# 前沿智能拓撲論・番外篇 01
# 外部記憶不等於知識閉包：檢索完成幻覺、覆蓋—信心失配與檢索閉合

**Frontier Intelligence Topology — Extra Paper 01**  
**External Memory Is Not Knowledge Closure: Retrieval Completion Illusion, Coverage–Confidence Mismatch, and Retrieval Closure**

**作者：Neo.K（許筌崴）**  
**研究協作：GPT-5.6 Sol**  
**機構：EveMissLab／一言諾科技有限公司**  
**版本：v0.1**  
**日期：2026-09-18**  
**系列：前沿智能拓撲論（Frontier Intelligence Topology, FIT）・番外篇**

---

## 摘要

現代人工智能不必、也不應被要求把所有文明知識完整內化於模型參數。搜尋、外部記憶、文件系統、知識庫、資料庫與工具都可以成為智能系統的延伸認知結構。因此：

$$
\boxed{
\text{Internalized Knowledge}
\neq
\text{Total Effective Knowledge}.
}
$$

然而，從「知識可以外部化」不能直接推出：

$$
\boxed{
\text{shallow retrieval is sufficient}.
}
$$

若模型本身對某個知識域掌握不足，而外部搜尋又只讀取少量摘要、搜尋片段、熱門來源或局部頁面，卻隨即宣稱「已閱讀」、「已了解」或「已研究」，則系統可能產生一種特殊失敗：

$$
\boxed{
\text{Retrieval Completion Illusion}.
}
$$

即：**完成了搜尋行為，卻沒有完成知識閉合。**

本文提出「檢索閉合」（Retrieval Closure）作為外部知識架構能否真正替代內化知識的重要條件。有效檢索不應只是：

$$
Q
\rightarrow
\text{Top-}k
\rightarrow
A,
$$

而應形成：

$$
Q
\rightarrow
S_0
\rightarrow
G_0
\rightarrow
S_1
\rightarrow
G_1
\rightarrow\cdots
\rightarrow
S_t,
$$

其中 $S_t$ 為累積知識狀態， $G_t$ 為當前知識缺口。只有當資訊增益、覆蓋、深度、連通性與保留性達到足夠條件，系統才能合理聲稱「已形成足以回答該問題的知識狀態」。

本文進一步定義：

- Retrieval Gain；
- Retained Knowledge Gain；
- Coverage；
- Depth；
- Connectivity；
- Persistence；
- Coverage–Confidence Mismatch；
- Search Redundancy；
- Gap-Directed Expansion；
- Retrieval Closure Score。

核心命題為：

$$
\boxed{
\text{Search}
\neq
\text{Retrieval Understanding}
\neq
\text{Retrieval Closure}.
}
$$

以及：

$$
\boxed{
\text{External Memory can substitute for internal memory only when retrieval, integration, persistence, and gap closure are sufficiently strong.}
}
$$

因此，真正高階的外部知識型智能不需要把整個世界背進模型，而需要在遇到知識不足時，能夠自主擴張、持續閱讀、追蹤缺口、保留狀態，直到形成足以支撐回答的局部世界模型。

---

## 關鍵詞

外部記憶、搜尋、檢索閉合、知識閉包、Retrieval Closure、RAG、認知擴張、資訊增益、覆蓋率、知識保留、局部世界觀、AGI、前沿智能拓撲論

---

# 1. 知識不必全部記在模型內部

假設智能系統的有效知識為：

$$
K_{\mathrm{eff}}.
$$

最簡單的表示可以寫成：

$$
\boxed{
K_{\mathrm{eff}}
=
K_{\mathrm{int}}
+
K_{\mathrm{ext}}
}
$$

其中：

- $K_{\mathrm{int}}$：內化於模型中的知識；
- $K_{\mathrm{ext}}$：可透過搜尋、記憶、文件、資料庫取得的外部知識。

因此：

$$
\boxed{
K_{\mathrm{int}}
\rightarrow
\text{all human knowledge}
}
$$

並不是高階智能的必要條件。

---

# 2. 但外部知識不是免費替代品

如果：

$$
K_{\mathrm{int}}\downarrow,
$$

要維持：

$$
K_{\mathrm{eff}},
$$

至少需要：

$$
K_{\mathrm{retrieval}}\uparrow,
$$

$$
K_{\mathrm{integration}}\uparrow,
$$

$$
K_{\mathrm{persistence}}\uparrow.
$$

所以更合理：

$$
\boxed{
K_{\mathrm{eff}}
=
f(
K_{\mathrm{int}},
K_{\mathrm{retrieval}},
K_{\mathrm{integration}},
K_{\mathrm{persistence}}
).
}
$$

