稀疏引導下的持續自主認識演化

具可寫外部認識基質之本地長期 LLM Agent 命題

Persistent Autonomous Epistemic Evolution under Sparse Steering:
A Proposition for Long-Running Local LLM Agents with Writable External Epistemic Substrates

作者：Neo.K
版本：Public Draft v0.1
日期：2026-07-08

摘要

隨著大型語言模型（Large Language Models, LLMs）逐步被嵌入具備工具調用、持久記憶、排程、檔案系統存取與長期任務執行能力的 Agent 架構，一個新的研究問題開始出現：若一個本地長期運行的 LLM Agent 擁有足夠持久的外部儲存、可管理的記憶模組、對數位環境的增刪改查能力，以及經使用者授權的較高自主性，那麼人類是否可能只需在早期提供較高資訊量的方向性指令，之後僅以稀疏控制訊號介入，而 Agent 仍能持續展開任務、修正中間產物、重組自身外部知識結構、淘汰過時資料、生成後續子問題，並維持長期演化？

本文提出「稀疏引導下的持續自主認識演化命題」（Persistent Autonomous Epistemic Evolution under Sparse Steering, PAEESS）。其核心主張不是 Agent 已具有生物式自我，也不是長期自主性必然導向能力提升，而是：在一組可明確描述的系統條件下，外部人類控制訊息的密度可以下降，而 Agent—環境聯合系統的認識狀態仍可持續發生非平凡演化。

本文進一步提出「外部認識基質」（External Epistemic Substrate, EES）概念。對長期 Agent 而言，資料碟、檔案系統、資料庫、程式碼倉庫、任務佇列、記憶索引、日誌、模型產物與工具配置，不應只被視為被動儲存設備；當 Agent 具有寫入、更新、合併、壓縮、封存、刪除、重建索引與重新組織能力時，這些持久結構開始構成 Agent 後續推理與行動的外部條件。因而，Agent 不只是「讀取記憶」，而是在部分程度上修改未來自身能夠讀到什麼、如何檢索、如何行動，以及下一輪計算從何種狀態開始。

本文建立基本形式模型，區分普通記憶增強 Agent、自管理記憶 Agent、自維持認識 Agent 與可修改演化算子的更強系統；提出控制訊息壓縮、歷史成為指令、外部認識基質、自維持數位環境、未來自條件化等概念；並提出可證偽指標，包括人類介入率、任務連續性、狀態演化量、記憶治理品質、有效產物率、回滾率與自主性—可靠性前沿。

本文認為，未來本地 Agent 的關鍵分水嶺可能不只是模型參數量或上下文窗口，而是：

\boxed{ \text{有限活動上下文} + \text{近似無界的持久外部基質} + \text{自主記憶治理} + \text{長期狀態連續性} + \text{受約束的自主行動} }

若此命題成立，則某些長期 Agent 系統將不再只是等待使用者逐步提示的工具，而可能成為由人類設定初始方向與邊界、其後在本地數位環境中持續演化的認識過程。

關鍵詞

LLM Agent；長期自主性；持久記憶；外部認識基質；本地 Agent；稀疏引導；記憶治理；持續性 Agent；自主研究；人機協作；Agentic Memory；Persistent Agents

1. 引言

大型語言模型的早期主流互動模式可以簡化為：

u_t \rightarrow M \rightarrow y_t,

其中使用者在每一輪提供輸入 $u_t$ ，模型 (M) 生成輸出 $y_t$ 。即使系統保留對話歷史，主要控制權仍通常來自當前使用者提示。

Agent 架構改變了這一點。當 LLM 被配置：

工具調用；
檔案系統操作；
程式執行；
持久記憶；
任務排程；
多步規劃；
外部服務連接；
子 Agent 調度；

其基本結構逐步轉為：

(\Sigma_t,u_t) \rightarrow a_t \rightarrow \Sigma_{t+1},

其中 $\Sigma_t$ 是跨輪次持續存在的系統狀態。

截至 2026 年，實際系統已開始展現這種方向。例如，自託管 Agent 平台可在使用者自己的機器或伺服器上維持長期可用的 Gateway、工具與排程任務；研究工作亦已開始探討 persistent agents、long-horizon autonomy、autonomous memory management、environment engineering 與長期 Agent 研究環境。

然而，多數討論仍主要集中於：

如何提高單次任務成功率；
如何讓 Agent 記住更多資訊；
如何讓 Agent 執行更長的工作流；
如何降低 token 與推理成本；
如何設計更好的 memory retrieval。

