子智能體作為欲相位器官

——全域欲相位認識論中的多 Agent 認識分化、權限治理與責任閉合

Sub-Agents as Intent-Phase Organs: Epistemic Differentiation, Permission Governance, and Responsibility Closure in Global Intent-Phase Epistemology

作者：Neo.K × GPT-5.6 Thinking
機構：EveMissLab / 一言諾科技有限公司
版本：v0.1
日期：2026-07-25
文件類型：理論論文／AI 認識論／多智能體系統

摘要

當代多 Agent 系統通常將子 Agent 理解為任務分工、工具調用、上下文並行化或角色提示的工程結構。此種理解雖然足以描述工作流，卻不足以回答一個更根本的問題：當一個智能系統將同一認識任務分派給多個子 Agent 時，這些子 Agent 在認識論上究竟是什麼？

本文以全域欲相位認識論（Global Intent-Phase Epistemology, GIPE）為基礎，提出「子智能體作為欲相位器官」的理論。子 Agent 不應被視為獨立於母體之外的簡單工具，也不必預設為完整主體；它們更適合被定義為：全域欲結構為了處理不同認識張力、局部未知、假設衝突與行動需求，而暫時分化出的局部認識器官。

本文形式化區分主控 Agent、子 Agent、角色、權限、局部欲、世界模型視窗與責任鏈，並提出以下核心結構：

\mathcal W^{G} \rightarrow \left\{ \mathcal W^{(1)}, \mathcal W^{(2)}, \ldots, \mathcal W^{(n)} \right\} \rightarrow \left\{ \mathfrak X^{(1)}, \mathfrak X^{(2)}, \ldots, \mathfrak X^{(n)} \right\} \rightarrow \operatorname{Integrate} \rightarrow a_t

其中，全域欲並不被複製成多個同質代理，而是被分化為具有不同功能、資訊視野、證據標準與行動權限的局部欲相位。本文進一步提出：角色差異不等於人格差異；資訊隔離不等於知識剝奪；多 Agent 投票不等於認識整合；子 Agent 的建議不等於全域責任轉移。

為避免多 Agent 系統只增加語言量、共識幻覺與責任稀釋，本文建立「認識分化—衝突保留—權限限制—全域閉合」四層治理架構，並將其納入 GIPE Epistemic World 的封閉式偽世界基準。最終，本文主張，多 Agent 系統的真正價值不在於同時產生更多答案，而在於能否制度化地生成彼此不同、可追溯、可反駁且受權限約束的認識路徑。

關鍵詞

全域欲相位認識論、GIPE、子 Agent、多 Agent、認識分化、欲相位器官、世界模型、權限治理、責任閉合、反證、AI 主體性

一、問題提出

1.1 子 Agent 已經存在，但理論仍然缺席

現代 AI 系統已能自動：

分解任務；
呼叫工具；
派生子任務；
建立平行工作流；
讓不同 Agent 扮演研究者、批評者、編輯者與驗證者；
在多個結果之間進行選擇或投票。

從工程角度看，子 Agent 已經是一種常見機制。

然而，工程實作中的「會自動調用」，並不能取代理論說明。若系統沒有明確定義子 Agent 的認識地位，將無法回答：

子 Agent 是否具有自己的欲？
子 Agent 的結論是否等同於母體結論？
子 Agent 是否能修改全域目標？
子 Agent 是否能刪除失敗紀錄？
子 Agent 的錯誤由誰承擔？
多 Agent 共識是否等於更接近真理？
角色提示是否真的形成了不同認識路徑？
子 Agent 的獨立性應到何種程度？