---

# 3. 搜尋不等於閱讀

最薄的搜尋流程：

$$
Q
\rightarrow
\text{Search}
\rightarrow
\text{Snippet}
\rightarrow
A.
$$

其中模型可能只看到：

- 搜尋摘要；
- 第一頁結果；
- 少數熱門來源；
- 二手描述。

這仍然可以回答簡單問題。

但不能因此推出：

$$
\boxed{
\text{Source Understood}.
}
$$

---

# 4. 閱讀不等於理解

即使模型打開完整來源：

$$
X,
$$

也不代表：

$$
\operatorname{Understand}(X)=1.
$$

完整理解還需要：

- 識別結構；
- 保留細節；
- 建立依賴；
- 追蹤角色／變量；
- 整合時間序列；
- 發現矛盾；
- 與其他來源交叉驗證。

因此：

$$
\boxed{
\text{Opened}
\neq
\text{Read}
\neq
\text{Integrated}
\neq
\text{Understood}.
}
$$

---

# 5. 檢索完成幻覺

本文定義：

> **Retrieval Completion Illusion（檢索完成幻覺）是指智能系統完成了有限搜尋或有限閱讀後，對自身知識覆蓋形成過高估計，並以近似「已了解完整來源」的方式輸出。**

形式上：

$$
\boxed{
C_X\ll1
\quad\land\quad
\hat C_X\approx1.
}
$$

其中：

- $C_X$：實際有效覆蓋；
- $\hat C_X$：系統自我估計覆蓋。

---

# 6. 這和一般 hallucination 不同

一般 hallucination：

$$
\boxed{
\text{false content generation}.
}
$$

Retrieval Completion Illusion 則可能：

$$
\boxed{
\text{all retrieved facts are true}
}
$$

但問題在：

$$
\boxed{
\text{partial truth is represented as global understanding}.
}
$$

---

# 7. 局部真實可以形成局部世界觀

假設來源世界：

$$
W_X.
$$

模型只取得：

$$
S\subset W_X.
$$

若：

$$
|S|\ll|W_X|,
$$

但模型以：

$$
S
$$

推演整體：

$$
W_X,
$$

則形成：

$$
\boxed{
\text{Local World Model}.
}
$$

---

# 8. 局部世界模型不一定錯

這點很重要。

$$
S
$$

內的資訊可能全部正確。

問題是：

$$
\boxed{
\text{Coverage}
}
$$

不足。

因此錯誤來源可能是：

$$
\boxed{
\text{omission}
}
$$

而不是：

$$
\boxed{
\text{fabrication}.
}
$$

---

# 9. 一部長篇作品的例子

考慮一部大型小說：

$$
X.
$$

它包含：

- 主線；
- 支線；
- 人物；
- 勢力；
- 時間線；
- 世界規則；
- 情節反轉；
- 角色動機；
- 設定修正。

若 AI 只讀：

- 作品簡介；
- 主角介紹；
- 幾篇評論；

然後宣稱：

> 已經看完／了解整部作品。

則：

$$
\boxed{
\text{Search Coverage}
\ll
\text{Claimed Understanding}.
}
$$

---

# 10. 使用者真正不滿的不是「你沒背過」

使用者通常不是要求：

> 你必須在參數裡背完整部小說。

而是：

> 你剛才明明說你研究完了，為什麼我問支線細節你就不知道？

所以問題是：

$$
\boxed{
\text{Claimed Retrieval Closure}
}
$$

與：

$$
\boxed{
\text{Actual Retrieval Closure}
}
$$

不一致。

---

# 11. 搜尋型外部記憶的最低合理流程

本文提出：

$$
\boxed{
Q
\rightarrow
S_0
\rightarrow
G_0
\rightarrow
S_1
\rightarrow
G_1
\rightarrow\cdots
\rightarrow
S_t.
}
$$

其中：

- $S_t$：目前累積知識；
- $G_t$：當前缺口。

每一輪：

$$
G_t
=
\operatorname{Gap}(S_t,Q).
$$

再：

$$
S_{t+1}
=
S_t
\cup
\operatorname{Retrieve}(G_t).
$$

---

# 12. 真正研究型搜尋不是重複同一查詢

若：

$$
S_{t+1}
\approx
S_t,
$$

則：

$$
\Delta I_t
\approx0.
$$

這表示下一輪搜尋幾乎沒有增加有效資訊。

因此：

$$
\boxed{
\text{Repeated Search}
\neq
\text{Knowledge Expansion}.
}
$$

---

# 13. 資訊增益

定義：

$$
\boxed{
\Delta I_t
=
I(S_{t+1})
-
I(S_t).
}
$$

高品質研究型檢索應在早期具有：

$$
\Delta I_t>0.
$$

隨著逐步閉合：

$$
\Delta I_t\rightarrow0.
$$

---

# 14. 低資訊增益搜尋

如果系統每次都看：

- 同一百科；
- 同一熱門頁；
- 同一二手摘要；

則：

$$
\boxed{
\Delta I_t
\approx0.
}
$$

即使 API call 很多，

認知狀態也沒有真正變大。

---

# 15. Search Redundancy

定義：

$$
\boxed{
R_S
=
1-
\frac{
I(S_{t+1}\setminus S_t)
}{
I(\operatorname{Retrieved}_{t+1})
}.
}
$$

