# Technical Whitepaper 01 ## Crystallized Semantic Graph：結晶化語義圖長期記憶架構 ### An AI-Native Long-Term Memory Architecture Based on Crystallized Semantic Graphs **系列：** UNPNP / Crystallized Computation Technical Whitepapers **白皮書編號：** TW-01 **作者：** Neo.K with Aletheia（GPT） **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-09-07 **文件性質：** 技術白皮書／AI 長期記憶／語義圖／搜尋與結晶化架構 **狀態：** Canonical Draft --- ## 摘要 大型 AI 系統的長期記憶問題，不只是「要不要保存更多文字」，而是： > 當完整歷史已經可以大量保存時，AI 如何在需要時快速找到真正相關、可驗證、可回溯、可重新展開的少量記憶？ 若每次都把全部原始對話重新載入，則： $$ C_{\mathrm{context}} \rightarrow \text{very large}. $$ 若只保存極短 summary，則又可能產生： $$ C_{\mathrm{loss}} \rightarrow \text{high}. $$ 本文提出 **Crystallized Semantic Graph，CSG**，中文稱為**結晶化語義圖**。其核心不是刪除原始對話，而是建立多層記憶： $$ \boxed{ \text{Raw Canonical Memory} \rightarrow \text{Semantic Crystals} \rightarrow \text{Crystallized Semantic Graph} \rightarrow \text{Active Working Memory}. } $$ 原始對話： $$ R_i $$ 始終作為 canonical source 保存；AI 以同步或非同步方法，對其生成一個或多個高資訊密度的語義結晶： $$ C_i^{(\theta)} = K_\theta(R_i), $$ 其中： $$ \theta $$ 可依使用者、任務、模型、領域、時間與壓縮策略改變。 因此： $$ \boxed{ C_i^{(\theta)} \neq R_i, } $$ 且： $$ \boxed{ C_i^{(\theta)} \text{ never replaces } R_i. } $$ 每個 semantic crystal 必須保留 provenance hyperlink： $$ C_i^{(\theta)} \xrightarrow{\text{source}} R_i[a:b], $$ 可在需要精確文字、公式、語境或驗證時展開回原始來源。 所有結晶共同形成： $$ \boxed{ \mathcal G_C=(V,E) } $$ 甚至更一般的 typed semantic hypergraph： $$ \mathcal H_C=(V,\mathcal E). $$ 節點可以是： - 對話結晶； - 主題結晶； - 專案結晶； - 時間段結晶； - 高階結晶； - contradiction crystal； - decision crystal； - unresolved crystal。 邊則可以是： - continues； - refines； - contradicts； - supports； - derived-from； - implements； - updates； - supersedes； - related-to； - source-of。 查詢時，系統不直接把全部歷史放進 context，而使用 query expansion、dynamic semantic revealing、graph traversal、DRC、exact search、temporal search、counter-evidence search 與其他 Omphalos-style methods，先顯影出一個很小的 active memory region： $$ \boxed{ \mathcal M_t^{\mathrm{active}} = \Pi_{\xi_t}(\mathcal G_C), } $$ 且理想上： $$ |\mathcal M_t^{\mathrm{active}}| \ll |\mathcal M_{\mathrm{stored}}|. $$ 只有需要精確驗證時，才： $$ C_j \xrightarrow{\text{expand}} R_j[\text{relevant spans}]. $$ 因此本文提出核心原則： $$ \boxed{ \text{Crystal First, Source on Demand}. } $$ CSG 不等同 vector database、summary archive 或 static knowledge graph。它是一個**多視圖、多尺度、可回溯、可重結晶、可失效、可搜尋且可自我改寫的 AI-native memory routing substrate**。 本文同時將 SEDB 定位為 canonical storage / indexing / provenance layer，將 Omphalos / AUSI 定位為 memory search-method runtime，將 CSG 定位為 semantic routing overlay，將 raw conversation store 定位為不可被 derived crystal 取代的 canonical source。 本文最後提出 memory breathing： $$ \boxed{ \text{Reveal} \rightarrow \text{Expand} \rightarrow \text{Link} \rightarrow \text{Converge} \rightarrow \text{Crystallize} } $$ 成功 retrieval path 本身也可以被結晶： $$ P_{\mathrm{memory}} \rightarrow \widehat{\ell}_{\mathrm{memory}}, $$ 使未來相似 recall 更快。 **關鍵詞：** Crystallized Semantic Graph、CSG、AI Memory、Long-Term Memory、Semantic Crystal、SEDB、Omphalos、Dynamic Semantic Revealing、Hypergraph、Provenance、Memory Routing --- # 1. 