StatePlane：面向有界上下文下长程AI系统的认知状态平面

大语言模型（LLM）和小语言模型（SLM）在严格的上下文窗口和键值（KV）缓存约束下运行，这从根本上限制了它们在长交互时程上连贯推理的能力。现有方法——扩展上下文窗口、检索增强生成、摘要或静态文档——把记忆当作静态存储，无法在长时运行的多会话任务中保留与决策相关的状态。我们提出StatePlane，一个模型无关的认知状态平面，为在有界上下文下运行的AI系统治理情景、语义和程序性状态的形成、演化、检索与衰减。StatePlane立足认知心理学与系统设计，形式化了情景分段、经由信息论约束的选择性编码、带意图路由的目标条件检索、重构式状态合成以及自适应遗忘。我们给出了一个形式化状态模型、KV感知算法、包括写路径防投毒在内的安全与治理机制、企业集成路径，以及一个带有六个领域特定基准的评估框架。StatePlane表明，无需扩大上下文窗口或重新训练模型，也能实现长程智能。