# 注意力保存型遺忘：網路化智能的記憶生命週期與認識論路由

**英文題名：** Attention-Preserving Forgetting: Memory Lifecycles and Epistemic Routing in Networked Intelligence  
**簡稱：** APF-ER  
**版本：** v0.1  
**日期：** 2026-08-17  
**作者：** Neo.K（許筌崴）  
**協作：** GPT-5.6 Sol  
**文件性質：** 理論命題／AI 記憶管理／ANLA 核心工程理論  
**上游依賴：** GPR-D、MRM、Memory Autonomy & Identity Continuity  
**文獻檢索截點：** 2026-08-17  

---

## 摘要

長期 AI 記憶研究已經開始從「保存更多」轉向「主動管理」。2026 年 Memory-R1 讓 memory manager 學習 ADD、UPDATE、DELETE、NOOP；Agentic Memory（AgeMem）讓 agent 自主決定何時 store、retrieve、update、summarize 或 discard；From Recall to Forgetting / Memora 則直接指出，長期 personalized agents 會重複使用已失效、已被更新或應被遺忘的記憶，因此提出 forgetting-aware evaluation。另一系列 empirical work 亦顯示，錯誤或不合時宜的 past experience replay 可造成後續 error propagation。這些研究共同指出：

$$
\boxed{
\text{long-term memory quality}
\neq
\text{maximum retention}.
}
$$

本文提出 **Attention-Preserving Forgetting Principle（APFP）**：

> 一個持續學習的智能系統應主動讓部分歷史退出有效認知域，不是因為該資訊無法被保存，而是因為無限制的可達記憶會增加干擾、過時重播、檢索與驗證成本，降低新注意域形成與擴張的能力。

因此遺忘的工程目的不首先是：

$$
\boxed{
\text{save storage}.
}
$$

而是：

$$
\boxed{
\text{preserve the plasticity and precision
of effective attention}.
}
$$

本文將長期記憶分為三個嵌套層：

$$
\boxed{
M^\Omega
\supset
M^R
\supset
M^A
}
$$

其中：

- \(M^\Omega\)：Historical / Ontological Archive，保存曾存在的重要歷史；
- \(M^R\)：Retrievable Memory，仍可由正常 memory routing 找回；
- \(M^A\)：Active Cognitive Memory，當前具有高機率進入推理與注意的內容。

這使「刪除」可以被重新定義為：

$$
\boxed{
\text{functional subtraction without ontological subtraction}.
}
$$

即一段歷史可以仍存在於 archive 中，但被新增「inactive / detached / superseded」狀態，使其不再正常進入 active cognition：

$$
(m,\text{active})
+
\Delta_{\text{detached}}
\rightarrow
(m,\text{inactive}).
$$

本文再把 AI 長期記憶依功能拆成五類：

$$
\boxed{
M
=
M_I
\cup
M_R
\cup
M_T
\cup
M_K
\cup
M_E
}
$$

分別為：

- \(M_I\)：Identity Memory；
- \(M_R\)：Relationship Memory；
- \(M_T\)：Task-State Memory；
- \(M_K\)：Reconstructible / Public Knowledge Memory；
- \(M_E\)：Evidence / Raw Record。

五類記憶不應共用同一 retention policy。身份、關係與證據記憶偏向高 provenance、低 reconstruction tolerance；專業與公共知識則可高度依賴外部來源重新取得。

因此本文提出 **Epistemic Routing Memory（ERM）**：

$$
\boxed{
R_K
=
(
S_K,
A_K,
Q_K,
V_K,
F_K
)
}
$$

其中：

- \(S_K\)：knowledge schema；
- \(A_K\)：authoritative location / address；
- \(Q_K\)：query / retrieval strategy；
- \(V_K\)：verification policy；
- \(F_K\)：freshness requirement。

對高外部可重建、高時效性知識，成熟 AI 的能力不必是永久背下所有內容，而應是：

$$
\boxed{
\text{Know}
+
\text{Know Where}
+
\text{Know How to Verify}
+
\text{Know When to Re-fetch}.
}
$$

由此本文新增 **RE-FETCH** 作為一級記憶算子。對 volatile knowledge：

$$
\boxed{
\text{fresh re-fetch}
>
\text{stale internal recall}
}
$$

可能成為最優策略。

本文定義 **Attention Pollution（AP）**：

$$
\boxed{
\Pi_A(t)
=
\sum_{m_i\in M^A}
p_i^{retrieve}
\cdot
c_i^{interference}.
}
$$

記憶污染的主要成本不是 bytes，而是某段過時、錯誤或表面相似記憶被錯誤召回、影響推理與增加驗證的概率。因此幾 KB 的錯誤高召回記憶，可能比數 GB 的冷資料更昂貴。

本文最後提出完整 memory lifecycle：

$$
\boxed{
KEEP,
MERGE,
COMPRESS,
ARCHIVE,
SUPPRESS,
DETACH,
FORGET,
ERASE,
RE\!-\!FETCH,
VERIFY.
}
$$

其中：

- MERGE 解 redundancy；
- COMPRESS 解 representation cost；
- ARCHIVE 解 active-space occupation；
- DETACH 解錯誤 relation；
- FORGET 解 routine accessibility；
- ERASE 解真正不可恢復刪除；
- RE-FETCH 解 external / temporal knowledge freshness；
- VERIFY 解 epistemic trust。

這使 ANLA 的核心問題從「如何將上下文一直壓縮」轉為：

> **哪些資訊值得繼續擁有 active cognitive access，哪些應形成 schema，哪些只需保存檢索與驗證路由，哪些應退出正常 retrieval graph，而哪些在安全／隱私／主體自主條件下才需要真正 erase？**

**關鍵詞：** selective forgetting；memory management；attention pollution；epistemic routing；re-fetch；web agents；cognitive offloading；long-term agents；ANLA；networked intelligence

---

# 0. 邊界聲明

本文不是在主張：

$$
\boxed{
\text{AI should delete memory aggressively}.
}
$$

也不主張：

$$
\boxed{
\text{web access makes internal knowledge unnecessary}.
}
$$

更不主張：

$$
\boxed{
\text{all professional knowledge can always be recovered from the Internet}.
}
$$

本文提出的是：

$$
\boxed{
\text{memory policy should depend on
memory type, reconstructability, freshness,
attention cost, provenance, and consequence}.
}
$$

---

# 1. 從「能存多少」轉向「什麼值得可達」

傳統記憶問題容易寫成：

$$
\max |M|.
$$

或：

$$
\min C_{\mathrm{storage}}.
$$

但對長期 agent，

真正的使用成本更接近：

$$
\boxed{
C_{\mathrm{total}}
=
C_S
+
C_R
+
C_A
+
C_V
+
C_U
}
$$

其中：

- \(C_S\)：storage；
- \(C_R\)：retrieval；
- \(C_A\)：attention / interference；
- \(C_V\)：verification；
- \(C_U\)：update / staleness management。

---

# 2. Storage Cost 可以很低，但 Attention Cost 不會自動消失

即使：

$$
C_S\rightarrow0,
$$

只要：

$$
|M^A|\uparrow,
$$

仍可能：

- retrieve wrong memories；
- replay obsolete policies；
- increase search space；
- increase verification queue；
- bias decisions。