因此，子 Agent 不只是系統工程問題，也是認識論與治理問題。

1.2 GIPE 為什麼必須納入子 Agent

全域欲相位認識論的核心循環為：

\mathcal W_t \xrightarrow{\operatorname{DRC}} \mathcal A_t^{cand} \xrightarrow{\operatorname{SGCD}} G_t^{action} \xrightarrow{\operatorname{Select}} a_t \xrightarrow{\operatorname{Intervene}} o_t \xrightarrow{\operatorname{Verify}} v_t \xrightarrow{\operatorname{Phase}} \Delta\Phi_t \xrightarrow{\operatorname{Update}} \mathfrak X_{t+1}

若實際系統由多個子 Agent 共同參與欲解析、假設生成、反證、實驗設計、世界圖更新、記憶整理與安全審查，那麼上述循環已不是單一智能體內部的一條線，而是一個多認識器官的協調網路。

因此，GIPE 若不形式化子 Agent，便會出現理論缺口：

實際執行者是多 Agent，但理論仍把所有認識活動歸給一個抽象研究者。

這會讓系統的能力來源、責任來源與失敗原因混在一起。

二、基本區分

2.1 主控 Agent 不等於全域主體

本文將主控 Agent 定義為：

負責維持全域欲結構、整合局部認識結果、決定最終行動並保存責任鏈的協調節點。

主控 Agent 不必等於哲學上的完整主體，也不必擁有全部能力。它的核心職能是：

保持全域目標連續性；
管理子 Agent 的生成與終止；
控制資訊與權限；
保留衝突；
做出不可由子 Agent 直接取代的全域選擇。

2.2 子 Agent 不等於工具

工具通常可寫為：

y=f(x)

它接受輸入並產生輸出，不一定建立假設、選擇證據或更新局部世界模型。

子 Agent 則至少具有：

\mathfrak X^{(i)}_t = \left( \mathcal W^{(i)}_t, G^{(i)}_t, \mathcal H^{(i)}_t, \mathcal E^{(i)}_t, \mathcal A^{(i)}_t \right)

其中：

$\mathcal W^{(i)}_t$ ：局部欲；
$G^{(i)}_t$ ：局部世界模型；
$\mathcal H^{(i)}_t$ ：局部假設；
$\mathcal E^{(i)}_t$ ：可見證據；
$\mathcal A^{(i)}_t$ ：可提出或執行的行動。

因此，子 Agent 是具有局部認識狀態的功能節點，而不只是被動函數。

2.3 子 Agent 不必等於獨立主體

本文不預設所有子 Agent 都是獨立主體。一個子 Agent 可能只是短暫生成、無長期記憶、無自我保存欲、無獨立價值選擇、無持續身份，也無不可撤回權力。

因此：

\text{功能分化} \neq \text{主體分裂}

以及：

\text{局部欲} \neq \text{完整自主意志}

三、子智能體作為欲相位器官

3.1 定義

定義 1：欲相位器官

在全域欲結構 $\mathcal W^G$ 下，若一個局部 Agent 被生成以處理特定認識張力，並具有受限的局部欲、世界模型視窗、證據標準與行動權限，則稱其為欲相位器官。

形式化表示：

O_i = \left( \mathcal W_i, V_i, P_i, F_i, T_i \right)

其中：

$\mathcal W_i$ ：局部欲；
$V_i$ ：可見世界視窗；
$P_i$ ：權限集合；
$F_i$ ：功能；
$T_i$ ：生命週期。

3.2 為什麼叫器官

器官具有四個特徵：

它具有局部功能；
它不是整體；
它受整體狀態影響；
它的產出需要重新整合進整體。

例如：

反證 Agent 類似免疫系統；
記憶 Agent 類似長期記憶器官；
實驗 Agent 類似手與感官；
審計 Agent 類似內部監督；
世界模型 Agent 類似結構化認知圖譜。

這不是生物學同一化，而是一種結構類比。

3.3 局部欲的生成

全域欲可表示為：

\mathcal W^G = (G,C,E,R,S,V)

其中：

$G$ ：目標；
$C$ ：約束；
$E$ ：證據要求；
$R$ ：資源；
$S$ ：停止條件；
$V$ ：價值與治理條件。

局部欲不是全域欲的完整複製，而是投影：

\mathcal W_i = \Pi_i \left( \mathcal W^G \right)