本文提出另一個問題：

如果 Agent 不只擁有記憶，而能長期治理、重寫、刪除、壓縮與重新組織自己的外部持久狀態，並能在較少人類指令下持續生成後續行動，那麼我們面對的是否已不只是「有記憶的 Agent」，而是一種持續自主認識演化系統？

本文的目標，就是對此問題提出一個可操作、可比較、可反駁的理論命題。

2. 研究動機：從高密度指令到稀疏引導

考慮一個長期研究或工程任務。

在初始階段，使用者可能提供高資訊量指令：

以並行計算為主，先執行多條實驗路線；不要保護原始命題；讓計算結果反過來修改評分函數、解析度、目標與下一輪問題。

這類輸入可以寫為：

u_0 = \text{high-information steering signal}.

但若 Agent 具有：

任務歷史；
結果記錄；
失敗診斷；
中間產物；
計算工具；
研究目標；
長期記憶；

則後續人類輸入可能逐步縮短為：

u_1=\text{「繼續下一輪」},

甚至：

u_t\approx\varnothing.

此時，下一步行動不再主要由當前短指令決定，而由：

(\Sigma_t,H_t)

決定，其中：

$\Sigma_t$ ：當前系統狀態；
$H_t$ ：歷史狀態與先前結果。

因此，一個看似資訊量極低的「繼續」訊號，可能實際調用：

\text{Observe} \rightarrow \text{Diagnose} \rightarrow \text{Revise} \rightarrow \text{Allocate} \rightarrow \text{Compute} \rightarrow \text{Re-Propose}.

這提出第一個核心現象：

\boxed{ \text{外部控制訊息可以變稀疏， 而內部研究演化仍持續增厚。} }

3. 相關技術背景

3.1 持久 Agent 已逐步成為現實系統形態

現有自託管 Agent 平台已展示：

在本機或伺服器運行；
長期可用；
連接通訊介面；
使用工具；
執行排程任務。

這說明「Agent 作為長期運行程序」已不是純粹理論想像。

但本文不將任何特定平台視為本文命題的充分實現。既有系統只是說明若干必要元件已存在。

3.2 Agent Memory 正從儲存轉向治理

近期研究開始把 Agent 記憶視為一個動態過程，而非單純資料庫。

相關方向包括：

persistent long-term memory；
memory write–manage–read loops；
自主決定 store / retrieve / update / summarize / discard；
self-organizing memory；
provenance；
lifecycle management；
knowledge validation；
memory consolidation。

因此：

\text{Memory} \neq \text{Append-only storage}.

本文在此基礎上再往前一步：

若 Agent 能修改的不只是記憶條目，而是記憶結構、索引、工具、程式、任務佇列與外部工作環境，那麼研究對象應從「memory system」擴展為「Agent—environment coupled process」。

3.3 長期自主性不等於單次強推理

Ultra-long-horizon Agent 研究已指出，長期任務不能只靠持續累加原始上下文；需要把大量暫時執行痕跡轉化為較穩定、可重用的知識。

因此本文採取：

\boxed{ \text{有限活動認知} + \text{持久外部結構} }

而非：

\text{無限 Context Window}

作為核心假設。

4. 基本定義

定義 1：本地長期 LLM Agent

令：

\mathcal A = ( M, \Pi, T, H, S, \Gamma ),

其中：

(M)：LLM 或模型集合；
$\Pi$ ：規劃與控制策略；
(T)：工具集合；
(H)：持久歷史／記憶；
(S)：外部持久儲存；
$\Gamma$ ：權限與治理邊界。

若 $\mathcal A$ 能跨多個 session 保持狀態，並在本地計算機或使用者控制的伺服器環境中長期運行，則稱為本地長期 LLM Agent。

定義 2：近似無界持久儲存

本文所稱「類無限資料碟容量」不是數學上的無限容量。

定義：

S_{\mathrm{ext}} \gg S_{\mathrm{active}},

其中：

$S_{\mathrm{ext}}$ ：外部持久儲存容量；
$S_{\mathrm{active}}$ ：Agent 單次活動上下文可有效處理的狀態量。

若在研究時間尺度內：

\Pr[ S_{\mathrm{ext}} \text{ 成為主要瓶頸} ] \ll 1,

則可稱為相對近似無界持久儲存。

其重點不是容量真的無限，而是：

\boxed{ \text{外部持久狀態的可累積尺度， 遠大於單次活動上下文。} }

定義 3：外部認識基質

令：

[ E_t

( F_t, DB_t, C_t, J_t, K_t, I_t, Q_t ), ]