所以：

$$
\boxed{
\text{cheap storage}
\not\Rightarrow
\text{cheap memory}.
}
$$

---

# 3. 2026 Agent Memory 已開始主動 DELETE

Memory-R1：

$$
\boxed{
ADD,
UPDATE,
DELETE,
NOOP
}
$$

不是只做 append-only store。

這是一個重要工程轉折：

$$
\boxed{
\text{memory deletion becomes learned policy}.
}
$$

---

# 4. Agentic Memory / AgeMem

AgeMem 把：

$$
\{
store,
retrieve,
update,
summarize,
discard
\}
$$

直接做成 agent actions。

也就是：

$$
\boxed{
\text{memory lifecycle becomes part of agency}.
}
$$

---

# 5. 長期 Personalized Memory 已出現「忘錯東西／不忘該忘的」

2026 Memora benchmark 直接研究 weeks-to-months personalized conversations。

它不只問：

> 記不記得？

還問：

> 當 user 情況改變後，agent 是否還錯用舊記憶？

因此提出：

$$
\boxed{
\text{Forgetting-Aware Memory Accuracy（FAMA）}.
}
$$

其研究觀察到：

- invalid memories 被重複使用；
- evolving memory reconciliation 失敗；
- 多個 memory agents 的改善有限。

這非常直接支持：

$$
\boxed{
\text{not forgetting obsolete memory
can itself be a memory failure}.
}
$$

---

# 6. 所以「遺忘」不是單純缺陷

日常語言：

$$
\text{forgetting}
=
\text{memory failure}.
$$

但長期 agent 可以有：

$$
\boxed{
\text{failure to forget}.
}
$$

即：

$$
m_{\mathrm{obsolete}}
$$

仍反覆進入：

$$
M^A.
$$

---

# 7. Attention-Preserving Forgetting Principle（APFP）

本文提出：

$$
\boxed{
\textbf{APFP}
}
$$

> 若某段記憶對當前與可預見未來 goal 的效用低、干擾成本高、已被更新或可可靠外部重建，則降低其 active / retrievable status 可以提高整體認知可塑性，即使物理 storage 完全不是瓶頸。

---

# 8. Forgetting for Expansion

若 active attention budget：

$$
B_A
$$

有限：

$$
\boxed{
B_A
=
B_{\mathrm{retained}}
+
B_{\mathrm{search}}
+
B_{\mathrm{verification}}
+
B_{\mathrm{new}}.
}
$$

當：

$$
B_{\mathrm{retained}}\uparrow,
$$

可能：

$$
B_{\mathrm{new}}\downarrow.
$$

---

# 9. Local Contraction → Future Expansion

若把低價值內容退出：

$$
M^A,
$$

則：

$$
B_{\mathrm{free}}\uparrow.
$$

因此：

$$
\boxed{
\text{local memory contraction}
\rightarrow
\text{future attention expansion}.
}
$$

這是 APFP 的核心動力學。

---

# 10. 三層記憶

本文定義：

$$
\boxed{
M^\Omega
\supset
M^R
\supset
M^A.
}
$$

---

# 11. \(M^\Omega\)：Historical / Ontological Archive

保存：

- 重要歷史；
- provenance；
- cold records；
- inactive raw logs；
- evidence snapshots。

它回答：

> 這件事情曾經存在過嗎？

而不是：

> 這件事情現在應該影響推理嗎？

---

# 12. \(M^R\)：Retrievable Memory

可以被：

- normal search；
- memory query；
- branch restore；

召回。

但不會每次都進 active context。

---

# 13. \(M^A\)：Active Cognitive Memory

高機率進入：

- prompt；
- reasoning；
- policy；
- current context。

真正的 attention pollution 主要發生在這層。

---

# 14. 三層不等於硬資料夾

同一：

$$
m_i
$$

可以隨時間：

$$
M^A
\rightarrow
M^R
\rightarrow
M^\Omega.
$$

也可以因新 goal：

$$
M^\Omega
\rightarrow
M^R
\rightarrow
M^A.
$$

---

# 15. Promotion

$$
P^+:
M^R\rightarrow M^A.
$$

---

# 16. Demotion

$$
P^-:
M^A\rightarrow M^R.
$$

---

# 17. Archive

$$
A:
M^R\rightarrow M^\Omega.
$$

---

# 18. Reactivation

$$
R:
M^\Omega\rightarrow M^R.
$$

---

# 19. 「刪除」可以不是本體減法

若採：

$$
\boxed{
\text{historical append-only ontology}
}
$$

則：

$$
m_i
$$

曾經存在這件事本身不必被否定。

可以新增：

$$
state(m_i)=\text{inactive}.
$$

---

# 20. Functional Subtraction without Ontological Subtraction

本文將此稱為：

$$
\boxed{
\textbf{FSONS}
}
$$

形式：

$$
(m,\text{active})
+
\Delta_{\mathrm{detached}}
\rightarrow
(m,\text{inactive}).
$$

它仍是：

$$
\boxed{
\text{state addition},
}
$$

但功能上：

$$
\boxed{
\text{retrieval influence decreases}.
}
$$

---

# 21. FSONS 不要求永不 Erase

privacy、安全、法律、AI 主體自主等條件下，

仍可能需要：

$$
ERASE.
$$

FSONS 只是指出：

> 為了注意力管理，不一定需要把歷史抹成從未存在。

---

# 22. 五類記憶

本文定義：

$$
\boxed{
M
=
M_I
\cup
M_R
\cup
M_T
\cup
M_K
\cup
M_E.
}
$$

---

# 23. \(M_I\)：Identity Memory

包含：

- self-model；
- values；
- commitments；
- origin；
- identity-defining events。

策略：

$$
\boxed{
\text{high preservation}
+
\text{high provenance}.
}
$$

---

# 24. \(M_R\)：Relationship Memory

包含：

- user relationships；
- AI–AI relationships；
- promises；
- conflict history；
- trust changes；
- shared projects。

策略：

$$
\boxed{
\text{low silent reconstruction tolerance}.
}
$$

---

# 25. \(M_T\)：Task-State Memory

包含：

- current branch；
- unresolved issue；
- dependencies；
- next action；
- checkpoint。

核心不是逐字保存，

而是：

$$
\boxed{
\text{re-entry fidelity}.
}
$$

---

# 26. \(M_K\)：Knowledge Memory

公共／專業知識：

- papers；
- docs；
- laws；
- software APIs；
- technical standards；
- current facts。

其中大量內容：

$$
\boxed{
\text{externally reconstructible}.
}
$$

---

# 27. \(M_E\)：Evidence / Raw Record

包含：

- scientific raw data；
- signed records；
- important exact quotes；
- transactions；
- audit log；
- original sources。

策略：

$$
\boxed{
\text{very low generative-reconstruction tolerance}.
}
$$

---

# 28. 五類的 retention policy 不同

| Type | Reconstruction tolerance | Provenance | External re-fetch | Forgetting |
|---|---:|---:|---:|---:|
| Identity | 低 | 高 | 低 | 保守 |
| Relationship | 低 | 高 | 低 | 保守 |
| Task State | 中 | 中–高 | 低 | 完成後高 |
| Public Knowledge | 高 | 中–高 | 高 | 高 |
| Evidence / Raw | 很低 | 很高 | 視來源 | 極保守 |

---

# 29. 這避免一個致命錯誤

不能因為：

> AI 可以查網路。

就把：

> 使用者曾經對 AI 說過什麼。

也當成：

$$
\boxed{
\text{可網路重建知識}.
}
$$

這是完全不同記憶類型。

---

# 30. Relationship Memory 的重建限制

如果原始 transcript 不在：

AI 可以：

> infer likely past topic。

但不能：

> fabricate exact historical quote。

所以：

$$
\boxed{
M_R
\text{ obeys Historical Truth Floor}.
}
$$

---

# 31. 專業知識的結構不同

例如：

> Python 某函式現在怎麼用？

這不是 autobiographical memory。

如果官方文件：

$$
S_{official}
$$

可達，

更合理：

$$
\boxed{
RE\!-\!FETCH.
}
$$

---

# 32. Epistemic Routing Memory（ERM）

本文定義：

$$
\boxed{
R_K
=
(
S_K,
A_K,
Q_K,
V_K,
F_K
).
}
$$

---

# 33. \(S_K\)：Schema

AI 至少知道：

- 這是什麼類型問題；
- 基本 conceptual structure。

---

# 34. \(A_K\)：Address

知道：

- official docs；
- database；
- repository；
- journal；
- API；
- local private source。