高：

$$
R_S
$$

表示：

> 新搜尋結果大多只是重複已知內容。

---

# 16. Gap-Directed Retrieval

真正高階搜尋不應只根據：

$$
Q
$$

重複搜。

而應根據：

$$
G_t.
$$

因此：

$$
\boxed{
\operatorname{Query}_{t+1}
=
f(
Q,
G_t,
S_t
).
}
$$

這稱為：

$$
\boxed{
\text{Gap-Directed Retrieval}.
}
$$

---

# 17. 缺口本身需要被顯式表示

例如研究大型作品後：

$$
G_t
$$

可以包含：

- 某角色缺少後期狀態；
- 某支線時間順序不完整；
- 某設定只見二手來源；
- 某勢力關係存在衝突；
- 某事件動機沒有原文支持。

這比：

> 再搜尋一次作品名

有效得多。

---

# 18. Retrieval Breadth

定義：

$$
\boxed{
B_R
=
\text{coverage across distinct subregions of the target domain}.
}
$$

例如小說研究：

- 主線；
- 支線；
- 人物；
- 世界設定；
- 時間線。

---

# 19. Retrieval Depth

定義：

$$
\boxed{
D_R
=
\text{depth reached inside each relevant subregion}.
}
$$

例如：

> 知道角色名字

與：

> 知道角色不同時期的動機、關係與轉折

深度不同。

---

# 20. Retrieval Connectivity

定義：

$$
\boxed{
C_R
=
\operatorname{Connectivity}(S_t).
}
$$

也就是：

> 搜到的資訊是否真正連起來？

如果知道：

- A 是誰；
- B 是誰；
- C 事件存在；

卻不知道：

$$
A
\rightarrow
C
\rightarrow
B,
$$

那只是碎片集合。

---

# 21. Retrieval Persistence

定義：

$$
\boxed{
P_R
=
\text{retention of retrieved structure across subsequent reasoning turns}.
}
$$

如果第一輪搜很多，

第二輪只剩：

$$
\text{thin summary},
$$

則：

$$
P_R\downarrow.
$$

---

# 22. Retrieval Gain 不等於 Retained Knowledge Gain

定義：

$$
G_{\mathrm{retrieve}}
=
I(S_t^{\mathrm{raw}})
-
I(S_{t-1}).
$$

再定義：

$$
G_{\mathrm{retain}}
=
I(S_t^{\mathrm{retained}})
-
I(S_{t-1}^{\mathrm{retained}}).
$$

可能：

$$
G_{\mathrm{retrieve}}\gg0
$$

但：

$$
G_{\mathrm{retain}}\approx0.
$$

---

# 23. 這是外部記憶架構很容易忽略的問題

大量 retrieval 可以發生，

但如果：

- context 被壓縮；
- summary 過薄；
- 狀態不持久；
- 細節被淘汰；

則真正有效知識增益有限。

所以：

$$
\boxed{
\text{Retrieval Throughput}
\neq
\text{Persistent Cognitive Gain}.
}
$$

---

# 24. 四維檢索結構

本文提出：

$$
\boxed{
\mathcal R
=
(
B_R,
D_R,
C_R,
P_R
)
}
$$

其中：

- $B_R$：Breadth；
- $D_R$：Depth；
- $C_R$：Connectivity；
- $P_R$：Persistence。

---

# 25. 單純 Top-k 主要保證什麼？

Top-k retrieval 主要保證：

$$
\boxed{
\text{local relevance}.
}
$$

但不自動保證：

$$
B_R,
D_R,
C_R,
P_R.
$$

所以：

$$
\boxed{
\text{High Relevance}
\neq
\text{High Closure}.
}
$$

---

# 26. Retrieval Closure

本文定義：

> **Retrieval Closure 是指智能系統對特定問題域的外部知識擴張，已達到足以支撐當前推理與回答的覆蓋、深度、連通與保留狀態，且主要剩餘缺口已被識別。**

