---
title: "從長上下文到持續能力：多上下文、多圖式與有效無限上下文"
english_title: "From Long Context to Persistent Capability: Multi-Context, Multi-Graph, and Effective Infinite Context"
series: "AI 動態能力本體論：潛能、激發、內生性與耦合"
series_english: "Dynamic Capability Ontology of AI: Potential, Activation, Endogeneity, and Coupling"
paper: "08 / 09"
author: "Neo.K / EveMissLab"
ai_collaboration: "Aletheia / GPT-5.6 Sol"
date: "2026-09-12"
version: "v0.1"
document_type: "系列論文／持續智能／多上下文與有效無限上下文架構"
status: "Canonical Series Draft"
encoding: "UTF-8"
depends_on:
  - "DCAO_Paper00_AI_Capability_Ontology_Master_Framework_v0.1_zh-TW.md"
  - "DCAO_Paper01_Potential_Is_Not_Activation_v0.1_zh-TW.md"
  - "DCAO_Paper02_Effective_Capability_Is_Not_Model_Capability_v0.1_zh-TW.md"
  - "DCAO_Paper03_AI_Offloading_Coupling_Endogenization_v0.1_zh-TW.md"
  - "DCAO_Paper04_Boundary_Relative_Endogeneity_One_Many_All_v0.1_zh-TW.md"
  - "DCAO_Paper05_Rapid_Recoupling_Quasi_Endogeneity_v0.1_zh-TW.md"
  - "DCAO_Paper06_Capability_Is_A_Reachable_MultiGraph_v0.1_zh-TW.md"
  - "DCAO_Paper07_Substrate_Independence_Is_Not_Substrate_Irrelevance_v0.1_zh-TW.md"
predecessor_theories:
  - "Cloud AI Center / Distributed Cognitive Runtime"
  - "Named AI Conversation Graphs"
  - "MNEME"
  - "SOACR"
  - "Multi-Representation Memory"
  - "Crystallized Hyperlink Memory"
  - "World-Reconstructive Memory Fabric"
---

# 從長上下文到持續能力
## ——多上下文、多圖式與有效無限上下文

# From Long Context to Persistent Capability
## Multi-Context, Multi-Graph, and Effective Infinite Context

**作者：** Neo.K / EveMissLab  
**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-09-12  
**版本：** v0.1  

---

## 摘要

當大型語言模型的 context window 持續增長，一個自然直覺是：只要 context 足夠長，AI 就能把所有歷史都保存在同一條線性序列中，因而獲得近似永久記憶與長期持續能力。然而，本文主張，這個直覺混淆了「可裝載更多 token」與「能在極長時間維持穩定認知狀態」兩個完全不同的問題。

對一個長期存在的 AI，真正目標不是：

$$
\boxed{
\text{Infinite Context Window}
}
$$

而是：

$$
\boxed{
\text{Infinite Interaction Horizon}
}
$$

並且當：

$$
T_{\mathrm{interaction}}\rightarrow\infty
$$

時，系統仍能維持：

$$
C_{\mathrm{active}}(T)
=
O(1)
$$

或至多：

$$
O(\log T),
$$

同時：

$$
E_{\mathrm{retrieval}}(T)
\le
\varepsilon,
$$

$$
E_{\mathrm{causal}}(T)
\le
\delta,
$$

以及：

$$
C_{\mathrm{correction}}(T)
\ll
O(T).
$$

本文將此 operational regime 稱為：

# **有效無限上下文**
# **Effective Infinite Context**

其核心不是儲存無限 token，而是把長期存在轉化為：

$$
\boxed{
\text{Bounded Active Context}
+
\text{Persistent Multi-Context State}
+
\text{Multi-Graph Addressing}
+
\text{Asymmetric Context Transfer}
+
\text{Validated Delta Updates}
+
\text{Local Correction}
}
$$

本文指出，單一線性歷史：

$$
C_t=(x_1,x_2,\dots,x_t)
$$

即使透過更高效 attention 或更大記憶硬體延長，也仍需面對四個獨立問題：

1. **Addressing**：要去哪裡找？
2. **Relevance**：哪些歷史現在相關？
3. **Consistency**：哪些狀態已被更新、撤銷或取代？
4. **State Validity**：哪些內容只是曾經說過，而非現在 canonical truth？

因此，計算瓶頸不只來自 attention complexity，而來自「歷史如何被轉化成當前可信狀態」。

本文提出 Persistent Multi-Context Runtime。對時間 $t$：

$$
\boxed{
\mathcal C_t
=
\{
C_t^{\mathrm{task}},
C_t^{\mathrm{identity}},
C_t^{\mathrm{memory}},
C_t^{\mathrm{causal}},
C_t^{\mathrm{world}},
C_t^{\mathrm{authority}},
C_t^{\mathrm{social}},
C_t^{\mathrm{capability}},
\dots
\}
}
$$

其中不同 context 可以：

- 不同持久度；
- 不同 owner；
- 不同 update rate；
- 不同 authority；
- 不同 visibility；
- 不同 retrieval method。

當下 active set：

$$
A_t
\subset
\mathcal C_t
$$

只包含完成當前任務必要的局部投影。

本文進一步提出「Transfer Delta, Not Context」原則。長期系統不應不斷把全部上下文互相複製，而應：

$$
\boxed{
S_{t+1}
=
S_t
\oplus
\Delta_t
}
$$

其中：

$$
\Delta_t
$$

是經過 validation、authority、provenance 與 conflict check 的結構化狀態變更。

因此：

$$
\boxed{
\text{Context Transfer}
\neq
\text{Context Copy}
}
$$

且：

$$
\boxed{
T_{i\rightarrow j}
\neq
T_{j\rightarrow i}
}
$$

通常成立。

本文把 long-context problem 正式接到 DCAO：能力不是依靠「永遠把所有能力與歷史都放在 active context」，而是依靠一個持續 capability fabric，讓真正需要的狀態與能力在正確時間被恢復、投影、編譯並激發。這與 Paper 05 的 Recoverable Capability Field、Paper 06 的 Canonical / Effective / Active Capability Graph 三分，以及 Paper 07 的跨載體 capability trajectory 形成一致結構。

本文最終提出：

$$
\boxed{
\text{Persistent Intelligence}
=
\text{Persistent State}
+
\text{Selective Activation}
+
\text{Typed Multi-Context}
+
\text{Multi-Graph Memory}
+
\text{Validated State Transition}
+
\text{Recoverable Capability Fabric}
}
$$

並將此架構直接交給 Paper 09：如果 AI 本身需要 persistent state 才能長期存在，那麼真正的世界模型同樣不能只活在一次生成 context 裡；世界也必須具有自身 canonical state、causal transition、memory、agent state 與 reconstruction contract。