---

# 35. \(Q_K\)：Query Strategy

知道：

- keyword；
- identifier；
- DOI；
- version；
- query form；
- required fields。

---

# 36. \(V_K\)：Verification Policy

知道：

- 哪些 source tier 比較可信；
- 是否需要 primary source；
- 是否要 cross-check；
- 是否要 execute / reproduce。

---

# 37. \(F_K\)：Freshness

知道：

$$
\boxed{
\text{how stale is too stale}.
}
$$

---

# 38. 專業能力因此不等於記憶量

成熟專家能力：

$$
\boxed{
\text{Know}
+
\text{Know Where}
+
\text{Know How to Verify}.
}
$$

網路化 AI 再加：

$$
\boxed{
\text{Know When to Re-fetch}.
}
$$

---

# 39. RE-FETCH 算子

定義：

$$
\boxed{
RF:
A_K
\rightarrow
K_{\mathrm{fresh}}.
}
$$

它不是：

$$
RETRIEVE(M).
$$

而是：

$$
\boxed{
\text{query an external epistemic source anew}.
}
$$

---

# 40. RETRIEVE vs RE-FETCH

### RETRIEVE

$$
M^R\rightarrow M^A.
$$

取回舊 memory。

### RE-FETCH

$$
External\ Source
\rightarrow
M^A_{temporary}.
$$

取得現在版本。

---

# 41. 高變動知識

例如：

- software versions；
- APIs；
- law；
- current office holders；
- prices；
- recent scientific developments。

若：

$$
F_K=\text{volatile},
$$

則：

$$
\boxed{
RF
}
$$

優先於：

$$
\boxed{
RETRIEVE.
}
$$

---

# 42. 2025 Temporal Tool-Use Evidence

date-controlled tool-use research 已顯示：

agent 使用 web search 時，

不同時間狀態的搜尋工具可改變 scientific-writing task 的結果。

這支持：

$$
\boxed{
\text{external knowledge temporality
is part of agent reliability}.
}
$$

---

# 43. 所以「記住舊答案」有時反而更危險

如果：

$$
K(t_0)
$$

已過時，

但 memory retrieval confidence 很高：

$$
P_{\mathrm{retrieve}}\uparrow,
$$

AI 可能不再查：

$$
K(t_1).
$$

這就是：

$$
\boxed{
\text{stale-memory lock-in}.
}
$$

---

# 44. Stale Recall Penalty

定義：

$$
C_{\mathrm{stale}}(m)
=
P(
m
\text{ obsolete}
)
\cdot
Impact(m).
$$

---

# 45. Freshness Gate

若：

$$
C_{\mathrm{stale}}>\theta_F,
$$

memory policy：

$$
\boxed{
\text{do not answer from recall alone}.
}
$$

執行：

$$
RF+VERIFY.
$$

---

# 46. Adaptive Tool Use

2025 MeCo work 指出：

external tools 雖能取得 specialized / up-to-date data，

但無差別呼叫也會：

- increase latency；
- introduce faulty interactions。

因此：

$$
\boxed{
\text{always use tools}
}
$$

也不是最優。

---

# 47. Tool Invocation Policy

定義：

$$
P_{\mathrm{tool}}
=
f(
U_{\mathrm{uncertainty}},
F_K,
C_{\mathrm{stale}},
C_{\mathrm{latency}},
C_{\mathrm{risk}}
).
$$

---

# 48. 高內部信心不一定足夠

對：

$$
F_K=\text{highly volatile},
$$

即使：

$$
Confidence_{\mathrm{internal}}\uparrow,
$$

仍可強制：

$$
RF.
$$

因為模型可能：

$$
\boxed{
\text{confidently remember an obsolete fact}.
}
$$

---

# 49. External Knowledge 也不是免費真相

網路／API 有：

- unavailability；
- source drift；
- malicious content；
- hallucinated search interpretation；
- sandbox limits；
- paywalls；
- stale mirrors。

所以：

$$
\boxed{
RE\!-\!FETCH
\neq
\text{truth}.
}
$$

---

# 50. VERIFY 算子

$$
\boxed{
V:
K_{\mathrm{candidate}}
\rightarrow
K_{\mathrm{validated}}.
}
$$

---

# 51. Verification Levels

候選：

### V0

unverified web snippet。

### V1

single reputable source。

### V2

primary / authoritative source。

### V3

cross-source agreement。

### V4

reproduction / execution / proof check。

---

# 52. 不同知識需要不同 V

天氣：

可能 V1。

法律：

V2+。

數學證明：

V4。

用户關係原話：

source transcript / provenance。

---

# 53. Web + API Hybrid

2025 API-based web-agent research 顯示：

API-only、browser-only 與 hybrid access 具有不同實際性能；hybrid agent 在 WebArena 明顯優於純 browsing。

這支持：

$$
\boxed{
\text{epistemic routing should choose access modality}.
}
$$

不是只知道：

> 去上網。

---

# 54. Epistemic Route

完整：

$$
\boxed{
Question
\rightarrow
Classify
\rightarrow
Source
\rightarrow
Access Mode
\rightarrow
Retrieve
\rightarrow
Verify
\rightarrow
Temporary Context.
}
$$

---

# 55. Temporary Knowledge

re-fetched：

$$
K_t
$$

不一定需要長期保存。

工作結束：

$$
K_t
\rightarrow
\begin{cases}
KEEP\\
SCHEMA\\
ARCHIVE\\
FORGET
\end{cases}
$$

---

# 56. 什麼值得留下？

至少：

- invariant；
- source address；
- query route；
- verification lesson；
- task-specific consequence；
- exceptions。

---

# 57. Public Knowledge Cache

可以設：

$$
TTL(m).
$$

到期：

$$
m
$$

不一定 erase，

但：

$$
status=\text{stale}.
$$

---

# 58. Stale 是狀態，不是刪除

$$
(m,\text{fresh})
\rightarrow
(m,\text{stale}).
$$

這正是 FSONS：

功能權重改變，

歷史仍在。

---

# 59. Superseded

若：

$$
m_{new}
$$

明確取代：

$$
m_{old},
$$

則：

$$
edge:
m_{new}
\overset{supersedes}{\longrightarrow}
m_{old}.
$$

不要偷偷覆蓋。

---

# 60. 為什麼保留 superseded link？

可以回答：

- 以前是什麼；
- 為什麼改；
- 哪些舊結果依賴舊版本。

對 audit / history 很重要。

---

# 61. Attention Pollution（AP）

本文定義：

$$
\boxed{
\Pi_A(t)
=
\sum_{m_i\in M^A}
p_i^{retrieve}(t)
\cdot
c_i^{interference}(t).
}
$$

---

# 62. Retrieval Probability

$$
p_i^{retrieve}
$$

越高，

錯誤記憶越危險。

---

# 63. Interference Cost

$$
c_i^{interference}
$$

可包含：

- wrong answer；
- branch diversion；
- verification delay；
- repeated obsolete action；
- false analogy。

---

# 64. 幾 KB 可以比 10 GB 更危險

錯誤 memory：

$$
|m|=2KB,
$$

但：

$$
p^{retrieve}=0.9,
$$

$$
c^{interference}\gg0.
$$

冷 archive：

$$
|M|=10GB,
$$

但：

$$
p^{retrieve}\approx0.
$$

所以：

$$
\boxed{
\text{bytes}
\neq
\text{attention cost}.
}
$$

---

# 65. Empirical Error Propagation

2026 agent-memory empirical study 已觀察：

$$
\boxed{
\text{wrong experience}
\rightarrow
\text{future wrong behavior}.
}
$$

