# 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： 1. 大量內容只能線性閱讀，難以辨識真正的論證結構； 2. 相同主張與相似論據被重複生成，造成計算與閱讀浪費； 3. 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； 4. 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： ```text 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： ```text 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： 1. 涵蓋的原始節點 ID； 2. 使用的來源 ID； 3. 省略的主要分支； 4. 生成時間； 5. 生成器版本； 6. 圖狀態指紋； 7. 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： ```text 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： ```text 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： ```json { "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 ```text 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 ```json { "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 ```json { "id": "edge_001", "from": "node_002", "to": "node_001", "relation": "supports", "weight": 0.82, "confidence": 0.74 } ``` ### ResolutionView ```json { "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 ```json { "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 ```python 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 ```python 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 ```python 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： 1. 輸入多篇長文； 2. 自動拆解成論證節點； 3. 建立支持與反對關係； 4. 生成三個解析度視圖； 5. 初始只載入短視圖； 6. 點擊後局部展開； 7. 新增材料後只更新受影響節點； 8. 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 ```text 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 ```text 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 1. 超圖式多主張證據關係； 2. 多模型獨立性與來源相關性估計； 3. 自動辨識定義衝突與語義漂移； 4. 基於使用路徑的自適應解析度； 5. 跨語言論證節點對齊； 6. 時序版本圖與過時證據衰減； 7. 人類與 AI 混合治理； 8. 可形式驗證的論證鏈； 9. 圖式上下文編譯器； 10. 將 MRASG 作為 Agent 的外部工作記憶； 11. 將程式碼、測試與執行結果納入證據節點； 12. 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 ```text [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。