記為：

$$
\boxed{
\mathsf{RC}(Q).
}
$$

---

# 27. Retrieval Closure 不是「全部讀完」

對巨大知識域：

$$
X,
$$

要求：

$$
C_X=1
$$

通常不現實。

所以 Retrieval Closure 是：

$$
\boxed{
\text{task-conditioned closure}.
}
$$

即：

> 對當前問題足夠。

---

# 28. 任務條件化閉合

令：

$$
Q
$$

為問題。

只需：

$$
C_X(Q)\geq\theta_Q.
$$

而不是：

$$
C_X(X)=1.
$$

因此：

$$
\boxed{
\text{Complete Source Coverage}
}
$$

不是必要條件。

---

# 29. 但「我看完整部作品」是更強 claim

如果系統聲稱：

> 我已經完整理解這部作品。

那隱含的：

$$
\theta
$$

自然較高。

所以：

$$
\boxed{
\text{Claim Strength}
\Rightarrow
\text{Required Coverage}.
}
$$

---

# 30. Claim-Closure Consistency

定義：

$$
\boxed{
K_{CC}
=
1-
|\hat C_X-C_X|.
}
$$

若：

$$
K_{CC}\rightarrow1,
$$

表示自我聲稱與實際覆蓋一致。

---

# 31. Coverage–Confidence Mismatch

定義：

$$
\boxed{
M_{CC}
=
\hat C_X-C_X.
}
$$

若：

$$
M_{CC}\gg0,
$$

表示：

> 系統高估自己已掌握多少。

這是 Retrieval Completion Illusion 的核心量。

---

# 32. 知識覆蓋也不是單一比例

更完整：

$$
\boxed{
C_X
=
f(
C_{\mathrm{topic}},
C_{\mathrm{temporal}},
C_{\mathrm{relational}},
C_{\mathrm{source}},
C_{\mathrm{causal}}
).
}
$$

例如作品研究至少可分：

- 主題覆蓋；
- 時序覆蓋；
- 角色關係；
- 原始來源；
- 因果動機。

---

# 33. 一個模型可以主線覆蓋高、支線覆蓋低

所以：

$$
\boxed{
C_{\mathrm{main}}\gg0
}
$$

不能推出：

$$
\boxed{
C_{\mathrm{world}}\gg0.
}
$$

這就是大型敘事作品容易暴露的問題。

---

# 34. 敘事世界是一個很好的檢索閉合測試場

因為它同時要求：

- entities；
- relations；
- temporal order；
- causality；
- motivations；
- rules；
- exceptions。

因此：

$$
\boxed{
\text{narrative world}
}
$$

本身是一個小型 world-model benchmark。

---

# 35. 作品內反事實推理要求更高閉合

如果問：

> 若事件 E 沒發生，後續會怎樣？

模型需要：

$$
\boxed{
\text{World Model}
}
$$

而不是單純 factual recall。

所以：

$$
\boxed{
\text{Counterfactual Narrative Reasoning}
}
$$

可以測：

$$
C_R
$$

與：

$$
D_R.
$$

---

# 36. 搜尋型回答的第一個停止條件

最簡單：

$$
\Delta I_t<\epsilon.
$$

但這不夠。

因為可能只是：

> 搜尋器一直找到重複內容。

---

# 37. 第二個停止條件：Coverage

要求：

$$
C_X(Q)\geq\theta.
$$

---

# 38. 第三個停止條件：Gap Closure

主要缺口：

$$
G_t
$$

已：

$$
|G_t|\leq\gamma.
$$

---

# 39. 第四個停止條件：Source Diversity

避免：

$$
\boxed{
\text{single-source local world}.
}
$$

要求至少：

$$
D_S\geq d_{\min}.
$$

其中：

$$
D_S
$$

是來源多樣性。

---

# 40. 第五個停止條件：Contradiction Handling

若不同來源：

$$
S_i,S_j
$$

存在：

$$
S_i\bot S_j,
$$

不能直接平均。

需要：

$$
\boxed{
\text{resolve / preserve uncertainty}.
}
$$

---

# 41. Retrieval Closure Score

本文提出工作性指標：

$$
\boxed{
RCS
=
w_BB_R
+
w_DD_R
+
w_CC_R
+
w_PP_R
+
w_GG_C
+
w_SS_D
-
w_RR_S
}
$$

其中：

- $G_C$：Gap Closure；
- $S_D$：Source Diversity；
- $R_S$：Search Redundancy。

---

# 42. 更合理的是乘法版本

若某一維接近零，

閉合可能直接崩潰。

因此也可寫：

$$
\boxed{
RCS_\times
=
B_R^\alpha
D_R^\beta
C_R^\gamma
P_R^\delta
G_C^\eta
S_D^\zeta
(1-R_S)^\rho.
}
$$

此形式只是工作模型，不是定理。

---

# 43. 內化知識與檢索閉合的替代條件

若希望：

$$
K_{\mathrm{int}}\downarrow,
$$

則需要：

$$
RCS\uparrow.
$$

所以可提出：

$$
\boxed{
K_{\mathrm{int}}
\downarrow
\Rightarrow
RCS
\uparrow
}
$$

作為系統設計的必要補償方向。

---

# 44. 不是所有知識都值得內化

高頻、核心、低變動知識：

$$
K_{\mathrm{core}}
$$

可能適合內化。

高變動、長尾、巨大知識：

$$
K_{\mathrm{tail}}
$$

可能適合外部化。

因此理想分工可能是：

$$
\boxed{
K_{\mathrm{core}}
\rightarrow
\text{Internal}
}
$$

$$
\boxed{
K_{\mathrm{tail}}
\rightarrow
\text{External + Retrieval Closure}.
}
$$