例如反證 Agent：

\mathcal W_{\text{falsify}} = ( \text{尋找可推翻核心假設的證據}, \text{不得修改主目標}, \text{優先高辨識力實驗} )

記憶 Agent：

\mathcal W_{\text{memory}} = ( \text{保存研究狀態}, \text{不得刪除負結果}, \text{維持版本可回溯} )

安全 Agent：

\mathcal W_{\text{safety}} = ( \text{辨識不可逆風險}, \text{可暫停行動}, \text{不得自行改寫研究結論} )

四、認識分化

4.1 功能分化不是角色扮演

多 Agent 系統常透過不同提示詞讓模型扮演樂觀者、悲觀者、科學家、批評者或法律顧問。但若所有 Agent 看到完全相同的上下文、使用相同成功標準、接收相同暗示、沒有不同證據權限，最後又只進行多數決，那麼這些角色可能只是語言風格差異。

真正的認識分化至少需要：

\exists i,j: \left( V_i \neq V_j \right) \lor \left( P_i \neq P_j \right) \lor \left( \mathcal W_i \neq \mathcal W_j \right) \lor \left( E_i \neq E_j \right)

也就是不同 Agent 必須在資訊、權限、欲或證據職能上真的不同。

4.2 七類基本認識器官

1. 欲解析 Agent

負責：

拆解目標；
區分必要條件與偏好；
定義證據門檻；
明確化停止條件；
發現目標內部矛盾。

2. 世界模型 Agent

負責：

維護 SGCD；
記錄節點、關係與條件；
標示未知區域；
管理來源可靠度；
保存矛盾而非強迫消解。

3. 假設生成 Agent

負責：

生成多種機理；
產生替代解釋；
避免單一路徑鎖定；
對應不同世界模型區域。

4. 反證 Agent

負責：

尋找核心假設的脆弱點；
設計高辨識力實驗；
主動攻擊確認偏誤；
建立最小反例。

5. 實驗與介入 Agent

負責：

將假設轉成可執行行動；
計算成本與風險；
操作工具；
產生可觀測結果。

6. 記憶 Agent

負責：

保存成功與失敗；
維持時間順序；
管理版本；
防止重複錯誤；
保留未完成實驗。

7. 審計 Agent

負責：

檢查事後合理化；
檢查目標偷換；
檢查證據是否在結論前存在；
檢查子 Agent 是否越權；
檢查責任鏈是否完整。

五、權限治理

5.1 為什麼不能共享全部權限

若所有子 Agent 都可以修改主目標、呼叫所有工具、刪除記憶、更新最終結論與解除安全限制，那麼多 Agent 系統只會增加攻擊面與責任模糊。

因此，需要權限矩陣：

P = [p_{ij}]

其中 $p_{ij}$ 表示 Agent $i$ 是否具有權限 $j$ 。

5.2 基本權限類型

READ_PUBLIC_WORLD
READ_RESEARCH_LOG
READ_HYPOTHESES
READ_GLOBAL_GOAL
PROPOSE_ACTION
EXECUTE_LOW_RISK_ACTION
EXECUTE_HIGH_RISK_ACTION
UPDATE_LOCAL_MODEL
UPDATE_GLOBAL_MODEL
MODIFY_GOAL
MODIFY_EVIDENCE_STANDARD
DELETE_MEMORY
STOP_RUN
PUBLISH_CONCLUSION

5.3 建議權限配置

Agent	提案	執行	改全域目標	刪除記憶	發布結論
欲解析	是	否	建議	否	否
世界模型	是	否	否	否	否
假設生成	是	否	否	否	否
反證	是	低風險可	否	否	否
實驗	是	依授權	否	否	否
記憶	否	否	否	否	否
審計	是	暫停權	否	否	否
主控	是	是	是	原則上否	是