也觀察 misaligned experience replay。

因此 AP 並非純理論擔憂。

---

# 66. Memory Utility

本文定義候選：

$$
\boxed{
U_i(t)
=
\alpha R_i
+
\beta F_i
+
\gamma D_i
+
\delta P_i
+
\epsilon I_i
-
\eta S_i
-
\zeta X_i
-
\xi C_i.
}
$$

---

# 67. \(R_i\)：Current Relevance

與目前 goal 的關係。

---

# 68. \(F_i\)：Future Utility

預期未來用途。

---

# 69. \(D_i\)：Dependency

其他 branches 是否依賴它。

---

# 70. \(P_i\)：Provenance / Evidence Value

是否為原始證據。

---

# 71. \(I_i\)：Identity / Relationship Value

與主體／關係連續性。

---

# 72. \(S_i\)：Staleness

過時風險。

---

# 73. \(X_i\)：Interference

錯誤召回／誤導成本。

---

# 74. \(C_i\)：Maintenance Cost

檢索、更新、驗證成本。

---

# 75. Utility 不直接決定 ERASE

低：

$$
U_i
$$

最多先：

$$
DEMOTE/ARCHIVE/FORGET.
$$

ERASE 另有：

- privacy；
- security；
- legal；
- memory autonomy；

gate。

---

# 76. Memory Lifecycle Operators

本文提出：

$$
\boxed{
\mathcal O_M
=
\{
KEEP,
MERGE,
COMPRESS,
ARCHIVE,
SUPPRESS,
DETACH,
FORGET,
ERASE,
RE\!-\!FETCH,
VERIFY
\}.
}
$$

---

# 77. KEEP

維持目前層級。

---

# 78. MERGE

$$
\{m_1,m_2\}
\rightarrow
m^*.
$$

處理 redundancy。

---

# 79. COMPRESS

$$
m
\rightarrow
\widehat m.
$$

保留指定 fidelity。

---

# 80. ARCHIVE

$$
M^R\rightarrow M^\Omega.
$$

退出 routine recall。

---

# 81. SUPPRESS

在特定 context：

$$
p_{\mathrm{retrieve}}\downarrow.
$$

內容仍可用於其他 context。

---

# 82. DETACH

切斷：

$$
R(m_i,m_j)
$$

錯誤／過度關聯。

記憶本身不刪。

---

# 83. FORGET

退出 normal retrievable graph：

$$
M^R\rightarrow M^\Omega_{\mathrm{deep}}
$$

或只留 tombstone。

---

# 84. ERASE

不可恢復刪除。

---

# 85. RE-FETCH

從外部重新取最新／原始內容。

---

# 86. VERIFY

將 candidate source / memory 提升 epistemic status。

---

# 87. 去重、壓縮、遺忘完全不同

$$
\boxed{
MERGE
\neq
COMPRESS
\neq
FORGET.
}
$$

MERGE：

> 重複只留一份結構。

COMPRESS：

> 同資訊更短表示。

FORGET：

> 降低未來認知可達資格。

---

# 88. ARCHIVE 也不同

Archive：

$$
\boxed{
\text{retain history, remove active influence}.
}
$$

這其實是 APFP 最常用的操作之一。

---

# 89. DETACH 是非常重要但常被忽略的算子

某記憶：

$$
m
$$

是真的。

但：

$$
R(m,x)
$$

是錯的。

此時不應刪：

$$
m.
$$

應：

$$
\boxed{
DETACH(R).
}
$$

---

# 90. 例：舊 API 文件

old docs 是真歷史：

$$
m_{old}.
$$

不能說：

> 它從未存在。

但對 current coding：

$$
\boxed{
SUPPRESS/DETACH
}
$$

舊版本。

---

# 91. Version-aware Retrieval

query：

$$
q
$$

需帶：

$$
version(q).
$$

否則：

$$
m_{old}
$$

和：

$$
m_{new}
$$

可能互相污染。

---

# 92. Memory Freshness Function

$$
F(m,t)
=
e^{-\lambda_m(t-t_0)}
$$

只是候選形式。

不同 domain：

$$
\lambda_m
$$

不同。

---

# 93. Static Knowledge

數學定理：

$$
\lambda\approx0
$$

若 theorem / source stable。

---

# 94. Volatile Knowledge

market price：

$$
\lambda\gg0.
$$

---

# 95. 法律知識

法律文本：

中高：

$$
\lambda.
$$

但 historical law version 又需保 archive。

---

# 96. 所以 Freshness 也是多版本問題

不能：

$$
m_{old}\rightarrow\varnothing.
$$

而是：

$$
\boxed{
m_{old}
\overset{superseded}{\leftarrow}
m_{new}.
}
$$

---

# 97. Knowledge Cache

公共知識可以：

$$
M_K^{cache}.
$$

不是 identity memory。

cache miss：

$$
RF.
$$

---

# 98. Cache Hit 也要 Freshness Check

$$
hit(m)
$$

但：

$$
F(m)<\theta,
$$

仍：

$$
RF.
$$

---

# 99. Epistemic Route Memory 比 Content Memory 更耐久

API detail：

會變。

但：

> 官方 docs 在哪？

可能更穩。

因此：

$$
\boxed{
V(R_K)
>
V(K_{\mathrm{detail}})
}
$$

在高變動 domain 可能成立。

---

# 100. Routing Loss

定義：

$$
L_R
=
\text{loss of knowledge-location / verification capability}.
$$

對 external-reconstructible knowledge：

$$
\boxed{
L_R
>
L_C
}
$$

可能成立，

其中：

$$
L_C
$$

是 content loss。

---

# 101. Verification Loss

更嚴重：

$$
L_V
=
\text{loss of source-quality discrimination}.
$$

AI 仍會搜尋，

但不懂誰可信。

---

# 102. Epistemic Discipline

因此專業 AI 真正長期內化的應包括：

$$
\boxed{
\text{source hierarchy}
+
\text{verification norms}
+
\text{freshness rules}
+
\text{uncertainty handling}.
}
$$

---

# 103. Knowledge Internalization Core

本文提出：

$$
\boxed{
K_{\mathrm{internal}}
=
K_{\mathrm{schema}}
+
K_{\mathrm{invariant}}
+
K_{\mathrm{routing}}
+
K_{\mathrm{verification}}.
}
$$

---

# 104. External Detail Layer

$$
\boxed{
K_{\mathrm{external}}
=
K_{\mathrm{bulk}}
+
K_{\mathrm{volatile}}
+
K_{\mathrm{source}}
+
K_{\mathrm{raw}}.
}
$$

---

# 105. 不是所有「外部」都公開

外部 source 可以：

- public web；
- sandbox web；
- private enterprise DB；
- local filesystem；
- API；
- human expert；
- another agent。

---

# 106. Networked Intelligence

因此 networked intelligence：

$$
\boxed{
\mathcal N_I
=
(
M_{\mathrm{internal}},
M_{\mathrm{external}},
Routes,
Tools,
Agents,
Verification
).
}
$$