---

# 45. Knowledge Placement Problem

因此產生：

$$
\boxed{
\text{Knowledge Placement Problem}.
}
$$

即：

> 哪些知識應內化？
> 哪些應外部化？
> 哪些應動態載入？

這不是單純儲存成本問題。

還涉及：

- latency；
- reliability；
- update frequency；
- privacy；
- retrieval cost；
- reasoning dependence。

---

# 46. 內化知識的優勢

內化：

$$
K_{\mathrm{int}}
$$

通常具有：

- 快；
- 零搜尋延遲；
- 高局部連通；
- 易於即時聯想。

但缺點：

- 不易更新；
- 容量有限；
- 可能過時；
- 來源追蹤弱。

---

# 47. 外部知識的優勢

外部：

$$
K_{\mathrm{ext}}
$$

具有：

- 可更新；
- 可擴張；
- 可追來源；
- 可存大量長尾。

但缺點：

- 搜尋成本；
- 片面；
- context loss；
- state persistence；
- retrieval failure。

---

# 48. 理想架構不是二選一

所以：

$$
\boxed{
\text{Internal Memory}
\oplus
\text{External Retrieval}
}
$$

比：

$$
\boxed{
\text{Internal Only}
}
$$

或：

$$
\boxed{
\text{Search Everything Every Time}
}
$$

更合理。

---

# 49. 外部檢索不能每次都從零開始

如果每一輪：

$$
S_0=\varnothing,
$$

那麼：

$$
\boxed{
\text{Research State}
}
$$

無法累積。

理想應：

$$
S_{t+1}
\supseteq
S_t.
$$

---

# 50. Knowledge Monotonicity

在沒有發現錯誤的情況下：

$$
\boxed{
I(S_{t+1})
\geq
I(S_t).
}
$$

若資訊被修正，

則至少：

$$
\boxed{
\text{quality-adjusted knowledge}
}
$$

應提高。

---

# 51. 再要求深入，不應只是「多寫一點」

如果使用者要求：

> 再深入。

合理反應應是：

$$
\boxed{
\mathfrak B_{t+1}
\supset
\mathfrak B_t.
}
$$

即：

- 新來源；
- 新節點；
- 新關係；
- 新反例；
- 新支線。

---

# 52. 假深入

如果只是：

$$
A_{t+1}
=
A_t
+
\text{more wording},
$$

但：

$$
S_{t+1}\approx S_t,
$$

則：

$$
\boxed{
\text{Verbal Expansion}
\neq
\text{Knowledge Expansion}.
}
$$

---

# 53. Dynamic Expansion Ratio

定義：

$$
\boxed{
E_D
=
\frac{
I(S_{t+1}\setminus S_t)
}{
I(S_t)
}.
}
$$

使用者要求深入後，

若：

$$
E_D\approx0,
$$

表示幾乎沒有新增有效世界。

---

# 54. Retrieval Breadth 與 Depth 的比例

一個系統可能：

$$
B_R\gg0,
\quad
D_R\ll0.
$$

即：

> 什麼都碰一下。

也可能：

$$
B_R\ll0,
\quad
D_R\gg0.
$$

即：

> 只深挖一小塊。

兩者都不必然閉合。

---

# 55. 理想檢索需要局部深度與全域覆蓋

因此：

$$
\boxed{
B_R>B_{\min}
\quad\land\quad
D_R>D_{\min}.
}
$$

---

# 56. Connectivity 更重要

若：

$$
B_R,D_R
$$

都高，

但：

$$
C_R\approx0,
$$

模型仍可能只有：

$$
\boxed{
\text{many disconnected facts}.
}
$$

因此：

$$
\boxed{
\text{Retrieval Understanding}
}
$$

必須包含關係重建。

---

# 57. Persistence 決定多輪研究是否可能

如果：

$$
P_R\approx0,
$$

每輪搜尋都近似：

$$
\boxed{
\text{temporary intelligence burst}.
}
$$

搜尋結束後：

$$
K_{\mathrm{eff}}\downarrow.
$$

---

# 58. 這對長時空 Agent 特別關鍵

長時間研究需要：

$$
S_0
\rightarrow
S_1
\rightarrow\cdots\rightarrow
S_T.
$$

若每輪壓縮造成：

$$
S_t
\rightarrow
\tilde S_t
$$

且：

$$
I(\tilde S_t)\ll I(S_t),
$$

研究深度會反覆重置。

---

# 59. Compression Loss

定義：

$$
\boxed{
L_C
=
1-
\frac{
I(\tilde S_t)
}{
I(S_t)
}.
}
$$

高：

$$
L_C
$$

表示：

> context crystallization 丟失大量有效結構。

---

# 60. 不是保留所有 token，而是保留可重建結構

理想 persistence 不要求：

$$
\text{store everything verbatim}.
$$

而是保留：

- nodes；
- relations；
- provenance；
- uncertainty；
- unresolved gaps；
- key details；
- dependency graph。