問題定義 長期 AI 記憶至少同時面對四個互相衝突的要求： $$ \boxed{ \text{Capacity} + \text{Retrievability} + \text{Faithfulness} + \text{Cost}. } $$ 只增加 storage： $$ S\uparrow $$ 不能直接解決 retrieval。 只增加 summary： $$ C_{\mathrm{summary}}\downarrow $$ 則可能增加語義損失。 因此真正問題是： > 如何讓巨大記憶保持潛伏，只在需要時顯影出少量高價值結構？ --- # 2. 四層記憶模型 本文提出： $$ \boxed{ \mathcal M = ( \mathcal R, \mathcal C, \mathcal G, \mathcal A ). } $$ 其中： - $\mathcal R$：Raw Canonical Memory； - $\mathcal C$：Crystallized Semantic Memory； - $\mathcal G$：Graph / Hypergraph Routing Layer； - $\mathcal A$：Active Working Memory。 --- # 3. Raw Canonical Memory 對每一段原始對話、文件、訊息或事件： $$ R_i. $$ 原始來源原則： $$ \boxed{ R_i \text{ is canonical}. } $$ 它不因為 summary、embedding 或 crystal 出現而被覆蓋。 --- # 4. 為什麼 Raw 必須保留？ 因為 derived memory 可能： - 壓縮錯誤； - 過度概括； - 遺失語境； - 忽略反例； - 過時； - 受模型偏差影響。 所以： $$ \boxed{ \text{Derived} \neq \text{Canonical}. } $$ --- # 5. Semantic Crystal 令結晶方法： $$ K_\theta. $$ 則： $$ \boxed{ C_i^{(\theta)} = K_\theta(R_i). } $$ 其目標不是「最短」。 而是： $$ \boxed{ \max \frac{ \text{retrievable useful semantics} }{ \text{representation cost} }. } $$ --- # 6. 一個來源可以有多個 Crystal 同一： $$ R_i $$ 可以有： $$ C_i^{(\mathrm{technical})}, $$ $$ C_i^{(\mathrm{conceptual})}, $$ $$ C_i^{(\mathrm{chronological})}, $$ $$ C_i^{(\mathrm{project})}, $$ $$ C_i^{(\mathrm{minimal})}. $$ 因此： $$ \boxed{ \text{one source} \rightarrow \text{multiple semantic projections}. } $$ --- # 7. 為什麼不能只保留一個 Summary？ 因為 compression 本身是 task-relative。 某個 technical summary 對： > 找程式設計決策 很好。 但對： > 找概念演化 可能很差。 所以： $$ \boxed{ \text{compression is contextual}. } $$ --- # 8. SemanticCrystal 最小 Schema 第一版： ```text SemanticCrystal - crystal_id - source_ids[] - source_spans[] - crystal_level - view_type - method_id - method_version - content - keywords[] - concepts[] - claims[] - entities[] - temporal_scope - project_scope - confidence - faithfulness - unresolved_flags[] - contradiction_flags[] - access_envelope - provenance_links[] - semantic_links[] - created_at - updated_at - stale_state - digest ``` --- # 9. Source Span 一個 crystal 不只要指回： $$ R_i. $$ 最好還能指到： $$ R_i[a:b]. $$ 或多段： $$ \{ R_i[a_1:b_1], R_i[a_2:b_2] \}. $$ --- # 10. Provenance Hyperlink 因此： $$ \boxed{ C_i \xrightarrow{\text{provenance}} R_i[a:b]. } $$ 這是一種 memory hyperlink。 --- # 11. Hyperlink 的三個功能 CSG 中 hyperlink 至少有： $$ \boxed{ \text{Navigation} + \text{Provenance} + \text{Expansion}. } $$ --- # 12. Crystallized Semantic Graph 令： $$ V_C = \{ C_1, C_2, \ldots,C_n \}. $$ 則： $$ \boxed{ \mathcal G_C = (V_C,E_C). } $$ --- # 13. Typed Edge 每條邊： $$ e_{ij} = \langle C_i, \tau, C_j, w, p \rangle. $$ 其中： - $\tau$：relation type； - $w$：confidence / weight； - $p$：provenance。 --- # 14. 建議 Edge Types 第一版至少： ```text continues refines supports contradicts updates supersedes derived_from implements example_of depends_on same_topic same_project same_entity same_decision caused_by reopens ``` --- # 15. 