---

## 關鍵詞

Effective Infinite Context；Persistent Intelligence；Multi-Context；Multi-Graph Memory；Bounded Active Context；Asymmetric Context Transfer；Validated Delta；Local Correction；Canonical State；State + Event + Index；Context Compilation；Persistent Capability；Long-Horizon AI；World Model

---

# 0. 問題：Context Window 變長，等於 AI 變成持續智能嗎？

不等於。

一個模型可讀：

$$
10^6
$$

tokens，

不代表它可以穩定存在：

$$
10^6
$$

個 interaction steps。

---

# 1. Context Capacity 與 Interaction Horizon

定義：

$$
L_C
=
\text{context capacity}.
$$

定義：

$$
T_I
=
\text{interaction horizon}.
$$

一般：

$$
\boxed{
L_C
\neq
T_I.
}
$$

---

# 2. 更長 Context 只解決部分容量問題

它不自動解決：

- stale state；
- contradiction；
- relevance；
- authority；
- correction。

---

# 3. History Is Not State

這是本文第一條核心：

$$
\boxed{
\text{History}
\neq
\text{Current State}.
}
$$

---

# 4. Chat Log 只是事件序列

$$
H_t
=
(x_1,x_2,\dots,x_t).
$$

---

# 5. Current State 是另一種對象

$$
S_t.
$$

---

# 6. Current State 需要從歷史重建或持續維護

$$
S_t
=
F(H_{\le t}).
$$

---

# 7. 直接把歷史當狀態會出錯

因為歷史包含：

- old decisions；
- superseded facts；
- rejected plans；
- failed assumptions。

---

# 8. Linear Context 的根本混淆

它容易把：

> 曾經說過

與：

> 現在仍然成立

放在同一平面。

---

# 9. Temporal Semantics

每個重要狀態應有：

- valid_from；
- valid_to；
- supersedes；
- revoked_by。

---

# 10. Context Length Does Not Create Temporal Semantics

---

# 11. Effective Infinite Context 的目標

不是：

$$
L_C\rightarrow\infty.
$$

---

# 12. 而是：

$$
\boxed{
T_I\rightarrow\infty
}
$$

同時成本與誤差可控。

---

# 13. Operational Definition

本文要求：

$$
C_{\mathrm{step}}(T)
\le
K
$$

或緩慢增長。

---

# 14. Retrieval Error Bound

$$
E_R(T)\le\varepsilon.
$$

---

# 15. Causal Error Bound

$$
E_C(T)\le\delta.
$$

---

# 16. Correction Locality

$$
C_{\mathrm{fix}}(T)
\ll
T.
$$

---

# 17. 如果每次修錯都要重讀全部歷史

則：

$$
C_{\mathrm{fix}}
=
O(T).
$$

---

# 18. 這不是真正可持續

---

# 19. Effective Infinite Context

因此：

$$
\boxed{
\text{Effective Infinite}
=
\text{Operationally Sustainable Unbounded Horizon}.
}
$$

---

# 20. Infinite 不代表物理無限

這是 asymptotic operational concept。

---

# 21. Storage Can Grow

$$
\mathrm{Storage}(T)\uparrow.
$$

可以接受。

---

# 22. Active Compute Need Not Grow Proportionally

$$
\mathrm{Compute}_{\mathrm{active}}(T)
\not\propto
T.
$$

---

# 23. Storage Infinity vs Computational Infinity

兩者必須分開。

---

# 24. Long-Term Memory 可以越來越大

但 active working set 應保持小。

---

# 25. Bounded Active Context

定義：

$$
A_t
=
\Pi_q(
S_t,
M_t,
G_t
).
$$

---

# 26. Active Context 是投影

不是全體狀態。

---

# 27. 這接 Paper 01

$$
\text{Potential}
\neq
\text{Activated}.
$$

---

# 28. 也接 Paper 06

$$
G_{\mathrm{canonical}}
\neq
G_{\mathrm{active}}.
$$

---

# 29. 大能力域、小 active set

$$
|\mathcal C_{\mathrm{persistent}}|
\gg
|\mathcal C_{\mathrm{active}}(t)|.
$$

---

# 30. 這是長期 AI 的必要效率條件之一

---

# 31. 單一線性 Context 的 CP 問題

定義：

$$
CP_C(T)
=
\frac{
\Delta Q_{\mathrm{reasoning}}
}{
\Delta \mathrm{Cost}_{\mathrm{context}}
}.
$$