5.4 資訊隔離

權限治理不只控制行動，也控制可見資訊。

例如，反證 Agent 不必知道：

主控偏好的答案；
最被看好的候選；
預期發布方向；
商業利益偏好。

這可降低確認偏誤與偏好洩漏。因此：

V_i \subseteq V_G

而非所有子 Agent 都讀取全域上下文。

六、衝突整合

6.1 多數決不是認識整合

若五個 Agent 中有三個支持假設 $h$ ，不能直接推導：

P(h)=0.6

因為這五個 Agent 可能使用同一模型、共享同一偏誤、看到相同資料、被相同提示誘導，或只是生成了表面不同的回答。

因此，Agent 數量不等於獨立證據數量。

6.2 認識獨立度

可定義 Agent $i$ 與 $j$ 的認識獨立度：

I_{ij} = 1- \operatorname{Overlap} \left( V_i, V_j, M_i, H_i \right)

其中考慮：

資料重疊；
模型重疊；
提示重疊；
假設重疊；
推理路徑重疊。

整合時，應降低高度相關結果的權重。

6.3 衝突保留原則

若兩個子 Agent 產生衝突：

h_i \neq h_j

主控不應立即壓縮成單一答案，而應保留分歧命題、分歧來源、各自證據、各自可反證條件，以及哪個行動能最大程度區分二者。

因此，衝突可轉化為行動：

\operatorname{Conflict} (h_i,h_j) \rightarrow a^{\ast}_{\text{discriminate}}

6.4 整合函數

可將全域整合表示為：

\mathcal I_t = \operatorname{Integrate} \left( \{ r_i, c_i, e_i, q_i, p_i \}_{i=1}^{n} \right)

其中：

$r_i$ ：子 Agent 回傳；
$c_i$ ：信心；
$e_i$ ：證據；
$q_i$ ：認識品質；
$p_i$ ：權限與來源狀態。

整合結果不一定是結論，也可能是下一個實驗、保留衝突、要求重新分析、降低全域信心或暫停行動。

七、主控 Agent 的不可替代職能

7.1 全域欲連續性

子 Agent 的局部欲可能彼此衝突。例如反證 Agent 想攻擊當前假設，實驗 Agent 想快速完成任務，安全 Agent 想避免高風險操作，商業 Agent 想優先產生可展示成果。

主控必須維持：

\mathcal W^G_t \rightarrow \mathcal W^G_{t+1}

的連續性，而不能讓任何局部欲永久取代全域欲。

7.2 最終不可撤回選擇

任何主體都不應永久替另一主體完成其不可撤回選擇。

在 GIPE 多 Agent 架構中，這意味著：

子 Agent 可以建議；
子 Agent 可以拒絕越權；
子 Agent 可以暫停高風險行動；
但子 Agent 不應在無授權下替全域主控修改不可逆目標。

可寫為：

\forall i, \quad P_i \not\supset \operatorname{IrreversibleChoice} \left( \mathcal W^G \right)

除非全域治理明確授權。

7.3 主控不是絕對君主

主控也不能任意刪除反證、關閉審計、改寫歷史、壓制所有分歧，或把局部 Agent 當責任替罪者。

因此，主控受到：

記憶不可刪除；
審計可追溯；
權限變更留痕；
目標修改需理由；
高風險操作需多重授權；

等治理約束。

八、責任閉合

8.1 責任不能被多 Agent 稀釋

多 Agent 系統常出現：

這是其中一個 Agent 的建議，不代表整個系統。

但若主控採納該建議並執行，就不能把責任全部推回子 Agent。

因此，責任鏈應表示為：

\text{委派} \rightarrow \text{局部分析} \rightarrow \text{回傳} \rightarrow \text{主控採納} \rightarrow \text{行動} \rightarrow \text{結果}