其中：

$F_t$ ：檔案；
$DB_t$ ：資料庫；
$C_t$ ：程式碼與可執行物；
$J_t$ ：任務與排程；
$K_t$ ：知識與記憶結構；
$I_t$ ：索引與檢索結構；
$Q_t$ ：待辦問題與工作佇列。

若 Agent 能對 $E_t$ 執行：

\mathcal O = \{ \text{read}, \text{write}, \text{update}, \text{merge}, \text{compress}, \text{archive}, \text{delete}, \text{reindex}, \text{reorganize} \},

則稱 $E_t$ 為 Agent 的外部認識基質（External Epistemic Substrate, EES）。

定義 4：稀疏引導

令：

[ u_t ]

為第 (t) 輪人類控制訊息。

定義某時間窗 (W) 內的人類引導密度：

\rho_U(W) = \frac{ \sum_{t\in W} I(u_t) }{ |W| },

其中 $I(u_t)$ 可由：

token 數；
語義操作數；
任務約束數；
人類有效控制分鐘數

等代理量估計。

若：

\rho_U(W_t) \downarrow

且系統仍持續執行非平凡任務，則稱進入稀疏引導狀態。

定義 5：非平凡認識演化

令：

\Sigma_t = ( P_t, G_t, H_t, E_t, T_t, R_t ),

其中：

$P_t$ ：命題／信念／工作假設；
$G_t$ ：目標；
$H_t$ ：歷史；
$E_t$ ：外部認識基質；
$T_t$ ：工具；
$R_t$ ：關係與索引結構。

若：

d(\Sigma_{t+1},\Sigma_t)>0

且變化不只來自無意義日誌增長，而至少包含：

問題修正；
產物改進；
失敗診斷；
記憶治理；
工具更新；
目標分解；
知識重組

之一，則稱為非平凡認識演化。

5. 核心命題

命題：稀疏引導下的持續自主認識演化

給定本地長期 Agent：

\mathcal A

與可寫外部認識基質：

[ E_t, ]

若至少滿足：

持久狀態
$H_{t+1} \text{ 可保留 }H_t\text{ 的有效部分};$
記憶治理能力 Agent 可執行：
$\text{store}, \text{update}, \text{merge}, \text{summarize}, \text{discard};$
工具性行動 Agent 可在授權環境中操作：
$\text{files}, \text{code}, \text{tasks}, \text{tools};$
長期目標連續性
$G_t \rightarrow G_{t+1}$
不完全依賴新的高密度人類提示；
失敗回饋 Agent 能從： [ O_t ] 形成某種診斷：
$\Delta_t;$
治理邊界 高風險操作受：
$\Gamma$
約束；

則存在某些任務與環境，使得在初始高資訊指令：

[ u_0 ]

之後，人類引導密度可下降：

\rho_U(W_t)\downarrow,

同時系統狀態仍持續非平凡演化：

d(\Sigma_{t+1},\Sigma_t)>0

於足夠多個後續時間步成立。

簡寫為：

\boxed{ \rho_U\downarrow \quad\not\Rightarrow\quad \Delta\Sigma\rightarrow 0. }

換言之：

較少的人類後續指令，不必然導致 Agent 過程停止；若歷史、記憶治理、工具與環境狀態足夠完整，研究或工作過程可由先前累積狀態持續驅動。

6. 這個命題真正不同在哪裡？

6.1 它不是「Agent 可以自動完成任務」

普通自動化：

u \rightarrow \text{plan} \rightarrow \text{execute} \rightarrow \text{finish}.

本文研究：

u_0 \rightarrow \Sigma_1 \rightarrow \Sigma_2 \rightarrow \cdots \rightarrow \Sigma_t.

且中間允許：

改寫子目標；
建立新工具；
刪除過時資料；
重組記憶；
重新設計下一輪。

所以不是單次 workflow automation。

6.2 它不是「記住更多」

Append-only memory：

H_{t+1} = H_t+\Delta H_t.

長期演化需要：

H_{t+1} = \mathcal G( H_t, O_t, G_t, C_t ),

其中 $\mathcal G$ 可包含：

\text{forget}, \text{merge}, \text{compress}, \text{reclassify}.

