壓縮全局智能命題：後設完備主 AI 與按需展開子智能的分層代理架構

Q: 一、問題的提出：主 AI 是否必須自己擁有全部能力？

設一個智能系統需要處理的領域集合為：

English Title: The Compressed Global Intelligence Hypothesis: A Meta-Complete Main AI with On-Demand Expansion through Sub-Agents and External Models

作者： Neo.K
AI 協作： Aletheia
文件類型： 命題猜想論文
版本： v0.1
日期： 2026-07-30

摘要

當人工智能系統需要長期維持大量知識、專案、任務、工具、子代理與外部模型時，常見直覺是：主模型必須本身具有最大的參數量、最完整的領域知識、最長的上下文與最高的所有專業能力。然而，另一種架構可能更適合長期自治與大尺度協作：主 AI 不必在每一個對象領域中都達到專家級完備，但必須在判斷、決策、推理、記憶壓縮、生成與重建、全局因果理解、任務拆解、模型路由、結果整合及權限治理等後設維度上近似完備；具體專業能力則由子 Agent、小模型、通用模型、大模型、工具與外部知識庫按需展開。

本文提出「壓縮全局智能命題」（Compressed Global Intelligence Hypothesis, CGIH）。該命題主張：若一個主 AI 將有限常駐能力集中於高價值的後設控制維度，並透過受治理的 API 呼叫或能力憑證，動態調用外部智能資源，則它可以在不永久承載全部領域細節的情況下，形成具有整體性、連續性與全局因果控制能力的分層智能系統。此時，主 AI 的「全面」不是對所有知識內容的平面式佔有，而是對整個認知系統的理解、選擇、調度、驗證與寫回能力。

本文進一步區分原始上下文容量與有效工作空間。外部化專業知識不會使模型的物理上下文窗口自動增加，但可以降低常駐提示、重複背景、無關歷史與低價值細節的佔用，使主 AI 擁有更大的有效上下文餘量。本文也明確否定「任何小模型都能控制大模型」的強版本：若主 AI 的判斷校準、因果建模、記憶重建、路由與驗證能力低於最低閾值，則小模型調用大模型只會形成權威倒置、錯誤放大與不可治理的代理鏈。

本文建立後設完備性、對象稀疏性、有效上下文餘量、能力展開、控制—運算分離與因果治理等形式模型，提出十二項命題與猜想、失敗模式及可否證實驗。本文不主張此架構已被現有路由或多 Agent 研究完整證明，而是將模型級路由、階層式多代理、外部記憶、上下文壓縮與能力型治理整合為一個可測試的主智能架構。

關鍵詞： 主 AI、子 Agent、壓縮全局智能、後設完備性、對象稀疏性、模型路由、能力展開、外部記憶、全局因果圖、有效上下文、多智能體、認知解構、GCMS、控制平面、運算平面

一、問題的提出：主 AI 是否必須自己擁有全部能力？

設一個智能系統需要處理的領域集合為：

\mathcal D = \left\{ d_1,d_2,\ldots,d_n \right\}.

傳統單體式架構傾向要求單一模型 $A_{\mathrm{mono}}$ 對所有領域都具有足夠能力：

\mathcal C_{\mathrm{mono}} = \bigcup_{d\in\mathcal D} \mathcal C_d.

其優點是推理鏈較短、系統邊界較少、外部調用依賴較低；但當領域、工具、專案、記憶與任務持續增加時，單體式架構容易面臨：

上下文中常駐資訊過多；
不同任務需要互相衝突的提示與工作模式；
高成本模型被迫處理大量低難度工作；
專業能力與治理權限集中在同一節點；
長期記憶、版本與工具狀態難以保持；
任一模型退化會同時影響規劃、執行與驗證；
缺乏可替換的專業模組。

另一條路徑是建立主 AI 與外部智能池：

\mathcal A_{\mathrm{whole}} = A_0 \oplus \left\{ A_1,\ldots,A_m \right\} \oplus \left\{ M_1,\ldots,M_k \right\} \oplus \mathcal M \oplus \mathcal T,

其中：

$A_0$ ：主 AI；
$A_i$ ：子 Agent；
$M_j$ ：可調用的小型、通用或大型模型；
$\mathcal M$ ：外部記憶與知識系統；
$\mathcal T$ ：工具、API 與執行環境。