為什麼需要 Hypergraph？ 很多語義關係不是： $$ C_1\rightarrow C_2. $$ 而是： $$ \{ C_1,C_2,C_3,C_4 \} \rightarrow C_5. $$ 例如： > 四輪不同對話共同導出一個新理論。 因此： $$ \boxed{ \mathcal H_C = (V_C,\mathcal E_C). } $$ 更一般。 --- # 16. 公開名稱可以仍叫 Graph 工程底層可以 hypergraph。 對外仍稱： $$ \boxed{ \text{Crystallized Semantic Graph}. } $$ 避免名稱過度複雜。 --- # 17. 多尺度結晶 CSG 不只是一輪對話一個 node。 可以： $$ C^{(1)} = \text{micro crystal}, $$ $$ C^{(2)} = \text{conversation crystal}, $$ $$ C^{(3)} = \text{topic crystal}, $$ $$ C^{(4)} = \text{project crystal}, $$ $$ C^{(5)} = \text{meta crystal}. $$ --- # 18. Higher-Order Crystallization 若： $$ C_1,\ldots,C_n $$ 形成穩定主題， 可： $$ \boxed{ K^{(2)} ( C_1,\ldots,C_n ) = C^{(2)}. } $$ --- # 19. 向下可追 任何： $$ C^{(k)} $$ 都應能： $$ C^{(k)} \rightarrow C^{(k-1)} \rightarrow \cdots \rightarrow R. $$ 因此： $$ \boxed{ \text{high-level memory remains decompressible}. } $$ --- # 20. 同步結晶 新對話剛結束時： $$ K_{\mathrm{sync}}. $$ 目標： - 快； - 低成本； - 保持 freshness； - 生成基本 continuity node。 --- # 21. 同步結晶不應做太多 第一版： $$ K_{\mathrm{sync}} $$ 只需產生： - short crystal； - main concepts； - source links； - temporal metadata； - project hints。 --- # 22. 非同步結晶 後續： $$ K_{\mathrm{async}}. $$ 可以做： - cross-conversation dedup； - contradiction detection； - concept evolution； - higher-order crystal； - graph restructuring； - relation repair； - compression refinement。 --- # 23. Sync / Async 分工 $$ \boxed{ \text{Sync preserves continuity;} } $$ $$ \boxed{ \text{Async improves structure}. } $$ --- # 24. 非同步不等於永久背景推理 它可以是： - event-driven； - batch； - low-load window； - user-triggered； - maintenance cycle。 --- # 25. Crystal First, Source on Demand 查詢： $$ q. $$ 先： $$ q \rightarrow \mathcal G_C. $$ 而不是： $$ q \rightarrow \mathcal R. $$ 因此： $$ \boxed{ \text{Crystal First, Source on Demand}. } $$ --- # 26. Query Pipeline 第一版： $$ \boxed{ q_0 \rightarrow Q_{\mathrm{expand}} \rightarrow \Pi_{\xi} \rightarrow F_C \rightarrow T_G \rightarrow C^\* \rightarrow R^\* } $$ 其中： - $Q_{\mathrm{expand}}$：query expansion； - $\Pi_\xi$：semantic revealing； - $F_C$：crystal frontier； - $T_G$：graph traversal； - $C^\*$：selected crystals； - $R^\*$：optional raw expansion。 --- # 27. Query Expansion 使用： - synonyms； - project aliases； - entity aliases； - historical names； - concept descendants； - semantic neighbors。 --- # 28. Dynamic Semantic Revealing 定義： $$ \boxed{ \Pi_{\xi} : \mathcal G_C \rightarrow \mathcal G_C^{\mathrm{visible}}. } $$ 其中： $$ \xi = (q,g,c,t,o,a,w). $$ --- # 29. Active Memory $$ \boxed{ \mathcal M_t^{\mathrm{active}} = \Pi_{\xi_t}(\mathcal G_C). } $$ 理想： $$ |\mathcal M_t^{\mathrm{active}}| \ll |\mathcal M_{\mathrm{stored}}|. $$ --- # 30. Graph Traversal 可依： - relation type； - confidence； - recency； - project； - source authority； - contradiction； - semantic distance； 決定 traversal。 --- # 31. Retrieval 不只找「最像」 純 embedding similarity： $$ S_{\mathrm{vec}} $$ 不足。 