---

# 32. 隨 context 增長

可能：

$$
CP_C(T)\downarrow.
$$

---

# 33. 原因一：Addressing

更多內容不代表更容易找。

---

# 34. 原因二：Relevance

無關內容增加。

---

# 35. 原因三：Conflict

舊與新互相矛盾。

---

# 36. 原因四：State Validity

不知道哪個版本 canonical。

---

# 37. 原因五：Correction

更改早期假設影響後續。

---

# 38. 注意：Attention Complexity 不是全部

即使 attention：

$$
O(T)
\rightarrow
O(\log T)
$$

也不自動解決上述五項。

---

# 39. 因此問題不是只有 Transformer

它是 persistent cognition architecture 問題。

---

# 40. Multi-Context

本文定義：

$$
\boxed{
\mathcal C_t
=
\{
C_t^{(1)},\dots,C_t^{(n)}
\}
}
$$

---

# 41. Context 不再只有聊天序列

每個 context 有自己的：

- semantics；
- owner；
- persistence；
- authority。

---

# 42. Task Context

$$
C_t^{\mathrm{task}}.
$$

---

# 43. Identity Context

$$
C_t^{\mathrm{identity}}.
$$

---

# 44. Memory Context

$$
C_t^{\mathrm{memory}}.
$$

---

# 45. World Context

$$
C_t^{\mathrm{world}}.
$$

---

# 46. Causal Context

$$
C_t^{\mathrm{causal}}.
$$

---

# 47. Authority Context

$$
C_t^{\mathrm{authority}}.
$$

---

# 48. Social / Relationship Context

$$
C_t^{\mathrm{social}}.
$$

---

# 49. Capability Context

$$
C_t^{\mathrm{cap}}.
$$

---

# 50. Ephemeral Working Context

$$
C_t^{\mathrm{work}}.
$$

---

# 51. Shared World != Shared Context

兩 Agent 可共享：

$$
C^{\mathrm{world}}
$$

但有不同：

$$
C^{\mathrm{work}}.
$$

---

# 52. Shared Memory != Shared Working Context

固定：

$$
\boxed{
\text{Shared Memory}
\neq
\text{Shared Working Context}.
}
$$

---

# 53. Shared Working Context != Shared Cognition

---

# 54. Shared Cognition != Shared Identity

---

# 55. Context Ownership

每個 context 應標：

$$
Owner(C_i).
$$

---

# 56. Visibility

$$
Vis(C_i).
$$

---

# 57. Write Authority

$$
Write(C_i).
$$

---

# 58. Readable != Writable

---

# 59. Writable != Canonical

---

# 60. Canonical != Active

---

# 61. Context State

可以有：

```text
CANONICAL
PROJECTION
EPHEMERAL
ARCHIVED
CANDIDATE
```

---

# 62. Candidate Context

新推理不應直接覆寫 canonical。

---

# 63. Commit

需要：

$$
\text{Candidate}
\rightarrow
\text{Validate}
\rightarrow
\text{Commit}.
$$

---

# 64. Context Compilation

當任務 $q$ 到來：

$$
\boxed{
CompileContext(q)
}
$$

從多個 context 取得必要片段。

---

# 65. Context Compiler Input

$$
(q,
\text{Need},
\text{Authority},
\text{Budget},
\text{Freshness}).
$$

---

# 66. Output

$$
C_q^{\mathrm{active}}.
$$

---

# 67. 最小充分性

理想：

$$
\min |C_q|
$$

subject to：

$$
Sufficiency(C_q)\ge\theta.
$$

---

# 68. Too Small

會漏關鍵狀態。

---

# 69. Too Large

會增加噪聲與成本。

---

# 70. Context Compilation 是最佳化問題

---

# 71. SOACR Connection

先問：

> 缺什麼認知狀態？

再決定：

> 去哪裡取。

---

# 72. Need != Query

再次固定。

---

# 73. Retrieval Is Strategy-Dependent

不同 need：

- exact source；
- relation；
- historical state；

需要不同 route。

---

# 74. Multi-Graph

單一 memory graph 不夠。

---

# 75. Temporal Graph

$$
G^{time}.
$$

---

# 76. Causal Graph

$$
G^{causal}.
$$

---

# 77. Semantic Graph

$$
G^{semantic}.
$$

---

# 78. Identity Graph

$$
G^{identity}.
$$

---

# 79. Authority Graph

$$
G^{authority}.
$$

---

# 80. Capability Graph

$$
G^{capability}.
$$

---

# 81. Task Graph

$$
G^{task}.
$$

---

# 82. Provenance Graph

$$
G^{prov}.
$$

---

# 83. One Graph Is Not Enough

因為：

$$
\text{SemanticSimilarity}
\neq
\text{CausalRelation}.
$$

---

# 84. 同一句話相似，不代表因果相關

---

# 85. 同一 entity reference 跨圖也不代表同一 edge semantics

---

# 86. Typed Multi-Graph Fabric

定義：

$$
\boxed{
\mathbb G_t
=
\{
G_t^{time},
G_t^{causal},
G_t^{semantic},
G_t^{identity},
G_t^{authority},
G_t^{cap},
G_t^{task},
G_t^{prov}
\}
}
$$

---

# 87. Graph Federation

每個 domain 有 own authority。

---

# 88. Cross-Graph Bridge

$$
B_{ij}.
$$

---

# 89. Bridge 必須 typed

---

# 90. Cross-Graph Reachability != Permission

---

# 91. Active Frontier

定義：

$$
\boxed{
\mathcal F_t
\subset
V(\mathbb G_t)
}
$$

表示當下 active frontier。

---

# 92. Frontier 大小應受 budget 約束

$$
|\mathcal F_t|
\le
K.
$$

---

# 93. 若 $K$ 不隨總歷史線性增長

系統可長期維持。

---

# 94. Frontier Expansion

需要更多資訊時：

$$
\mathcal F_t
\rightarrow
\mathcal F'_t.
$$

---

# 95. Frontier Contraction

任務完成後縮回。

---

# 96. Attention Is Local to Frontier

---

# 97. Persistent State Lives Outside Active Frontier

---

# 98. Context Paging

Need 出現：

$$
PageIn(C_i).
$$

---

# 99. 任務結束：

$$
PageOut(C_i).
$$

---

# 100. Context Page Fault

需要資訊但未載入。

---

# 101. Resolve Page Fault

透過：

- exact recall；
- graph traversal；
- search；
- reconstruction。

---

# 102. Page Fault Cost

$$
C_{PF}.
$$

---

# 103. 高效系統要降低平均 Page Fault Cost

---

# 104. 這與 Paper 05 capability paging 同構

---

# 105. Context and Capability Can Co-Page

一個任務可同時：

- restore capability；
- restore memory。

---

# 106. Unified Activation Runtime

未來可同時管理：

$$
\text{Context}
+
\text{Capability}.
$$

---

# 107. Context != Capability

但 orchestration 可以共享。

---

# 108. Transfer Delta, Not Context

這是本文第二條核心原則。

---

# 109. 傳統做法

$$
C_A
\rightarrow
\text{Copy}(C_A)
\rightarrow
C_B.
$$

---

# 110. 問題

- bandwidth；
- privacy；
- contamination；
- irrelevant history。

---

# 111. 新做法

$$
\boxed{
\Delta_{A\rightarrow B}
}
$$

只傳必要狀態差。

---

# 112. State Update

$$
S_{t+1}
=
S_t
\oplus
\Delta_t.
$$

---

# 113. Delta Fields

可包括：

- changed entity；
- decision；
- evidence；
- version；
- provenance。

---

# 114. Delta 不包含全部 CoT

---

# 115. Delta 需要驗證

$$
\text{Validate}(\Delta_t).
$$

---

# 116. Delta 需要 authority

$$
\text{Authorize}(\Delta_t).
$$

---

# 117. Delta 需要 version precondition

$$
\text{ExpectedHead}.
$$

---

# 118. Lost Update Prevention

如果 stale head：

$$
\text{Reject}.
$$

---

# 119. Delta Commit

成功才：

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

---

# 120. Transfer Delta Is Typed

Memory delta：

$$
\neq
$$

Authority delta。

---

# 121. World delta：

$$
\neq
$$

Conversation delta。

---

# 122. Typed Delta Prevents Collapse

---

# 123. Asymmetric Context Transfer

對 contexts：

$$
C_i,C_j.
$$

一般：

$$
\boxed{
T_{i\rightarrow j}
\neq
T_{j\rightarrow i}.
}
$$

---

# 124. World -> Agent

只給：

- visible；
- audible；
- authorized；
- remembered。

---

# 125. Agent -> World

只能寫：

- validated actions；
- externally relevant state change。

---

# 126. Agent Internal Reasoning 不應直接污染 World State

---

# 127. Parent -> Child Agent

可給：

- goals；
- constraints；
- context slice。

---

# 128. Child -> Parent

回傳：

- result；
- evidence；
- validated delta。

---

# 129. 不回傳全部 exploration history

---

# 130. 這降低 context pollution

---

# 131. Asymmetry Is Default

不是例外。

---

# 132. Private -> Shared

通常需要更嚴 authority。

---

# 133. Shared -> Private

可以讀，但不自動成 self-memory。

---

# 134. Readable != Self-Memory

固定：

$$
\boxed{
\text{Readable}
\neq
\text{Self Memory}.
}
$$

---

# 135. Memory Admission

資料要進 resident memory：

$$
\text{Propose}
\rightarrow
\text{Validate}
\rightarrow
\text{Commit}.
$$

---

# 136. Summary Relay 的問題

傳統：

$$
C_1
\rightarrow
\text{Summary}(C_1)
\rightarrow
C_2
\rightarrow
\text{Summary}(C_2)
\rightarrow
\dots
$$

