反身時空記憶圖動力學：面向 AGI-like Agent 的記憶治理與幻覺失真分類理論

Document ID: RSMGD-2026-v0.1 Title: Reflexive Spatiotemporal Memory Graph Dynamics Chinese Title: 反身時空記憶圖動力學 Subtitle: A Memory-Governed Agent Runtime Theory for AGI-like Behavior and Hallucination Decomposition Author: Neo.K / EveMissLab Status: Theoretical Whitepaper / MD Paper Draft Version: v0.1 Date: 2026 Relation to Previous Work: Extends Temporal Loop Taxonomy and Temporal-Spatial Loop-Slice Dynamics by adding long-term memory governance and hallucination failure-mode decomposition. Target Domains: AI Agent runtime, long-term memory systems, local-first agent plugin runtime, EML/AST/CTS verification, hallucination mitigation, AGI-like engineering systems.

摘要

時間迴圈分類學處理 Agent 如何跨時間等待、恢復、重試與收斂；空間切片分類學處理 Agent 如何定位問題空間、切割任務範圍、擴張與收縮作用域；反身圖動力學處理 Agent 如何在失敗時修正自己的切片、策略與假設。

然而，若缺少長期記憶，Agent 仍只能在單次任務中表現出局部智能，難以跨任務累積經驗、避免重犯錯誤、保存專案規則、維持使用者偏好、追蹤假設失效與形成穩定的自我修正能力。

本文提出「反身時空記憶圖動力學」（Reflexive Spatiotemporal Memory Graph Dynamics, RSMGD）：一種將時間迴圈、空間切片、反身圖更新與長期記憶治理整合起來的 Agent runtime 理論。其核心命題是：

時間迴圈解決 Agent 的時間持續性。
空間切片解決 Agent 的作用定位。
反身圖動力學解決 Agent 的策略修正。
長期記憶治理解決 Agent 的跨任務累積。

本文同時將「AI 幻覺」從單一問題拆解為多種失真機制：知識缺口、時間過期、空間定位錯誤、圖邊錯誤、檢索失敗、記憶污染、工具回饋錯誤、使用者錯前提、對齊誘導、獎勵猜測、不確定性治理不足等。本文不將 AI 幻覺視為單一病症，而是將其視為 Agent 時空記憶圖中的多類 failure modes。

在扣除主觀性與意識判斷後，若一個 Agent 具備工具使用、時間迴圈、空間切片、反身圖更新、長期記憶、記憶治理、來源追蹤與人類決策接口，則它在工程操作標準上已具備 AGI-like Agent 的主要結構。