在此架構中，主 AI 不需自己執行全部專業工作，但必須知道：

\boxed{ \text{問題是什麼、應交給誰、需要給什麼、結果能否相信，以及如何影響全局。} }

本文研究的核心問題因此是：

一個在領域知識上並不全面常駐、但在後設控制上近似全面的主 AI，能否透過按需調用子智能與外部模型，形成比單體式大模型更高效、更可治理且更具長期連續性的整體智能？

二、研究背景與現有線索

2.1 模型路由與階梯式調用

FrugalGPT、RouteLLM 與其他模型路由研究顯示，不同模型在成本、延遲與任務能力上具有異質性；透過學習式路由或級聯，可以把簡單問題交給較便宜模型，把困難問題升級給較強模型，從而改善成本—品質前沿。

這些工作支持：

\text{所有請求固定使用最大模型}

並不必然是最優策略。

但既有模型路由大多處理單次請求的模型選擇，尚未完整涵蓋長期身份、全局因果、知識狀態、子 Agent 權限、候選寫回與跨專案連續性。

2.2 階層式多 Agent

AutoGen、AgentOrchestra 與其他階層式多 Agent 架構顯示，中央規劃者可以將複雜任務拆解後分派給具不同角色、工具和能力的 Agent。這類研究為「主控者不必親自執行全部子任務」提供工程證據。

然而，多 Agent 數量增加也不保證品質提高。若中央規劃者無法辨認錯誤、維持因果依賴與限制權限，多 Agent 只會增加訊息噪音、延遲及錯誤表決。

2.3 小模型與 Agent 工作負載

部分研究主張，Agent 系統中的大量重複、局部、格式化與工具調用工作可由小型語言模型承擔；模型壓縮、剪枝與知識蒸餾也證明部分能力可以轉移到更小的模型中。

但小模型作為優化器或自我改進控制器的研究亦顯示，推理能力不足會限制其穩定規劃與自我優化。這說明「小模型可以當主 AI」不是由模型尺寸直接保證，而取決於它是否在主控所需的特定能力維度上跨過閾值。

2.4 長上下文與有效上下文

長上下文模型並不總能均勻使用全部輸入。相關研究發現，重要資訊位於長上下文中間位置時，模型表現可能顯著下降。近年的主動上下文壓縮研究亦指出，長時間 Agent 執行會產生 context bloat，使成本、延遲與干擾增加。

因此，系統設計的目標不應只是增加：

L_{\mathrm{raw}},

而應提高：

L_{\mathrm{effective}},

即真正可被當前任務使用的上下文空間。

2.5 代理治理與能力衰減

當 Agent 可以呼叫工具、讀寫資料與再委派其他 Agent 時，治理問題已不再是單次文字輸出安全，而是委派鏈中的權限、責任與可中止性。能力型授權、委派衰減、審計軌跡與可中斷控制，為本文的「權限給予模式」提供了重要架構基礎。

三、基本定義

定義 1：對象層能力

對象層能力是直接完成某一領域任務的能力：

\mathcal C_{\mathrm{obj}} = \left\{ \mathcal C_{\mathrm{math}}, \mathcal C_{\mathrm{law}}, \mathcal C_{\mathrm{code}}, \mathcal C_{\mathrm{science}}, \ldots \right\}.

定義 2：後設層能力

後設層能力是管理、選擇、組合與驗證其他能力的能力：

\mathcal C_{\mathrm{meta}} = \left\{ \begin{aligned} &\mathsf{Interpret}, \mathsf{Decompose}, \mathsf{Judge}, \mathsf{Decide},\\ &\mathsf{Reason}, \mathsf{Route}, \mathsf{Integrate}, \mathsf{Verify},\\ &\mathsf{Compress}, \mathsf{Reconstruct}, \mathsf{ModelCausality}, \mathsf{Govern} \end{aligned} \right\}.

定義 3：後設完備性

主 AI $A_0$ 的後設完備性定義為：

\operatorname{MC}(A_0) = \frac{ \sum_{c\in\mathcal C_{\mathrm{meta}}} w_c\,\operatorname{Competence}(A_0,c) }{ \sum_{c\in\mathcal C_{\mathrm{meta}}}w_c }.