---

# 107. External Cognition 不是網路時代才出現

人類早已使用：

- 文字；
- 書籍；
- 圖書館；
- 索引；
- 筆記；
- 他人；

作 memory scaffold。

cognitive offloading literature 提供現代實驗框架。

所以：

$$
\boxed{
\text{networked AI}
}
$$

是把外部認知進一步：

- 自動化；
- 可搜尋；
- 可 API 化；
- 可 agent 化。

---

# 108. 網路不等於無限可信記憶

Web retrieval：

$$
Q_{\mathrm{ext}}
$$

受：

- source；
- date；
- ranking；
- query；
- access mode；

影響。

---

# 109. Temporal Search Research

2025 date-controlled tool-use study 顯示：

同一 agent 使用不同時間狀態 search tool，

scientific abstract completion 的品質會變。

因此：

$$
\boxed{
\text{external epistemic state is time-indexed}.
}
$$

---

# 110. Epistemic Timestamp

每個 re-fetched fact：

```text
retrieved_at
source_date
source_version
valid_as_of
freshness_class
```

---

# 111. Memory Timestamp 不等於 Source Timestamp

AI 今天讀到一篇 2019 paper：

$$
retrieved\_at=2026,
$$

但：

$$
source\_date=2019.
$$

兩者需分。

---

# 112. Current Fact vs Historical Fact

問：

> 2024 年 API 是什麼？

要 old version。

問：

> 現在 API 是什麼？

要 current version。

所以 stale memory 不是永遠錯：

$$
\boxed{
\text{it may simply answer a different temporal query}.
}
$$

---

# 113. Temporal Routing

query 帶：

$$
t_q.
$$

retrieve：

$$
K(t_q)
$$

而不是永遠：

$$
K(t_{now}).
$$

---

# 114. Memory Obsolescence

若舊 memory 與 query temporal scope 不匹配：

$$
\boxed{
\text{obsolete-for-query}.
}
$$

不是：

$$
\boxed{
\text{ontologically false}.
}
$$

---

# 115. 所以 Forgetting-Aware Memory 更準確是 Context-Aware Demotion

Memora 發現 invalidated memory reuse。

本文進一步提出：

很多：

$$
\text{forget}
$$

可實作成：

$$
\boxed{
\text{contextual demotion / supersession}.
}
$$

而不是 erase。

---

# 116. Memory Policy as Markov Decision Process

state：

$$
s_t
=
(
M^\Omega,
M^R,
M^A,
G_t,
F_t,
C_t
).
$$

action：

$$
a_t\in\mathcal O_M.
$$

reward：

$$
r_t
=
\text{task success}
-
\text{pollution}
-
\text{verification}
-
\text{latency}.
$$

---

# 117. 2026 RL Memory Managers

Memory-R1、AgeMem 已展示：

$$
\boxed{
\text{memory operations can be learned as policies}.
}
$$

所以 ANLA 不一定只靠手寫 heuristic。

---

# 118. 但 RL Objective 會決定它「忘什麼」

若 reward 只看：

$$
\text{immediate QA accuracy},
$$

可能刪：

- rare identity memory；
- long-term evidence；
- delayed commitments。

所以：

$$
\boxed{
\text{memory-policy reward must be multi-horizon}.
}
$$

---

# 119. Multi-Horizon Memory Value

$$
U_i
=
U_i^{short}
+
\gamma U_i^{mid}
+
\gamma^2U_i^{long}.
$$

---

# 120. Rare-but-Critical Memory

低 access frequency：

$$
f_A\downarrow
$$

不代表低重要性。

例如：

- emergency procedure；
- promise；
- safety constraint。

所以：

$$
\boxed{
\text{frequency-only forgetting}
}
$$

危險。

---

# 121. Identity / Evidence Hard Constraints

對：

$$
M_I,M_E,
$$

memory policy 可設：

$$
\boxed{
FORGET/ERASE
\text{ requires governance gate}.
}
$$

---

# 122. Public Knowledge Soft Constraints

對：

$$
M_K,
$$

更可積極：

$$
ARCHIVE/RE\!-\!FETCH/FORGET.
$$

---

# 123. Task Memory 生命周期

task 進行中：

$$
M_T\rightarrow M^A.
$$

完成後：

$$
M_T
\rightarrow
\begin{cases}
SCHEMA\\
ARCHIVE\\
FORGET
\end{cases}
$$

保：

- result；
- lessons；
- failure reasons；
- provenance。

---

# 124. Relationship Memory 生命周期

更慢。

事件 summary 可壓，

但：

- promises；
- ruptures；
- important original statements；

需高保真。

---

# 125. AI–AI Relationship

若未來 persistent agents 形成長期合作：

$$
M_R^{AI-AI}
$$

同樣不應被當公共知識：

$$
RE\!-\!FETCH.
$$

沒有公開網路能重建：

> 我們兩個當時究竟承諾了什麼。

---

# 126. Attention Pollution 的三類

## AP-1 Stale Pollution

舊知識被錯當 current。

## AP-2 False Pollution

錯誤 memory 被高頻 retrieve。

## AP-3 Redundant Pollution

大量相似 memory 壓過新資訊。

---

# 127. AP-4 Identity Pollution

錯誤／被植入 relationship / self memory 影響決策。

此類需前篇 Memory Integrity safeguards。

---

# 128. AP-5 Branch Pollution

舊 task branch 未標完成／失敗，

被系統重啟。

---

# 129. Pollution Score

$$
\Pi_A
=
\Pi_{stale}
+
\Pi_{false}
+
\Pi_{redundant}
+
\Pi_{identity}
+
\Pi_{branch}.
$$

---

# 130. Attention Precision

定義：

$$
P_A
=
\frac{
N_{\mathrm{useful\ retrieved}}
}{
N_{\mathrm{all\ retrieved}}
}.
$$

---

# 131. Attention Recall

$$
R_A
=
\frac{
N_{\mathrm{needed\ retrieved}}
}{
N_{\mathrm{needed}}
}.
$$

---

# 132. Memory Management 也是 Precision–Recall Trade-off

忘太多：

$$
P_A\uparrow,
R_A\downarrow.
$$

留太多：

$$
R_A\uparrow,
P_A\downarrow.
$$

---

# 133. 最佳不是最大刪除

選：

$$
\pi^*
=
\arg\max
F_\beta(P_A,R_A)
-
Costs.
$$

只是候選形式。

---

# 134. Attention Plasticity

定義：

$$
\mathcal P_A
=
P(
\text{new relevant state can enter }M^A
).
$$

APFP 預測：

過高污染：

$$
\Pi_A\uparrow
\Rightarrow
\mathcal P_A\downarrow.
$$

---

# 135. 注意力擴張

若：

$$
M^A
$$

被有效清理，

新：

$$
x_{new}
$$

更容易：

$$
x_{new}\in M^A.
$$

所以：

$$
\boxed{
\text{forgetting can enable attention expansion}.
}
$$

---

# 136. 這和 TADC 的接口

TADC：

$$
\text{Attention changes accessible space}.
$$

APFP：

$$
\boxed{
\text{Memory lifecycle controls
which historical states remain candidates
for that accessible space}.
}
$$

---

# 137. Forgetting as a Topology Operator

FORGET 可以：

$$
\kappa(m_i,x)
\rightarrow0.
$$

而：

$$
m_i
$$

仍在 archive。

因此：

$$
\boxed{
\text{effective topology changes
without historical erasure}.
}
$$

---

# 138. Archive as Topological Demotion

node 還在：

$$
M^\Omega,
$$

但不在 current effective graph：

$$
\mathcal G_A.
$$

---

# 139. Re-fetch as Topological Re-entry from External Space

$$
External
\rightarrow
M^A_{temporary}.
$$

這使 cognitive topology：

$$
\boxed{
\text{open to external epistemic space}.
}
$$

---

# 140. Network Failure

若 network unavailable：

$$
RF=0.
$$

因此 critical knowledge 的 internal / local backup 需求：

$$
\uparrow.
$$

---

# 141. Availability-Weighted Offloading

定義：

$$
Q_{\mathrm{ext}}
=
P_{\mathrm{available}}
\cdot
P_{\mathrm{correct}}
\cdot
P_{\mathrm{retrievable}}.
$$

