情境画册：面向大语言模型系统的上下文空间结构化治理

提高大语言模型（LLM）推理的主流方法是扩大上下文窗口，隐含假设更多的 token 能提升性能。然而，实证证据——包括“失踪中央”效应和长距离关系退化——表明，上下文空间在 Transformer 架构下呈现结构性梯度、显著性不对称以及熵积累。我们提出情境画册（Context Cartography），一个用于 deliberate 治理上下文空间的正式框架。我们定义三分法区域模型，将信息宇宙划分为不可见区域（black fog，未观测）、灰雾区域（gray fog，存储记忆）和可见场（visible field，主动推理表面），并形式化七种图绘算子——侦察、选择、简化、聚合、投影、位移和层叠——作为支配区域之间及区域内信息转换的变换。这些算子源自对所有非平凡区域转换的系统覆盖分析，按变换类型（算子功能）和区域范围（适用范围）进行组织。我们基于 Transformer 注意力的显著性几何，对该框架进行理论 grounding，将图绘算子视为对线性前缀记忆、仅追加状态以及在扩大上下文下熵积累的必要补偿。对四个当代系统（Claude Code、Letta、MemOS 和 OpenViking）的分析提供了解读证据，表明这些算子在行业内独立收敛。我们从框架中导出可测试的预测——包括算子特定的消失假设——并提出用于经验验证的诊断基准。