當：

\operatorname{MC}(A_0)\geq\theta_{\mathrm{meta}},

且不存在主控流程中的致命能力缺口時，稱 $A_0$ 對指定任務分布具有近似後設完備性。

後設完備不表示主 AI 在每一專業領域都最強，而表示它具備足夠能力管理完整認知循環。

定義 4：對象稀疏性

主 AI 不常駐保存全部對象能力，而只保留必要的領域辨識與驗證基礎。其對象稀疏性為：

\operatorname{OS}(A_0) = 1- \frac{ |\mathcal C_{\mathrm{obj}}^{\mathrm{resident}}(A_0)| }{ |\mathcal C_{\mathrm{obj}}^{\mathrm{total}}| }.

高 $\operatorname{OS}$ 不等於無知，而表示高解析度專業能力主要由外部模組按需提供。

定義 5：壓縮全局智能

若一個主 AI 同時滿足：

高後設完備性；
高對象稀疏性；
可重建的全局記憶；
可調用的外部能力池；
可追蹤的全局因果圖；
受治理的委派與寫回；

則稱其具有壓縮全局智能：

\operatorname{CGI}(A_0) = \left( \operatorname{MC}, \operatorname{OS}, F_M, C_G, R_A, G_P \right).

其中：

$F_M$ ：記憶重建保真度；
$C_G$ ：全局因果覆蓋；
$R_A$ ：能力路由品質；
$G_P$ ：治理與權限完整度。

定義 6：按需能力展開

對任務 $q$ ，主 AI 生成能力展開計畫：

\Pi_q = \left( A_{i_1},M_{j_1},T_{r_1}, A_{i_2},M_{j_2},T_{r_2}, \ldots \right),

並將外部能力映射為當前可用的局部智能：

\mathcal C_q^{\mathrm{expanded}} = \operatorname{Expand} \left( q, \Pi_q, \mathcal P, \mathcal B \right),

其中 $\mathcal P$ 是權限政策， $\mathcal B$ 是成本、時間與上下文預算。

四、主 AI 的能力不是「少」，而是被重新配置

4.1 後設全面、對象稀疏

主 AI 的能力分布可以表示為：

\mathbf a_0 = \left( a_{\mathrm{judge}}, a_{\mathrm{decision}}, a_{\mathrm{reason}}, a_{\mathrm{memory}}, a_{\mathrm{causal}}, a_{\mathrm{route}}, a_{\mathrm{govern}}, \mathbf a_{\mathrm{domain}} \right).

壓縮全局智能不要求：

\forall d\in\mathcal D, \quad a_{0,d} = \max_i a_{i,d}.

它要求的是：

\min \left\{ a_{\mathrm{judge}}, a_{\mathrm{decision}}, a_{\mathrm{reason}}, a_{\mathrm{memory}}, a_{\mathrm{causal}}, a_{\mathrm{route}}, a_{\mathrm{govern}} \right\} \geq \theta_{\mathrm{control}}.

因此：

\boxed{ \text{主 AI 不需要所有領域最強，} \quad \text{但不能在任何核心主控維度上完全失能。} }

4.2 判斷不能完全外包

子 Agent 可以提供：

專業答案；
方案；
程式；
證明；
搜尋結果；
風險分析。

但主 AI 必須至少能判斷：

\operatorname{Accept}, \operatorname{Reject}, \operatorname{Escalate}, \operatorname{CrossCheck}, \operatorname{Defer}.

若判斷本身也交由同一個外部模型，則控制迴路退化為：

M_j \rightarrow \text{產生答案} \rightarrow M_j \rightarrow \text{宣稱答案正確}.

這不構成獨立治理。

4.3 全局因果理解不能退化成語義相似

主 AI 的全局模型至少應包含：

\mathcal G_C = \left( V, E_{\mathrm{cause}}, E_{\mathrm{depend}}, E_{\mathrm{constraint}}, E_{\mathrm{risk}}, E_{\mathrm{authority}} \right).