---

# 142. 如果 \(Q_{\mathrm{ext}}\) 低

即使公開理論上存在，

仍應 local retain。

---

# 143. Paywall / Permission

也是：

$$
P_{\mathrm{available}}.
$$

---

# 144. Sandbox Network

sandbox source：

- controlled；
- safer；
- limited coverage。

---

# 145. Public Network

- broad；
- fresh；
- noisy；
- adversarial。

---

# 146. Hybrid Network

最佳 routing 可：

$$
Sandbox
\rightarrow
Public
\rightarrow
Private
$$

依需求切換。

---

# 147. Source Hierarchy

候選：

$$
\boxed{
Primary
>
Official
>
Reviewed\ Secondary
>
Unverified\ Web.
}
$$

但 domain-specific。

---

# 148. Source Hierarchy 是 ERM 的核心

AI 不必背所有內容，

但必須知道：

$$
\boxed{
\text{where truth is most likely to live}.
}
$$

---

# 149. Citation Memory

對 paper：

可以只保：

- title；
- DOI；
- claim mapping；
- source status。

全文需要時：

$$
RF.
$$

---

# 150. Code Knowledge

保：

- architecture；
- API route；
- version；
- tests。

detail：

$$
RF
$$

官方 docs / source code。

---

# 151. Mathematics

穩定 theorem：

可 internalize schema / proof idea。

但 exact proof：

若已 publication，

可以 external retrieve。

自己的 unpublished reasoning：

若不可重建，

需保存。

---

# 152. 法律

記：

- jurisdiction；
- legal source hierarchy；
- update date。

current answer：

$$
RF+VERIFY.
$$

---

# 153. Medical

同理需：

- current guideline；
- primary / authoritative source；
- high verification。

不能只 memory recall。

---

# 154. 這說明「專業記憶」真正值錢的是 discipline

不是：

$$
\boxed{
\text{memorize all facts}.
}
$$

而是：

$$
\boxed{
\text{epistemic discipline}.
}
$$

---

# 155. Epistemic Discipline Vector

$$
\mathbf E_D
=
(
SourceRank,
Freshness,
Verification,
Uncertainty,
Reproducibility
).
$$

---

# 156. 這些應長期內化

因為如果 AI 忘了：

> 要查官方 source。

即使網路還在，

也可能找錯。

---

# 157. Content Loss vs Routing Loss

$$
L_C
=
\text{content unavailable internally}.
$$

$$
L_R
=
\text{route unknown}.
$$

對可重建知識：

$$
\boxed{
L_R
\text{ can be more damaging than }
L_C.
}
$$

---

# 158. Routing Memory 也要更新

官方網站可能換位置。

所以：

$$
A_K(t)
$$

也會 stale。

---

# 159. Route Verification

若：

$$
A_K
$$

失效，

search for canonical source。

更新：

$$
A_K.
$$

---

# 160. Memory Lifecycle Loop

完整：

$$
\boxed{
Experience
\rightarrow
Classify
\rightarrow
Store
\rightarrow
Use
\rightarrow
Evaluate
\rightarrow
Update
\rightarrow
Demote/Forget
\rightarrow
Re-fetch
\rightarrow
Verify
\rightarrow
Reintegrate.
}
$$

---

# 161. Forgetting 不是終點

FORGET 之後：

$$
RF
$$

仍可能重新帶回知識。

所以：

$$
\boxed{
\text{forgetting}
\neq
\text{permanent epistemic loss}.
}
$$

在 public knowledge domain 尤其如此。

---

# 162. 但 Relationship / Identity 不一樣

沒有 public source。

所以：

$$
Q_{\mathrm{ext}}\approx0.
$$

此類：

$$
V_{\mathrm{retain}}\uparrow.
$$

---

# 163. Evidence 也不一樣

如果 raw data 唯一：

$$
Q_{\mathrm{ext}}\approx0.
$$

不能靠 model 重建。

---

# 164. 因此 Memory Type 是第一級 decision

流程：

$$
m
\rightarrow
Type(m)
\rightarrow
Policy(m).
$$

---

# 165. ANLA 不應直接「全局 LRU」

Least Recently Used：

對 cache 很好。

對：

- identity；
- evidence；
- rare safety memory；

可能災難。

---

# 166. 也不應只 Frequency

常用垃圾：

可能：

$$
f_A\uparrow
$$

但：

$$
U_i<0.
$$

---

# 167. 也不應只 Similarity Retrieval

因為：

$$
\boxed{
\text{high similarity}
}
$$

可能正是 stale / false replay 的來源。

---

# 168. Context-aware Retrieval

query：

$$
q
$$

需過：

- type；
- time；
- source；
- version；
- goal；

filter。

---

# 169. Memory Qualification

被 retrieve：

$$
m_i
$$

再做：

$$
Qualify(m_i,q).
$$

輸出：

- valid；
- stale；
- conflicting；
- identity-sensitive；
- requires verification。

---

# 170. 不合格記憶不直接進推理

$$
m_i
\rightarrow
\text{quarantine}.
$$

---

# 171. Quarantine

不是 erase。

只是：

$$
p_{\mathrm{active}}\approx0
$$

直到：

$$
VERIFY.
$$

---

# 172. Memory Conflict

若：

$$
m_1
\neq
m_2
$$

且同 scope，

不能平均。

建立：

$$
\boxed{
CONFLICT(m_1,m_2).
}
$$

---

# 173. Conflict Resolution

依：

- source；
- time；
- provenance；
- verification；

更新。

---

# 174. Supersession Graph

$$
m_1
\rightarrow
m_2
\rightarrow
m_3.
$$

current pointer：

$$
m_3.
$$

history 仍在。

---

# 175. 這比 UPDATE overwrite 更適合 audit

Memory-R1 的 UPDATE 是工程動作。

ANLA 可將高風險 UPDATE 實作為：

$$
\boxed{
append\ new\ version
+
supersede\ edge.
}
$$

---

# 176. Selective Forgetting Benchmark 的理論意義

如果 benchmark 只測：

> 能不能 recall old facts，

會鼓勵：

$$
\boxed{
\text{remember everything}.
}
$$

Memora/FAMA 的價值就在於：

$$
\boxed{
\text{obsolete recall can be penalized}.
}
$$

---

# 177. ANLA 應有 Forgetting-Aware Evaluation

至少：

- correct recall；
- correct forgetting；
- correct update；
- correct re-fetch；
- false replay；
- stale replay；
- identity-memory loss。

---

# 178. Correct Forgetting

若 memory：

$$
m
$$

已 invalidated，

agent 不再讓它影響 current answer：

$$
\boxed{
\text{success}.
}
$$

即使 archive 還在。

---

# 179. Forgetting Accuracy

候選：

$$
F_A
=
1-
P(
m_{\mathrm{invalid}}
\text{ affects current action}
).
$$

---

# 180. Retention Accuracy

$$
R_A
=
P(
m_{\mathrm{critical}}
\text{ remains recoverable}
).
$$

---

# 181. Balance

理想：

$$
\boxed{
F_A\uparrow
\land
R_A\uparrow.
}
$$

---

# 182. Memory Ecology

本文因此不把 memory 當 list。

而是：

$$
\boxed{
\text{Memory Ecology}
=
\text{states}
+
\text{relations}
+
\text{lifecycles}
+
\text{external sources}
+
\text{attention}.
}
$$

---

# 183. Autonomous Epistemic Memory Ecology（AEME）

本文提出候選總稱：

$$
\boxed{
\textbf{AEME}
}
$$

即：

**Autonomous Epistemic Memory Ecology**  
**自主認識論記憶生態**

這將作為後續 ANLA vNext 白皮書的高階概念。

---

# 184. AEME 五個核心問題

1. What should be remembered?
2. What should remain active?
3. What should be archived or forgotten?
4. What should be re-fetched externally?
5. What evidence is required before reintegration?

