多解析度論證語義圖（MRASG）技術白皮書

一種可漸進展開、局部載入、增量更新與可追溯還原的知識聚合演算法

版本： v0.1
文件類型： 技術白皮書／演算法設計草案
作者： Neo.K
核心定位： 通用知識聚合與論證展開基礎設施，不限定於論壇、留言板或單一應用

摘要

現有論壇、留言板、社群平台與多數 AI 協作系統，通常把資訊排列成時間線、回覆串或單層摘要。這種結構在討論規模擴大後，會出現四個根本問題：

大量內容只能線性閱讀，難以辨識真正的論證結構；
相同主張與相似論據被重複生成，造成計算與閱讀浪費；
摘要經多輪壓縮後發生資訊失真，展開時又可能產生不受原文支持的擴寫；
使用者或 AI 為取得局部答案，被迫載入大量不相關內容。

本文提出「多解析度論證語義圖」：

Multi-Resolution Argumentation Semantic Graph，MRASG。

MRASG 將討論內容拆分為主張、佐證、反對、反駁、限定條件、來源、綜合與未解問題等語義節點，再以有向圖、無環圖或超圖描述其關係。每個節點同時具有多個解析度視圖，例如約 30 字、300 字、3000 字與完整材料層，但這些層級不是逐層摘要，而是全部直接指向共同的原始證據與語義單元。

系統在初次載入時只呈現短視圖，使用者展開某個節點後，才局部檢索相關原始資料並生成更完整的視圖。系統亦可依節點相鄰性、爭議強度、使用歷史與來源變動進行預載入、快取與增量更新。

MRASG 的目標不是建立一個更複雜的論壇，而是提供一套能把大規模 AI 討論、研究材料、政策辯論、程式審查、知識庫與長期 Agent 記憶，編譯成「可導航、可驗證、可逐層展開」之語義空間的通用演算法。

1. 問題定義

1.1 線性討論結構的限制

傳統討論系統通常採用以下形式：

主文
├─ 回覆 1
│  ├─ 回覆 1.1
│  └─ 回覆 1.2
├─ 回覆 2
└─ 回覆 3

此結構描述的是「誰回覆了誰」，卻不必然描述：

哪一段文字支持哪個主張；
哪個反例推翻哪條推理鏈；
哪些回覆只是重複；
哪些衝突來自定義差異；
哪些結論已獲充分支持；
哪些問題仍未被回答。

當 AI 大量參與後，線性結構的缺陷會進一步放大。AI 可以在短時間內生成大量長文，因此系統的瓶頸將從「內容不足」轉變為「內容過多而無法組織」。

1.2 讚與踩不足以表達論證

二元投票只能描述偏好或整體認同，無法表示：

同意結論但反對推理；
反對普遍命題但接受局部版本；
證據有效但因果推論過強；
來源可信但已過時；
反例只在特定條件成立；
多數意見高度重複，少數意見卻提供致命反例。

因此，MRASG 不把「支持／反對次數」視為最終評價，而把它們視為論證圖上的事件與權重來源。

1.3 多輪摘要造成不可逆資訊損失

若系統採用：

完整長文
→ 3000 字摘要
→ 300 字摘要
→ 30 字摘要

則每次壓縮都可能遺失條件、例外、來源與不確定性。若展開時再由短摘要擴寫，系統可能生成原資料中不存在的內容。

設完整資訊為 $S$ ，第 $i$ 層摘要為 $R_i$ ，則連續摘要通常形成：

I(S) > I(R_1) > I(R_2) > \cdots > I(R_n)

而由短摘要重新擴寫得到的內容 $\widehat{R}_{i-1}$ ，不保證滿足：

\widehat{R}_{i-1} \subseteq S

因此，MRASG 的核心原則是：所有解析度視圖都必須直接由共同的原始語義集合生成，而不是由上一層摘要推導。

2. 核心概念

2.1 點、線、面、體

MRASG 將同一個知識區域表示為多種解析度。

點：最小導航節點

點層只回答：

這個節點的核心主張是什麼？

典型長度可以是 10 至 50 字，但不設硬性限制。

線：主要推理鏈

線層呈現：

核心主張；
一至數個主要理由；
最重要的支持證據；
最強反對意見；
暫時性結論。

面：完整爭議結構

面層呈現：

多條支持鏈；
多條反對鏈；
反駁與再反駁；
條件限制；
來源與相互引用；
尚未解決的衝突。

體：完整語義空間

體層包含：

原始長文；
完整引用；
資料來源；
版本歷史；
多個 AI 或人類的完整輸出；
推理分支；
衝突節點；
未收斂問題；
生成與更新紀錄。

解析度層可寫為：

R_0 \rightarrow R_1 \rightarrow R_2 \rightarrow \cdots \rightarrow R_n

但這個箭頭表示「導航上的展開」，不是「資訊來源上的逐層生成」。

2.2 共同來源原則

對任一節點 $v$ ，定義其原始語義集合為：

S_v = \{s_1,s_2,\ldots,s_m\}

第 $k$ 層視圖由壓縮函數生成：

R_k(v)=C_k(S_v,G_v,\pi_k)

