# ESC-EXP-16：Contextual Effect Minimization

**系列：** Extensional Structural Convergence — Experimental Phase  
**文件編號：** ESC-EXP-16  
**版本：** v0.1  
**日期：** 2026-09-23  
**前置：** ESC-00 ～ ESC-06、ESC-EXP-00 ～ ESC-EXP-15  
**狀態：** Contextual Minimization / Composition-Safe Quotient Experiment / Canonical UTF-8 Source

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

ESC-EXP-15 已經證明：

$$
\boxed{
\equiv_{\mathrm{now}}
\not\Rightarrow
\equiv_{\mathrm{ctx}}.
}
$$

也就是：

> 兩個 mechanisms 現在具有相同 epistemic effect，不代表未來 composition 後仍可互換。

本輪因此正式把：

$$
\boxed{
\text{最大的 composition-safe quotient}
}
$$

變成一個可自動求解的 finite minimization 問題。

mechanism states：

$$
s
\subseteq
\{T,D,G\}.
$$

primitive future effects 作為 transition：

$$
\boxed{
\delta(s,a)
=
s\cup\{a\}.
}
$$

當前 epistemic gain signature：

$$
o_{\mathcal J}(s)
$$

作為 output。

所以整個 effect mechanism space 可以視為一個 deterministic Moore-style machine：

$$
\boxed{
\mathcal M
=
(S,\Sigma,\delta,o).
}
$$

composition-safe minimization 的目標，就是找：

$$
\boxed{
\text{coarsest congruence refining current output equivalence}.
}
$$

本輪用 deterministic partition refinement 自動計算，並以 brute-force all-future-context signatures 交叉驗證。

所有 target families × 所有 admissible action alphabets：

$$
\boxed{
24
}
$$

組比較全部一致。

最重要的 coupled-only 結果：

當下：

$$
8\text{ mechanisms}
\rightarrow
3\text{ current classes},
$$

看似可以壓縮：

$$
\boxed{
62.5\%.
}
$$

但若允許一層 future composition：

$$
3
\rightarrow
7\text{ classes},
$$

安全壓縮只剩：

$$
\boxed{
12.5\%.
}
$$

允許兩層 future composition：

$$
7
\rightarrow
8,
$$

安全壓縮：

$$
\boxed{
0\%.
}
$$

所以：

$$
\boxed{
\text{compression budget depends on future compositional obligation}.
}
$$

---

# 1. Runtime

EXP-16 regression：

```text
5 passed
```

測試包含：

- partition refinement 與 brute-force contextual signature 在所有 family / alphabet 上一致；
- separable / hybrid 不需要額外 contextual refinement；
- coupled-only full-context obligation 會撤銷全部 current compression；
- refinement 在有限 horizon 穩定；
- 無 future actions 時 contextual quotient 退化成 current quotient。