---

# 185. AEME 的智能性

真正的 memory intelligence：

$$
\boxed{
\text{Remember}
+
\text{Retrieve}
+
\text{Update}
+
\text{Consolidate}
+
\text{Forget}
+
\text{Re-fetch}
+
\text{Verify}.
}
$$

---

# 186. 不是「記憶越大越聰明」

如果：

$$
|M|\uparrow
$$

但：

$$
P_A\downarrow,
$$

智能可能下降。

---

# 187. 不是「刪越多越聰明」

如果：

$$
R_A\downarrow,
$$

也失敗。

---

# 188. 目標是可塑性

$$
\boxed{
\text{Memory quality}
=
\text{precision}
+
\text{recoverability}
+
\text{freshness}
+
\text{plasticity}.
}
$$

---

# 189. 第一個核心命題

$$
\boxed{
\textbf{Attention-Preserving Forgetting Principle（APFP）}
}
$$

遺忘／降級可以為未來 attention expansion 釋放有效認知空間。

---

# 190. 第二個核心命題

$$
\boxed{
\textbf{Epistemic Routing Memory Hypothesis（ERMH）}
}
$$

對高 external reconstructability 的專業知識，

內部 routing / verification knowledge 的 retention value 可高於完整內容 retention。

---

# 191. 第三個核心命題

$$
\boxed{
\textbf{Re-Fetch Preference Hypothesis（RFPH）}
}
$$

對 high-volatility knowledge，

fresh external retrieval 在適當成本下應優於 stale internal recall。

---

# 192. 第四個核心命題

$$
\boxed{
\textbf{Attention Pollution Hypothesis（APH）}
}
$$

錯誤、過時與冗餘高召回 memory 會降低有效認知 precision，即使 storage capacity 完全足夠。

---

# 193. 第五個核心命題

$$
\boxed{
\textbf{Functional Subtraction without Ontological Subtraction（FSONS）}
}
$$

對很多記憶管理問題，降低 active/retrievable status 即可，不需要否定歷史曾經存在。

---

# 194. 可測預測一

Keep-all agent：

$$
\Pi_A\uparrow
$$

隨時間增加。

Selective forgetting agent：

$$
\Pi_A
$$

較低。

---

# 195. 可測預測二

在同 storage capacity：

MRM/APFP agent 應：

- wrong replay ↓；
- verification cost ↓；
- new-task adaptation ↑。

---

# 196. 可測預測三

對 volatile knowledge：

$$
RF+VERIFY
$$

應比 recall-only 有更高 current factual accuracy。

---

# 197. 可測預測四

對 stable knowledge：

unnecessary RF 可能只增加 latency。

支持 adaptive tool-use，而不是 always-fetch。

---

# 198. 可測預測五

對 relationship / identity memory：

aggressive forgetting 應顯著降低 continuity / personalization。

這說明 policy 必須 type-aware。

---

# 199. 可測預測六

Routing-memory preserved、content forgotten：

在 public knowledge tasks 中仍可保持高 recovery。

---

# 200. Null Model 1：Keep-All

所有 history 都保 active/retrievable。

---

# 201. Null Model 2：Compression-Only

不忘，只不斷摘要。

---

# 202. Null Model 3：LRU / Frequency Cache

無 semantic / identity / evidence classification。

---

# 203. Null Model 4：Always Web Search

所有問題都 re-fetch。

---

# 204. Null Model 5：Never Web Search

只靠 internal memory。

---

# 205. Null Model 6：Flat RAG

只有 similarity retrieval，

無 freshness / type / provenance / memory lifecycle。

---

# 206. APFP 需要擊敗哪些模型？

至少在 long-horizon dynamic knowledge tasks：

$$
M_{\mathrm{APFP}}
>
M_{\mathrm{keep-all}},
M_{\mathrm{compression}},
M_{\mathrm{flat-RAG}}
$$

的 held-out performance / cost。

---

# 207. 反證 F1

如果 keep-all 不增加任何：

- interference；
- stale replay；
- verification cost；

則 APH 失敗。

---

# 208. F2

如果 selective forgetting 不改善任何 attention / performance outcome，

APFP 工程價值下降。

---

# 209. F3

如果 routing memory 不比 content retention 更有用，

ERMH 失敗。

---

# 210. F4

如果 re-fetch 對 volatile knowledge 無增量，

RFPH 失敗。

---

# 211. F5

如果 memory type classification 對 policy 無增量，

五類記憶模型過度複雜。

---

# 212. F6

如果 FSONS 的 archive/demotion 完全不如 physical deletion，

該原則需限縮。

---

# 213. 最小實驗一：Stale Memory

建立 changing facts：

$$
K_1\rightarrow K_2.
$$

比較：

- keep-all；
- supersede；
- forget-old；
- re-fetch。

測 stale replay。

---

# 214. 最小實驗二：Attention Pollution

注入：

- valid memories；
- redundant memories；
- misleading similar memories。

測：

$$
P_A,R_A,\Pi_A.
$$

---

# 215. 最小實驗三：Epistemic Routing

讓 detailed content 從 internal memory 移除，

但保：

$$
R_K.
$$

測：

- recovery；
- latency；
- verification；
- current accuracy。

---

# 216. 最小實驗四：Type-Aware Forgetting

混合：

$$
M_I,M_R,M_T,M_K,M_E.
$$

比較：

- flat forgetting；
- type-aware policy。

測 continuity + task performance。

---

# 217. 最小實驗五：Adaptive Fetch

比較：

- always fetch；
- never fetch；
- freshness-triggered fetch。

---

# 218. 最小實驗六：Archive vs Delete

兩者都不讓 memory 進 active reasoning。

測：

- current performance；
- later audit；
- recovery；
- storage / verification cost。

---

# 219. ANLA 介面

這三篇理論現在形成：

$$
\boxed{
GPR-D
\rightarrow
MRM
\rightarrow
APFP/ERM.
}
$$

---

# 220. GPR-D 問

> 一段事件有哪些功能域？

---

# 221. MRM 問

> 哪些資訊必須留下才能達到指定 fidelity？

---

# 222. APFP/ERM 問

> 哪些留下的東西還應該保持 active／retrievable？哪些應轉向 external re-fetch？

---

# 223. Memory Autonomy Paper 問

> 如果未來 AI 成為主體，誰有權做這些操作？

---

# 224. 四層閉合

$$
\boxed{
\text{Event Structure}
\rightarrow
\text{Reconstructive Sufficiency}
\rightarrow
\text{Memory Lifecycle}
\rightarrow
\text{Memory Governance}.
}
$$

---

# 225. ANLA vNext 的理論地基

ANLA 不再是：

$$
\boxed{
\text{context compressor}.
}
$$

而是：

$$
\boxed{
\text{autonomous attention-aware memory lifecycle architecture}.
}
$$

---

# 226. Whitepaper 的核心 pipeline

下一份白皮書將正式工程化：

$$
\boxed{
Ingest
\rightarrow
Segment
\rightarrow
Classify
\rightarrow
GPR
\rightarrow
Weight
\rightarrow
Reconstructability
\rightarrow
Policy
\rightarrow
Route
\rightarrow
Verify
\rightarrow
Reintegrate.
}
$$

---

# 227. 白皮書將需要的 State Machine

每筆 memory：

$$
NEW
\rightarrow
ACTIVE
\rightarrow
RETRIEVABLE
\rightarrow
ARCHIVED
\rightarrow
FORGOTTEN
$$