0. 導論：從時空 Agent 到記憶 Agent

0.1 前置理論

前兩個理論層分別解決了 Agent 的時間與空間問題。

時間迴圈分類學

時間迴圈分類學指出，現代 Agent 的任務不是一次性函式呼叫，而是：

act
observe
suspend
wake
resume
retry
degrade
ask human

它處理的是：

何時做？
何時等？
何時恢復？
何時重試？
何時停止？

空間切片分類學

空間切片分類學指出，Agent 不會直接面對整個世界，而會先切割問題空間：

repo → package → file → function → AST node → test → error trace

它處理的是：

在哪裡看？
在哪裡改？
在哪裡測？
在哪裡擴張？
在哪裡收縮？

反身圖動力學

反身圖動力學指出，Agent 不能只在既定切片內前向推進，也必須能在失敗時修正自己的切片、策略與假設。

它處理的是：

如果我切錯了怎麼辦？
如果我重試錯方向怎麼辦？
如果錯不在當前檔案怎麼辦？
如果我誤解了錯誤訊息怎麼辦？

0.2 尚未解決的核心：記憶

若沒有記憶，Agent 仍會出現：

同一 repo 的錯誤下次又重犯。
同一使用者偏好下次又忘記。
同一專案禁忌下次又踩線。
同一錯誤假設下次又提出。
同一修法造成副作用卻沒有留下反身記錄。

因此，真正接近 AGI-like 的 Agent，不只需要時間、空間與反身性，還需要記憶。

但記憶不是單純向量資料庫，也不是把聊天紀錄全部塞進 context。記憶需要：

分類
範圍
來源
可信度
有效期限
觸發條件
遺忘機制
人類審核
反身修正

本文因此提出一個完整的「時空記憶 Agent」框架。

1. AGI-like Agent 的工程邊界

1.1 不是哲學意義上的 AGI

本文不主張解決以下問題：

意識
主觀性
自由意志
感受性
自我存在感
道德主體地位

這些屬於哲學、認知科學與倫理學層面的問題。

本文討論的是工程意義上的 AGI-like Agent，也就是：

可跨任務遷移
可長期累積
可使用工具
可修正策略
可處理多領域任務
可管理自身記憶
可在失敗後調整行動模式
可在人類治理下長期協作

1.2 工程標準下的 AGI-like

若一個 Agent 具備：

Tool Use
+ Temporal Loop
+ Spatial Slice
+ Reflexive Graph
+ Long-term Memory
+ Governance
+ Verification

則它不再只是聊天模型，而是具有持續任務能力的工程智能體。

本文將這種系統稱為：

AGI-like Runtime Agent

或：

工程型類 AGI 智能體

這不是宣稱它具備意識，而是指出它在行動結構上已接近一般任務智能。

2. 基本形式化

2.1 時空記憶任務狀態

令 Agent 在時間 t 的任務狀態為：

Ω_t = <G_t, Σ_t, Τ_t, M_t, Π_t, F_t>

其中：

G_t = 任務圖
Σ_t = 空間切片
Τ_t = 時間迴圈
M_t = 記憶狀態
Π_t = 策略與治理規則
F_t = 回饋與驗證結果

任務演化為：

Ω_t → Action_t → Observation_t → Ω_{t+1}

若任務成功，更新成果記憶。

若任務失敗，更新反身記憶。

若發生不確定性，進入人類決策或來源查證。

2.2 記憶作為圖上的持久層

記憶不是附屬資料，而是任務圖中的持久層：

M_t ⊆ G_t

記憶節點可以是：

UserPreference
ProjectInvariant
PastError
FailedHypothesis
SuccessfulPatch
RiskPolicy
SourceEvidence
ToolBehavior
SemanticRule
TemporalPattern
SpatialPattern

記憶邊可以是：

supports
contradicts
derived_from
invalidated_by
applies_to
expires_at
retrieved_by
caused_failure
prevented_error
requires_human_review

因此，記憶不是一串文字，而是一組可查證、可失效、可作用於未來任務的圖節點。

3. Agent 記憶分類學

本文將 Agent 記憶分為十類。

3.1 Episodic Memory：事件記憶

事件記憶保存「發生過什麼」。

例子：

2026-06-20：Agent 修復 EML parser 的 SumExpression 測試失敗。
第 3 次嘗試後發現問題不在 parser，而在 Unicode normalization。

用途：

回顧過去任務
避免重複走錯路
提供 temporal trace

3.2 Semantic Memory：語義記憶

語義記憶保存「概念與規則」。

例子：

EML 的 x^+n 若符號未定義，表示初始化。
若符號已定義，表示加法更新。

用途：

維持規格一致
生成文件
協助推理

3.3 Procedural Memory：程序記憶

程序記憶保存「怎麼做」。

例子：

修 parser 前先跑 pnpm test parser。
修 transpiler 後要跑 golden test。
發布前要跑 typecheck。

用途：

工作流自動化
減少 prompt 重複
維持專案流程

3.4 Project Memory：專案記憶

專案記憶保存特定專案的不變式。

例子：

EML MVP 不碰時間迴圈 runtime。
LAPR MVP 先做 Local Daemon + Plugin Manifest。
不要在 v0.1 加完整 C+++。

用途：

防止 scope creep
維持 roadmap
避免 Agent 亂加功能

3.5 Reflexive Memory：反身記憶

反身記憶保存「我上次怎麼判斷錯」。

例子：

上次修 case-03-sum 時，Agent 誤判為 parser bug；
實際根因是 lexer normalization 未處理 superscript。

用途：

避免重複錯誤假設
改善切片策略
改善 loop 策略

這是 AGI-like Agent 的關鍵記憶。

3.6 Governance Memory：治理記憶

治理記憶保存權限、安全與風險規則。

例子：

不可自動 git push。
不可自動刪除大量檔案。
修改 public API 必須 human approval。
插件不可預設讀取 home directory。