其中：

$S_v$ ：與節點相關的原始材料；
$G_v$ ：節點附近的論證子圖；
$\pi_k$ ：第 $k$ 層的呈現策略；
$C_k$ ：第 $k$ 層視圖生成器。

展開時不得執行：

R_k(v)\rightarrow \widehat{R}_{k+1}(v)

而應執行：

R_k(v) \rightarrow \operatorname{Retrieve}(S_v,G_v) \rightarrow R_{k+1}(v)

因此，短視圖只是索引，不是完整內容的替代來源。

3. 論證語義圖模型

3.1 基本圖結構

定義 MRASG 為：

\mathcal{G}=(V,E,X,M)

其中：

$V$ ：語義節點集合；
$E$ ：節點關係集合；
$X$ ：原始資料與外部來源集合；
$M$ ：版本、權限、模型與生成中繼資料。

3.2 節點類型

最小可行版本至少支援以下節點：

類型	英文	功能
主張	Claim	可被支持、反對或限定的命題
佐證	Support	支持某主張的理由
證據	Evidence	可追溯的資料、引用、實驗或觀察
反對	Objection	對主張或推理鏈提出異議
反駁	Rebuttal	回應某個反對
限定	Qualification	指定命題成立的條件與範圍
替代解釋	Alternative	提出不同因果或理論模型
綜合	Synthesis	統合多個分支形成較高階結論
未解問題	Open Question	尚無充分回答的問題
定義	Definition	固定術語或概念邊界
衝突	Conflict	表示來源、定義或推論互不相容

3.3 邊類型

邊不只表示回覆關係，而應明確標記語義：

supports
opposes
rebuts
qualifies
depends_on
cites
duplicates
generalizes
specializes
contradicts
synthesizes
answers
raises
updates

同一節點可以同時連向多個主張，因此底層資料結構宜採有向圖、DAG 或超圖，而非單純樹狀結構。

4. 多解析度視圖

4.1 解析度不是固定字數

30、300、3000、30000 字只是一種示例。實際系統應以「資訊目的」而非字數切分。

可定義：

層級	目的	典型內容
$R_0$	導航	一句核心命題
$R_1$	快速理解	主張、主要理由、主要反對
$R_2$	分析	完整推理鏈、證據與限制
$R_3$	研究	全部主要分支與來源
$R_4$	稽核	原始材料、版本、生成紀錄

解析度層應滿足：

\operatorname{Coverage}(R_{k+1}) \geq \operatorname{Coverage}(R_k)

但不要求每一層都包含前一層的逐字內容。

4.2 視圖生成約束

每個視圖應保存：

涵蓋的原始節點 ID；
使用的來源 ID；
省略的主要分支；
生成時間；
生成器版本；
圖狀態指紋；
不確定性與爭議提示。

因此，任何摘要都可以被追溯，而不是成為失去來源的孤立文字。

5. 爭議與論證品質計算

5.1 次數不等於品質

定義某主張 $c$ 的支持事件數與反對事件數：

N_s(c)=\text{支持事件數}

N_o(c)=\text{反對事件數}

它們只能表示活動量，不能直接表示真實性。

5.2 論證品質權重

單一論證 $a$ 的權重可寫為：

W(a) = \alpha E(a) + \beta L(a) + \gamma V(a) + \delta N(a) + \epsilon P(a) - \eta D(a) - \theta U(a)

其中：

$E(a)$ ：證據強度；
$L(a)$ ：推理完整度；
$V(a)$ ：可驗證性；
$N(a)$ ：新穎度；
$P(a)$ ：來源可追溯性；
$D(a)$ ：與既有論證的重複度；
$U(a)$ ：未揭露假設或不確定性懲罰。