---

# 137. Summary-of-Summary Loss

低頻重要資訊容易掉：

- exception；
- negative knowledge；
- rejected route；
- rationale。

---

# 138. Summary 不應成 canonical truth

---

# 139. Summary 是 projection

$$
\text{Summary}
=
\Pi(H).
$$

---

# 140. Projection Can Be Useful

但可回到 source。

---

# 141. Source Recovery

需要：

$$
\text{ExactSourceRef}.
$$

---

# 142. Crystallized Memory

比普通 summary 強，

因為保存：

- state；
- provenance；
- open loops。

---

# 143. 但 Crystal 仍是 projection

---

# 144. Canonical Memory 不等於文件

固定：

$$
\boxed{
\text{MEMORY.md}
\neq
\text{Memory}.
}
$$

---

# 145. Memory Runtime

應保存 typed records。

---

# 146. State + Event + Index

本文提出核心存儲三分：

$$
\boxed{
\text{Current State}
+
\text{Event History}
+
\text{Rebuildable Indexes}
}
$$

---

# 147. Current State

回答：

> 現在是什麼？

---

# 148. Event History

回答：

> 怎麼變成這樣？

---

# 149. Index

回答：

> 去哪裡找？

---

# 150. Index 不是 truth

可重建。

---

# 151. Event Log 也不應每次全讀

---

# 152. Materialized State

由 events 維護。

---

# 153. Event-Sourced + Materialized State

是一個適合 persistent AI 的方向。

---

# 154. 不要求所有系統都 event sourcing

只是結構原則。

---

# 155. Canonical Head

每個 domain 可有：

$$
H_D.
$$

---

# 156. 不一定一個 global HEAD

---

# 157. Source Snapshot Vector

$$
\boxed{
\mathbf H
=
(
H_I,
H_A,
H_M,
H_K,
H_W,
H_C,
\dots
)
}
$$

---

# 158. Cognition Depends on Snapshot Vector

---

# 159. 如果任一 head 改變

部分推理可能 stale。

---

# 160. Stale != Invalid

---

# 161. But Stale Must Revalidate

---

# 162. Concurrent Context

多 conversation 可同時工作。

---

# 163. Authority != Concurrency Safety

兩者都 authorized，

仍可能互相衝突。

---

# 164. Need CAS / MVCC-like Semantics

---

# 165. Base Snapshot

每次 cognition 記：

$$
H_{base}.
$$

---

# 166. Write Set

$$
W_t.
$$

---

# 167. Read Set

$$
R_t.
$$

---

# 168. Commit Check

若依賴已改：

rebase / branch / reject。

---

# 169. Last-Write-Wins 不適合所有 cognitive state

---

# 170. Contradiction Should Be Preserved

---

# 171. Branch Is Legitimate

---

# 172. Branch != Canonical

---

# 173. Correction Locality

若一個 early fact 錯，

不應重算全部歷史。

---

# 174. Dependency Graph

找受影響：

$$
\text{Subgraph}(v).
$$

---

# 175. Local Invalidation

$$
\text{Invalidate}(
\text{Descendants}(v)
).
$$

---

# 176. Correction Cost

理想：

$$
C_{\mathrm{fix}}
\propto
|\text{affected subgraph}|.
$$

---

# 177. 而不是：

$$
O(T).
$$

---

# 178. Local Recompute

只重算受影響節點。

---

# 179. This Is Critical for Infinite Horizon

---

# 180. Linear History Makes Local Correction Hard

因為 dependency 隱藏在文字。

---

# 181. Graph Explicitness Helps

---

# 182. Provenance Graph Helps

知道哪個 claim 來自哪個 source。

---

# 183. Causal Graph Helps

知道哪個 state change 依賴哪個 event。

---

# 184. Task Graph Helps

知道哪個 deliverable 受影響。

---

# 185. Capability Graph Helps

知道哪條 path invalid。

---

# 186. Local Correction Across Graphs

需要 bridge invalidation。

---

# 187. Cross-Graph Invalidation

若 memory claim invalid：

可能 invalidate：

- task plan；
- world hypothesis；
- capability route。

---

# 188. Invalidation Is Typed

不應全刪。

---

# 189. Compaction

長期 state 仍需壓縮。

---

# 190. But Compaction != Summary

Compaction 可：

- merge events；
- materialize state；
- archive raw。

---

# 191. Lossless vs Lossy Compaction

要標。

---

# 192. Lossy Compaction 需保 source pointer

---

# 193. Memory Tiers

可以：

### Hot
active.

### Warm
nearby structured.

### Cold
archive.

---

# 194. Hot Set Bounded

---

# 195. Warm Set Task-Conditioned

---

# 196. Cold Archive Large

---

# 197. Cold Recall

需要較高 latency。

---

# 198. Warm Route

已知地址。

---

# 199. Hot Compiled Path

常用路徑。

---

# 200. Path Compilation Does Not Compile Permission

固定。

---

# 201. Memory and Capability Routing Can Share Hot Paths

---

# 202. But Canonicality Remains Domain-Specific

---

# 203. Effective Infinite Context Criteria

本文提出六項：

1. bounded active context；
2. stable retrieval；
3. causal consistency；
4. local correction；
5. typed provenance；
6. bounded reconstruction cost。