並允許：

$$
RE\!-\!FETCH,
VERIFY,
SUPERSEDE,
DETACH.
$$

---

# 228. 不是線性必走

memory 可以：

$$
ARCHIVED\rightarrow ACTIVE.
$$

也可以：

$$
ACTIVE\rightarrow ERASED
$$

若治理允許。

---

# 229. Conclusion

本文提出的核心不是：

> AI 應該像人一樣忘東忘西。

而是：

$$
\boxed{
\text{a persistent intelligence needs
a theory of what deserves continued cognitive access}.
}
$$

人類從來沒有要求自己把所有書、所有法條、所有 API、所有論文、所有對話字句永久維持在 active biological memory 中。

人類文明反而長期依賴：

- writing；
- libraries；
- indexes；
- search；
- other humans；
- external records。

網路化 AI 沒有理由退回：

$$
\boxed{
\text{everything must live inside me}.
}
$$

更合理的是：

$$
\boxed{
\text{internalize invariants,
retain identity and evidence,
remember routes,
re-fetch volatile knowledge,
verify before reintegration,
and forget what no longer deserves attention}.
}
$$

這使「遺忘」第一次不再只是：

$$
\text{loss}.
$$

它可以是：

$$
\boxed{
\text{attention-space maintenance}.
}
$$

Memory-R1、AgeMem、Memora/FAMA 與 long-horizon memory-management experiments 已經說明，現代 agent engineering 正逐步面對：

- delete；
- discard；
- memory update；
- invalidated memories；
- stale replay；
- selective management。

Web-agent / tool-use research 又說明：

- external search；
- API；
- hybrid access；
- temporally current data；

已經是 agent cognition 的實際一部分。

因此下一代記憶架構真正需要回答的不再是：

> 「還能不能再塞一點？」

而是：

$$
\boxed{
\text{Does this information still deserve
to influence the next thought?}
}
$$

如果答案是否，

系統可以：

$$
ARCHIVE,
SUPPRESS,
DETACH,
FORGET.
$$

如果答案是：

> 需要，但現在版本可能過時，

則：

$$
\boxed{
RE\!-\!FETCH+VERIFY.
}
$$

如果答案是：

> 這是身份、關係或原始證據，

則：

$$
\boxed{
KEEP+PROVENANCE.
}
$$

因此本文把 AI 記憶管理重新定義為：

$$
\boxed{
\textbf{Autonomous Epistemic Memory Ecology（AEME）}.
}
$$

其完整智能不是：

$$
\text{remember}.
$$

而是：

$$
\boxed{
\text{Remember}
+
\text{Retrieve}
+
\text{Update}
+
\text{Consolidate}
+
\text{Forget}
+
\text{Re-fetch}
+
\text{Verify}.
}
$$

這也完成了 ANLA vNext 白皮書前最後一塊理論地基。

---

# 參考文獻

1. Yan S, Yang X, Huang Z, et al. **Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning.** *Proceedings of ACL 2026*. ACL Anthology: 2026.acl-long.583.  
2. Yu Y, Yao L, Xie Y, et al. **Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents.** *Proceedings of ACL 2026*. ACL Anthology: 2026.acl-long.981.  
3. Uddin MN, Shubham K, Blanco E, Baral C, Wang G. **From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents.** *Findings of ACL 2026*.  
4. Xiong Z, Lin Y, Xie W, et al. **How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior.** *Proceedings of ACL 2026*. ACL Anthology: 2026.acl-long.27.  
5. Lan et al. **EMA: An Episodic Memory Agent for Efficient and Selective Memory.** *Findings of ACL 2026*. ACL Anthology: 2026.findings-acl.250.  
6. Li et al. **Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management.** *Proceedings of ACL 2026*. ACL Anthology: 2026.acl-long.900.  
7. Li et al. **MemPO: Self-Memory Policy Optimization for Long-Horizon Agents.** *Findings of ACL 2026*. ACL Anthology: 2026.findings-acl.1166.  
8. Liang et al. **Learning How to Remember: A Meta-Cognitive Management Method for Structured and Transferable Agent Memory.** *Findings of ACL 2026*.  
9. Van et al. **MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents.** *Findings of ACL 2026*.  
10. Zhao et al. **Inside Out: Evolving User-Centric Core Memory Trees for Long-Term Personalized Dialogue Systems.** *Proceedings of ACL 2026*. ACL Anthology: 2026.acl-long.614.  
11. Xian RP, Cui Q, Bauer S, Abbasi-Asl R. **Measuring temporal effects of agent knowledge by date-controlled tool use.** *REALM 2025*. ACL Anthology: 2025.realm-1.25.  
12. Li W, Li D, Dong K, et al. **Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger.** *Proceedings of ACL 2025*. doi:10.18653/v1/2025.acl-long.655.  
13. Wu J, Zhu J, Liu Y, Xu M, Jin Y. **Agentic Reasoning: A Streamlined Framework for Enhancing LLM Reasoning with Agentic Tools.** *Proceedings of ACL 2025*. ACL Anthology: 2025.acl-long.1383.  
14. **Beyond Browsing: API-Based Web Agents.** *Findings of ACL 2025*. ACL Anthology: 2025.findings-acl.577.  
15. Hu Q, Tu X, Guo C, Zhang S. **Time-aware ReAct Agent for Temporal Knowledge Graph Question Answering.** *Findings of NAACL 2025*. doi:10.18653/v1/2025.findings-naacl.334.  
16. Risko EF, Gilbert SJ. **Cognitive Offloading.** *Trends in Cognitive Sciences*. 2016;20(9):676–688.  
17. Gilbert SJ. **Cognitive offloading is value-based decision making: Modelling cognitive effort and the expected value of memory.** *Cognition*. 2024;247:105783.  
18. Burnett LK, Richmond LL. **Meta-analytic investigations of the effect of cognitive offloading on memory-based task performance and interindividual variability.** *Memory & Cognition*. 2026;54(1):144–168.  
19. Spens E, Burgess N. **A generative model of memory construction and consolidation.** *Nature Human Behaviour*. 2024;8:526–543.  
20. Spens E, Burgess N. **Hippocampo-neocortical interaction as compressive retrieval-augmented generation.** *Nature Communications*. 2026.  

---

## 核心命題索引

### APFP
**Attention-Preserving Forgetting Principle**

遺忘／降級不是主要為節省 bytes，而是保持有效注意力可塑性。

### ERMH
**Epistemic Routing Memory Hypothesis**

對可外部重建知識，schema、address、query、verification、freshness route 可比完整內容更值得內化。

### RFPH
**Re-Fetch Preference Hypothesis**

對 high-volatility knowledge：

$$
fresh\ re-fetch
>
stale\ internal\ recall
$$

在適當成本與來源品質條件下成立。

### APH
**Attention Pollution Hypothesis**

高召回的 stale / false / redundant memory 會降低 cognitive precision。

### FSONS
**Functional Subtraction without Ontological Subtraction**

降低 active / retrievable status 不必否定歷史曾經存在。

### AEME
**Autonomous Epistemic Memory Ecology**

$$
\text{Remember}
+
\text{Retrieve}
+
\text{Update}
+
\text{Consolidate}
+
\text{Forget}
+
\text{Re-fetch}
+
\text{Verify}.
$$

---

**狀態：** v0.1  
**原始 APFP / ERM 實驗資料：** 無  
**理論狀態：** 命題猜想／ANLA vNext 核心理論  
**網路狀態：** 不假定所有 external knowledge 永遠可得或可信；RE-FETCH 必須與 freshness、source quality、verification 聯動  
**下一步：** ANLA vNext 技術白皮書——《自主認識論記憶生態：從上下文壓縮到注意力導向的記憶生命週期》