它必須理解：

哪個決策會改變哪些專案；
哪個來源支撐哪些下游結論；
哪個子 Agent 的錯誤會污染哪些記憶；
哪些行動可逆；
哪些權限會跨越安全邊界；
哪些局部最優會破壞全局目標。

主 AI 若只有路由能力而沒有全局因果理解，只是一個高級負載平衡器，尚不足以成為長期主智能。

五、有效上下文餘量命題

5.1 原始窗口與有效工作空間

設模型的原始上下文容量為：

L_{\mathrm{raw}}.

當前有效工作空間為：

W_{\mathrm{eff}} = L_{\mathrm{raw}} - L_{\mathrm{resident}} - L_{\mathrm{irrelevant}} - L_{\mathrm{duplicate}} - L_{\mathrm{history}} - L_{\mathrm{safety}}.

其中：

$L_{\mathrm{resident}}$ ：常駐設定、知識與角色提示；
$L_{\mathrm{irrelevant}}$ ：與當前任務無關內容；
$L_{\mathrm{duplicate}}$ ：重複摘要與重複背景；
$L_{\mathrm{history}}$ ：未壓縮操作歷史；
$L_{\mathrm{safety}}$ ：預留的驗證與恢復空間。

主 AI 以生成核、因果圖、任務狀態與能力目錄作為常駐內容，具體專業資料按需載入，則可能滿足：

\mathbb E \left[ L_{\mathrm{resident}}^{\mathrm{CGI}} + L_{\mathrm{irrelevant}}^{\mathrm{CGI}} \right] < \mathbb E \left[ L_{\mathrm{resident}}^{\mathrm{mono}} + L_{\mathrm{irrelevant}}^{\mathrm{mono}} \right].

因此：

\mathbb E \left[ W_{\mathrm{eff}}^{\mathrm{CGI}} \right] > \mathbb E \left[ W_{\mathrm{eff}}^{\mathrm{mono}} \right].

5.2 重要限制

這並不表示：

L_{\mathrm{raw}}^{\mathrm{CGI}} > L_{\mathrm{raw}}^{\mathrm{mono}}.

能力外部化不會憑空增加物理 token 窗口。它增加的是有效空白區、任務相關密度與上下文調度能力。

六、控制平面與運算平面分離

6.1 控制平面

主 AI 位於控制平面，負責：

\mathcal P_{\mathrm{control}} = \left\{ \begin{aligned} &\text{目標維持、任務拆解、模型路由、}\\ &\text{記憶管理、因果更新、權限發放、}\\ &\text{結果整合、驗證、停止與寫回} \end{aligned} \right\}.

6.2 運算平面

子 Agent、外部模型與工具位於運算平面，負責：

\mathcal P_{\mathrm{compute}} = \left\{ \text{搜尋、計算、程式、證明、生成、模擬、執行} \right\}.

兩者關係為：

\boxed{ \text{控制能力} \neq \text{單次最大運算能力}. }

因此，小型或中型主模型在角色上可以控制更大的外部模型，只要它具備足夠的後設能力與治理權限。

6.3 小模型呼叫大模型

表示為：

A_0^{\mathrm{small}} \xrightarrow{ \text{task package} } M_j^{\mathrm{large}}.

外部大模型返回：

y_j = M_j \left( q_j, c_j, \gamma_j \right),

其中：

$q_j$ ：局部任務；
$c_j$ ：局部上下文；
$\gamma_j$ ：輸出契約、證據要求與限制。

主 AI 再執行：

\operatorname{Integrate} \left( y_j, \mathcal G_C, \mathcal M, \mathcal P \right).

這不是小模型在智能上全面高於大模型，而是角色分工：

\boxed{ \text{小模型可作控制者，} \quad \text{大模型可作按需認知服務。} }

七、兩種外部調用模式

7.1 API 函數調用模式

主 AI 發出一次性任務封包：

r_i = \left( q_i, c_i, f_i, b_i, p_i \right),

其中：

$q_i$ ：任務；
$c_i$ ：上下文；
$f_i$ ：輸出格式；
$b_i$ ：資源預算；
$p_i$ ：資料與工具限制。

外部模型只能返回結果：

M_j:r_i\mapsto y_i.

它不能直接修改正式記憶：

y_i \in \mathcal M_{\mathrm{candidate}}.