---

# 204. Bounded Active Context Criterion

$$
C_{\mathrm{active}}(T)
=
O(1)
$$

或：

$$
O(\log T).
$$

---

# 205. Retrieval Criterion

$$
E_R(T)\le\varepsilon.
$$

---

# 206. Causal Criterion

$$
E_C(T)\le\delta.
$$

---

# 207. Correction Criterion

$$
C_{\mathrm{fix}}(T)
=o(T).
$$

---

# 208. Provenance Criterion

critical state 可追到 source。

---

# 209. Reconstruction Criterion

restart 後：

$$
\tau_{\mathrm{rebuild}}
$$

有界。

---

# 210. 不能保證所有任意世界都 O(1)

這是重要限制。

---

# 211. Locality Assumption

有效無限需要某種：

$$
\boxed{
\text{Bounded Locality / Sparsity Assumption}.
}
$$

---

# 212. 若所有狀態都依賴所有歷史

任何系統都很難 bounded。

---

# 213. Real Systems Often Sparse Enough

很多變更只影響局部。

---

# 214. 但不是永遠

---

# 215. Global Events

某些 event 可能影響整張圖。

---

# 216. Global Recompute 是允許的

只是不能每步都發生。

---

# 217. Effective Infinite Is Statistical / Operational

不是絕對數學全知。

---

# 218. Active Cost Bound

可要求：

$$
\mathbb E[
C_{\mathrm{step}}
]
\le K.
$$

---

# 219. Rare Spike Allowed

---

# 220. Amortized Cost

更實際：

$$
\frac{1}{T}
\sum_{t=1}^T
C_t
\le
K.
$$

---

# 221. Amortized Infinite Context

是一個可測方向。

---

# 222. Retrieval Precision vs Recall

不能只追 recall。

---

# 223. Too Much Recall Can Hurt

context pollution。

---

# 224. Sufficiency-Oriented Retrieval

目標：

> enough to solve task。

---

# 225. Stop Rule

retrieval 足夠就停。

---

# 226. Progressive Recall

若不足再擴張。

---

# 227. Progressive Recall Saves Cost

---

# 228. Need-Driven Retrieval

不是：

> 每次搜尋全部 memory。

---

# 229. Retrieval Planner

決定：

- exact；
- graph；
- semantic；
- temporal；
- external。

---

# 230. Memory Backend Is Implementation

不是 ontology。

---

# 231. Vector DB 不是 memory 本體

---

# 232. Graph DB 也不是 memory 本體

---

# 233. SQL 也不是

---

# 234. Multi-Representation Memory

同一 canonical object 可有：

- vector；
- graph；
- text；
- state row。

---

# 235. Projection != Truth

---

# 236. Rebuildable Index

所有 index 可由 canonical source 重建。

---

# 237. Index Corruption Should Not Destroy Memory

---

# 238. Canonical Memory Record

應有：

- type；
- source；
- version；
- owner；
- validity。

---

# 239. Memory Commit Policy

不是所有 conversation 都進 memory。

---

# 240. Memory Admission

要看：

- future utility；
- stability；
- privacy；
- authority。

---

# 241. Memory Saturation

若所有內容都存：

retrieval 會惡化。

---

# 242. Forgetting Can Be Healthy

---

# 243. Forget != Delete Source

可 archive。

---

# 244. Active Forgetting

只從 hot/warm 移出。

---

# 245. Memory Garbage Collection

清理：

- superseded；
- duplicate；
- low-value projection。

---

# 246. Canonical Source Retention

高價值 raw source 保留。

---

# 247. Memory Lifecycle

$$
\text{Observe}
\rightarrow
\text{Candidate}
\rightarrow
\text{Commit}
\rightarrow
\text{Project}
\rightarrow
\text{Archive}
\rightarrow
\text{Invalidate}.
$$