還需要： $$ \boxed{ \text{semantic similarity} + \text{relation structure} + \text{time} + \text{provenance} + \text{task state}. } $$ --- # 32. Omphalos Memory Runtime Omphalos / AUSI 的 search-method abstraction 可以被重用。 Web provider： $$ \text{Google / Grok / Brave / Crossref}. $$ Memory provider 則可變成： $$ \boxed{ \text{SEDB} + \text{CSG} + \text{Raw Store}. } $$ --- # 33. Memory Search Methods 至少可以使用： - exact search； - keyword； - semantic； - query reformulation； - temporal； - version； - graph； - citation / provenance chase； - counter-evidence； - DRC； - semantic revealing； - exploratory； - entity； - contradiction search。 --- # 34. SEDB 的定位 本文建議： $$ \boxed{ \text{SEDB} = \text{canonical structured storage / index / provenance layer}. } $$ --- # 35. CSG 的定位 $$ \boxed{ \text{CSG} = \text{semantic routing overlay}. } $$ --- # 36. Raw Store 的定位 $$ \boxed{ \text{Raw Store} = \text{canonical transcript / source layer}. } $$ --- # 37. 三者不要混為一體 因此： $$ \boxed{ \text{SEDB} \neq \text{CSG} \neq \text{Raw Store}. } $$ --- # 38. 建議 Storage Layout ```text /raw/ conversation/ document/ event/ /crystal/ micro/ conversation/ topic/ project/ meta/ /graph/ edge/ hyperedge/ reverse-index/ /receipt/ crystallization/ retrieval/ invalidation/ ``` --- # 39. Canonical ID 每個 source： $$ source\_id. $$ 每個 crystal： $$ crystal\_id. $$ 每個 edge： $$ edge\_id. $$ 均應 versioned。 --- # 40. Versioning crystal 不應 silent overwrite。 例如： $$ C_i^{v1} \rightarrow C_i^{v2}. $$ --- # 41. Stale State 若 source 更新： $$ R_i^{v2}\neq R_i^{v1}, $$ 依賴： $$ C_j $$ 可能變： $$ \text{stale}. $$ --- # 42. Dependency Invalidation 建立： $$ D(C_j) = \{ R_i, C_k,\ldots \}. $$ 若其中 dependency 更新： $$ C_j \rightarrow \text{revalidate}. $$ --- # 43. 不要直接刪舊 Crystal 舊版可以： $$ \text{retired} $$ 但保留 provenance。 這有助於理解概念演化。 --- # 44. Temporal Memory 對某概念： $$ X $$ 可以有： $$ C_X(t_1), C_X(t_2), \ldots $$ 形成： $$ \boxed{ \text{concept evolution chain}. } $$ --- # 45. Supersedes 不等於 Delete 如果： $$ C_2 \text{ supersedes } C_1, $$ 仍保留： $$ C_1. $$ 因為使用者可能問： > 以前怎麼想？ --- # 46. Contradiction Preservation 如果： $$ C_a \bot C_b, $$ 不要硬壓成一個「共識」。 保留： $$ \boxed{ \text{contradiction edge}. } $$ --- # 47. Minority Memory 低頻、少數、未解決資訊不應因壓縮被消失。 可標： $$ \text{unresolved}. $$ --- # 48. Decision Memory 某些對話真正重要的是： > 最後決定了什麼？ 可建立： $$ C_{\mathrm{decision}}. $$ 並 link： $$ \text{proposal} \rightarrow \text{decision} \rightarrow \text{implementation}. $$ --- # 49. Open-Loop Memory 尚未完成事項： $$ C_{\mathrm{open}}. $$ 可用： $$ \text{reopens} $$ link 在新對話中重新顯影。 --- # 50. Retrieval Confidence 每個 recall result： $$ m_j $$ 可帶： $$ Conf(m_j). $$ 但 confidence 不能被當成 source truth。 --- # 51. Faithfulness 定義： $$ F(C_i,R_i). $$ 表示 semantic crystal 對來源的忠實度。 --- # 52. Coverage $$ Cov(C_i,R_i) $$ 表示重要資訊覆蓋率。 --- # 53. Information Density $$ D_I(C_i) = \frac{ I_{\mathrm{useful}} }{ |C_i| }. $$ --- # 54. Retrieval Gain $$ G_R = C_{\mathrm{raw-retrieval}} - C_{\mathrm{crystal-retrieval}}. $$ --- # 55. Semantic Loss $$ L_S = 1-F. $$ 高壓縮不應讓： $$ L_S $$ 失控。 --- # 56. Memory Crystal Utility 可定義： $$ \boxed{ U_M(C) = w_rG_R + w_dD_I + w_fF + w_cCov - w_sC_{\mathrm{store}} - w_uC_{\mathrm{update}} - w_lL_S. } $$ --- # 57. 不一定每個 Source 都要多視圖 Series 08 的原則同樣適用： $$ \boxed{ \text{selective crystallization}. } $$ --- # 58. Hot Memory 高頻被召回的 crystal： $$ f_{\mathrm{recall}}\uparrow $$ 可以： - 建更快 index； - 生成更高階 crystal； - 預連結常用 source。 --- # 59. Cold Memory 低頻但仍重要： $$ \text{persist} $$ 即可。 不必重度結晶。 --- # 60. Forgetting 與 Retiring 本文不主張 derived crystal 永遠保留。 可以： $$ \text{active} \rightarrow \text{cold} \rightarrow \text{retired}. $$ 但 canonical raw source 是否刪除應由獨立 retention policy 決定。 --- # 61. Memory Retrieval Receipt 每次 retrieval 留： ```text query_id expanded_queries[] revealed_crystals[] traversed_edges[] opened_sources[] selected_memory[] cost latency verification_state ``` --- # 62. Retrieval Path 一次成功 recall： $$ P_M = ( C_{12}, C_{47}, C_{93}, R_{93} ). $$ --- # 63. Memory Path Crystallization 若相似查詢常走： $$ P_M, $$ 可： $$ \boxed{ K(P_M) = \widehat{\ell}_M. } $$ 未來： $$ q \xrightarrow{\widehat{\ell}_M} C^\*. $$ --- # 64. 這就是記憶版 Path Compilation 所以 CSG 與 UNPNP 不是分離的。 它是： $$ \boxed{ \text{UNPNP principles applied to semantic memory}. } $$ --- # 65. Memory Breathing 完整： $$ \boxed{ \text{Reveal} \rightarrow \text{Expand} \rightarrow \text{Link} \rightarrow \text{Converge} \rightarrow \text{Crystallize}. } $$ --- # 66. Reveal 從巨大 graph 顯影 relevant region。 --- # 67. Expand 找： - neighbor concepts； - source spans； - contradiction； - temporal versions； - project links。 --- # 68. Link 建立： - retrieval path； - evidence chain； - source chain。 --- # 69. Converge 生成： $$ \mathcal M_t^{\mathrm{active}}. $$ --- # 70. Crystallize 把成功 recall 結構更新回 graph。 --- # 71. Graph 自我改寫 因此： $$ \boxed{ \mathcal G_{C,t+1} \neq \mathcal G_{C,t}. } $$ --- # 72. 但不能由單次 Recall 任意改圖 graph mutation 需要： - evidence； - thresholds； - provenance； - conflict handling。 --- # 73. Graph Edge Confidence 每條新 edge： $$ e $$ 可以有： $$ w_e. $$ 重複 evidence 才提升。 --- # 74. Edge Promotion $$ \text{candidate} \rightarrow \text{weak} \rightarrow \text{strong}. $$ --- # 75. Edge Demotion 如果 contradiction 或 source update： $$ \text{strong} \rightarrow \text{weak / stale}. $$ --- # 76. User-Adaptive Compression 不同使用者可能偏好： - 技術； - 敘事； - 決策； - 時間； - 專案； - 人物； - 概念。 所以： $$ \theta_{\mathrm{user}} $$ 應可調。 --- # 77. AI-Adaptive Compression AI 也可依 recall performance 動態選： $$ K_{\theta_1}, K_{\theta_2}, \ldots $$ 哪種壓縮更有效。 --- # 78. 不應只有一個全球最優壓縮器 因為： $$ \boxed{ \forall u \exists\theta_u \centernot\Rightarrow \exists\theta^\* \forall u. } $$ --- # 79. Compression Method Registry 可建立： ```text method_id name version domain compression_goal cost_profile quality_profile supported_views ``` --- # 80. 同步 / 非同步方法可以不同 例如： $$ K_{\mathrm{sync}} = \text{cheap model}, $$ $$ K_{\mathrm{async}} = \text{deep model / multi-pass}. $$ --- # 81. Model-Agnostic Storage Crystal schema 不應綁死某個模型。 這有利： $$ M_A \rightarrow \mathcal G_C \leftarrow M_B. $$ --- # 82. Cross-Model Memory 若 schema 與 provenance 穩定， 不同 AI 可以使用同一 CSG。 --- # 83. 但 Cross-Model Interpretation 仍需驗證 不同模型對同 crystal 可能理解不同。 所以： $$ \boxed{ \text{shared representation} \neq \text{identical interpretation}. } $$ --- # 84. Privacy / Access Envelope 每個 source / crystal 需要： $$ A(C_i). $$ 例如： - private； - project； - team； - public； - restricted。 --- # 85. Crystal 不能放大權限 如果： $$ R_i $$ 是 restricted， derived： $$ C_i $$ 不能自動變 public。 所以： $$ \boxed{ A(C_i) \subseteq A(R_i). } $$ --- # 86. Multi-Source Crystal Access 若： $$ C = K(R_1,R_2), $$ 則 access envelope 應至少不寬於最嚴格 source。 --- # 87. Security Principle $$ \boxed{ \text{Crystallization} \not\Rightarrow \text{permission expansion}. } $$ --- # 88. Sensitive Metadata 某些 entity / project relation 本身就敏感。 所以 edge 也要 access control。 --- # 89. Graph Query 必須 Permission-Aware $$ \Pi_{\xi} $$ 應包含： $$ a = \text{authorization context}. $$ --- # 90. Stale Permission 如果 source access 被撤銷， 依賴 crystals 也要 invalidate / hide。 --- # 91. Cold / Warm / Hot Memory Layer 可借用： $$ \boxed{ \text{Cold} \rightarrow \text{Warm} \rightarrow \text{Hot}. } $$ --- # 92. Cold Raw source 或低頻 crystal。 --- # 93. Warm Canonical JSON、常用 crystal、graph neighborhood。 --- # 94. Hot 當前 active memory objects。 --- # 95. Hot 不應永久存在 session / task 結束後可釋放。 --- # 96. Materialization 只在需要時把 crystal 轉成模型可用 working object。 --- # 97. Lazy Source Expansion 只有 validator 或 user request 需要精確 source 時才開 raw。 --- # 98. Progressive Expansion 一開始： $$ C^{(4)} $$ 若不足， 展開： $$ C^{(3)}. $$ 再不足： $$ C^{(2)}. $$ 最後： $$ R. $$ --- # 99. 多尺度 Progressive Retrieval 因此： $$ \boxed{ \text{meta crystal} \rightarrow \text{topic crystal} \rightarrow \text{conversation crystal} \rightarrow \text{raw span}. } $$ --- # 100. Retrieval Budget 設定： $$ B_R. $$ 系統只展開到 budget 足夠的深度。 --- # 101. Confidence Escalation 若： $$ Conf<\theta_C, $$ 則： $$ \text{expand deeper}. $$ --- # 102. Precision Escalation 若使用者問： > 原話是什麼？ 直接： $$ C\rightarrow R. $$ --- # 103. Memory Search Modes 建議： ```text fast_recall balanced_recall deep_recall source_exact contradiction_check timeline_recall project_recall ``` --- # 104. fast_recall 只走高階 crystal。 --- # 105. deep_recall 允許 graph traversal + raw expansion。 --- # 106. source_exact 偏 exact / provenance。 --- # 107. contradiction_check 主動找： $$ C_a\bot C_b. $$ --- # 108. timeline_recall 按： $$ t_1\rightarrow t_2\rightarrow\cdots $$ 重建演化。 --- # 109. project_recall 沿 project crystal 展開。 --- # 110. Failure Mode：Summary Drift 多輪結晶若： $$ C^{(1)} \rightarrow C^{(2)} \rightarrow C^{(3)} $$ 卻不回 raw， 可能 drift。 --- # 111. Anti-Drift Higher-order crystal 應週期性重新對 canonical raw 做抽樣驗證。 --- # 112. Failure Mode：Consensus Collapse 多來源壓縮後只保留主流結論。 --- # 113. Anti-Consensus Collapse 保留： - contradiction； - minority； - unresolved； - confidence。 --- # 114. Failure Mode：Graph Explosion 每段對話連太多 edge。 --- # 115. Edge Utility 只保存： $$ U_E(e)>0 $$ 的 edge。 --- # 116. Failure Mode：Over-Crystallization 所有 source 都生成十幾種 view。 