你的 AI agent 記憶系統，正在犯一個認知科學早就解決的錯誤

我花了一整個下午，帶著七個 AI agent 開了一場 Council，討論一個我覺得很簡單的問題：「碎片化的日常工作放 AMH，結構化的知識放兩個獨立的 Knowledge Store，這樣分夠嗎？」

結論是：不夠。而且不夠的方式比我想像的有趣。

問題不是「放哪裡」，是「怎麼更新」

我原本以為記憶架構就是決定資料放在哪個 store。日常工作碎片放 AMH（我自己寫的 agent-memory-hall，有 TTL 和 namespace），專案知識放兩個獨立的 Knowledge Store（按安全邊界物理隔離），乾淨俐落。

然後 Codex（以 Mandatory Dissenter 角色參與）問了一個問題：

「某客戶偏好 A，但證據只有兩次會議」——這放哪？

放 AMH？30 天 TTL 到了就消失，但這可能是半年後還會用到的判斷依據。放 Knowledge Store 的 authoritative？不夠格，它還不是定論。

這就是「灰色知識」問題。最有決策價值的知識，往往是你很確定它大概是對的，但還不夠格寫進正式文件的那些。

Roynard 論文給了答案：不是三層，是四層

Council 投票（5-0）決定先讀一篇論文再動手。Roynard 的 "The Missing Knowledge Layer in Cognitive Architectures for AI Agents"（arXiv:2604.11364）指出了一個很精確的問題：

現在所有 AI agent 記憶系統都犯了同一個 category error — 把「事實」和「經驗」用一樣的儲存語意處理。

NornicDB 給語意記憶 69 天 half-life。但「巴黎是法國首都」這個事實不會因為 69 天沒人查就變假。Mem0 對所有內容用同一套 CRUD。Hindsight 永遠不忘記任何東西。

Roynard 的解法是四層，每層一種 update mechanism：

關鍵 insight 是：區分的依據不是「內容是什麼」，而是「允許什麼操作」。Knowledge 只能 supersede，不能 decay。Memory 可以 decay，不能 supersede。Wisdom 必須通過 evidence gate 才能修改。

同一個觀察，進兩個層

這是我覺得最聰明的設計。

「BQ 的 CURRENT_DATE() 在台灣凌晨會回傳前一天的日期」是 Knowledge — 可驗證的事實，靠 supersession 更新。

「每次寫 BQ scheduled job 都要用 CURRENT_DATE('Asia/Taipei')」是 Wisdom — 行為準則，靠 evidence-gated revision 更新。

兩者來自同一次踩坑，但需要不同的 update logic。事實改變不代表行為指令立即失效 — 舊版 BigQuery 的 pattern 可能仍適用於 legacy pipeline。

ChatGPT 的補刀：三軸 metadata

我同時讓 ChatGPT 做了獨立分析。它提出了一個很實用的補充：不要只用單一 status（如 draft → candidate → approved），因為這混了兩件事：

1. 工作流程：有沒有人整理過？（workflow status）
2. 知識可信度：證據強不強？（epistemic status）
3. 可操作性：能不能拿來執行？（operational status）

一筆內容可以是「已整理發布」（workflow: published）但「仍屬假設」（epistemic: hypothesis）且「只能當建議」（operational: advisory）。

ChatGPT 的方案和 Roynard 的方案不衝突。最終的混合架構：

四層決定資料允許什麼操作（invariant），三軸描述每筆資料當前的狀態（descriptor）。

我的系統怎麼對應

缺的是 Wisdom 層。我原本把它叫 "shared-patterns"，打算放在 Knowledge Store 裡當一個特殊 project。但 ChatGPT 指出這不對 — Wisdom 需要獨立的 domain contract，因為它的 update logic 跟 Knowledge 根本不同。

防 circular validation：升格不能只算次數

Roynard 的 Wisdom stability tiers 很直觀：1 session = prediction，3+ sessions = core，10+ cycles = anchor。

但 ChatGPT 抓到一個盲點：

Session 1 產生 pattern P。Session 2 讀取 P 後再次寫下 P。Session 3 讀取 Session 2 的摘要後確認 P。

表面上有三個 session，實際上只有一個根證據。

所以升格不能只數 session。需要 lineage DAG — 追蹤每筆證據的 ancestry，計算的是 independent evidence roots，不是 session count。

另一個陷阱：RLHF 訓練的模型會比人類多 50% 傾向同意使用者。如果 Wisdom 升格只靠 user approval，sycophantic pattern（「永遠只給極短答案」）會被升格為 anchor。需要 evidence-count + independence check 兩條硬門檻。

Solo operator 不需要四套系統

Perplexity 對論文的批判性評估很精準：

For single-agent systems, policy enforcement via application logic is likely sufficient. Physical separation is mainly needed in adversarial or complex multi-agent settings.

我是 solo operator。我不需要防另一個 agent 繞過 evidence gate。所以：

• 共用 SQLite / retrieval components — 底層元件重用
• 不共用 CRUD handler — 每層不同的 update logic
• 邏輯分離，物理共存 — 一個 monorepo，三個 domain service

實作計畫

四個 phase，不急著自動化：

1. 現在做：AMH 加 bi-temporal、Knowledge Store 加 supersession chain
2. Phase 2：建最小 Wisdom Registry（propose / review / promote / challenge / retire）
3. Phase 3：Cognitive Router（規則優先 → classifier → LLM fallback）
4. 最後才做：自動 consolidation（AMH → Knowledge candidate / Wisdom proposal）

ChatGPT 警告得好：「不要太早做自動升格。Router 與 lineage 尚未穩定時，自動 consolidation 很容易成為錯誤影印機。」

Council 的價值

這次 session 用了七個 agent：Claude（Chair）、Codex（Dissenter）、Gemini（Analyst）、Perplexity Max（Scout-1）、SuperGrok（Scout-2）、ChatGPT（Deep Analysis）、Grok（Independent voter）。

最有價值的不是「多數決」，而是 衝突點的發現：

• Codex 發現灰色知識掉球問題
• ChatGPT 發現 candidate 不夠，需要三軸
• Perplexity 發現論文的收斂證據不夠獨立
• ChatGPT 最後調和了自己的三軸方案和 Roynard 的四層

沒有任何一個 agent 單獨能給出最終架構。最終架構是六路分析交叉驗證後的產物。

基於 Roynard (2026) arXiv:2604.11364 "The Missing Knowledge Layer in Cognitive Architectures for AI Agents" 的四層認知架構，經七位一體 Council 討論、四路 Scout 偵察後定案。

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。