---

# 2. Effect Machine

mechanism state space：

$$
\boxed{
S
=
\mathcal P(\{T,D,G\})
}
$$

共有：

$$
|S|=8.
$$

future action alphabet：

$$
\Sigma
\subseteq
\{T,D,G\}.
$$

transition：

$$
\delta(s,a)
=
s\cup\{a\}.
$$

因為 composition 是 monotone observable union，所以 transition：

- deterministic；
- idempotent；
- inflationary。

---

# 3. Current Output Partition

對 target family：

$$
\mathcal J,
$$

定義：

$$
s_1
\equiv_0
s_2
$$

若：

$$
\boxed{
o_{\mathcal J}(s_1)
=
o_{\mathcal J}(s_2).
}
$$

這就是 EXP-14/15 的：

$$
\equiv_{\mathrm{now}}.
$$

在 coupled-only targets：

$$
\{
XOR_{TD},
XOR_{TDG}
\}
$$

下：

$$
\equiv_0
$$

只有：

$$
\boxed{
3
}
$$

個 classes。

---

# 4. Finite-Horizon Contextual Equivalence

對 horizon：

$$
h\ge0,
$$

定義：

$$
\boxed{
s_1
\equiv_h
s_2
}
$$

若所有長度不超過：

$$
h
$$

的 admissible future action sequences：

$$
w
$$

都滿足：

$$
o(\delta^\ast(s_1,w))
=
o(\delta^\ast(s_2,w)).
$$

其中：

$$
h=0
$$

就是 current equivalence。

---

# 5. Refinement Monotonicity

顯然：

$$
\boxed{
\equiv_{h+1}
\subseteq
\equiv_h.
}
$$

因為更長 future horizon 只會增加 distinguishability requirements。

所以 class count：

$$
N_h
=
|S/\equiv_h|
$$

單調不減。

相對 compression：

$$
\boxed{
C_h
=
1-\frac{N_h}{|S|}
}
$$

單調不增。

這就是：

$$
\boxed{
\text{Contextual Compression Budget}.
}
$$

---

# 6. Coupled-Only Refinement Trace

full future alphabet：

$$
\Sigma
=
\{T,D,G\}.
$$

## Horizon 0

classes：

$$
\boxed{
3.
}
$$

partition：

$$
\{
\varnothing,D,G,T,DG,TG
\},
$$

$$
\{TD\},
$$

$$
\{TDG\}.
$$

compression：

$$
\boxed{
62.5\%.
}
$$

---

## Horizon 1

class count：

$$
\boxed{
7.
}
$$

只有：

$$
\varnothing
$$

與：

$$
G
$$

仍無法被單一步 future effect 區分。

其餘 current-collapsed states 已全部分開。

compression：

$$
\boxed{
12.5\%.
}
$$

---

## Horizon 2

class count：

$$
\boxed{
8.
}
$$

所有 mechanisms 成為 singleton classes。

compression：

$$
\boxed{
0.
}
$$

此後穩定。

因此 contextual stabilization horizon：

$$
\boxed{
h^\ast=2.
}
$$

---

# 7. 為什麼最後只剩 $\varnothing$ 與 $G$？

在 horizon 1：

$$
\varnothing
$$

與：

$$
G
$$

仍然相同。

單獨再加入：

$$
T
$$

或：

$$
D
$$

都無法讓：

$$
XOR_{TDG}
$$

完整可知。

但是加入 context：

$$
\{T,D\}
$$

後：

$$
\varnothing\vee TD
=
TD,
$$

只能解出：

$$
XOR_{TD},
$$

而：

$$
G\vee TD
=
TDG,
$$

同時解出：

$$
XOR_{TD}
$$

與：

$$
XOR_{TDG}.
$$

所以：

$$
\boxed{
\text{minimal distinguishing context}
=
\{T,D\}.
}
$$

需要深度：

$$
2.
$$

---

# 8. Minimal Distinguishing Context Distribution

coupled-only current equivalence 中共有：

$$
\binom62=15
$$

組非平凡 current-equivalent pairs。

full future alphabet 下：

$$
\boxed{
14
}
$$

組只需：

$$
1
$$

個 future primitive effect 就能區分。

只有：

$$
\boxed{
1
}
$$

組：

$$
(\varnothing,G)
$$

需要：

$$
2
$$

個 future effects：

$$
\{T,D\}.
$$

所以 refinement trace：

$$
3\rightarrow7\rightarrow8
$$

與 minimal-context statistics 完全一致。

---

# 9. Contextual Minimization Theorem

對有限 deterministic effect machine：

$$
\mathcal M
=
(S,\Sigma,\delta,o),
$$

從 current-output partition 開始反覆做：

$$
\boxed{
s_1\sim_{k+1}s_2
\iff
s_1\sim_k s_2
\land
\forall a\in\Sigma,
\delta(s_1,a)\sim_k\delta(s_2,a)
}
$$

直到固定點：

$$
\sim_\ast.
$$

則：

$$
\boxed{
\sim_\ast
}
$$

是：

1. refining current output equivalence；
2. 對所有 transitions 穩定；
3. 在滿足 1、2 的 equivalences 中最粗；