用途：

降低 Agent 高風險行為
啟動 human-decision loop
建立安全邊界

3.7 Source Memory：來源記憶

來源記憶保存某項知識從哪裡來。

例子：

{
  "claim": "SWE-agent uses an agent-computer interface for software engineering tasks.",
  "source": "SWE-agent paper",
  "confidence": 0.9
}

用途：

來源追蹤
降低 hallucination
支援引用

3.8 Negative Memory：負例記憶

負例記憶保存「不要再做什麼」。

例子：

不要把 all fixtures 一次重寫。
不要在 parser test failure 時先改 README。
不要把 failing expected output 當成 actual output。

用途：

避免錯誤修法復發
加強反身治理

3.9 Temporal Validity Memory：時間有效性記憶

有些記憶只在特定時間有效。

例子：

目前 Claude Code CLI 參數為 X。
目前 EML grammar v0.1 支援 14 個 case。
目前 repo 還沒有正式 release。

用途：

避免過期資訊污染
提示重新查證

3.10 Preference Memory：偏好記憶

偏好記憶保存使用者或團隊的風格偏好。

例子：

使用者偏好直接、結構化、少空泛稱讚。
技術文檔偏好 Markdown。
理論先命名，再工程化。

用途：

長期協作
文件風格一致
減少重複溝通

4. 記憶生命週期

Agent 記憶不應只被「存入」，而應有完整生命週期。

Observe
→ Extract
→ Classify
→ Store
→ Retrieve
→ Apply
→ Validate
→ Update
→ Forget / Archive

4.1 Extract：抽取

從任務事件、對話、測試結果、文件、工具輸出中抽取候選記憶。

問題：

這件事值得長期記住嗎？
它是偏好、規則、錯誤、來源還是流程？

4.2 Classify：分類

每個記憶必須被分類：

episodic
semantic
procedural
project
reflexive
governance
source
negative
temporal_validity
preference

4.3 Scope：作用範圍

記憶必須有作用範圍：

global
user
project
repo
file
task
session
plugin
provider

例子：

{
  "scope": "project:EML",
  "appliesTo": ["parser", "transpiler", "grammar"]
}

4.4 Provenance：來源

每個重要記憶應記錄來源：

user_statement
test_result
tool_output
document
web_source
human_approval
agent_inference

Agent 推論出的記憶與人類明確確認的記憶必須分開。

4.5 Confidence：可信度

記憶應有可信度：

confirmed
high
medium
low
hypothesis
deprecated

4.6 Retrieval：檢索

記憶應被觸發，而不是無差別塞入上下文。

觸發方式：

keyword
semantic similarity
task type
space slice
loop type
error pattern
user identity
project state

4.7 Validation：驗證

記憶被使用前應檢查：

是否過期？
是否與新資訊衝突？
是否只適用於舊版本？
是否由人類確認？
是否需要重新查證？

4.8 Forget / Archive：遺忘與封存

記憶治理需要遺忘。

應遺忘：

短期狀態
過期 CLI 參數
被證明錯誤的假設
不再適用的專案規則
使用者明確要求刪除的內容

應封存：

歷史決策
重大失敗
版本轉折
安全事故

5. 記憶治理：真正困難的部分

記憶的難點不是儲存，而是治理。

5.1 核心問題

什麼值得記？
什麼應該忘？
什麼只是暫時狀態？
什麼是長期規則？
什麼是錯誤經驗？
什麼是使用者偏好？
什麼記憶會污染未來判斷？
什麼記憶需要人類批准？

5.2 記憶污染

記憶污染是指錯誤資訊進入長期記憶後，反覆影響未來任務。

例子：

Agent 錯誤記住「sum parser 的問題在 emitter」。
之後每次遇到 sum 測試失敗，都先改 emitter。

處理：

source tracking
confidence decay
contradiction detection
human correction
negative memory update

5.3 反身記憶比普通記憶更重要

普通記憶：

我記得發生過什麼。

反身記憶：

我記得我上次為什麼判斷錯。

反身記憶會直接改善 Agent 的未來切片與迴圈策略。

6. AI 幻覺的重新定位

6.1 AI 幻覺不是單一問題

本文不將 AI 幻覺視為單一機制。

更準確地說：

AI 幻覺不是一種病。
它是一組不同來源的失真現象，被同一個名稱包起來。

幻覺可能來自：

知識缺口
訓練資料不完整
資料清洗造成底層缺口
版權與安全策略造成內容缺失
RLHF 與對齊誘導
公司憲法 / safety policy 造成表達轉向
評估指標獎勵猜測
檢索失敗
記憶污染
工具輸出錯誤
使用者問題帶錯前提
模型生成機制偏向流暢補洞
不確定性治理不足