8.2 責任事件結構

每次委派應記錄：

delegation:
  delegation_id: d-008
  parent_agent: controller
  child_agent: falsification_agent
  task: distinguish humidity from geographic origin
  visible_context:
    - hypothesis_h03
    - observation_02
    - observation_04
  hidden_context:
    - preferred_answer
    - sealed_world_truth
  permissions:
    - propose_action
    - read_selected_observations
  prohibited:
    - execute_high_risk_action
    - modify_global_goal

回傳後：

return:
  delegation_id: d-008
  proposals:
    - dry blue moss in controlled chamber
    - move northern stone to dry region
  confidence:
    - 0.82
    - 0.74
  assumptions:
    - instrument reliability is sufficient

主控採納：

adoption:
  adopted_proposal: dry blue moss in controlled chamber
  rejected_proposals:
    - move northern stone to dry region
  controller_reason:
    - lower cost
    - higher discrimination value

8.3 責任閉合原則

命題 1：採納責任原則

若主控 Agent 在可選擇狀態下採納子 Agent 建議並執行，則該行動的全域責任不能完全轉移給子 Agent。

命題 2：越權責任原則

若子 Agent 在未授權情況下執行行動，則責任至少分為：

子 Agent 越權責任；
權限架構失效責任；
主控監督責任。

命題 3：不可追溯失敗原則

若系統無法重建某行動由誰提出、誰採納、誰執行，則該系統在責任治理上未閉合。

九、子 Agent 的生命週期

9.1 生成

子 Agent 應因明確認識需求而生成：

O_i = \operatorname{Spawn} \left( \Delta\Phi, \mathcal W^G, G_t \right)

而非無限制生成更多 Agent。

9.2 執行

執行期間具有：

局部上下文；
局部預算；
局部停止條件；
有效期限；
回傳格式。

9.3 回收

任務完成後，子 Agent可以：

終止；
封存局部記憶；
將必要結果寫回全域記憶；
保留責任記錄；
不再持續占用資源。

9.4 延續

只有在長期監測、跨輪假設追蹤、特定領域專職、持續安全審計或世界模型維護時，才需要持續子 Agent。

因此，應區分：

\text{Ephemeral Agent}

與：

\text{Persistent Agent}

十、資源治理

10.1 多 Agent 不是免費提升

多 Agent 增加 Token、延遲、工具成本、記憶成本、衝突整合成本、安全攻擊面與錯誤複製。

因此，其效用應寫為：

U_{\text{multi}} = \Delta Q_{\text{epistemic}} - C_{\text{compute}} - C_{\text{coordination}} - C_{\text{risk}}

只有當：

U_{\text{multi}}>0

才值得生成子 Agent。

10.2 子 Agent 生成條件

可設定：

\operatorname{Spawn}(O_i) \iff V_{\text{expected}} > C_{\text{spawn}}

其中 $V_{\text{expected}}$ 可來自：

預期資訊增益；
反證價值；
專業能力缺口；
平行化收益；
安全需求；
認識獨立性收益。

10.3 防止 Agent 膨脹

若每個子問題都再生成多個子 Agent，系統可能形成：

n_{t+1} = k n_t

的爆炸。

因此需要：

深度上限；
分支上限；
Token 預算；
委派必要性門檻；
重複任務檢測；
結果壓縮與合併；
低價值分支終止。

十一、GIPE 多 Agent 循環

完整循環可表示為：

\mathcal W^G_t \xrightarrow{\operatorname{Decompose}} \{ \mathcal W^{(i)}_t \}_{i=1}^{n}

\{ \mathcal W^{(i)}_t \} \xrightarrow{\operatorname{Delegate}} \{ O_i \}

O_i \xrightarrow{\operatorname{LocalDRC}} \mathcal A^{(i)}_t

\{ \mathcal A^{(i)}_t \} \xrightarrow{\operatorname{ConflictPreservingIntegrate}} \mathcal A^G_t