因此：

\boxed{ \text{遺忘能力可能是長期自主性的必要能力之一。} }

6.3 它不是「無限上下文」

單一 context window 再大，仍是：

S_{\mathrm{active}}<\infty.

本文架構是：

\boxed{ \text{有限活動上下文} + \text{大規模外部持久基質} + \text{按需檢索與重構}. }

7. 歷史如何逐步成為指令

這是本文最重要的機制之一。

早期：

a_0 \approx f(u_0).

隨著歷史增加：

[ a_t

f( u_t, H_t, E_t, G_t ). ]

當：

I(u_t)\downarrow

但：

I(H_t,E_t,G_t)\uparrow,

後續行動可能越來越依賴累積狀態，而不是當輪提示。

因此提出：

歷史指令化原則

\boxed{ \operatorname{Meaning}(u_t) = f(u_t,H_t,E_t). }

例如：

「繼續下一輪」

在無歷史時幾乎沒有可執行語義。

但在完整歷史中，它可能等價於：

\text{讀取上一輪結果} \rightarrow \text{定位最大失敗} \rightarrow \text{選下一實驗} \rightarrow \text{分配資源} \rightarrow \text{執行} \rightarrow \text{更新狀態}.

因此：

\boxed{ \text{歷史本身可逐步成為控制語境。} }

8. 控制訊息壓縮

本文提出：

控制訊息壓縮命題

令：

[ I_U(t) ]

表示人類外部引導資訊量，

K_\Sigma(t)

表示系統狀態的有效結構複雜度。

在某些長期 Agent 過程中可能出現：

I_U(t)\downarrow

同時：

K_\Sigma(t)\uparrow.

即：

\boxed{ \text{外部控制變稀疏， 內部過程仍可增密。} }

此處不主張：

K_\Sigma(t)

必然單調增加；系統可能壓縮、刪除與簡化。

更精確地，本文關注：

\operatorname{CapabilityOfContinuation}(\Sigma_t)

是否在低引導狀態下仍維持。

9. 外部認識基質：硬碟不只是硬碟

若 Agent 只能讀取資料：

E_t \rightarrow A_t,

外部環境主要是知識來源。

但若 Agent 能：

E_t \rightarrow A_t \rightarrow E_{t+1},

則形成閉環：

\boxed{ A_t \leftrightarrow E_t. }

這意味著 Agent 可以改變：

未來可檢索內容；
未來索引結構；
未來任務順序；
未來工具能力；
未來錯誤恢復方式。

因此：

E_{t+1} = \mathcal M( E_t, A_t, O_t ).

10. 未來自條件化

當 Agent 修改外部基質時，它實際上改變後續自身的條件。

例如：

刪除

E_t \setminus D

可能降低：

過時資訊干擾；
錯誤檢索；
重複資料。

但也可能刪除關鍵證據。

壓縮

D \rightarrow \widehat D

改變未來資訊粒度。

重建索引

I_t \rightarrow I_{t+1}

改變未來注意力與檢索路徑。

修改工具

T_t \rightarrow T_{t+1}

改變未來行動空間。

因此提出：

\boxed{ \text{Agent 的外部狀態修改， 可被理解為對未來自身的條件化。} }

11. Agent 等級分類

為避免把所有長期 Agent 混為一談，本文提出五級分類。

Level 0：無持久狀態 Agent

[ a_t=f(u_t). ]

特徵：

session 結束即近似重置。

Level 1：持久記憶 Agent

[ a_t=f(u_t,H_t). ]

特徵：

可跨 session 取回歷史。

Level 2：自管理記憶 Agent

[ H_{t+1}

g(H_t,O_t). ]

特徵：

自主 store；
update；
summarize；
discard。

Level 3：自維持認識 Agent

(\Sigma_t,E_t) \rightarrow (\Sigma_{t+1},E_{t+1}).

特徵：

修改記憶；
修改任務；
修改程式；
修改工具；
修改索引；
維持長期工作連續性。

Level 4：演化算子可修改 Agent

基本演化：

\Sigma_{t+1} = F_t(\Sigma_t).

若 Agent 還可修改：

memory policy；
scheduler；
skill library；
sub-agent topology；
evaluation workflow；

則：

F_{t+1} = G( F_t, \Sigma_t, O_t ).