的 congruence。

因此：

$$
\boxed{
S/\sim_\ast
}
$$

就是最大 composition-safe quotient。

---

# 10. Brute-Force Context 驗證

本輪另外直接定義：

$$
\Sigma_{\mathrm{ctx}}(s)
=
\left(
o(s\vee c)
\right)_{c\subseteq\Sigma}.
$$

如果：

$$
\Sigma_{\mathrm{ctx}}(s_1)
=
\Sigma_{\mathrm{ctx}}(s_2),
$$

就直接視為 contextual equivalent。

對：

- 3 個 target families；
- 8 個 action alphabets；

共：

$$
\boxed{
24
}
$$

組情境，

partition refinement 與 brute-force contextual signature 得到的 quotient：

$$
\boxed{
全部一致。
}
$$

這是本輪最重要的 runtime cross-check。

---

# 11. Separable Target Family

對：

$$
\mathcal J_{\mathrm{sep}}
=
\{T,D,G\},
$$

current outputs 已經完整區分：

$$
8
$$

個 mechanisms。

所以：

$$
N_0=N_\ast=8.
$$

current compression：

$$
0.
$$

safe compression：

$$
0.
$$

沒有 hidden future capability 被 current effect quotient 遺漏。

---

# 12. Hybrid Target Family

對：

$$
\mathcal J_{\mathrm{hybrid}}
=
\{
T,D,G,XOR_{TD},XOR_{TDG}
\},
$$

同樣：

$$
N_0=N_\ast=8.
$$

這再次證明：

> current target family 如果已經保留足夠 primitive coordinates，synergy 本身不會強迫額外 class refinement。

問題不是：

$$
\boxed{
\text{有 synergy 就一定不能 quotient}.
}
$$

而是：

$$
\boxed{
\text{current effect representation 是否保存了未來 interaction potential}.
}
$$

---

# 13. Future Action Alphabet 也是 Compression Constraint

composition safety 不只依賴 target family。

它還依賴：

$$
\boxed{
\Sigma_{\mathrm{adm}}
}
$$

也就是未來究竟允許哪些 effects。

本輪 coupled-only 的結果非常清楚。

---

# 14. 不允許任何 Future Effect

$$
\Sigma=\varnothing.
$$

safe class count：

$$
3.
$$

safe compression：

$$
\boxed{
62.5\%.
}
$$

因為沒有未來 composition obligation。

所以 current quotient 本身就是 contextual quotient。

---

# 15. 只允許 $G$

$$
\Sigma=\{G\}.
$$

safe class count仍為：

$$
3.
$$

compression：

$$
\boxed{
62.5\%.
}
$$

也就是：

$$
G
$$

本身不會解鎖：

$$
T/D
$$

coupling。

因此它不增加 contextual distinguishability。

---

# 16. 只允許 $T$ 或 $D$

$$
\Sigma=\{T\}
$$

或：

$$
\Sigma=\{D\}.
$$

safe classes：

$$
\boxed{
5.
}
$$

safe compression：

$$
\boxed{
37.5\%.
}
$$

一個未來 primitive effect 已經足以揭露部分 current-collapsed interaction potential。

---

# 17. $\{T,G\}$ 或 $\{D,G\}$

safe classes仍為：

$$
5.
$$

compression：

$$
37.5\%.
$$

加入：

$$
G
$$

沒有額外 refinement。

所以：

$$
\boxed{
\text{alphabet size 本身不是主要變量}.
}
$$

重要的是 future effects 是否能補齊某個 synergy dependency set。

---

# 18. $\{T,D\}$

只允許：

$$
T,D
$$

兩種 future primitive effects，

就已經：

$$
\boxed{
N_\ast=8.
}
$$

safe compression：

$$
\boxed{
0.
}
$$

也就是即使未來完全禁止：

$$
G
$$

action，

只要：

$$
T
$$

與：

$$
D
$$

都可能出現，

所有 8 個 latent mechanism states 已經必須保留。

---

# 19. Full Alphabet

$$
\Sigma=\{T,D,G\}
$$

同樣：

$$
N_\ast=8.
$$

所以：

$$
G
$$

沒有進一步增加 required state count。

真正造成 full refinement 的核心 future obligation 是：

$$
\boxed{
\{T,D\}.
}
$$

---

# 20. Critical Future-Context Set

因此可以定義：

$$
\boxed{
\Sigma_{\mathrm{crit}}
}
$$

為使 safe quotient 達到某個 refinement level 的 minimal future-action set。

在本 coupled-only finite regime：

$$
\boxed{
\Sigma_{\mathrm{crit}}^{\mathrm{full}}
=
\{T,D\}.
}
$$

只要允許這兩種 future effects，

所有 current compression 都不再 composition-safe。

---

# 21. Future Obligation Price

定義：

$$
\boxed{
P_{\mathrm{future}}
=
C_0-C_\ast
}
$$

其中：

$$
C_0
$$

是 current compression ratio，

$$
C_\ast
$$

是 contextual-safe compression ratio。

coupled-only full context：

$$
C_0=0.625,
$$

$$
C_\ast=0,
$$

所以：

$$
\boxed{
P_{\mathrm{future}}=0.625.
}
$$

也就是：

> 要承諾保留任意未來 composition capability，必須放棄原本全部 $62.5\%$ 的表面壓縮。

---

# 22. Separable / Hybrid 的 Future Obligation Price

兩者：

$$
C_0=C_\ast=0.
$$

所以：

$$
\boxed{
P_{\mathrm{future}}=0.
}
$$

這不是因為它們更「簡單」。

而是因為 current output representation 已經足夠細，沒有 latent interaction distinctions 被 quotient 掉。