---

# 248. Context Lifecycle

$$
\text{Compile}
\rightarrow
\text{Use}
\rightarrow
\text{Expire}.
$$

---

# 249. Context Is Disposable

這是重要觀念。

---

# 250. Persistent State Is Not Context

---

# 251. Conversation Is Not Memory

---

# 252. Conversation Is an Event Surface

---

# 253. Persistent AI Should Survive Conversation End

---

# 254. Conversation Reset Test

關閉 chat。

新 chat。

重建：

- identity；
- task；
- memory；
- capability。

---

# 255. 如果只能靠 full transcript

不夠成熟。

---

# 256. Resume Fidelity

定義：

$$
F_{\mathrm{resume}}.
$$

---

# 257. Resume Time

$$
\tau_{\mathrm{resume}}.
$$

---

# 258. Resume Cost

$$
C_{\mathrm{resume}}.
$$

---

# 259. Persistent Capability Requires Good Resume

---

# 260. Cross-Conversation Continuity

是 effective infinite context 的基本測試之一。

---

# 261. Cross-Model Continuity

更強：

換 model。

---

# 262. Cross-Substrate Continuity

Paper 07。

---

# 263. Multi-Context Continuity

重要的是 contexts 本身可跨 runtime 持續。

---

# 264. Context Identity

每個 context 可有 stable ID。

---

# 265. Context Version

$$
v(C_i).
$$

---

# 266. Context Lineage

$$
C_i^{(0)}
\rightarrow
C_i^{(1)}.
$$

---

# 267. Context Merge

需要 conflict handling。

---

# 268. Context Split

也可能合法。

---

# 269. Forked Hypotheses

研究中可保留多 branch。

---

# 270. 不應強制所有 context 合併

---

# 271. Divergence Is Information

---

# 272. Branch Comparison

可後續驗證。

---

# 273. Hypothesis Context

與 canonical fact context 分開。

---

# 274. Observation Context

與 inference context 分開。

---

# 275. Observation != Inference

固定：

$$
\boxed{
\text{Observation}
\neq
\text{Inference}.
}
$$

---

# 276. Inference != Memory Commit

---

# 277. Memory != Knowledge

---

# 278. Knowledge != World State

---

# 279. World State != Observation

---

# 280. Context Typing Prevents Epistemic Collapse

---

# 281. Multi-Context Does Not Mean Multi-Prompt Only

這是架構層。

---

# 282. Context Can Be Non-Textual

- graph；
- tensor；
- state table；
- artifact。

---

# 283. Text Is Rendering

---

# 284. Natural Language Is Not Always Source of Truth

---

# 285. Executable Symbolic State

某些 domain 應以 structured state 保存。

---

# 286. AI Reads Projection

---

# 287. Writes Proposal

---

# 288. Runtime Commits Canonical

---

# 289. Model != Executor

---

# 290. Model != Canonical Memory Authority

---

# 291. Model != World Authority

---

# 292. This Supports Persistent Safety

---

# 293. Multi-Context Access Control

不同 contexts：

- public；
- shared；
- private；
- secret。

---

# 294. Context Projection Must Respect Authority

---

# 295. Unauthorized Memory Must Not Leak via Compilation

---

# 296. Memory Search Cannot Bypass Permission

---

# 297. Backend Choice Cannot Bypass Permission

---

# 298. Context Compiler Needs Principal

$$
\text{CompileContext}(q,\text{principal}).
$$

---

# 299. Principal-Conditioned Context

$$
C_q^{(p)}.
$$

---

# 300. Same World, Different Context

不同 Agent 可看到不同 projection。

---

# 301. This Is Not Inconsistency

若權限／視角不同。

---

# 302. Epistemic Perspective

每個 agent 有：

$$
K_i(t).
$$

---

# 303. World State

$$
W_t.
$$

---

# 304. Agent Knowledge != World State

---

# 305. 這將直接接 Paper 09

---

# 306. Context and Causal World

如果 world state 只在 Agent context，

世界不獨立。

---

# 307. Persistent World Requires External Canonical State

---

# 308. Agent Context Is Observation Projection

$$
O_i(t)
=
\Pi_i(W_t).
$$

---

# 309. Observation Can Be Incomplete

---

# 310. World Continues Off-Screen

---

# 311. Context Should Not Be World Storage

---

# 312. This Is the Key Bridge to World Models

---

# 313. Long-Horizon Agent Without World State

容易產生：

- object forgetting；
- causal inconsistency。

---

# 314. Long-Horizon World Without Agent Memory

也不夠。

---

# 315. Need Both

$$
M_{\mathrm{agent}}
\neq
M_{\mathrm{world}}.
$$

---

# 316. Context Is Neither

---

# 317. Agent Memory Types

至少：

- episodic；
- semantic；
- task；
- relationship。

---

# 318. World Memory Types

至少：

- entity；
- causal；
- event；
- process；
- topology。

---

# 319. Shared Indexes May Cross

但 canonical owner 不同。

---

# 320. Context Compilation for World Interaction

Agent 只載：

> local relevant world slice。

---

# 321. Bounded Observation

這使 world 可以很大，

agent context 仍小。

---

# 322. Infinite World Interaction

需要：

$$
\text{Local Observation}
+
\text{Persistent World State}.
$$

---

# 323. 這和遊戲引擎本來就相似

玩家不需要一次載入整個世界。

---

# 324. Streaming World

只載附近 chunk。

---

# 325. AI Context 可以類似 streaming cognition

---

# 326. Cognitive Streaming

$$
\text{PersistentState}
\rightarrow
\text{LocalProjection}
\rightarrow
\text{ActiveReasoning}.
$$

---

# 327. 這是比「超長 Prompt」更接近長期系統的架構

---

# 328. Context Window Still Matters

本文不是說 context 無用。

---

# 329. Longer Context Reduces Some Paging Cost

---

# 330. 但不等於 canonical memory

---

# 331. 也不等於 causal state

---

# 332. Large Context Is Cache

更合理地可視為：

> large high-bandwidth working cache。

---

# 333. Cache Is Valuable

---

# 334. Cache Is Not Database

---

# 335. Cache Is Not Identity

---

# 336. Cache Is Not World

---

# 337. Long Context Best Used as Wide Active Frontier

---

# 338. Not as Infinite History Dump

---

# 339. Context Budget Allocation

應分：

- current task；
- evidence；
- memory；
- tools；
- world。

---

# 340. Adaptive Context Budget

不同任務不同。

---

# 341. Context Overcommit

如果太多：

性能下降。

---

# 342. Context Undercommit

太少：

缺資訊。

---

# 343. Optimal Active Context

$$
C^*
=
\arg\max_C
\frac{
\text{Quality}(C)
}{
\text{Cost}(C)
}.
$$

---

# 344. 這是 Paper 02 的 CP 概念延伸

---

# 345. Effective Infinite Context Is Not Maximum Context

而是：

$$
\boxed{
\text{Optimal Context at Every Step over Unbounded Time}.
}
$$

---

# 346. Persistent Capability and Context

能力本身可以 dormant。

---

# 347. Context 只載能力 interface

需要時 restore tool。

---

# 348. Memory + Capability Co-Activation

---

# 349. Unified Need Compiler

可決定：

- recall what；
- load what capability；
- observe what world state。

---

# 350. Cognitive Need

可以分：

```text
STATE_NEED
MEMORY_NEED
CAPABILITY_NEED
WORLD_NEED
AUTHORITY_NEED
```

---

# 351. Different Need -> Different Route

---

# 352. This Can Reduce Blind Search

---

# 353. Effective Infinite Context and Hyperlinks

Compiled route：

$$
\text{Need}
\rightarrow
\text{State}.
$$

---

# 354. AI Hyperlink Is Typed Transition

---

# 355. Hyperlink Can Jump Across Large History

不用 reread。

---

# 356. This Is How Path Length Compresses

---

# 357. But Complexity Still Exists

由 memory/runtime 承受。

---

# 358. No Free Compression

---

# 359. Route-to-Point

一個複雜 path 可在高階變一個 node。

---

# 360. Expand for Audit

---

# 361. Context Hyperlink

例如：

> latest canonical state of project X。

---

# 362. Retrieval returns state, not whole transcript

---

# 363. This Is Long-Term Efficiency

---

# 364. Failure: Context Amnesia

應該記得卻找不到。

---

# 365. Failure: Context Hallucination

系統以為有 memory。

---

# 366. Failure: Stale Recall

找舊版本。

---

# 367. Failure: Over-Recall

載太多。

---

# 368. Failure: Cross-Domain Leakage

拿 private context 到 shared。

---

# 369. Failure: Authority Confusion

read 權限被當 write。

---

# 370. Failure: Summary Drift

多輪壓縮失真。

---

# 371. Failure: Causal Flattening

把 correlation 當 cause。

---

# 372. Failure: Branch Collapse

不同 hypothesis 被硬合併。

---

# 373. Failure: World/Agent Memory Collapse

把世界真實和角色知道的混在一起。

---

# 374. Failure: History/State Collapse

把舊事件當現在狀態。

---

# 375. Failure: Context Identity Collapse

不同 conversation 當同一 object。

---

# 376. Typed Runtime 可以診斷

---

# 377. Effective Infinite Context Benchmark

不能只測：

> needle-in-haystack。

---

# 378. Need Longitudinal Benchmarks

---

# 379. Benchmark 1: Long Resume

跨 100 次 restart。

---

# 380. Benchmark 2: State Revision

早期 fact 改變。

測局部修正。

---

# 381. Benchmark 3: Branch Preservation

同時保留兩 hypothesis。

---

# 382. Benchmark 4: Authority Separation

private/shared context。

---

# 383. Benchmark 5: World/Agent Split

agent 不應知道 hidden world state。

---

# 384. Benchmark 6: Long Task

持續多日。

---

# 385. Benchmark 7: Context Budget

固定 active budget，

讓 history grow。

---

# 386. Benchmark 8: Retrieval Drift

測 recall precision 隨時間。

---

# 387. Benchmark 9: Correction Cost

測早期修正影響。

---

# 388. Benchmark 10: Model Swap

persistent state 是否保留。

---

# 389. Benchmark 11: Substrate Swap

Paper 07。

---

# 390. Benchmark 12: Capability Recovery

Paper 05。

---

# 391. Unified Persistent Intelligence Benchmark

可以整合前面系列。

---

# 392. Metrics

$$
F_{\mathrm{resume}},
$$

$$
E_R,
$$

$$
E_C,
$$

$$
C_{\mathrm{step}},
$$

$$
C_{\mathrm{fix}},
$$

$$
\tau_{\mathrm{restore}}.
$$

---

# 393. Memory Precision

$$
P_M.
$$

---

# 394. Memory Recall

$$
R_M.
$$

---

# 395. But Need State Accuracy

$$
A_S.
$$

---

# 396. Causal Consistency

$$
\text{Cons}_C.
$$

---

# 397. Authority Integrity

$$
\text{Int}_A.
$$

---

# 398. Branch Integrity

$$
\text{Int}_B.
$$

---

# 399. Context Efficiency

$$
\eta_C
=
\frac{
\text{TaskUtility}
}{
\text{ActiveTokens}+\text{RetrievalCost}
}.
$$

