지속적 AI 에이전트(persistent AI agent)는 신념을 수정하고, 메모리를 통합하며, 실행 기저를 교체합니다. 서로 다른 권한이 부여된 전이 주장에도 유사한 후속 상태가 수반될 수 있는 반면, 정당한 발전 과정에서도 상태가 크게 변경될 수 있습니다. 본 논문에서는 범위가 지정된 권한, 출처(provenance), 결정론적 적용, 의미론적 술어(semantic predicates), 후보-지속성 영수증을 사용하여 제출된 전이를 검증하는 정책 상대적 계약인 인지적 연속성 테스트(Cognitive Continuity Test, CCT)를 소개합니다. CCT는 검증된 허용 가능성, 적극적 위반, 미해결된 필수 증거를 구분합니다. 분리 결과는 실시간 런타임 식별성이 아닌 전이 주장과 관련되며, 건전성(soundness)은 지정된 검사기 및 평가자 가정에 조건부로 종속됩니다. IdentityLineageBench는 24개의 생성된 전이 패밀리를 제공합니다. 참조 사후 해결 검증기는 576개의 표준 홀드아웃 라벨 모두와 일치하는 반면, 어휘적 상태 유사도 및 계보 전용 진단 기준선(baseline)은 유효하지 않은 픽스처의 60.0% 및 80.0%를 허용합니다. 이러한 비교는 정책 인식 배포 시스템에 대한 우월성이 아닌 합성 적합성을 입증합니다. 서명된 적대적 회귀는 조작된 상호작용 횟수, 근거 없는 신념 변화, 누락되거나 모순된 증거의 혼합을 다룹니다. SIT 동작 및 실제 모델(model) 마이그레이션은 측정되지 않은 상태로 남아 있습니다. 18,000회 실행의 유효 경로 연구에서는 상주 입력에 대해 기본 중앙값 6.21 ms를 측정합니다. 본 연구는 배포에 필요한 추가적인 활성화 및 복구 의무를 명시합니다.
AI 에이전트는 장문맥 응용에서 지정된 정체성으로부터 표류(drift)한다. 현재 방법들은 질적 저하가 눈에 띄게 나타난 후에만 이를 탐지한다. 우리는 enriched category theory의 magnitude homology와 $\sqrt{\mathrm{JSD}}$ 계량 공간(metric space)을 사용하여 정체성 구조를 측정하는 기하학적 프레임워크를 제시한다. 여기서 정체성은 비측지선(non-geodesic) 구조이며 표류는 이것이 측지선(geodesic)으로 이완(relaxation)되는 현상이다. 지속적 AI 에이전트에서 검증한 결과, 이 프레임워크의 가장 강력한 실증적 발견은 이중 메커니즘 조건화 구조이다: 교차 조건 거리는 정체성 명세가 행동적 공백을 채우는 정체성-진공(identity-vacuum) 클러스터와, 사후 학습(post-training) attractor로부터 치환되는 안전-베이sin(safety-basin) 클러스터를 드러낸다. 정삼각형 프로브 기준선은 정체성 명세가 최대 프로브 분리에서 측정 가능한 행동적 풍부성(기본 모델의 1개 대비 55개의 고유 응답 패턴)을 생성함을 확인한다. 정삼각형 구성에 대한 1차 섭동 이론은 둘레(perimeter) 변화만으로 magnitude 변화를 예측하며, 형태 섭동은 $S_n$ 대칭에 의해 1차로 상쇄된다; 이 공식은 관측된 섭동 진폭에서 자기 일관적(self-consistent)이다. 문맥 압력 하에서 magnitude 감소를 측정한 표류 실험은 이후 진정한 문맥 길이 표류가 아니라 반복적 패딩(padding) 아티팩트를 반영한 것으로 밝혀졌으며, 다양한 패딩은 150K 토큰까지 측정 가능한 변형을 만들지 않는다. magnitude homology 프레임워크의 전체 진단적 잠재력—이방성(anisotropic) 수축과 호몰로지적(homological) 단순화를 통한 구조적 붕괴 탐지—은 섭동 이론과 선택 규칙에 구조적으로 기반하지만, 실증적으로는 아직 확인되지 않았다.