---

# 23. Safe Compression Function

更一般可定義：

$$
\boxed{
C_{\mathrm{safe}}
(
\mathcal J,
\Sigma,
h
)
=
1-
\frac{
|S/\equiv_h^{\mathcal J,\Sigma}|
}{
|S|
}.
}
$$

它同時依賴：

- target family $\mathcal J$ ；
- admissible future actions $\Sigma$ ；
- required future horizon $h$。

所以：

$$
\boxed{
\text{「最多可以壓多少」不是 representation 的單一常數。}
}
$$

它是 semantic obligation 的函數。

---

# 24. Planning Horizon 直接決定 Compression Budget

coupled-only full alphabet：

$$
C_{\mathrm{safe}}(h=0)
=
62.5\%,
$$

$$
C_{\mathrm{safe}}(h=1)
=
12.5\%,
$$

$$
C_{\mathrm{safe}}(h\ge2)
=
0.
$$

所以如果 runtime 的 contract 明確保證：

> 最多只會再 composition 一步，

那麼：

$$
\boxed{
7\text{-state quotient}
}
$$

就是合法的。

完全沒有必要保留 8 states。

---

# 25. Infinite-Future Safety 不一定需要 Infinite Search

本例雖然：

$$
\equiv_{\mathrm{ctx}}
$$

定義包含任意長 future contexts，

但 finite state partition refinement在：

$$
h=2
$$

就穩定。

一般有限 deterministic effect machine 中，partition 最多只能嚴格細化有限次。

因此：

$$
\boxed{
\text{unbounded contextual obligation}
}
$$

仍可透過 finite fixed-point computation 求解。

---

# 26. 這就是真正的「安全壓縮」

現在 ESC 可以非常精確地區分：

## Current Compression

只保持：

$$
o(s).
$$

## Horizon- $h$ Compression

保持未來：

$$
h
$$

步 effect behavior。

## Contextual-Safe Compression

保持任意 admissible future composition behavior。

所以：

$$
\boxed{
\text{compression strength}
\longleftrightarrow
\text{future semantic guarantee}.
}
$$

壓得越強，能承諾的 future equivalence 通常越弱。

---

# 27. ESC 與 Automata Minimization 的接點

形式上，本輪與 Moore-machine minimization 很接近：

- mechanism state $\leftrightarrow$ machine state；
- primitive effect $\leftrightarrow$ input symbol；
- epistemic gain signature $\leftrightarrow$ output label；
- contextual equivalence $\leftrightarrow$ behavioral equivalence。

但 ESC 的特殊點是：

$$
\boxed{
\text{output 不是 acceptance，
而是 epistemic / recoverability effect}.
}
$$

所以 minimization 目標是：

> 保留所有未來 knowledge-effect behavior。

---

# 28. 與 Complete Extensional Recoverability 的回接

ESC-01/06 最早問：

$$
\boxed{
\text{觀察族是否足以恢復 underlying identity？}
}
$$

EXP-16 反過來問：

$$
\boxed{
\text{如果不需要恢復完整 identity，
至少要保留多少 distinction 才能維持所有未來 effect behavior？}
}
$$

所以：

$$
\boxed{
\text{CER}
}
$$

與：

$$
\boxed{
\text{Contextual Minimization}
}
$$

其實是同一個 extensional-recoverability 問題的兩端。

---

# 29. Identity Recovery vs Behavior Recovery

CER：

$$
\Pi(x_1)=\Pi(x_2)
\Rightarrow
x_1=x_2.
$$

contextual minimization則只要求：

$$
\Pi(x_1)=\Pi(x_2)
\Rightarrow
\text{all admissible future epistemic behaviors identical}.
$$

後者更弱。

因此允許更多合法 compression。

可以寫成：

$$
\boxed{
\text{Identity Equivalence}
\subseteq
\text{Contextual Behavioral Equivalence}
\subseteq
\text{Current Effect Equivalence}.
}
$$

