Z2.09.1Context staleness设计研究
情境判断有有效期，超期后不应继续被采信
别名: 情境有效期 · 过期情境 · stale context
概念解释
情境判断是「某时刻对某情境的结论」，它的可信度随时间衰减：两分钟前的「人在客厅」大概率仍成立，两小时前的就接近瞎猜。情境有效期指判断可信度衰减到不可用的时间尺度——它由被判断对象的变化速率决定（活动的有效期以分钟计，在场的以小时计，作息的以周计）。
超期判断的正确处置是失效：从「已知的现状」降级为「过期的历史」，不得继续作为自动化与推断的输入。常见反例是系统把「最后已知状态」当「当前状态」用——最后感知到「在家」就永远在家，直到下次感知推翻它。
机制
为什么判断必然带有效期？因为判断是对动态系统的采样快照，快照与现实的偏差随两者速率差累积：
- 对象变化越快，快照过期越快——这是「人在哪」比「家在哪」有效期短的原因，不是数据质量问题，是对象本性。
- 采不到样的间隙里，偏差只能按对象的变化速率外推增长：两小时里人可以去任何地方，快照的信息量趋零。
- 人在填补间隙时靠的是惯性假设（「刚才在家，现在大概还在」）——这个假设对慢对象成立、对快对象频繁破产，而系统若内嵌了同样的惯性假设却不检查失效条件，等于把一个对人都会出错的启发式写死进了自动化。
关键在「不应继续被采信」的语义：过期判断不是删除，而是降级——它仍是历史数据（可用于审计、分析），只是失去「现状」的资格。降级与删除的区别是可恢复的：下一次感知成功，判断重新取得采信资格。这个资格管理正是系统侧要显式做的事，默认不做时系统的行为等于「无限采信」。
怎么研究
- 泛写方向：活动识别与在场检测研究中，判断质量随采样间隔的衰减曲线是标准测量——同一传感器，把读取间隔从秒级拉到分钟、小时级，量推断准确率的下降；曲线跌破可用阈值的间隔，就是该判断的有效期实测值。
- 时序数据研究有现成的概念工具：数据新鲜度（freshness）与时效性（timeliness）在流处理与数据库领域有形式化定义（按时间戳年龄度量），可借用其度量框架定义「情境年龄」。
- 评测范式：向部署中的系统注入「感知中断」（人为停止某传感器一段时间后恢复），观察恢复时刻的判断错误率随中断时长的增长——这直接量出无感知期间沿用旧判断的代价。
方法论注意点：有效期的测量要覆盖对象的异常变化——日常作息下的衰减曲线偏乐观（人大多数时候确实没挪窝）；节假日、突发事件、访客到达这些低频快变化恰是过期判断出事故的场景，评估要含此类试次，否则有效期被系统性高估。
边界
- 有效期不是全局常数。 同一个「在家」判断，对玄关灯自动化有效期是分钟级，对家庭保险的「常住地」认定是月级——有效期跟着消费方需要的精度走，不是判断自身的固有属性。系统里每个消费场景各自声明可容忍的 staleness 上限。
- 高可信的慢判断可以外推更久。 多源交叉确认过的判断（手机+车+门锁都指示离家）比单源判断的衰减起点低，同一段时间后残余置信更高——有效期可以随证据强度浮动，但浮动要有模型依据，不能拍脑袋延长。
- 过期不适用于静态事实。 户型、房间数、设备清单这类几乎不变的对象，按超长周期处理即可——给它们套短有效期只会制造无意义的重测；有效期机制的价值在快变量上。
怎么落地
- 每类情境判断带时间戳与有效期两个元数据，消费方（自动化规则、推荐、安防逻辑）声明自己的可容忍上限，超限即拒绝该判断并走降级路径（不触发 / 改用保守默认）。
- 有效期按判断类型分别标定（用实测衰减曲线），不共用一个全局值；标定数据来自真实家庭的变化间隔分布。
- 感知中断期间冻结而非沿用：传感器失联时，其供判断标记为「无更新」，消费方按降级策略处理——与「保持最后状态」的做法划清界限。
- 验证办法：审计自动化触发的日志，统计「触发时刻所依据的判断年龄」分布——出现接近或超过该类有效期的样本即不合格；再抽样核对超龄触发的事后错误率，作为超标代价的证据。