因此，空泛地說「解決 AI 幻覺」沒有意義。需要把幻覺拆成 failure modes。

6.2 人類也有幻覺

人類也會：

記錯
誤判
合理化
迎合
不懂裝懂
為了面子亂答
為了利益欺騙
被錯誤前提帶走
用流暢敘事掩蓋不確定性

因此，AI 幻覺不是「人類沒有、AI 才有」的現象。

差異在於：

AI 以機器速度、機器規模、機器流暢度重現並放大了類似失真。

因此，AI 幻覺之所以危險，不是因為它完全異於人類，而是因為它把錯誤包裝成高流暢、高速度、高擴散性的輸出。

6.3 為什麼 AI 需要更高標準

雖然人類也會錯，但 AI 被視為工具、搜尋助手、工程助手與決策輔助系統，所以使用者自然期待：

更客觀
更穩定
更可查證
更不該亂編

這種期待不完全公平，但工程上必須面對。

因此，重點不是為 AI 幻覺辯護，而是建立一套可追蹤、可定位、可修正的失真治理架構。

7. 幻覺失真分類學

本文將 AI 幻覺拆為十二類。

7.1 Knowledge Gap Hallucination：知識缺口幻覺

模型不知道答案，但仍生成看似合理內容。

處理：

uncertainty declaration
source retrieval
human-decision loop

7.2 Temporal Staleness Hallucination：時間過期幻覺

模型使用過期資訊回答當前問題。

處理：

temporal validity check
web / source refresh
memory expiration

7.3 Spatial Mislocalization Hallucination：空間定位錯誤幻覺

Agent 找錯問題空間。

例子：

錯把 parser bug 當 emitter bug。
錯把 A 公司資訊套到 B 公司。

處理：

space slice verification
dependency graph inspection
expand / switch slice

7.4 Graph Edge Hallucination：圖邊幻覺

Agent 建立不存在的關係。

例子：

A 函式其實沒有呼叫 B 函式，但 Agent 說有。
某論文其實沒有支持某命題，但 Agent 說支持。

處理：

graph edge provenance
source citation
static analysis

7.5 Retrieval Mismatch Hallucination：檢索錯配幻覺

RAG 或搜尋找到錯資料，Agent 卻將其當成正確依據。

處理：

source ranking
cross-source check
claim-source alignment

7.6 Memory Contamination Hallucination：記憶污染幻覺

錯誤記憶被保存，之後反覆導致錯誤輸出。

處理：

memory confidence
human correction
contradiction tracking
memory invalidation

7.7 Tool Feedback Corruption：工具回饋污染

工具輸出錯誤、環境錯誤或解析錯誤，Agent 卻相信工具結果。

處理：

tool output validation
rerun
secondary tool check
runtime trace

7.8 Reward-Induced Guessing：獎勵猜測幻覺

模型在訓練或評估中被鼓勵回答，而不是承認不知道。

處理：

abstention reward
uncertainty calibration
confidence threshold

7.9 Alignment-Induced Distortion：對齊誘導失真

RLHF、公司憲法、安全策略或風格對齊造成模糊、轉向、過度保守或迎合式輸出。

處理：

policy transparency
uncertainty labeling
separate safety refusal from factual uncertainty

7.10 Data-Cleaning Void Hallucination：資料清洗缺口幻覺

底層資料因清洗、版權、隱私、安全或品質篩選出現缺口，模型仍嘗試補全。

處理：

dataset limitation awareness
source retrieval
do-not-infer policy

7.11 User-Premise Hallucination：使用者錯前提幻覺

使用者問題本身含有錯誤前提，模型順著答。

處理：

premise check
clarifying question
counterfactual detection

7.12 Fluency-Completion Hallucination：流暢補洞幻覺

模型為維持語句完整與敘事連貫，自動補出未驗證細節。

處理：

claim segmentation
fact-check checkpoints
source-required mode

8. 幻覺在 RSMGD 中的映射

| 幻覺類型 | 對應系統層 | |---|---| | 知識缺口 | memory / retrieval gap | | 時間過期 | temporal validity failure | | 空間定位錯誤 | spatial slice failure | | 圖邊幻覺 | graph edge error | | 檢索錯配 | source retrieval failure | | 記憶污染 | memory governance failure | | 工具回饋污染 | feedback corruption | | 獎勵猜測 | training/evaluation incentive | | 對齊誘導失真 | governance / policy distortion | | 資料清洗缺口 | base-space data void | | 使用者錯前提 | premise validation failure | | 流暢補洞 | generation fluency pressure |