這是一條新的 ESC equivalence ladder。

---

# 30. Contextual Sufficiency

對 abstraction：

$$
q:S\rightarrow Q,
$$

若：

$$
q(s_1)=q(s_2)
$$

推出所有 admissible future contexts：

$$
c
$$

下：

$$
\operatorname{Eff}(s_1\circ c)
=
\operatorname{Eff}(s_2\circ c),
$$

則稱：

$$
\boxed{
q
\text{ contextually sufficient}.
}
$$

minimal quotient：

$$
S/\equiv_{\mathrm{ctx}}
$$

就是最粗 contextual-sufficient abstraction。

---

# 31. Semantic Obligation 先於 Compression Ratio

因此若未指定：

- target family；
- future action set；
- future horizon；

問：

> 最多可以壓縮多少？

其實是 underspecified。

正確 workflow 是：

$$
\boxed{
\text{先指定 semantic obligations}
\rightarrow
\text{再求 maximal safe compression}.
}
$$

這與 EXP-13 的 Anti-Collapse Principle 完全一致。

---

# 32. Agent Runtime 的直接解讀

假設 agent 有：

$$
8
$$

個 internal skill/effect states。

如果只看目前 output：

可能壓成：

$$
3.
$$

但如果未來可能再組合：

$$
T,D,
$$

則安全 runtime 必須保留全部：

$$
8.
$$

如果未來只會再組合：

$$
G,
$$

仍然可以安全保留：

$$
3.
$$

所以 agent memory / skill deduplication 應該看：

$$
\boxed{
\text{future action contract}.
}
$$

不是只看 current similarity。

---

# 33. Context Budget 可以是產品／Runtime Parameter

未來真正的 system 可以設定：

```text
contextual_safety:
  target_family: ...
  admissible_future_effects: ...
  horizon: ...
```

然後 runtime 自動算：

$$
\boxed{
\text{minimal safe representation}.
}
$$

不同產品可以選不同 safety/compression trade-off。

---

# 34. 本輪錨點

$$
\boxed{
\textbf{ESC-EXP-16.A}
\quad
\text{contextual-safe quotient 可由 finite deterministic partition refinement 自動求得。}
}
$$

$$
\boxed{
\textbf{ESC-EXP-16.B}
\quad
\equiv_{h+1}\subseteq\equiv_h,
\quad
C_{h+1}\le C_h.
}
$$

$$
\boxed{
\textbf{ESC-EXP-16.C}
\quad
\text{coupled-only full alphabet 的 class trace 為 }3\rightarrow7\rightarrow8.
}
$$

$$
\boxed{
\textbf{ESC-EXP-16.D}
\quad
\Sigma=\{T,D\}
\text{ 已足以撤銷全部 }62.5\%\text{ current compression。}
}
$$

$$
\boxed{
\textbf{ESC-EXP-16.E}
\quad
\text{maximal safe compression 是 target × future-action × horizon-conditioned quantity。}
}
$$

---

# 35. 這輪真正回答的問題

EXP-15 問：

> 現在相同的 effect，未來能不能安全合併？

EXP-16 現在給出一個 executable answer：

$$
\boxed{
\text{把 future behavior 當 transition system，
求 coarsest stable refinement。}
}
$$

所以 ESC 已經不只是指出：

> 不要亂壓。

而開始能回答：

> **那到底可以安全壓到哪裡？**

---

# 36. 下一輪：ESC-EXP-17

下一輪最自然的方向是：

$$
\boxed{
\text{Approximate Contextual Minimization}.
}
$$

目前 equivalence 是 exact：

$$
\operatorname{Eff}_1
=
\operatorname{Eff}_2.
$$

但真實 AI / world model 中通常只有：

$$
d(
\operatorname{Eff}_1,
\operatorname{Eff}_2
)
\le\varepsilon.
$$

所以可以研究：

- $\varepsilon$ -contextual equivalence；
- bounded cumulative future error；
- approximate quotient stability；
- compression ratio vs future error budget；
- 哪些 interaction synergy 會讓微小 current error 在 composition 中放大。

也就是把現在的：

$$
\boxed{
\text{exact safe compression}
}
$$

推進成更實際的：

$$
\boxed{
\text{error-bounded safe compression}.
}
$$