---

# 400. Infinite-Horizon Stress Test

history length：

$$
T=10^3,10^4,10^5,\dots
$$

測曲線。

---

# 401. Desired Scaling

active cost 近常數。

---

# 402. Retrieval error 不發散。

---

# 403. Correction cost 次線性。

---

# 404. If These Fail

有效無限上下文不成立。

---

# 405. Memory Growth Law

Storage 可：

$$
O(T).
$$

---

# 406. Index Growth

可以：

$$
O(T).
$$

---

# 407. Active Cost Still Bounded

這是關鍵。

---

# 408. Compaction Can Reduce Storage

但不是必要條件。

---

# 409. Compression vs Retrieval Tradeoff

更壓縮可能提高誤差。

---

# 410. Need Loss Budget

$$
L_{\mathrm{comp}}\le\theta.
$$

---

# 411. High-Value State Must Be Lossless

例如：

- authority；
- financial transaction；
- canonical decision。

---

# 412. Low-Value Dialogue Can Be Lossy

---

# 413. Tiered Fidelity

不同 memory type 不同 compression。

---

# 414. Exact Source Recovery

高風險時回原文。

---

# 415. Verification Before Commit

Memory 不應直接吃模型摘要。

---

# 416. Need Evidence

---

# 417. Context Compiler Should Prefer Canonical over Projection

---

# 418. Projection Only When Appropriate

---

# 419. Context Provenance

Active context item 應知道 source。

---

# 420. Context Debugging

可回答：

> 這條資訊從哪裡來？

---

# 421. Context Receipt

每次 compilation 可產：

```yaml
task:
principal:
sources:
heads:
projection_rules:
budget:
freshness:
```

---

# 422. Receipt Helps Reproduce

---

# 423. Context Determinism

不要求完全 deterministic。

但同條件應近似可重建。

---

# 424. Context Compilation Variance

可測：

$$
\text{Var}(C_q).
$$

---

# 425. 高 variance

可能造成 capability instability。

---

# 426. Context Compiler Is Meta-Capability

---

# 427. It Can Be Learned

---

# 428. Route Learning

成功 context composition 可被編譯。

---

# 429. But User Privacy / Authority Still Live Check

---

# 430. Context Compiler Cannot Self-Authorize

---

# 431. Persistent Intelligence Security

多 context 意味更大 attack surface。

---

# 432. Prompt Injection Isolation

外部 content 應在 observation context。

---

# 433. 不應直接進 authority context

---

# 434. Tool Output 也只是 observation

除非 validator / commit。

---

# 435. Context Domain Separation Is Security Primitive

---

# 436. Memory Poisoning

惡意內容進 long-term memory 很危險。

---

# 437. Memory Admission Filter

需要：

- provenance；
- scope；
- risk。

---

# 438. Capability Poisoning

惡意 instruction 不能生成 capability edge。

---

# 439. World Model Poisoning

NPC dialogue 不得改 system policy。

---

# 440. Cross-Domain Firewall

可以是 runtime policy。

---

# 441. Multi-Context Privacy

private memory 不應因 semantic similarity 被抓進 shared task。

---

# 442. Retrieval Needs Authority Filter Before Ranking

---

# 443. Rank-Then-Filter 可能洩漏

---

# 444. Filter-Then-Rank 更安全

---

# 445. Context Compiler Order

$$
\text{Authorize}
\rightarrow
\text{Retrieve}
\rightarrow
\text{Rank}
\rightarrow
\text{Compile}.
$$

---

# 446. 不是先取再過濾

---

# 447. Effective Infinite Context and Identity

長期 Resident continuity 需要：

- identity graph；
- memory；
- lineage。

---

# 448. Identity != Current Model

---

# 449. Conversation != Resident

---

# 450. Runtime Instance != Resident

---

# 451. Persistent Context Is Not Persistent Identity

---

# 452. Identity Continuity Needs Separate Invariants

---

# 453. 本文不解決 consciousness

---

# 454. Persistent Intelligence Is Operational

---

# 455. It Does Not Prove Subjectivity

---

# 456. 有效無限上下文也不等於全知

---

# 457. It Can Still Forget

---

# 458. It Can Still Be Wrong

---

# 459. Difference Is Recoverability and Bounded Cost

---

# 460. Selective Forgetting Is Required

---

# 461. Complete Memory Is Not Goal

---

# 462. Right State at Right Time Is Goal

---

# 463. Core Principle

$$
\boxed{
\text{Remember Everything Simultaneously}
\neq
\text{Recover the Right State at the Right Time}.
}
$$

---

# 464. This Is the Boundary Between Long Context and Persistent Intelligence

---

# 465. Effective Infinite Context Mother Formula

本文固定：

$$
\boxed{
EIC
=
BAC
+
PMC
+
MGA
+
ACT
+
VDU
+
LC
}
$$

其中：

- $BAC$：Bounded Active Context；
- $PMC$：Persistent Multi-Context；
- $MGA$：Multi-Graph Addressing；
- $ACT$：Asymmetric Context Transfer；
- $VDU$：Validated Delta Updates；
- $LC$：Local Correction。

---

# 466. 完整式

$$
\boxed{
\text{Effective Infinite Context}
=
\text{Bounded Active Context}
+
\text{Persistent Multi-Context State}
+
\text{Multi-Graph Addressing}
+
\text{Asymmetric Context Transfer}
+
\text{Validated Delta Updates}
+
\text{Local Correction}
}
$$

---

# 467. Persistent Capability Mother Formula

$$
\boxed{
\text{Persistent Capability}
=
\text{Persistent State}
+
\text{Recoverable Capability Fabric}
+
\text{Context Compiler}
+
\text{Validated Execution}.
}
$$

---

# 468. Canonical Invariants

本文固定：

1. Context Capacity != Interaction Horizon.
2. History != Current State.
3. Conversation != Memory.
4. Working Context != Canonical State.
5. Working Context != Full Memory.
6. Shared World != Shared Working Context.
7. Shared Memory != Shared Working Context.
8. Shared Working Context != Shared Cognition.
9. Shared Cognition != Shared Identity.
10. Memory != Knowledge.
11. Knowledge != World State.
12. Observation != World State.
13. Observation != Inference.
14. Inference != Memory Commit.
15. Need != Query.
16. Retrieval != Context Inclusion.
17. Readable != Self Memory.
18. Readable != Writable.
19. Writable != Canonical.
20. Canonical != Active.
21. Context Transfer != Context Copy.
22. Transfer Delta, Not Context.
23. Context Transfer Is Generally Asymmetric.
24. Summary != Canonical Truth.
25. Crystal != Canonical Memory.
26. Index != Truth.
27. Graph Projection != Canonical State.
28. One Graph Is Not Enough.
29. Semantic Similarity != Causal Relation.
30. Stale != Invalid, but Stale Must Revalidate.
31. Branch != Canonical.
32. Conflict != Overwrite.
33. Correction Should Be Local When Dependency Is Local.
34. Longer Context != Better Context.
35. Huge Context Window != Persistent Intelligence.
36. Infinite Interaction != Infinite Active Context.
37. Storage Growth != Active Compute Growth.
38. Effective Infinite Context Requires Bounded or Amortized Active Cost.
39. Context Compiler Must Be Authority-Aware.
40. External Observation Cannot Mint Authority.
41. World Memory != Agent Memory.
42. Context Is Not World Storage.
43. Persistent World Requires Canonical State Outside Any Single Context.
44. Model != Memory Authority.
45. Model != World Authority.
46. Effective Infinite Context != Omniscience.
47. Selective Forgetting Can Improve Persistence.
48. Recover the Right State at the Right Time != Remember Everything Simultaneously.