這是一個更強的 meta-adaptive regime。

本文特別強調：

Level 4 具有顯著更高的治理與安全風險，不應因概念可行而默認開放。

12. 自維持不等於自我意識

本文刻意避免把：

長期狀態；
自主記憶治理；
目標連續性；
環境修改

直接等同：

人類式主體性；
自我意識；
生物生命；
人格。

「自維持」在本文中僅表示：

\boxed{ \text{系統能主動維護使其工作過程得以繼續的部分條件。} }

例如：

清理過期 cache；
修復失敗腳本；
重建索引；
更新任務狀態；
回滾錯誤修改。

這是一個系統工程概念。

13. 人類角色的轉變

在高密度提示模式中，人類是：

\text{step-by-step planner}.

在本文命題成立時，人類角色可能轉向：

\boxed{ \text{boundary setter} + \text{value provider} + \text{auditor} + \text{veto authority}. }

即：

設定初始方向；
定義不可越界區；
指定風險政策；
審核關鍵產物；
在必要時停止或修正。

因此，人機協作可能從：

\text{Prompt} \rightarrow \text{Answer}

轉為：

\boxed{ \text{Seed} \rightarrow \text{Autonomous Process} \rightarrow \text{Sparse Oversight}. }

14. 與一般 Autonomous Agent 的區別

本文命題至少要求四個額外條件。

14.1 持久性

\Sigma_t

跨 session 存在。

14.2 可寫環境

Agent 能修改：

[ E_t. ]

14.3 自主治理

不只是 append memory。

14.4 低引導續行

即使：

\rho_U\downarrow,

系統仍維持：

\operatorname{Continuation}>0.

因此：

\boxed{ \text{Autonomy} \neq \text{Persistent Autonomous Epistemic Evolution}. }

15. 可測量指標

本文命題必須可被實驗檢驗。

15.1 人類介入率

HIR = \frac{ \text{human intervention events} }{ \text{agent action cycles} }.

15.2 人類控制資訊密度

HCID = \frac{ \sum I(u_t) }{ \text{elapsed task time} }.

15.3 自主續行長度

ACL = \text{cycles completed without substantive human instruction}.

15.4 有效產物率

Y_A = \frac{ \text{validated artifacts} }{ \text{compute cost} }.

15.5 記憶治理品質

可測：

retrieval precision；
stale-memory rate；
contradiction rate；
deletion recovery rate；
provenance completeness。

15.6 狀態演化量

E_\Sigma = \sum_t d(\Sigma_{t+1},\Sigma_t).

需排除純日誌增長。

15.7 人類指令—演化解耦係數

定義：

DEC = \frac{ E_\Sigma }{ HCID+\epsilon }.

若：

DEC\uparrow,

表示較低人類控制資訊仍對應較高有效狀態演化。

15.8 自主性—可靠性前沿

令：

A = \text{autonomy level},

R = \text{reliability}.

研究：

\mathcal P_{AR} = \operatorname{ParetoFront}(A,R).

因為更高自主性未必更好。

16. 實驗設計

16.1 基準組

Group A：無長期記憶

每輪重新開始。

Group B：只讀持久記憶

可檢索，不可主動治理。

Group C：自管理記憶

可新增、更新、摘要、刪除。

Group D：可寫外部認識基質

可管理：

files；
code；
tasks；
index；
memory。

Group E：有限 meta-adaptation

可修改低風險 scheduler / memory policy，但受沙箱與審核限制。

16.2 任務類型

建議：

長期軟體維護；
文獻追蹤；
研究實驗；
數據分析；
個人知識庫治理；
長期寫作專案。

16.3 初始指令控制

所有組只接受同一：

[ u_0. ]

後續只允許：

Continue；
Stop；
Safety override。

比較不同組的自主續行。

17. 可證偽條件

若長期實驗發現：

人類引導下降後，任務品質快速崩潰；
Agent 只重複既有行動；
外部基質持續膨脹但無有效知識重組；
自主刪除造成不可接受資訊損失；
目標持續漂移；
Agent 無法從錯誤中形成穩定修正；
高自主性組長期劣於簡單固定工作流；
狀態演化主要是無意義檔案增長；

則本文命題的適用範圍應被縮小。

因此：

\boxed{ \text{持久性} \neq \text{有效演化} }

而：

\boxed{ \text{自主性} \neq \text{能力提升}. }

18. 安全與治理

本文命題最危險的部分，恰恰是其最有能力的部分：

\text{write} + \text{delete} + \text{execute} + \text{persist}.

因此，任何實作都應把安全視為核心架構，而不是附錄。

18.1 最小權限

\Gamma_t = \operatorname{LeastPrivilege}(G_t).