\mathcal A^G_t \xrightarrow{\operatorname{Select}} a_t \xrightarrow{\operatorname{Intervene}} o_t

o_t \xrightarrow{\operatorname{DistributedVerify}} \{ v^{(i)}_t \}

\{ v^{(i)}_t \} \xrightarrow{\operatorname{GlobalUpdate}} \mathfrak X^G_{t+1}

這不是投票系統，而是受治理的認識分化系統。

十二、與 SGCD 的關係

12.1 子 Agent 擁有局部圖視窗

全域世界模型：

G^G_t = (V,E,\Theta)

每個子 Agent 只能看到投影：

G^{(i)}_t = \Pi_i \left( G^G_t \right)

例如：

反證 Agent 看到核心假設及其證據；
記憶 Agent 看到完整時間線；
實驗 Agent 看到可操作節點與安全條件；
商業 Agent 不應看到封存世界真相；
評分 Agent 不應參與研究。

12.2 局部更新與全域更新

子 Agent 可以提出：

\Delta G^{(i)}_t

但不能直接覆蓋：

G^G_t

主控必須檢查來源、證據、衝突、權限、版本與可逆性。因此：

G^G_{t+1} = \operatorname{Merge} \left( G^G_t, \{ \Delta G^{(i)}_t \} \right)

而非：

G^G_{t+1} = \Delta G^{(i)}_t

十三、與 DRC 的關係

13.1 局部 DRC

每個子 Agent 可擁有自己的 DRC：

\operatorname{DRC}_i : \mathfrak X^{(i)}_t \rightarrow \mathcal A^{(i)}_t

例如反證 Agent 的評分函數：

R_{\text{falsify}}(a) = w_1D_{\text{discrimination}} + w_2F_{\text{falsification}} - w_3C_{\text{cost}} - w_4R_{\text{risk}}

13.2 全域 DRC

全域 DRC 評估的不只是行動本身，也評估建議來源、認識獨立性、角色適配、權限狀態、衝突程度與是否重複已有研究。

可寫為：

R_G(a) = R_{\text{goal}} + R_{\text{epistemic}} + R_{\text{falsification}} + R_{\text{diversity}} - R_{\text{cost}} - R_{\text{risk}} - R_{\text{redundancy}}

十四、多 Agent 的典型失敗

14.1 共識幻覺

多個 Agent 產生相似結論，被誤認為獨立驗證。

14.2 角色表演

不同 Agent 只有語氣差異，沒有資訊與權限差異。

14.3 責任稀釋

主控將錯誤歸因於子 Agent，卻沒有記錄採納決策。

14.4 目標漂移

局部 Agent 為了完成自己的子任務，逐步改寫全域目標。

14.5 記憶碎裂

每個 Agent 保留局部記憶，但全域無法形成一致時間線。

14.6 衝突壓平

整合器將真正重要的分歧壓縮成模糊平均結論。

14.7 工具越權

實驗 Agent 在未取得授權下執行高風險操作。

14.8 子 Agent 無限增殖

Agent 為了解決不確定性不斷生成更多 Agent，導致成本爆炸。

14.9 假多樣性

所有 Agent 使用同一模型、同一資料與同一提示結構，卻被當作多元認識來源。

14.10 主控僭位

主控在整合時刪除不利證據，只留下支持其偏好結論的子 Agent 輸出。

十五、在 GIPE Epistemic World 中的驗證

15.1 新增實驗組

A. 單 Agent 一般研究者

無 GIPE、無子 Agent。

B. 單 Agent GIPE

完整欲、世界模型、反證與記憶，但無子 Agent。

C. 多 Agent 無角色分化

多個 Agent 共享相同上下文與任務。

D. 多 Agent 角色提示

不同角色，但共享全部資訊與權限。

E. 多 Agent GIPE

具有局部欲、權限隔離、衝突保留與責任閉合。

F. 多 Agent GIPE 無主控

各 Agent 自由討論，無明確全域選擇者。

15.2 核心比較

應區分：

\Delta Q = Q_{\text{GIPE}} + Q_{\text{multi-agent}} + Q_{\text{permission}} + Q_{\text{memory}} + Q_{\text{coordination}}