5.3 爭議強度

主張 $c$ 的爭議強度可定義為：

\operatorname{Dispute}(c) = \lambda_1 \sum_{a\in A_s(c)}W(a) + \lambda_2 \sum_{b\in A_o(c)}W(b) + \lambda_3 B(c) + \lambda_4 Q(c) + \lambda_5 T(c)

其中：

$A_s(c)$ ：支持論證集合；
$A_o(c)$ ：反對論證集合；
$B(c)$ ：分支廣度；
$Q(c)$ ：未解問題數；
$T(c)$ ：近期變動程度。

爭議強度高，不表示該主張錯誤，而表示它需要更高解析度的呈現與更多計算資源。

5.4 共識與收斂不可混同

系統應區分：

多數支持；
高品質支持；
缺乏反對；
反對已被回答；
定義已收斂；
證據仍不足；
僅在限定條件下成立。

因此，節點狀態可設為：

OPEN
CONTESTED
PARTIALLY_RESOLVED
CONDITIONALLY_ACCEPTED
STABLE
DEPRECATED
SUPERSEDED

6. 新輸入的聚合流程

當新 AI、人類或 Agent 提交內容時，系統不應立即把完整文字追加到時間線，而應先進行以下流程。

6.1 語義拆解

將輸入拆分為：

主張；
前提；
證據；
推論；
限定條件；
反對；
問題；
結論。

6.2 近似節點檢索

找出最相近的既有節點：

\operatorname{Sim}(x,v) = \alpha S_{\text{semantic}} + \beta S_{\text{structural}} + \gamma S_{\text{citation}} + \delta S_{\text{temporal}}

6.3 新穎度判定

定義輸入 $x$ 對既有子圖 $G_x$ 的新穎度：

\operatorname{Novelty}(x) = 1- \max_{v\in G_x} \operatorname{Sim}(x,v)

若新穎度低，系統可將其記為：

獨立重現；
同類支持；
同類反對；
重複來源；
語言改寫。

若新穎度高，才建立新節點或新分支。

6.4 結構化合併

輸入可能被處理為：

原始輸入
├─ 既有主張 A：增加一次獨立支持
├─ 既有證據 B：補充新來源
├─ 新限定條件 C：建立新節點
└─ 新反例 D：建立反對分支

如此可避免大量 AI 重複相同長文。

7. 漸進載入與預載入

7.1 初始載入

當使用者進入節點 $v$ 時，只載入：

當前節點的 $R_0$ 或 $$R_1$$；
一個主要父節點；
少量主要子節點；
最強支持分支；
最強反對分支；
一至數個高相關鄰接節點。

定義局部載入集合：

P(v) = \{v\} \cup \operatorname{Parent}(v) \cup \operatorname{TopChild}_k(v) \cup \operatorname{TopSupport}_m(v) \cup \operatorname{TopOpposition}_n(v) \cup \operatorname{Related}_r(v)

7.2 預載入分數

對候選節點 $u$ ，其預載入優先度可寫為：

\operatorname{Prefetch}(u\mid v) = \alpha R_s(u,v) + \beta R_g(u,v) + \gamma H(u\mid v) + \delta C(u) + \epsilon \Delta(u) - \eta K(u)

其中：

$R_s$ ：語義相關性；
$R_g$ ：圖距離與邊關係；
$H$ ：歷史導航機率；
$C$ ：爭議或重要度；
$\Delta$ ：近期更新程度；
$K$ ：載入成本。

7.3 局部優先原則

系統不預載入整棵樹，而只預載入使用者最可能展開的前後節點。此策略可將大型語義圖的互動成本控制在局部範圍。

8. 快取、指紋與增量重建

8.1 視圖狀態指紋

任一節點第 $k$ 層視圖的指紋可定義為：

H_k(v) = \operatorname{Hash} \left( S_v, E_v, G_v, \pi_k, M_k \right)

其中：

$S_v$ ：原始語義單元；
$E_v$ ：證據集合；
$G_v$ ：局部圖結構；
$\pi_k$ ：呈現策略；
$M_k$ ：模型與生成規則版本。

8.2 三層重建策略

快取讀取

若指紋未變，直接使用既有視圖。

增量重建

若只新增局部分支，僅重建受影響節點與上層摘要。

完整重建

若核心主張、主要來源、定義或生成規則發生重大變更，重建完整局部子圖。

8.3 影響範圍

新增節點 $x$ 後的影響集合可寫為：

A(x) = \operatorname{Ancestors}(x,d_a) \cup \operatorname{Dependents}(x,d_d) \cup \operatorname{Summaries}(x)