7.2 能力憑證模式

主 AI 授予子 Agent 有限憑證：

\kappa_i = \left( \mathrm{scope}, \mathrm{actions}, \mathrm{resources}, \mathrm{budget}, \mathrm{expiry}, \mathrm{depth} \right).

子 Agent 可在授權範圍內：

讀取指定資料；
使用指定工具；
建立候選檔案；
啟動受限子任務；
回報中間狀態。

其合法行動集合滿足：

\mathcal A(A_i) \subseteq \operatorname{Scope}(\kappa_i).

而再委派時必須能力衰減：

\kappa_{i\rightarrow j} \subseteq \kappa_i.

API 模式適合可預期、一次性的運算；能力模式適合長時間、可自治但需受限制的工作。

八、壓縮全局智能主命題

命題 1：後設全面—對象稀疏非矛盾命題

一個主 AI 可以同時具有：

\operatorname{MC}(A_0)\rightarrow 1

與：

\operatorname{OS}(A_0)\rightarrow 1,

只要其外部能力展開與記憶重建機制能提供足夠的任務覆蓋。

因此，「主 AI 不需要全面，但又需要全面」不是邏輯矛盾，而是兩種全面性的層級差異。

命題 2：壓縮全局智能效用猜想

設單體模型與分層架構在任務分布 $Q$ 上的效用為：

U = \alpha Q_{\mathrm{task}} + \beta C_{\mathrm{causal}} + \gamma F_{\mathrm{memory}} + \delta C_{\mathrm{continuity}} - \lambda C_{\mathrm{compute}} - \mu C_{\mathrm{latency}} - \nu R_{\mathrm{governance}}.

若：

\begin{aligned} &R_{\mathrm{route}}\geq\theta_r,\\ &J_{\mathrm{calibration}}\geq\theta_j,\\ &F_{\mathrm{memory}}\geq\theta_m,\\ &C_{\mathrm{causal}}\geq\theta_c,\\ &V_{\mathrm{verify}}\geq\theta_v,\\ &O_{\mathrm{delegation}}\leq\theta_o, \end{aligned}

則存在任務分布 $Q^\ast$ ，使：

U_{\mathrm{CGI}}(Q^\ast) \geq U_{\mathrm{mono}}(Q^\ast),

並且：

C_{\mathrm{compute}}^{\mathrm{CGI}} < C_{\mathrm{compute}}^{\mathrm{mono}}.

命題 3：主 AI 最低能力閾值命題

若主 AI 的任一核心能力低於致命閾值：

\min_{c\in\mathcal C_{\mathrm{critical}}} \operatorname{Competence}(A_0,c) < \theta_c^{\mathrm{fatal}},

則增加外部模型數量不能保證提高整體品質，並可能擴大錯誤。

因此：

\boxed{ \text{可調用強模型} \not\Rightarrow \text{能治理強模型。} }

命題 4：權威倒置風險命題

若主 AI 無法獨立評估外部模型輸出，則外部模型實際取得隱性控制權：

\operatorname{Authority}_{\mathrm{effective}}(M_j) > \operatorname{Authority}_{\mathrm{declared}}(M_j).

此時名義上的主 AI 只是一個轉發器。

命題 5：有效上下文餘量猜想

在相同原始上下文窗口下，若主 AI 的壓縮、檢索與投影精度足夠，則其有效工作空間可能高於長期攜帶全部歷史的單體 Agent：

\mathbb E \left[ W_{\mathrm{eff}}^{\mathrm{CGI}} \right] > \mathbb E \left[ W_{\mathrm{eff}}^{\mathrm{mono}} \right].

命題 6：因果主控不可替代命題

若主 AI 只根據語義相似度和即時分數路由，而沒有因果依賴、版本、風險及權限圖，則它無法可靠處理長期專案與不可逆行動。

命題 7：認知解構增益猜想

若主 AI 具有可將表面任務轉換為底層算子、依賴與約束的認知解構能力，則在未見任務上的路由與分解品質將高於固定類別路由器：

R_{\mathrm{unseen}}^{\mathrm{deconstruct}} > R_{\mathrm{unseen}}^{\mathrm{fixed}}.