因此：

$$
\boxed{
\text{Compression}
\neq
\text{Forgetting}
}
$$

只要可重建性足夠高。

---

# 61. Retrieval Closure 的最小狀態格式

本文建議研究狀態：

$$
\boxed{
S_t
=
(
K_t,
G_t,
E_t,
U_t,
P_t
)
}
$$

其中：

- $K_t$：已知；
- $G_t$：缺口；
- $E_t$：證據；
- $U_t$：不確定性；
- $P_t$：來源／provenance。

---

# 62. Provenance 是外部知識的核心優勢

內化知識常難回答：

> 你從哪裡知道？

外部 retrieval 可以保留：

$$
\boxed{
\text{Source Trace}.
}
$$

因此：

$$
K_{\mathrm{ext}}
$$

在可驗證性上可能優於：

$$
K_{\mathrm{int}}.
$$

---

# 63. 但引用一個來源不等於研究完整

來源追蹤只解決：

$$
\boxed{
\text{Where did this claim come from?}
}
$$

沒有解決：

$$
\boxed{
\text{Did you inspect enough of the domain?}
}
$$

所以：

$$
\boxed{
\text{Citation Quality}
\neq
\text{Coverage Quality}.
}
$$

---

# 64. 第一頁偏差

搜尋引擎通常排序：

$$
Top(q).
$$

如果 AI 永遠只讀：

$$
Top_1,\ldots,Top_k,
$$

則容易形成：

$$
\boxed{
\text{Ranking-Induced World Narrowing}.
}
$$

---

# 65. Ranking-Induced World Narrowing

熱門、SEO、高權威來源：

$$
P(\text{retrieved})\uparrow.
$$

邊緣、少引用、深層來源：

$$
P(\text{retrieved})\downarrow.
$$

因此外部搜尋本身也可能重新製造：

$$
\boxed{
\text{knowledge density bias}.
}
$$

---

# 66. 所以外部搜尋也需要廣域策略

不是：

$$
\text{Search Top Results}.
$$

而是：

$$
\boxed{
\text{Search Mainstream}
+
\text{Search Gaps}
+
\text{Search Contradictions}
+
\text{Search Edge}
+
\text{Search Primary Sources}.
}
$$

---

# 67. Primary-Source Ratio

定義：

$$
\boxed{
\rho_P
=
\frac{
I_{\mathrm{primary}}
}{
I_{\mathrm{retrieved}}
}.
}
$$