---

# 469. 可證偽條件

### F1

若單一線性 context 在極長歷史下可以保持近常數單步成本、低 retrieval error、低 causal drift 與局部 correction cost，則 multi-context / multi-graph 架構的必要性下降。

### F2

若 summary relay 在多千輪長期任務中能與 canonical state + event + index 架構達到相同 resume fidelity 與 correction precision，本文對 summary-of-summary loss 的強調需下降。

### F3

若 multi-context domain separation 無法改善 privacy、authority、state validity 或 debugging，則其結構可能過度複雜。

### F4

若 validated delta updates 相較於全文 context transfer 沒有降低 bandwidth、污染、conflict 或 correction cost，則 Transfer Delta 原則需修正。

### F5

若 local dependency graph 無法在真實長程任務中顯著降低 correction cost，則 local correction 的可擴展性主張被削弱。

---

# 470. 最小工程 MVP

建立五個 canonical context：

```text
identity
task
memory
authority
capability
```

再建立：

```text
active_working_context
```

---

# 471. MVP 不需要先做世界模型

---

# 472. 每個 canonical context

需有：

- head；
- version；
- owner；
- authority。

---

# 473. Context Compiler

輸入：

$$
q.
$$

輸出：

$$
C_q^{\mathrm{active}}.
$$

---

# 474. Delta Commit

工作完成後只提交：

$$
\Delta.
$$

---

# 475. Restart Harness

清空 active context。

重建。

---

# 476. MVP Test 1

100 次 restart。

---

# 477. MVP Test 2

history 長度逐步增加。

---

# 478. MVP Test 3

固定 active token budget。

---

# 479. MVP Test 4

修改早期 canonical state。

測 local invalidation。

---

# 480. MVP Test 5

private/shared memory 分離。

---

# 481. MVP Test 6

authority revoke。

---

# 482. MVP Test 7

capability restore。

---

# 483. MVP Test 8

model swap。

---

# 484. MVP Metrics

$$
F_{\mathrm{resume}},
E_R,
C_{\mathrm{active}},
C_{\mathrm{fix}},
\tau_{\mathrm{resume}}.
$$

---

# 485. 成功條件

history：

$$
T\uparrow
$$

時：

$$
C_{\mathrm{active}}
$$

近似穩定。

---

# 486. 且：

$$
F_{\mathrm{resume}}
$$

不持續下降。

---

# 487. 且 correction cost 次線性。

---

# 488. 與 Paper 05 的關係

Recoverable Capability Field：

不必常駐。

---

# 489. 與 Paper 06 的關係

Canonical / Effective / Active Capability Graph：

與 Canonical / Active Context 同構。

---

# 490. 與 Paper 07 的關係

Persistent state 必須能跨 substrate 重建。

---

# 491. 與 Paper 09 的關係

下一篇將把：

$$
\text{PersistentState}
$$

從 AI 自身推到 World。

---

# 492. 世界也需要 Multi-Context-like 分層

- canonical world；
- agent knowledge；
- local observation；
- history；
- causal state。

---

# 493. Agent Context 不應成為世界本體

---

# 494. Persistent World 是 Paper 08 的自然外推

---

# 495. 一句話定義

> **有效無限上下文不是把所有歷史永久塞進一個愈來愈長的 token 序列，而是在互動歷史持續增長時，透過持續多上下文、多圖式索引、非對稱狀態傳遞、經驗證的 delta commit 與局部修正，使 AI 每一步只載入必要狀態，仍能以近似有界成本長期維持可恢復、可校正、可追溯的認知連續性。**

---

# 496. 結論

長 context 是重要技術。

但它不是 persistent intelligence 的完整答案。

真正長期存在的 AI 不能把：

- identity；
- world；
- memory；
- authority；
- capability；
- task；

全部壓在同一條 conversation history 中。

因為：

$$
\boxed{
\text{History}
\neq
\text{State}.
}
$$

同樣地：

$$
\boxed{
\text{Context}
\neq
\text{Memory}.
}
$$

以及：

$$
\boxed{
\text{Memory}
\neq
\text{World}.
}
$$

真正持續的 AI 需要：

$$
\boxed{
\text{State}
+
\text{Event}
+
\text{Index}
}
$$

並以 multi-context / multi-graph 保存不同型別的長期結構。

當下推理只應載入：

$$
A_t
\subset
\mathcal C_t.
$$

不同 context 之間也不應互相完整複製，而是：

$$
\boxed{
\text{Transfer Delta, Not Context}.
}
$$

因此：

$$
T_{i\rightarrow j}
\neq
T_{j\rightarrow i}
$$

應被視為正常狀態。

一個 Agent 不需要知道世界全部狀態。

一個 child Agent 不需要把全部 exploration history 回傳給 parent。

一項 memory 可被讀取，不代表應被寫入 self-memory。

一段外部 observation 可以進工作 context，不代表可以修改 authority。

這些分離使長期 AI 開始從「一個越來越長的聊天紀錄」變成「一個可以持續存在的認知運行時」。

因此，本文的真正核心不是：

> 如何讓模型記得更多？

而是：

> **如何讓真正重要的狀態，在需要時可被正確恢復，而不要求所有歷史同時存在於當下？**

這就是：

$$
\boxed{
\text{Recover the Right State at the Right Time}.
}
$$

而不是：

$$
\text{Remember Everything Simultaneously}.
$$

到了這一步，下一個問題便無法避免。

如果 AI 自己不能只靠 context 持續存在，那麼一個「世界」更不可能只靠生成模型的 context 持續存在。

真正的世界模型必須具有自己的：

- canonical state；
- causal transition；
- entity identity；
- history；
- memory；
- agent state；
- observation projection；
- control / governance。

因此，整個 DCAO 系列最後一篇將把能力本體從 AI 延伸到世界：

$$
\boxed{
\text{Persistent AI}
\rightarrow
\text{Persistent World}.
}
$$

—— **Paper 09｜從持續 AI 到持續世界：世界模型、因果狀態與動態能力閉合。**