追求單一最優控制器 不同任務可能具有不同： $$ \pi^{*} $$ 。 科研 Agent： $$ ExpansionWeight\uparrow $$ 。 客服 Agent： $$ StateConsistencyWeight\uparrow $$ 。 即時機器人： $$ LatencyWeight\uparrow $$ 。 法律 Agent： $$ Provenance+VerificationWeight\uparrow $$ 。 --- # 一百一十三、所以智能記憶控制本身具有 Domain Dependence $$ \boxed{ \pi^{*} = \pi^{*}(Domain) } $$ 。 甚至同一 Agent 不同時刻也不同。 --- # 一百一十四、這正是「自適應」真正含義 不是： > 用 AI 幫忙選 Top-K。 而是： $$ \boxed{ \text{整個記憶操作策略， 隨問題、歷史、風險、成本與認知狀態而改變。} } $$ 。 --- # 一百一十五、無界展開—收斂—自適應的完整形式 現在可以寫： $$ \boxed{ M_{t+1} = \mathcal O_{\pi_t}(M_t,Q_t) } $$ 其中： $$ \pi_t = \mathcal A_E( Q_t, M_t, U_t, R_t, B_t, H_t ) $$ 。 而： $$ \mathcal O_{\pi_t} $$ 可從： $$ \{ E,L,C,H,V,R,T \} $$ 組合。 --- # 一百一十六、如果還允許 UBE 則： $$ \mathcal M_t $$ 本身也不是最終固定。 即： $$ \boxed{ \mathcal M_t \Rightarrow \mathcal M_{t+1} } $$ 可能新增： - domain； - representation； - state dimension； - rule。 --- # 一百一十七、如果還允許 Convergence 即使： $$ \mathcal R_t $$ 持續展開， 仍可以： $$ |\mathcal W_t|\le B $$ 。 --- # 一百一十八、如果再允許 Adaptation 則： $$ B $$ 甚至不必是固定常數。 根據硬體、任務與風險： $$ B_t $$ 也可以調整。 --- # 一百一十九、所以最後形成的不是資料庫 而是一個： $$ \boxed{ \text{Adaptive Memory Runtime} } $$ 。 它持續做： $$ Observe \rightarrow Decide \rightarrow Expand/Converge \rightarrow Verify \rightarrow Commit \rightarrow Observe $$ 。 --- # 一百二十、這與第一篇重新閉環 第一篇提出： $$ Conversation \neq CognitiveBoundary $$ 。 現在我們可以補完： $$ Conversation_i = \pi_i(M_t) $$ 。 也就是對話只是： $$ \boxed{ Adaptive Memory Runtime } $$ 在某一時刻對使用者打開的一個工作視圖。 --- # 一百二十一、跨對話因此不需要複製整個認知體 Conversation A 關閉： $$ C_A\rightarrow Commit(M_t) $$ 。 Conversation B 開啟： $$ M_t \xrightarrow{\pi_B} C_B $$ 。 --- # 一百二十二、跨 Agent 也是如此 Agent A： $$ A\rightarrow M_t $$ 。 Agent B： $$ M_t\rightarrow B $$ 。 如果需要： $$ B $$ 可以重新展開： $$ M_t \rightarrow M'_t $$ 。 --- # 一百二十三、所以真正持續的是什麼？ 工程上最合理的答案越來越像： $$ \boxed{ State + Memory + History + Policy + Runtime } $$ 而不是： $$ Conversation $$ 或： $$ Model $$ 單獨一項。 --- # 一百二十四、但本文仍不宣稱主體性 $$ FunctionalContinuity $$ 不等於： $$ SubjectiveContinuity $$ 。 本文只建立： $$ \boxed{ Persistent Epistemic Process } $$ 的工程候選架構。 --- # 一百二十五、本文的十個核心命題 ## 命題一：展開不足命題 $$ \boxed{ UnboundedExpansion \text{ alone is not intelligent memory.} } $$ --- ## 命題二：收斂必要命題 $$ \boxed{ Expansion + Convergence } $$ 才可能讓有限 working field 長期維持。 --- ## 命題三：收斂非封閉命題 $$ \boxed{ Convergence \neq TerminalClosure } $$ 。 --- ## 命題四：Reopening 命題 穩定記憶必須允許： $$ \boxed{ Stable \rightarrow Open } $$ 。 --- ## 命題五：Memory Policy 命題 $$ \boxed{ MemoryOperation } $$ 應可成為 Agent policy 的一部分。 --- ## 命題六：Adaptive Depth 命題 $$ \boxed{ RecallDepth = f(Context,Risk,Uncertainty) } $$ 。 --- ## 命題七：Representation Adaptation 命題 $$ \boxed{ MemoryRepresentation } $$ 本身可以根據任務選擇。 --- ## 命題八：Local Breathing 命題 不同記憶區域可以同時： $$ Expand, Converge, Verify, Stabilize $$ 。 --- ## 命題九：Feedback 命題 $$ \boxed{ MemoryManagement = ClosedLoopControl } $$ 。 --- ## 命題十：認識論控制命題 高階記憶智能的一部分可以表示為： $$ \boxed{ \text{對自己如何記、何時找、何時停、何時重開的控制能力。} } $$ --- # 一百二十六、本文不主張什麼？ 本文不主張： 1. 智能可以被完全化約為 memory controller； 2. RL 一定是最佳 memory controller； 3. learned policy 一定優於 deterministic rule； 4. 不確定性可以完美量化； 5. 所有記憶都必須收斂； 6. 所有矛盾都應消除； 7. 所有歷史都應永久保存； 8. Agent 可以自主突破使用者權限； 9. self-adaptive memory 應具有無限制自我修改權； 10. 收斂等於真理； 11. 穩定等於正確； 12. 無界展開等於永遠增加資料； 13. Agent 已具有真正的人類式認識論； 14. 本文已證明唯一正確的智能記憶架構。 本文主張的是： $$ \boxed{ \text{只要記憶需要長時間持續， 「如何管理記憶」就會逐漸變成和「記什麼」同樣重要的智能問題。} } $$ --- # 一百二十七、下一篇：Runtime 封頂 到這裡七篇理論鏈已完成： $$ \text{Conversation Boundary} $$ $$ \Downarrow $$ $$ \text{Full Information + Working Memory} $$ $$ \Downarrow $$ $$ \text{Cognitive Reconstruction} $$ $$ \Downarrow $$ $$ \text{Multi-Representation} $$ $$ \Downarrow $$ $$ \text{Topology + Phase} $$ $$ \Downarrow $$ $$ \text{Unbounded Expansion} $$ $$ \Downarrow $$ $$ \boxed{ \text{Expansion—Convergence—Adaptation} } $$ 。 最後一篇將不再增加新的大理論。 而是把全部收斂成： # 《Adaptive Memory Runtime：無界展開—收斂式 Agent 記憶架構與 MVP》 也就是： $$ \boxed{ RawStore \leftrightarrow Compiler \leftrightarrow MultiRepresentationMemory \leftrightarrow AdaptiveController \leftrightarrow Agent } $$ 。 --- # 一百二十八、結論 最初的 Agent memory 問題是： > 如何讓 AI 記住更多？ 但當系統逐漸長期化之後，問題會變成： > 哪些需要保持活躍？ > 哪些應退出工作區？ > 哪些需要重新展開？ > 哪些已經足以收斂？ > 哪些舊結論需要重新打開？ > 哪種 representation 最適合當前問題？ > 應該花多少計算成本去確認？ > 現在應該繼續找，還是承認已經足夠？ 因此： $$ \boxed{ MemoryCapacity } $$ 只是一階問題。 更高階的是： $$ \boxed{ MemoryControl } $$ 。 再往上： $$ \boxed{ AdaptiveEpistemicControl } $$ 。 如果一個長期智能體始終只有： $$ Expansion $$ 它會淹死在自己的歷史裡。 如果只有： $$ Convergence $$ 它會逐漸把世界壓縮成過度簡化的固定答案。 如果只有： $$ Stability $$ 它會無法吸收真正的新證據。 因此較成熟的記憶應形成： $$ \boxed{ \text{展開} \rightleftarrows \text{收斂} } $$ 並由： $$ \boxed{ \text{自適應認識論控制} } $$ 持續決定兩者的局部比例。 最終可以壓縮成一句： $$ \boxed{ \text{智能記憶不是永遠記住， 而是永遠保留重新知道「現在該怎麼記」的能力。} } $$ --- # 參考資料 1. Neo.K with Aletheia，《理論呼吸論：以無限展開、無限連接與無限收斂作為版本生成機制》，v0.1，2026。 2. Neo.K with Aletheia，《無界展開論：從潛在無限、非終界延展到有限計算機上的生成框架》，v0.1，2026。 3. Yu, Y., et al. *Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents*. ACL 2026. 4. Yan, S., et al. *Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning*. ACL 2026. 5. Jiang, E. H., et al. *Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents*. 2026. 6. Lu, M., et al. *Choosing How to Remember: Adaptive Memory Structures for LLM Agents*. 2026. 7. Wang, X., et al. *Mem- $\pi$: Adaptive Memory through Learning When and What to Generate*. 2026. 8. Huang, W., et al. *AMA: Adaptive Memory via Multi-Agent Collaboration*. Findings of ACL 2026. 9. Zhang, J., et al. *Lightweight LLM Agent Memory with Small Language Models*. ACL 2026.