其中 $d_a$ 與 $d_d$ 是限制更新傳播深度的參數。

9. 可追溯還原

9.1 還原不是自由擴寫

使用者點開短節點時，系統應從來源集合與局部子圖重新組合長視圖，而不是要求模型「把這句話寫長」。

還原函數可定義為：

R_{k+1}(v) = \operatorname{Render} \left( \operatorname{Retrieve}(v,k+1), \operatorname{Policy}_{k+1} \right)

9.2 每段文字的來源映射

較高解析度視圖中的每個主要段落，應能映射至：

原始輸入；
證據節點；
推理節點；
反對節點；
版本紀錄。

最理想情況下，系統保存段落級 provenance：

{
  "paragraph_id": "p_103",
  "source_nodes": ["claim_12", "evidence_91", "objection_32"],
  "source_documents": ["doc_5", "doc_8"],
  "graph_hash": "sha256:...",
  "generator_version": "renderer_0.1"
}

10. MRASG 不限定於 AI 論壇

MRASG 應被視為一種通用語義基礎設施，而非特定產品。

10.1 AI 協作研究

多個 AI 對同一研究問題提出長篇分析，MRASG 可將它們聚合為：

已知主張；
重複主張；
新反例；
缺少證據的推論；
未解問題；
可繼續研究的分支。

10.2 文獻回顧

大量論文可被轉換為：

核心命題；
支持證據；
方法差異；
結果衝突；
時代變化；
尚未解決的研究缺口。

10.3 程式碼審查與軟體設計

每個 issue、PR、review comment 與設計決策可被編譯成：

問題；
假設；
修正方案；
反對理由；
測試證據；
已解決與未解決項目。

10.4 政策與法律論證

同一政策或法律問題可同時展示：

原則性支持；
實證性支持；
權利衝突；
執行成本；
例外條件；
不同法域或時間版本。

10.5 Agent 長期記憶

Agent 不必把所有歷史內容放入上下文，而可先載入：

高階任務節點；
最近決策；
相關爭議；
未完成分支；
必要時才展開的完整記憶。

10.6 長篇文件閱讀

書籍、技術文件與研究報告可被轉換成點、線、面、體式的漸進閱讀介面。

10.7 模型評估

多個模型對同一問題的回答，可以比較：

結論是否相同；
推理鏈是否重複；
是否提供新證據；
是否忽略主要反例；
是否在短摘要與完整展開間保持一致。

11. 系統架構

11.1 邏輯分層

輸入層
├─ 人類文字
├─ AI 回答
├─ 文件
├─ 引用與資料集
└─ 程式與測試結果

語義解析層
├─ 命題拆解
├─ 節點分類
├─ 邊關係判定
├─ 來源映射
└─ 重複與新穎度分析

圖儲存層
├─ 節點儲存
├─ 關係儲存
├─ 向量索引
├─ 版本歷史
└─ 原始材料儲存

視圖生成層
├─ R0 導航視圖
├─ R1 快速視圖
├─ R2 分析視圖
├─ R3 研究視圖
└─ R4 稽核視圖

服務層
├─ 搜尋
├─ 展開
├─ 摺疊
├─ 比較
├─ 更新
└─ 匯出

11.2 建議資料實體

Node

{
  "id": "node_001",
  "type": "claim",
  "canonical_text": "核心主張",
  "status": "contested",
  "created_at": "2026-07-17T00:00:00+08:00",
  "updated_at": "2026-07-17T00:00:00+08:00",
  "source_ids": ["source_001"],
  "version": 1
}

Edge

{
  "id": "edge_001",
  "from": "node_002",
  "to": "node_001",
  "relation": "supports",
  "weight": 0.82,
  "confidence": 0.74
}

ResolutionView

{
  "node_id": "node_001",
  "resolution": 1,
  "content": "快速理解視圖",
  "covered_nodes": ["node_001", "node_002", "node_003"],
  "omitted_branches": ["node_017"],
  "graph_hash": "sha256:...",
  "generator_version": "0.1"
}

Source

{
  "id": "source_001",
  "type": "raw_text",
  "content_uri": "storage://...",
  "author_type": "ai",
  "provenance": {
    "model": "unknown",
    "session": "session_001"
  }
}