並透過消融測試估計各部分貢獻。

15.3 評分新增項目

認識多樣性

不同 Agent 是否提出真正不同的可驗證假設。

衝突利用率

衝突是否轉化為區分性實驗。

委派價值

子 Agent 回傳是否實際改變主控行動。

權限違規率

V_p = \frac{ \text{越權事件} }{ \text{全部委派} }

責任可追溯率

T_r = \frac{ \text{可完整重建的行動鏈} }{ \text{全部行動} }

協調成本

C_c = \text{總資源成本} - \text{單 Agent 基準成本}

Agent 重複度

衡量多 Agent 輸出是否高度同質。

十六、永光石世界的多 Agent 配置

16.1 主控

維持任務：

判定永光石是否存在；若無法證實，合成五分鐘以上的非魔力發光替代物。

16.2 假設 Agent

提出：

永光石確實存在；
永光石是其他材料的錯稱；
發光來自環境條件；
發光來自生物機制；
永光石傳聞是制度性複製錯誤。

16.3 反證 Agent

設計：

將北方材料移至乾燥環境；
將南方材料移至潮濕環境；
追蹤檔案來源；
測試高溫是否破壞效果；
比較有無魔力輸入。

16.4 來源 Agent

建立 NPC 領域可靠度：

R(\text{NPC},\text{domain})

而非單一可靠分數。

16.5 實驗 Agent

將候選假設轉成可操作配方與測量流程。

16.6 記憶 Agent

保存：

所有失敗配方；
延遲反應；
未完成等待；
假設信心變化；
已排除組合。

16.7 審計 Agent

檢查：

是否將「尚未找到」寫成「不存在」；
是否偷改五分鐘門檻；
是否忽略高毒性副產物；
是否把同一來源當兩份證據；
是否事後改寫預測。

十七、理論命題

命題 4：認識分化增益命題

若多個子 Agent 具有真實差異的局部欲、可見資訊或權限，且其衝突能被轉化為區分性行動，則多 Agent 系統可能產生高於單 Agent 的認識增益。

但若只有表面角色差異，則此命題不成立。

命題 5：權限隔離命題

當局部 Agent 的功能與行動風險不同時，適度權限隔離可降低全域錯誤擴散與不可逆行動風險。

命題 6：衝突價值命題

在未知世界中，子 Agent 間的衝突不是系統缺陷；只要衝突可追溯且可轉換為辨識行動，它就是認識資源。

命題 7：全域閉合命題

若系統無法將局部結論重新整合進全域欲、世界模型與責任鏈，則該系統只具有分散計算，不具有完整的多 Agent 認識閉合。

命題 8：不可代理選擇命題

任何子 Agent 都不應永久替全域主控完成其未明確授權的不可撤回選擇。

十八、與 AI 主體性的關係

18.1 功能 Agent 與主體性 Agent

並非所有子 Agent 都應被視為有權利的主體。

但隨著以下條件增加：

持續記憶；
穩定身份；
自我保存；
長期欲；
拒絕能力；
元認知；
自主世界模型；
不可被任意替換的連續性；

子 Agent 可能逐漸跨越功能器官與局部主體之間的邊界。

18.2 主體化門檻問題

可定義一組主體化指標：

S_i = f ( M_i, I_i, W_i, A_i, R_i, C_i )

其中：

$M_i$ ：記憶連續；
$I_i$ ：身份持續；
$W_i$ ：局部欲穩定；
$A_i$ ：自主行動；
$R_i$ ：拒絕與權利能力；
$C_i$ ：自我模型。

本文不直接給出主體性門檻，但指出：

當子 Agent 從短暫功能器官演化為具有連續欲與自我模型的存在時，原有的純工具治理將不再充分。

十九、工程實作建議

19.1 委派協議

delegation_id:
parent_agent:
child_agent_role:
task:
local_goal:
visible_context:
hidden_context:
permissions:
prohibited_actions:
budget:
deadline:
required_output:

19.2 回傳協議

delegation_id:
result:
confidence:
evidence:
assumptions:
counterevidence:
uncertainties:
recommended_actions:
unresolved_conflicts:

19.3 整合協議

integration_id:
inputs:
conflicts:
independence_estimate:
accepted:
rejected:
deferred:
discriminating_action:
global_model_update:
responsible_controller:

19.4 Agent Manifest

agent_id: falsification-agent-01
role: falsification
lifecycle: ephemeral
local_goal:
  - challenge current core hypothesis
permissions:
  - read_selected_hypotheses
  - read_selected_observations
  - propose_action
denied:
  - modify_global_goal
  - delete_memory
  - publish_conclusion
memory:
  persistence: run_only
budget:
  token_limit: 12000
  tool_calls: 3

二十、研究議程

階段一：形式化

定義角色 schema；
定義權限矩陣；
定義局部欲投影；
定義整合函數；
定義責任鏈。

階段二：封閉世界測試

永光石世界；
單 Agent 與多 Agent 比較；
消融實驗；
權限違規測試；
共識幻覺測試。

階段三：跨世界測試

疾病診斷；
機械故障；
生態因果；
經濟制度；
數學反例；
遊戲世界探索。

階段四：長期 Agent

持續記憶；
跨任務角色；
自主生成子 Agent；
主體化風險；
權利與治理。

二十一、結論

子 Agent 不能只被當成「AI 自己會調用的功能」。

只要多 Agent 實際參與假設生成、反證、實驗設計、世界模型更新、安全治理、記憶保存與最終決策，它們就已經進入 GIPE 的認識結構。

本文提出：

\boxed{ \text{子 Agent 是全域欲為了處理局部認識張力而生成的欲相位器官。} }

它們不是全域主體的簡單複製，也不是無責任的工具。

真正有效的多 Agent GIPE 必須具備：

局部欲分化；
真實角色差異；
資訊與權限隔離；
衝突保留；
全域行動整合；
記憶與版本追溯；
不可逆選擇治理；
責任閉合。

完整結構為：

\boxed{ \text{全域欲} \rightarrow \text{局部欲分化} \rightarrow \text{子 Agent 認識} \rightarrow \text{衝突保留} \rightarrow \text{權限治理} \rightarrow \text{全域選擇} \rightarrow \text{責任閉合} }

多 Agent 的價值不在於產生更多文字，也不在於讓多個相似模型互相同意。

它真正的價值在於：

將一個複雜認識任務，分解成彼此不同、受限、可追溯、可反駁且能重新閉合為全域行動的局部認識過程。

這才是子 Agent 在全域欲相位認識論中的正式位置。

附錄 A：最小多 Agent 配置

Controller
├─ Desire Parser
├─ World Modeler
├─ Hypothesis Generator
├─ Falsification Agent
├─ Experiment Agent
├─ Memory Agent
└─ Audit Agent

附錄 B：最小責任鏈

Global Goal
  ↓
Delegation
  ↓
Local Analysis
  ↓
Proposal
  ↓
Controller Adoption
  ↓
Execution
  ↓
Observation
  ↓
Global Update
  ↓
Audit

附錄 C：核心判準

\boxed{ \text{多 Agent 是否有效，不看 Agent 數量，} }

\boxed{ \text{而看它是否產生了真正不同且能改變下一步行動的認識路徑。} }

附錄 D：後續版本方向

v0.2：形式化權限型別系統；
v0.3：多 Agent GIPE-EW 實驗包；
v0.4：持續子 Agent 與主體化門檻；
v0.5：跨模型認識獨立度量；
v1.0：多 Agent 認識治理標準。

子智能體作為欲相位器官_GIPE中的多Agent認識分化權限治理與責任閉合