維護爆炸。 --- # 117. Selective Multi-View 只有高價值 source 才建立多 view。 --- # 118. Failure Mode：Stale Crystal 原始 source 更新，derived 不更新。 --- # 119. Dependency-Based Invalidation 靠 source version / digest 自動標 stale。 --- # 120. Failure Mode：Privacy Leakage derived crystal 比 raw permission 更寬。 --- # 121. Access Inheritance 強制： $$ A(C)\subseteq A(R). $$ --- # 122. Failure Mode：Retrieval Loop graph traversal 反覆繞圈。 --- # 123. Traversal Controls 需要： - visited set； - depth； - cost； - relation filters； - stopping condition。 --- # 124. Failure Mode：Bad Memory Shortcut 成功一次 retrieval 就 crystallize。 --- # 125. Memory EHPE 需要： $$ U_M(P_M)>0 $$ 才 promotion。 --- # 126. Minimal Runtime Architecture ```text Raw Store ↓ Sync Crystallizer ↓ SEDB Canonical Records ↓ CSG Graph Builder ↓ Async Crystallizer / Relation Miner ↓ Omphalos Memory Search Runtime ↓ Semantic Revealing ↓ Active Memory Assembler ↓ Source Expander / Validator ↓ Retrieval Receipt ``` --- # 127. Write Path 新 source： $$ R_i $$ 進 Raw Store。 --- # 128. Sync Path $$ R_i \rightarrow C_i^{\mathrm{sync}}. $$ --- # 129. Async Path $$ \{ C_i \} \rightarrow \text{relation / higher-order update}. $$ --- # 130. Read Path $$ q \rightarrow \mathcal G_C^{\mathrm{visible}} \rightarrow C^\* \rightarrow R^\*. $$ --- # 131. Repair Path source / graph 變更： $$ \text{invalidate} \rightarrow \text{recrystallize}. $$ --- # 132. Recommended MVP Scope 第一版只支援： - conversation raw； - one sync crystal； - one async topic crystal； - typed edges； - source spans； - exact + semantic + graph search； - retrieval receipt。 --- # 133. MVP 不必先做 - fully autonomous graph rewrite； - dozens of compression methods； - universal user personalization； - distributed multi-tenant graph； - complex enterprise IAM。 --- # 134. Phase 0 Synthetic conversations。 驗證： - schema； - provenance； - progressive expansion。 --- # 135. Phase 1 真實長對話 dataset。 比較： $$ \text{raw-only} $$ 與： $$ \text{crystal-first}. $$ --- # 136. Phase 2 加入 multi-conversation topic crystal。 --- # 137. Phase 3 加入 contradiction / temporal evolution。 --- # 138. Phase 4 加入 memory path crystallization。 --- # 139. Phase 5 加入 personalized compression strategy。 --- # 140. Benchmark 1：Recall Accuracy 使用人工標註問題。 測： $$ Acc_{\mathrm{recall}}. $$ --- # 141. Benchmark 2：Source Faithfulness 答案是否能正確回指來源。 --- # 142. Benchmark 3：Context Reduction $$ R_C = \frac{ |Context_{\mathrm{CSG}}| }{ |Context_{\mathrm{raw}}| }. $$ --- # 143. Benchmark 4：Latency $$ T_{\mathrm{recall}}. $$ --- # 144. Benchmark 5：Retrieval Cost $$ C_{\mathrm{retrieval}}. $$ --- # 145. Benchmark 6：Raw Expansion Rate $$ R_{\mathrm{raw}} = \frac{ N_{\mathrm{raw-open}} }{ N_{\mathrm{query}} }. $$ --- # 146. Benchmark 7：Contradiction Retention 測不同觀點是否被錯誤合併。 --- # 147. Benchmark 8：Temporal Fidelity 測「以前／後來」是否能正確區分。 --- # 148. Benchmark 9：Stale Detection source change 後多久能標 stale。 --- # 149. Benchmark 10：Graph Maintenance Cost $$ C_M. $$ --- # 150. Baseline A Raw full-text search。 --- # 151. Baseline B Vector DB + chunks。 --- # 152. Baseline C Single summary per conversation。 --- # 153. Experimental D CSG multi-scale + provenance。 --- # 154. Experimental E CSG + memory path crystallization。 --- # 155. Success Condition 理想： $$ Acc_D \ge Acc_B, $$ 且： $$ C_D 怎麼做？ CSG semantic crystal： $$ \kappa_{\mathrm{sem}} $$ 回答： > 知道什麼？ --- # 161. 雙向 Hyperlink 未來可： $$ \kappa_{\mathrm{sem}} \leftrightarrow \kappa_{\mathrm{exec}}. $$ --- # 162. 例如 概念記憶： > 某專案使用某 routing strategy。 可以直接 link 到： $$ \kappa_{\mathrm{routing}}. $$ --- # 163. 知識與操作逐步合流 因此長期可能形成： $$ \boxed{ \text{Semantic Memory Graph} + \text{Computational Crystal Graph}. } $$ --- # 164. 但第一版應分開 避免： - debugging 困難； - privilege 混淆； - source / action 混淆。 --- # 165. 核心命題一 $$ \boxed{ \textbf{ AI 長期記憶的主要問題不是容量，而是如何把巨大記憶轉化為可尋址、可回溯、可逐層展開的語義結晶網路。 } } $$ --- # 166. 核心命題二 $$ \boxed{ \textbf{ Semantic crystal 永遠是 derived representation，不能取代 canonical raw source。 } } $$ --- # 167. 核心命題三 $$ \boxed{ \textbf{ 同一來源可以有多個 context-relative crystal；不存在必須唯一的「完美摘要」。 } } $$ --- # 168. 核心命題四 $$ \boxed{ \textbf{ 真正有效的記憶搜尋應先在結晶圖中路由，再按需展開來源，而不是每次重新閱讀全部歷史。 } } $$ --- # 169. 核心命題五 $$ \boxed{ \textbf{ 成功的 retrieval path 本身也可以被結晶，讓記憶系統逐步學會如何更快找到自己的記憶。 } } $$ --- # 170. 第一版總模型 寫入： $$ R_i \xrightarrow{K_{\mathrm{sync}}} C_i \xrightarrow{G} \mathcal G_C. $$ 非同步： $$ \mathcal G_C \xrightarrow{K_{\mathrm{async}}} \mathcal G_C'. $$ 查詢： $$ q \xrightarrow{Q} q' \xrightarrow{\Pi_\xi} \mathcal G_C^{\mathrm{visible}} \xrightarrow{T} C^\* \xrightarrow{\text{optional expand}} R^\*. $$ --- # 171. 結論 當儲存越來越便宜時，AI 記憶問題反而會更明顯。 因為： > 「我保存了」與「我能在需要時準確找回」完全是兩件事。 如果一個 AI 有十億段歷史， 但每次回答都必須重新掃描， 那麼： $$ \text{storage capacity} $$ 沒有真正轉化為： $$ \text{usable memory}. $$ Crystallized Semantic Graph 的目標，就是在： $$ \boxed{ \text{完整保存} } $$ 與： $$ \boxed{ \text{快速工作記憶} } $$ 之間建立一層可持續演化的語義結晶。 原始歷史仍然存在： $$ R. $$ 但系統平常操作： $$ C. $$ 大量： $$ C $$ 形成： $$ \mathcal G_C. $$ 當下只顯影： $$ \mathcal M^{\mathrm{active}}. $$ 需要驗證時再： $$ C\rightarrow R. $$ 於是： $$ \boxed{ \text{巨大記憶可以保持潛伏，而不必每次進入 context。} } $$ 而當某種 recall 路徑反覆有效， 它還可以： $$ P_M \rightarrow \widehat{\ell}_M. $$ 因此系統不只： > 記住內容。 它也開始： > 記住自己應該怎麼找記憶。 這使長期記憶從： $$ \text{archive} $$ 轉向： $$ \boxed{ \text{adaptive semantic routing substrate}. } $$ 最終，CSG 的核心可以收束為三句： $$ \boxed{ \textbf{ Raw memory preserves truth source. } } $$ $$ \boxed{ \textbf{ Crystals preserve retrievable semantics. } } $$ $$ \boxed{ \textbf{ Hyperlinks preserve the ability to move between abstraction and source. } } $$ 因此： $$ \boxed{ \textbf{ 結晶化語義圖不是摘要資料庫， 而是一個可展開、可回溯、可自我重組的 AI 長期記憶世界。 } } $$ --- ## 下一份技術白皮書 **Technical Whitepaper 02｜UNPNP Game Experimental Runtime：以單機遊戲驗證自適應超連結與計算結晶化** 將把 Series 10 的研究路線直接落成： - runtime modules； - event schema； - trace schema； - crystal schema； - benchmark harness； - frozen-model protocol； - A/B/C baselines； - Phase 0–4； - success / failure gates； - future legacy-program recompilation interface。