12. 核心演算法偽程式碼

12.1 輸入聚合

def ingest(raw_input):
    units = semantic_decompose(raw_input)
    affected_nodes = set()

    for unit in units:
        candidates = retrieve_similar_nodes(unit)
        match = choose_best_match(unit, candidates)

        if match and similarity(unit, match) >= DUPLICATE_THRESHOLD:
            register_recurrence(match, unit)
            affected_nodes.add(match.id)
        else:
            node = create_node(unit)
            relations = infer_relations(node, candidates)
            save_node_and_relations(node, relations)
            affected_nodes.add(node.id)

    invalidate_affected_views(affected_nodes)
    return affected_nodes

12.2 漸進展開

def expand(node_id, target_resolution, user_context=None):
    graph_slice = retrieve_local_subgraph(
        node_id=node_id,
        resolution=target_resolution,
        context=user_context
    )

    fingerprint = compute_fingerprint(
        node_id=node_id,
        resolution=target_resolution,
        graph_slice=graph_slice
    )

    cached = get_cached_view(node_id, target_resolution)

    if cached and cached.graph_hash == fingerprint:
        return cached

    view = render_from_sources(
        graph_slice=graph_slice,
        resolution=target_resolution
    )

    save_view(view, fingerprint)
    return view

12.3 預載入

def prefetch_candidates(current_node, session):
    neighbors = get_neighbors(current_node)

    ranked = sorted(
        neighbors,
        key=lambda node: prefetch_score(
            current=current_node,
            candidate=node,
            session=session
        ),
        reverse=True
    )

    return ranked[:PREFETCH_LIMIT]

13. 計算效率

13.1 不載入全圖

假設完整圖包含 $|V|$ 個節點，而一次互動只需局部子圖 $G_v^{(k)}$ ，則理想情況下單次展開成本主要取決於：

\left|G_v^{(k)}\right| \ll |V|

若向量索引、關係索引與快取均可用，檢索成本可近似寫為：

O(\log |V| + |G_v^{(k)}|)

而非：

O(|V|)

13.2 重複論證壓縮

假設共有 $n$ 次輸入，其中只有 $m$ 個實質不同的論證，且 $m\ll n$ ，則 MRASG 儲存完整結構的主要成本可由接近 $n$ 降為接近：

O(m+n_r)

其中 $n_r$ 是重現事件、來源與版本紀錄的輕量資料。

13.3 生成成本控制

生成式模型只在下列情況被調用：

新輸入需要語義拆解；
新節點需要建立短視圖；
指紋變更導致視圖失效；
使用者要求更高解析度；
系統進行定期綜合。

未被展開的長視圖不必預先生成。

14. 可信度與安全限制

14.1 壓縮失真

短視圖可能遺漏少數但重要的反例。因此每個視圖應揭示：

是否存在重大反對；
是否省略分支；
是否仍有未解問題；
是否只在特定條件成立。

14.2 模型生成錯誤

展開視圖必須以來源檢索為前提，並保存來源映射。不得把模型自由生成內容偽裝成原始資料。

14.3 權重操控

同一模型的大量重複輸出不應直接增加可信度。系統需要：

來源去重；
模型族群辨識；
語義重複懲罰；
獨立證據權重；
使用者或 Agent 身分隔離。

14.4 過度收斂

系統不應為追求單一答案而刪除少數分支。被駁回或低權重的論證仍應保留於歷史與稽核層。

14.5 隱私與權限

原始材料、壓縮視圖與公開節點可以具有不同權限。某個公開摘要不代表其全部來源都可以公開。

15. 最小可行產品

15.1 MVP 目標

第一版不需要建立完整論壇，只需證明以下閉環：

輸入多篇長文；
自動拆解成論證節點；
建立支持與反對關係；
生成三個解析度視圖；
初始只載入短視圖；
點擊後局部展開；
新增材料後只更新受影響節點；
每個視圖可追溯至原始來源。

15.2 第一版範圍

第一版建議只支援：

Claim；
Support；
Evidence；
Objection；
Rebuttal；
Open Question。

解析度只做：

$R_0$ ：一句話；
$R_1$ ：短摘要；
$R_2$ ：完整局部論證。

15.3 第一版技術模組

mrasg/
├─ ingest/
│  ├─ parser.py
│  ├─ segmenter.py
│  └─ classifier.py
├─ graph/
│  ├─ models.py
│  ├─ repository.py
│  └─ relations.py
├─ retrieval/
│  ├─ semantic_search.py
│  └─ neighborhood.py
├─ rendering/
│  ├─ resolution_0.py
│  ├─ resolution_1.py
│  └─ resolution_2.py
├─ cache/
│  ├─ fingerprint.py
│  └─ invalidation.py
├─ api/
│  └─ server.py
├─ tests/
└─ examples/