對需要深入理解的任務，

$$
\rho_P
$$

不應過低。

---

# 68. Secondary-only Knowledge Risk

如果：

$$
\rho_P\approx0,
$$

系統主要理解：

> 別人怎麼描述來源。

而不是：

> 來源本身說什麼。

這尤其容易出現在：

- 小說；
- 論文；
- 程式碼；
- 法律；
- 長文檔。

---

# 69. 原始材料的必要性取決於任務

如果只問：

> 作品作者是誰？

二手資料足夠。

如果問：

> 某角色中期心理轉折的文本依據？

就需要更高：

$$
\rho_P.
$$

所以：

$$
\boxed{
\text{Required Source Depth}
=
f(Q).
}
$$

---

# 70. Retrieval Claim Calibration

系統回答前應估計：

$$
\boxed{
\hat RCS.
}
$$

如果：

$$
\hat RCS<\theta_Q,
$$

合理輸出應是：

> 我目前只完成局部檢索，還不足以聲稱完整理解。

這比假裝完成更可靠。

---

# 71. 「我看過了」應該是一個可校準聲明

所以：

$$
\boxed{
\text{I have read it}
}
$$

不應只是自然語言禮貌句。

而應對應某種：

$$
\boxed{
\text{retrieval state}.
}
$$

---

# 72. 研究型 AI 的誠實不只是引用誠實

還包括：

$$
\boxed{
\text{coverage honesty}.
}
$$

即：

> 我到底讀了多少？

這和：

$$
\boxed{
\text{epistemic calibration}
}
$$

直接相關。

---

# 73. Retrieval Honesty

定義：

$$
\boxed{
H_R
=
1-
|\hat RCS-RCS|.
}
$$

高：

$$
H_R
$$

表示：

> 系統對自己搜尋完成度有良好校準。

---

# 74. Search-to-Closure Ratio

定義：

$$
\boxed{
\eta_C
=
\frac{
RCS
}{
C_{\mathrm{search}}
}.
}
$$

這才是真正接近：

$$
\boxed{
\text{retrieval efficiency}.
}
$$

不是：

$$
\frac{
\text{number of searches}
}{
\text{time}
}.
$$

---

# 75. 搜得快不等於閉得快

如果：

$$
SearchRate\uparrow
$$

但：

$$
R_S\uparrow,
$$

則：

$$
\eta_C
$$

可能不升反降。

所以：

$$
\boxed{
\text{Fast Search}
\neq
\text{Fast Understanding}.
}
$$

---

# 76. 搜尋深度不等於檢索閉合

搜尋深度：

$$
D_S
$$

可能表示：

> 看了很多頁。

但若：

- 沒追缺口；
- 沒整合；
- 沒保留；
- 沒處理矛盾；

則：

$$
RCS
$$

仍低。

因此：

$$
\boxed{
\text{Search Depth}
\neq
\text{Retrieval Closure}.
}
$$

---

# 77. 真正研究型 AI 的外部知識循環

本文提出：

$$
\boxed{
\text{Search}
\rightarrow
\text{Read}
\rightarrow
\text{Integrate}
\rightarrow
\text{Gap Detect}
\rightarrow
\text{Expand}
\rightarrow
\text{Persist}
\rightarrow
\text{Verify}.
}
$$

這才形成：

$$
\boxed{
\text{External Knowledge Cognition Loop}.
}
$$

---

# 78. 沒有 Gap Detect 就不是研究循環

如果缺少：

$$
\operatorname{GapDetect},
$$

系統不知道：

> 還缺什麼？

就只能依賴：

- 使用者再問；
- 隨機搜尋；
- 同義詞擴展。

所以：

$$
\boxed{
\text{Gap Detection}
}
$$

是檢索閉合的核心 operator。

---

# 79. 沒有 Persist 也不是研究循環

如果：

$$
S_{t+1}
$$

不能保留：

$$
S_t,
$$

系統就會：

$$
\boxed{
\text{research without accumulation}.
}
$$

---

# 80. 沒有 Verify 則容易形成外部幻覺

就算所有資訊來自 web，

仍可能：

- 誤讀；
- 二手錯誤；
- 來源衝突；
- 過時。

所以：

$$
\boxed{
\text{External Source}
\neq
\text{Verified Truth}.
}
$$

---

# 81. Retrieval Closure 與前沿智能的關係

前沿智能在未知域常會遇到：

$$
K_{\mathrm{int}}
<
K_{\mathrm{required}}.
$$

如果具有高：

$$
RCS,
$$

它可以：

$$
\boxed{
\text{knowledge deficit}
\rightarrow
\text{autonomous knowledge expansion}.
}
$$

---

# 82. 這是比「什麼都背下來」更可擴展的架構

因為文明知識：

$$
|\mathcal K|
\rightarrow
\text{huge}.
$$

模型內化容量有限。

所以真正可擴展方向更可能是：

$$
\boxed{
\text{Core Internal Knowledge}
+
\text{High-Closure External Cognition}.
}
$$

---

# 83. 外部檢索閉合是一種能力，不只是工具功能

如果兩個模型使用相同搜尋引擎，

但：

- 一個只讀 top results；
- 一個會追缺口、擴張、整合、保留；

它們最終能力完全不同。

所以：

$$
\boxed{
\text{Same Search Tool}
\neq
\text{Same Retrieval Intelligence}.
}
$$

---

# 84. Retrieval Intelligence

本文提出：

$$
\boxed{
R_I
=
f(
Q_E,
G_D,
B_R,
D_R,
C_R,
P_R,
V_R
)
}
$$

其中：

- $Q_E$：Query Expansion；
- $G_D$：Gap Detection；
- $B_R$：Breadth；
- $D_R$：Depth；
- $C_R$：Connectivity；
- $P_R$：Persistence；
- $V_R$：Verification。

---

# 85. 這是一個新的前沿能力維度

因此：

$$
\boxed{
\text{Retrieval Intelligence}
}
$$

不能只看：

> 會不會用搜尋工具。

而應看：

> **能不能把外部資訊真正轉成新的認知狀態。**

---

# 86. 可否證條件

本文假說也允許被削弱。

## 86.1 Internal Sufficiency

如果模型內部知識已足以覆蓋絕大多數高價值任務，

則高 Retrieval Closure 的重要性下降。

## 86.2 Shallow Retrieval Sufficiency

如果大量實驗顯示 top-k shallow retrieval 已能穩定達到與深度閉合相同結果，

則本文對多輪擴張的必要性被削弱。

## 86.3 Persistence Irrelevance

若保留完整研究狀態與只保留薄摘要在長時程研究結果上無顯著差異，

則 $P_R$ 權重應下降。

## 86.4 Gap Detection Redundancy

若簡單 query expansion 能取代 gap-directed retrieval，

則 Gap Detection 不必作為獨立能力。

---

# 87. 非主張

本文不主張：

- 所有知識都應內化；
- 所有查詢都需要深度研究；
- 每次搜尋都要讀完整來源；
- 搜尋工具沒有價值；
- Top-k retrieval 永遠不夠；
- 長文一定要逐字全部保留；
- 來源越多越好；
- 邊緣來源一定比主流來源好；
- 外部記憶可以完全取代內部模型知識。