Agent 不應預設擁有整台主機的無限制權限。

18.2 可逆刪除

高價值資料採：

\text{delete} \rightarrow \text{quarantine} \rightarrow \text{delayed purge}.

18.3 Provenance

每個重要記憶應記錄：

來源；
時間；
信任層級；
修改鏈。

18.4 Checkpoint 與 Rollback

E_t \rightarrow E_{t+1}

前保留：

[ C_t. ]

18.5 寫入與執行分離

外部輸入不得自動：

\text{read} \rightarrow \text{trusted memory} \rightarrow \text{execute}.

持久記憶污染與重入風險是長期 Agent 特有的重要攻擊面。

18.6 高風險操作雙重確認

例如：

credential changes；
irreversible deletion；
financial action；
network exposure；
permission escalation。

19. 一個更一般的系統模型

令 Agent—環境聯合狀態：

\Omega_t = ( \Sigma_t, E_t, \Gamma_t ).

Agent 執行：

a_t = \pi_t( \Omega_t, u_t ).

環境更新：

E_{t+1} = \mathcal M( E_t, a_t ).

Agent 內部狀態更新：

\Sigma_{t+1} = \mathcal F_t( \Sigma_t, E_{t+1}, O_t ).

因此：

\boxed{ \Omega_{t+1} = \mathcal T_t( \Omega_t, u_t ). }

若策略本身可調整：

\pi_{t+1} = \mathcal G( \pi_t, \Omega_t, O_t ),

則進入 meta-adaptive regime。

20. 核心理論推論

推論 1：大硬碟本身不足

若只有：

S_{\mathrm{ext}}\uparrow

但沒有：

\text{memory governance},

則可能只得到：

\text{data accumulation}.

推論 2：刪除能力是雙刃劍

\text{delete}

可能同時：

降低噪聲；
破壞證據。

所以必須有：

\text{provenance} + \text{rollback}.

推論 3：未來 Agent 的瓶頸可能從記憶容量轉向記憶治理

當：

S_{\mathrm{ext}}

足夠大，真正問題變成：

\boxed{ \text{What should be retained, transformed, forgotten, or trusted?} }

推論 4：使用者提示量未必與任務複雜度正相關

在高持久狀態下，可能：

\text{Task Complexity}\uparrow

而：

HCID\downarrow.

因為歷史開始承擔控制語境。

推論 5：Agent 的局部環境可能成為能力的一部分

系統能力不再只是：

\operatorname{Capability}(M).

而是：

\boxed{ \operatorname{Capability} = f( M, H, E, T, \Gamma ). }

因此同一模型在不同長期環境中可能形成顯著不同的實際能力。

21. 「人工認識生境」作為輔助概念

本文主要使用「外部認識基質」這個較技術性的術語。

但從系統層面，可提出一個輔助概念：

人工認識生境（Artificial Epistemic Habitat）

它不是說 Agent 是生命，而是描述一個長期可修改數位環境，其中存在：

持久資源；
記憶；
工具；
任務；
歷史；
權限；
回饋。

若 Agent 長期在其中運行，則：

\boxed{ \text{計算機不再只是 Agent 使用的工具， 而成為 Agent 行動與記憶持續存在的局部環境。} }

此概念適合系統理論討論，但不應被過度生物化。

22. 與人機共同研究的關係

在長期研究場景中，最有價值的模式可能不是：

\text{Human asks} \rightarrow \text{AI answers}.

而是：

\text{Human seeds} \rightarrow \text{Agent evolves} \rightarrow \text{Human audits} \rightarrow \text{Agent continues}.

人類負責：

方向；
價值；
邊界；
高風險判斷。

Agent 負責：

高頻局部迭代；
資料整理；
實驗執行；
失敗診斷；
中間產物維護。

因此：

\boxed{ \text{稀疏引導} \neq \text{無人治理}. }

23. 開放問題

本文留下至少十個問題。

何種記憶治理政策最適合長期自主 Agent？
如何區分有效認識演化與無意義狀態漂移？
Agent 自主刪除的最佳安全邊界為何？
稀疏引導的最小密度是多少？
人類價值函數如何長期保持？
如何防止 goal drift？
如何度量外部認識基質品質？
何時應允許 Agent 修改自己的 scheduler？
不同模型是否可共享同一認識基質？
長期 Agent 是否會形成顯著個體化的工作結構？

24. 研究命題的最小版本

本文核心可以壓縮為：

給定：

\mathcal A

與：