因此，幻覺不是單點錯誤，而是時空記憶圖中的多點失真。

9. 幻覺治理策略

9.1 不確定性標註

Agent 應能標註：

known
unknown
uncertain
inferred
source-backed
memory-backed
tool-backed
needs-verification

9.2 Claim-Level Source Grounding

不是整段回答引用一個來源，而是每個重要 claim 都應能對應來源或記憶。

9.3 Memory Provenance

每段記憶要知道來源：

誰說的？
何時說的？
哪個任務產生的？
是否被驗證？
是否過期？
是否被否定？

9.4 Contradiction Detection

新資訊與舊記憶衝突時，不應直接覆蓋，而應建立 contradiction edge。

9.5 Human-Decision Loop

高風險、不確定、來源不足、語義爭議時，應進入人類決策迴圈。

9.6 Reflexive Memory Update

每次幻覺或錯誤被發現，都應更新反身記憶：

這次錯誤屬於哪類失真？
錯誤來源是什麼？
下次如何避免？

10. RSMGD Metadata Schema

{
  "taskId": "task_001",
  "space": {
    "sliceType": "semantic_slice",
    "center": "AI hallucination taxonomy",
    "scope": "theory"
  },
  "time": {
    "loopType": "convergent",
    "condition": "theory is internally consistent",
    "maxAttempts": 5
  },
  "memory": {
    "retrieved": [
      {
        "id": "mem_001",
        "type": "reflexive",
        "content": "Previous hallucination discussion should be treated as failure-mode classification, not as a single root cause.",
        "scope": "theory:RSMGD",
        "confidence": "high",
        "source": "user_statement",
        "validity": "until theory revision"
      }
    ],
    "newCandidates": [
      {
        "type": "negative",
        "content": "Do not claim hallucination is caused only by RLHF.",
        "source": "reasoning",
        "requiresReview": true
      }
    ]
  },
  "governance": {
    "uncertaintyPolicy": "mark_inference",
    "sourcePolicy": "source_required_for_external_claims",
    "humanDecision": "required_for_theory_boundary_changes"
  }
}

11. 最小工程實作

11.1 MVP 記憶欄位

第一版 Agent memory 不需要複雜，只要有：

export interface AgentMemory {
  id: string;
  type:
    | "episodic"
    | "semantic"
    | "procedural"
    | "project"
    | "reflexive"
    | "governance"
    | "source"
    | "negative"
    | "temporal_validity"
    | "preference";

  content: string;
  scope: string;
  confidence: "confirmed" | "high" | "medium" | "low" | "hypothesis" | "deprecated";
  source: "user" | "tool" | "test" | "document" | "web" | "agent_inference";
  createdAt: string;
  updatedAt: string;
  validUntil?: string;
  retrievalTriggers: string[];
  invalidatedBy?: string[];
}

11.2 記憶使用規則

1. 只檢索與當前 task / slice / loop 相關的記憶。
2. 低可信記憶只能作為假設，不可作為事實。
3. 過期記憶必須重新驗證。
4. 反身記憶優先用於防止重複錯誤。
5. governance memory 可覆蓋其他任務目標。

11.3 幻覺檢測事件

export interface DistortionEvent {
  id: string;
  taskId: string;
  type:
    | "knowledge_gap"
    | "temporal_staleness"
    | "spatial_mislocalization"
    | "graph_edge_error"
    | "retrieval_mismatch"
    | "memory_contamination"
    | "tool_feedback_corruption"
    | "reward_induced_guessing"
    | "alignment_induced_distortion"
    | "data_cleaning_void"
    | "user_premise_error"
    | "fluency_completion";

  claim: string;
  evidence?: string[];
  severity: "low" | "medium" | "high";
  action: "mark_uncertain" | "retrieve_source" | "ask_human" | "invalidate_memory" | "revise_answer";
}