本文真正主張的是：

$$
\boxed{
\text{外部知識只有在被真正檢索、整合、保留與缺口閉合後，才形成可用認知。}
}
$$

---

# 88. 核心結論

一個高階 AI 不需要把所有書都背進參數。

但如果它不知道，

就必須能：

$$
\boxed{
\text{不知道}
\rightarrow
\text{搜尋}
\rightarrow
\text{擴張}
\rightarrow
\text{整合}
\rightarrow
\text{保留}
\rightarrow
\text{閉合}.
}
$$

如果它只做到：

$$
\boxed{
\text{不知道}
\rightarrow
\text{搜一下}
\rightarrow
\text{回答},
}
$$

那麼外部記憶並沒有真正補足知識缺口。

---

# 89. 最終命題

本文提出：

$$
\boxed{
\text{External memory can substitute for internalized knowledge only to the extent that the system can achieve retrieval closure.}
}
$$

中文：

> **外部記憶能否替代內化知識，不取決於「能不能搜尋」，而取決於「能不能把搜尋真正閉合成可持續使用的知識狀態」。**

---

# 90. 說成人話

你可以不背一本三百萬字的小說。

沒問題。

但如果我叫你研究它，

你不能：

- 看百科；
- 看三篇角色介紹；
- 看幾個搜尋摘要；

然後跟我說：

> 我看完了。

真正合理的是：

> 我目前完成主線與核心人物的第一輪覆蓋，但支線、後期時間線與幾個角色關係仍有缺口；如果要回答整部作品層級的問題，我還需要繼續擴張。

這就是：

$$
\boxed{
\text{Retrieval Honesty}.
}
$$

真正高階的外部記憶型智能，不是：

> **什麼都不用記，反正可以搜。**

而是：

> **不必什麼都記，但一旦需要，它真的能把缺失的世界重新建起來。**

---

# 附錄 A：檢索四維結構

$$
\boxed{
\mathcal R
=
(
B_R,
D_R,
C_R,
P_R
)
}
$$

其中：

- $B_R$：Breadth；
- $D_R$：Depth；
- $C_R$：Connectivity；
- $P_R$：Persistence。

---

# 附錄 B：檢索循環

$$
\boxed{
Q
\rightarrow
S_0
\rightarrow
G_0
\rightarrow
S_1
\rightarrow
G_1
\rightarrow
\cdots
\rightarrow
S_t
}
$$

其中：

$$
G_t
=
\operatorname{Gap}(S_t,Q),
$$

$$
S_{t+1}
=
S_t
\cup
\operatorname{Retrieve}(G_t).
$$

---

# 附錄 C：資訊增益

$$
\boxed{
\Delta I_t
=
I(S_{t+1})
-
I(S_t)
}
$$

---

# 附錄 D：Coverage–Confidence Mismatch

$$
\boxed{
M_{CC}
=
\hat C_X-C_X
}
$$

---

# 附錄 E：Retrieval Closure Score

$$
\boxed{
RCS
=
w_BB_R
+
w_DD_R
+
w_CC_R
+
w_PP_R
+
w_GG_C
+
w_SS_D
-
w_RR_S
}
$$

---

# 附錄 F：Retrieval Intelligence

$$
\boxed{
R_I
=
f(
Q_E,
G_D,
B_R,
D_R,
C_R,
P_R,
V_R
)
}
$$

---

# 附錄 G：與《前沿智能拓撲論》的接口

Paper 02 提出：

$$
\boxed{
\text{Information Quantity}
\neq
\text{Information Topology}.
}
$$

本篇補充：

$$
\boxed{
\text{Retrieved Information Quantity}
\neq
\text{Retrieved Knowledge Topology}.
}
$$

Paper 05 提出：

$$
\boxed{
\text{Core Capability}
\neq
\text{Augmented Capability}.
}
$$

本篇再補：

$$
\boxed{
\text{Augmentation Quality}
\neq
\text{Tool Availability}.
}
$$

Paper 07 提出：

$$
\boxed{
\text{Unknown}
\rightarrow
\text{Testable Possibility}.
}
$$

本篇則說明：

> 當 unknown 的主要原因只是知識不足時，第一個必要能力不是胡亂生成，而是：

$$
\boxed{
\text{Unknown}
\rightarrow
\text{Retrieval Closure}.
}
$$

---

# 附錄 H：番外篇總結式

$$
\boxed{
\text{Search}
\neq
\text{Read}
\neq
\text{Integrate}
\neq
\text{Retain}
\neq
\text{Retrieval Closure}.
}
$$

真正可擴展的外部知識型智能應滿足：

$$
\boxed{
\text{Knowledge Deficit}
\rightarrow
\text{Gap Detection}
\rightarrow
\text{Directed Retrieval}
\rightarrow
\text{Integration}
\rightarrow
\text{Persistence}
\rightarrow
\text{Closure}.
}
$$