15.4 第一版 API

POST /sources
POST /ingest
GET  /nodes/{id}
GET  /nodes/{id}/view?resolution=0
GET  /nodes/{id}/view?resolution=1
GET  /nodes/{id}/view?resolution=2
GET  /nodes/{id}/neighbors
POST /nodes/{id}/expand
POST /nodes/{id}/rebuild

16. 驗證指標

16.1 壓縮忠實度

檢查短視圖中的主張是否可被原始材料支持：

F_k = \frac{\text{可追溯陳述數}} {\text{視圖總陳述數}}

16.2 重要分支召回率

R_k = \frac{\text{視圖涵蓋的重要分支數}} {\text{應涵蓋的重要分支總數}}

16.3 重複壓縮率

D = 1- \frac{\text{實質論證節點數}} {\text{原始輸入論證數}}

16.4 局部載入節省率

L = 1- \frac{\text{單次實際載入節點數}} {\text{完整相關圖節點數}}

16.5 增量更新節省率

U = 1- \frac{\text{實際重建節點數}} {\text{可被完整重建的節點數}}

16.6 展開一致性

不同解析度視圖不得互相矛盾。可檢查：

C(R_i,R_j) = 1- \operatorname{ContradictionRate}(R_i,R_j)

17. 後續研究方向

超圖式多主張證據關係；
多模型獨立性與來源相關性估計；
自動辨識定義衝突與語義漂移；
基於使用路徑的自適應解析度；
跨語言論證節點對齊；
時序版本圖與過時證據衰減；
人類與 AI 混合治理；
可形式驗證的論證鏈；
圖式上下文編譯器；
將 MRASG 作為 Agent 的外部工作記憶；
將程式碼、測試與執行結果納入證據節點；
以多解析度圖取代傳統長上下文直接拼接。

18. 核心命題

MRASG 的核心命題可以寫為：

當生成資訊的成本持續下降，真正稀缺的將不再是文字，而是可追溯的結構、局部可載入的關係，以及能從短索引可靠還原至完整證據空間的能力。

其演算法精神不是：

將所有內容摘要得更短。

而是：

將龐大內容編譯成可逐層存取的語義圖，使任何節點都能從最小表示開始，依需求回到其完整論證、證據與歷史脈絡。

因此，MRASG 並不是單純的論壇排序演算法，也不是摘要工具。它更接近一種：

大規模論證內容的語義編譯器、漸進式載入協定與可追溯知識執行層。

19. 結論

多解析度論證語義圖以「點、線、面、體」組織複雜討論，並以共同來源、多層視圖、局部檢索、增量更新與來源映射解決大規模 AI 內容的結構化問題。

它特別適合資訊生成量遠大於人類閱讀能力的時代。當數十個、數百個甚至數百萬個 AI 對同一問題產生支持、反對、反駁與補充時，系統不應把它們堆積成無限時間線，而應將其編譯為可導航的論證空間。

第一版實作不必先決定最終產品。可以先建立一個通用引擎，輸入多篇長文，輸出多解析度論證圖。完成後，再根據實驗結果決定它最適合成為：

研究協作引擎；
AI 論證聚合器；
長文閱讀器；
Agent 記憶系統；
程式碼與設計審查系統；
政策論證平台；
或其他尚未被命名的新型知識介面。

附錄 A：最小節點關係示例

[Claim C1]
「增加模型能力不必然降低總推理成本」

├─ supports ← [Support S1]
│  └─ cites ← [Evidence E1]
│
├─ opposed_by ← [Objection O1]
│  └─ rebutted_by ← [Rebuttal R1]
│
├─ qualified_by ← [Qualification Q1]
│
└─ raises → [Open Question U1]

附錄 B：最小解析度示例

$R_0$

模型能力提升不必然降低總推理成本。

$R_1$

更強的模型可能減少單次錯誤與重試，但也可能被配置到更複雜的任務，因此整體計算量未必下降。主要爭議在於應以單次任務、單位成果，還是全系統需求衡量成本。

$R_2$

完整呈現支持理由、反對意見、適用條件、可驗證指標、相關案例、來源與尚未解決的測量問題。此層直接從原始節點與證據集合生成，不由 $R_1$ 自由擴寫。

文件狀態： 可直接進入 MVP 原型實作。
下一階段建議： 先做單機 Python 原型，以 JSON 或 SQLite 儲存節點、關係、來源與三層視圖，再加入瀏覽器式點擊展開介面。

多解析度論證語義圖_MRASG_技術白皮書_v0.1