12. 與 LAPR / EML / TSGD 的整合

12.1 LAPR

LAPR 可以將 memory 作為 task runtime 的一部分：

task
→ retrieve project memory
→ select space slice
→ run temporal loop
→ validate output
→ update reflexive memory

12.2 EML / AST / CTS

EML 提供結構化驗證層：

source
→ AST
→ CTS
→ symbolTable
→ crossRefTable
→ round-trip validator

這些可以降低以下幻覺：

graph edge hallucination
spatial mislocalization
semantic inconsistency
round-trip loss

12.3 TSGD

TSGD 提供時空控制：

where to act
when to retry
when to expand slice
when to ask human

RSMGD 則在 TSGD 上增加：

what was learned
what was wrong
what should be remembered
what must be forgotten

13. 理論邊界

本文不宣稱：

完全解決 AI 幻覺
證明 AI 有意識
證明 AI 等同人類
保證 Agent 不犯錯

本文主張：

AI 幻覺應被拆解為多類時空記憶圖失真。
長期記憶與反身治理是 AGI-like Agent 的核心缺口。
記憶治理比單純記憶儲存更重要。

14. Roadmap

v0.1：理論定義

記憶分類學。
幻覺失真分類學。
RSMGD metadata。
與 TSGD / LAPR / EML 對接。

v0.2：Memory Schema MVP

AgentMemory interface。
Scope / confidence / provenance。
Retrieval trigger。
InvalidatedBy。
Negative memory。

v0.3：Reflexive Memory Runtime

Failed hypothesis tracking。
Repeated failure detection。
Memory contamination detection。
Slice strategy memory。
Loop strategy memory。

v0.4：Hallucination Governance Layer

DistortionEvent。
Claim-level source tracking。
Uncertainty policy。
Contradiction graph。
Human-decision loop integration。

v0.5：AGI-like Agent Runtime

Long-term project memory。
Multi-agent shared memory。
Source-backed reasoning。
Tool-verified action loop。
Temporal-spatial-memory graph visualization。

15. 結論

時間迴圈讓 Agent 能跨時間持續。

空間切片讓 Agent 能定位作用範圍。

反身圖動力學讓 Agent 能在失敗時修正自己的策略。

長期記憶治理讓 Agent 能跨任務累積經驗。

四者合起來，構成了 AGI-like Agent 的工程骨架：

Temporal Loop
+ Spatial Slice
+ Reflexive Graph
+ Governed Long-term Memory
= AGI-like Agent Runtime

AI 幻覺不應被視為單一神祕缺陷，而應被拆解為時空記憶圖中的多類失真。人類也會犯錯、誤判、迎合與合理化；AI 的特殊性在於它以更高速度、更大規模、更流暢形式生成失真。因此，真正的解法不是空泛要求「不要幻覺」，而是建立：

不確定性標註
來源追蹤
記憶治理
反身修正
空間切片驗證
時間迴圈控制
人類決策接口

在排除意識與主觀性判定後，若一個 Agent 能長期記憶、跨任務修正、使用工具、定位問題空間、管理時間迴圈、追蹤來源並在不確定時請人類決策，那麼它在工程意義上已經非常接近 AGI-like 系統。

本文的最終命題是：

AGI-like Agent 的關鍵不是單次推理，而是可治理的長期時空記憶動力學。

References

Charles Packer et al., MemGPT: Towards LLMs as Operating Systems, 2023.

https://arxiv.org/abs/2310.08560

John Yang et al., SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering, 2024.

https://arxiv.org/abs/2405.15793

Adam Tauman Kalai et al., Why Language Models Hallucinate, 2025.

https://arxiv.org/abs/2509.04664

Yuntao Bai et al., Constitutional AI: Harmlessness from AI Feedback, 2022.

https://arxiv.org/abs/2212.08073

Yuanchen Bei et al., Mem-Gallery: Benchmarking Multimodal Long-Term Conversational Memory for MLLM Agents, 2026.

https://arxiv.org/abs/2601.03515

Yihang Ding et al., MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios, 2026.

https://arxiv.org/abs/2604.14158

原始檔（供 RAG/下載）：papers/AGI-like-Agent.md [md]