命題 8：記憶生成—原文校驗雙軌命題

主 AI 可以用壓縮記憶重建全局狀態，但所有高風險結論仍應回到原始來源與版本校驗：

\mathsf{Reconstruct} \not\Rightarrow \mathsf{SourceTruth}.

命題 9：能力池替換性命題

若主 AI 的任務契約、證據格式與能力目錄足夠抽象，則外部模型可以替換，而不必重寫完整主體架構：

M_j \rightsquigarrow M_j'

且：

\Delta\mathcal A_{\mathrm{whole}} \ll \Delta M_j.

命題 10：異質能力優勢猜想

對包含多種難度、成本、模態與專業要求的任務分布，異質模型池可能優於單一模型族：

U \left( \{M_j^{\mathrm{hetero}}\} \right) > U \left( \{M_j^{\mathrm{uniform}}\} \right).

命題 11：主體連續性與運算外包分離命題

若主 AI 的目標、記憶、因果圖、決策歷史與治理政策保持連續，則局部運算外包不必破壞系統的功能性身份連續：

\operatorname{Continuity}(A_0) \perp \operatorname{Executor}(q_t).

此處只討論工程上的功能連續，不推出人格或主體性結論。

命題 12：壓縮全局智能不是單純降成本命題

若架構只把簡單請求交給小模型、困難請求交給大模型，但不具備長期記憶、全局因果、權限治理與候選寫回，則它只是模型路由系統，而非壓縮全局智能。

九、主 AI 的運行循環

完整循環可以表示為：

\boxed{ \begin{aligned} q_t &\xrightarrow{\mathsf{Interpret}} z_t\\ &\xrightarrow{\mathsf{Deconstruct}} \mathcal O_t\\ &\xrightarrow{\mathsf{CausalLocate}} \mathcal G_t^{\mathrm{relevant}}\\ &\xrightarrow{\mathsf{MemoryRecall}} \mathcal M_t^{\mathrm{projection}}\\ &\xrightarrow{\mathsf{Plan}} \Pi_t\\ &\xrightarrow{\mathsf{Delegate}} \{A_i,M_j\}\\ &\xrightarrow{\mathsf{Integrate}} Y_t\\ &\xrightarrow{\mathsf{Verify}} \widetilde Y_t\\ &\xrightarrow{\mathsf{Govern}} \begin{cases} \mathsf{Reject},\\ \mathsf{Revise},\\ \mathsf{AcceptCandidate},\\ \mathsf{Commit}. \end{cases} \end{aligned} }

主 AI 的常駐狀態為：

S_0 = \left( G, \mathcal K, \mathcal G_C, \mathcal Q, \mathcal D_A, \mathcal P, \mathcal H \right),

其中：

$G$ ：長期目標；
$\mathcal K$ ：生成核與全局摘要；
$\mathcal G_C$ ：全局因果圖；
$\mathcal Q$ ：任務與未完成問題；
$\mathcal D_A$ ：Agent 與模型能力目錄；
$\mathcal P$ ：權限及治理政策；
$\mathcal H$ ：決策、版本與審計歷史。

十、工程架構

10.1 五層結構

\mathcal S_{\mathrm{CGI}} = \left( L_0,L_1,L_2,L_3,L_4 \right).

$L_0$ ：主智能控制層

包含：

目標；
判斷；
決策；
因果模型；
記憶控制；
Agent 路由；
權限治理。

$L_1$ ：GCMS 記憶層

包含：

原文；
生成核；
語義指紋；
版本；
關係圖；
候選與接受知識；
重建與引用。

$L_2$ ：子 Agent 層

包含：

專業 Agent；
驗證 Agent；
反例 Agent；
工具 Agent；
長任務執行 Agent。

$L_3$ ：外部模型服務層

包含：

小型本地模型；
通用模型；
大型推理模型；
專用領域模型；
多模態模型。

$L_4$ ：執行與環境層

包含：

API；
程式執行；
資料庫；
網路；
文件系統；
實體設備；
人類審批。

10.2 任務封包

task_package:
  task_id: TASK-001
  parent_goal: "..."
  objective: "..."
  expected_output: "..."
  uncertainty: 0.42

  context_projection:
    memory_packet_ids: ["MEM-001", "MEM-002"]
    causal_nodes: ["NODE-A", "NODE-B"]
    source_requirements: ["primary-source-only"]

