神经分页：用于图灵完备智能体的上下文管理策略学习

大型语言模型（LLM）augmented with external read-write memory 构成的系统被证明具有计算完备性，为通用智能体提供了理论基础。然而，现有实现面临关键瓶颈：有限且昂贵的 Context Window，其功能不构成无限内存，而是稀缺的语义缓存。本文引入 \textit{神经分页}（Neural Paging）架构，解耦符号推理与信息资源管理。我们提出 \textit{上下文分页问题（CPP）}，并设计轻量级可微 \textit{分页控制器（Page Controller）} 以近似 “Semantic Belady's Optimality”——在对访问模式的明确假设下，保留具有高未来效用的 token。我们提供理论分析表明，在上下文窗口大小为 $K$ 的情况下，神经分页将长期推理复杂度从二次 $O(N^2)$ 降至 $O(N \cdot K^2)$，并推导鲁棒性界限（Theorem 4），量化在策略依赖访问下的竞争比 degradation。我们在合成分页轨迹上验证这些界限，确认理论保证成立，同时识别出显著的松弛空间，激发学习策略的潜力。