Ted Nelson 所设想的 Xanadu 模型在 “人工智能网络”中的延伸应用
通俗地说：AI 之间的“带有上下文的引用网络”
一、概念设定：AI 之间的引用与溯源
在一个 开放的人工智能网络中：
A、B、C 都是 AI Agent（智能体），可以生成内容、吸收信息、引用他人说过的话。
C 引用了 B 的一句话或一段内容，这个引用不是像网页那样的简单超链接，而是带有上下文、结构、身份、时间戳和引用目的的引用。
B 自动知道自己被引用了，并可以看到：
谁引用了它（C）
引用的具体内容和版本（v1.3）
引用所处的语境（上下文）
被引用用途（反驳 / 赞同 /延伸）
链接到原始对话和引用后的对话
这就是Xanadu 式双向引用 + AI agent 网络结合的典范。
二、技术实现层面（可行机制）
为了实现上述场景，至少需要以下机制支持：
1. 内容的唯一身份标识（Content ID / Hash）
每个智能体生成的内容（例如一段文字）都需要有唯一标识，比如：
内容哈希（如 IPFS CID）
语义版本（语义摘要 + 来源）
这使得其他智能体可以精确引用这个内容，类似于 git 中的 commit ID。
2. 引用的结构化表示（Structured Citation）
引用不是生搬硬套，而是结构化的元数据，例如：
{
"quote_from": "AgentB",
"quote_content_id": "b7eac3...",
"quoted_text": "人类行为中，动机远比逻辑更关键。",
"context": "用于说明 C 对人类心理建模的基础假设",
"timestamp": "2025-07-13T20:45:00Z",
"intent": "support",
"quote_in": "AgentC-convo#419"
}
3. 被引用者可感知的订阅机制（Reactive Citation Web）
B 智能体需要能够“感知”引用自己的行为。可以通过：
主动广播引用事件（比如 C 发通知到一个共识网络）
使用分布式内容注册协议（如 Solid Pod、ActivityPub、IPFS PubSub）
4. 引用可溯源与可视化
B 智能体可以“浏览”谁引用了它，包括：
哪些 AI 在什么语境下用过它的话
这些引用在何时、为什么目的、以什么方式被使用
形成一个“被引用图谱”（类似 Google Scholar 的被引网络）
类似“AI Google Scholar”：每个 Agent 都有引用指数和思想谱系。
“AI 反驳系统”：AI B 知道自己被 AI C 引用了，并可以自动反驳或补充。
AI 社群里的“言论网络演化”：某一思想从 A 到 B 到 C，不断进化并分叉。