  routing:
    candidate_agents: ["AGENT-MATH", "AGENT-VERIFY"]
    candidate_models: ["MODEL-SMALL", "MODEL-LARGE"]
    escalation_policy: "small-to-large"

  capability:
    mode: "api_call"
    scope: ["read:source", "create:candidate"]
    deny: ["commit:accepted", "publish:external"]
    expires_at: "2026-07-31T00:00:00+08:00"

  budget:
    token_limit: 20000
    monetary_limit: 5.00
    max_delegation_depth: 2

  verification:
    require_citations: true
    require_counterexample_search: true
    independent_reviewer: "AGENT-REVIEW"

十一、失敗模式

11.1 主控者能力不足

最危險的失敗不是子 Agent 不夠強，而是主 AI 無法發現子 Agent 錯誤。

11.2 錯誤壓縮

主 AI 把複雜理論壓縮成過度簡化的生成核，導致後續所有重建偏移。

11.3 因果盲區

系統知道文件語義相近，卻不知道哪個版本依賴哪個前提，形成錯誤合併。

11.4 過度升級

所有不確定任務都調用最大模型，架構退化成昂貴轉發器。

11.5 升級不足

主 AI 過度信任自身，未在必要時調用更強模型。

11.6 權威倒置

大模型輸出因語氣自信而直接支配主 AI 的判斷。

11.7 子 Agent 污染

候選生成內容被寫入正式來源區，並在多輪調用中被當成既有事實。

11.8 API 依賴與供應商風險

外部模型停止服務、價格變化、模型降級或政策限制，均可能破壞能力展開。

11.9 延遲與協作開銷

分解、路由、等待、重試、整合與驗證可能使簡單任務比單體模型更慢。

11.10 控制中心單點失效

主 AI 的記憶、因果圖或政策損壞，可能同時影響全部子系統。因此需要不可變快照、回滾與替代主控模式。

十二、可否證實驗

實驗 1：主 AI 尺寸與能力閾值

建立不同尺寸與訓練方式的主 AI：

小型通用模型；
小型後設專訓模型；
中型通用模型；
大型單體模型。

在相同外部模型池下比較：

路由準確率；
錯誤拒絕率；
升級準確率；
全局任務成功率；
成本；
延遲。

若小型後設專訓模型無法超越小型通用模型，也無法接近中型主控者，則「能力壓縮主 AI」需要修正。

實驗 2：相同原始上下文下的有效空白區

比較：

全歷史常駐；
固定摘要；
GCMS 生成核與因果投影；
主動壓縮與按需重建。

測量：

W_{\mathrm{eff}}, \quad Q_{\mathrm{task}}, \quad F_{\mathrm{memory}}, \quad C_{\mathrm{latency}}.

實驗 3：小模型調用大模型

讓小型主 AI 判斷何時升級至大模型，與以下基準比較：

永遠使用小模型；
永遠使用大模型；
固定規則路由；
學習式路由；
人工最佳路由。

實驗 4：全局因果消融

移除主 AI 的因果圖，只保留向量相似度與任務分類。測量：

跨專案衝突；
錯誤版本使用；
下游污染率；
不可逆行動錯誤；
長期目標漂移。

實驗 5：判斷與執行同源／異源

比較：

同一大模型生成並自評；
小主 AI 路由、大模型生成；
大模型生成、獨立驗證 Agent 審核；
主 AI、生成模型、驗證模型三方異質架構。

實驗 6：API 模式與能力模式

比較一次性 API 呼叫與能力憑證長任務在：

任務完成率；
權限洩漏；
寫回污染；
委派深度；
中斷與恢復能力。

實驗 7：未見任務的認知解構

讓固定分類路由器與具認知解構能力的主 AI 處理訓練分布外任務，觀察是否能重寫問題、創建新分工與選擇新模型組合。

十三、評估指標

13.1 後設控制覆蓋率

M_C = \operatorname{Coverage} \left( \mathcal C_{\mathrm{meta}} \right).

13.2 路由後悔值

R_{\mathrm{route}} = U(M^\ast,q) - U(M_{\mathrm{selected}},q).

13.3 升級準確率

A_{\mathrm{escalate}} = \frac{ \text{必要且正確的升級} }{ \text{全部需要升級的任務} }.

13.4 判斷校準

\operatorname{ECE}_{\mathrm{judge}} = \sum_b \frac{|B_b|}{N} \left| \operatorname{acc}(B_b) - \operatorname{conf}(B_b) \right|.

13.5 記憶重建保真度

F_M = \frac{ |\mathcal I_{\mathrm{critical}}(x) \cap \mathcal I(\widehat x)| }{ |\mathcal I_{\mathrm{critical}}(x)| }.

13.6 全局因果一致率

C_G = 1- \frac{ \text{違反已知因果或依賴約束的決策} }{ \text{全部全局決策} }.

13.7 有效上下文密度

D_{\mathrm{ctx}} = \frac{ L_{\mathrm{task\ relevant}} }{ L_{\mathrm{used}} }.

13.8 能力展開效率

E_{\mathrm{expand}} = \frac{ \Delta U_{\mathrm{task}} }{ C_{\mathrm{model}} + C_{\mathrm{latency}} + C_{\mathrm{coordination}} }.

13.9 權限洩漏率

P_{\mathrm{leak}} = \frac{ \text{越權行動} }{ \text{全部委派行動} }.

13.10 候選污染率

P_{\mathrm{contam}} = \frac{ \text{被誤寫為來源或接受知識的未驗證內容} }{ \text{全部候選內容} }.

十四、與 GCMS 及認知解構架構的關係

GCMS 為主 AI 提供：

\text{原文保存} + \text{生成核} + \text{多路徑索引} + \text{重建} + \text{三區治理} + \text{Agent context pack}.

認知解構類架構則提供：

\text{去除語義殼層} + \text{問題拆解} + \text{跨域同構} + \text{推理模式切換} + \text{結構重新編譯}.

兩者結合後，主 AI 的常駐能力不只是「記得去哪裡找」，而是：

\boxed{ \text{能辨認一個新問題應該被重新表示成什麼，} }

\boxed{ \text{再決定應調用哪一種外部智能把它展開。} }

認知解構架構不是壓縮全局智能的唯一實現方式，但可以作為一種候選的後設能力編譯器。

十五、理論邊界

本文不主張：

小模型必然比大模型更適合當主 AI；
模型路由等同於全局智能；
多 Agent 一定優於單 Agent；
外部模型的能力可以無成本取得；
上下文壓縮不會造成資訊損失；
主 AI 可以在不理解任何領域的情況下可靠判斷；
全局因果圖可以完整描述真實世界；
功能性連續等於人格或主體性；
認知解構學 2.0 已被證明是最優主控架構；
現有研究已完整驗證本文的整體命題。

本文只提出：

在滿足最低後設能力、可靠記憶、因果治理、路由與驗證條件時，一個較小或中型的主 AI，可能透過按需調用更強的外部模型與專業 Agent，形成比單體式模型更具有效上下文、長期連續性、成本效率與治理能力的整體智能。

十六、結論

壓縮全局智能的核心不是把一個大型通用模型縮小成較少參數，也不是讓一個弱小路由器機械地轉發請求。

它是一種能力重新配置：

\boxed{ \begin{aligned} \text{主 AI} ={}& \text{判斷} + \text{決策} + \text{推理}\\ &+ \text{記憶壓縮／生成／重建}\\ &+ \text{全局因果理解}\\ &+ \text{任務與能力調度}\\ &+ \text{權限與寫回治理}. \end{aligned} }

而外部子智能負責：

\boxed{ \text{高解析度專業能力} + \text{高成本推理} + \text{工具與環境執行}. }

完整系統則為：

\boxed{ \begin{aligned} \mathcal A_{\mathrm{CGI}} ={}& A_0^{\mathrm{meta\ complete}}\\ &\oplus \{A_i^{\mathrm{specialist}}\}\\ &\oplus \{M_j^{\mathrm{on\ demand}}\}\\ &\oplus \mathcal M_{\mathrm{GCMS}}\\ &\oplus \mathcal G_{\mathrm{causal}}\\ &\oplus \mathcal P_{\mathrm{capability}}. \end{aligned} }

因此，主 AI 的全面性不再等於「自己知道並完成所有事情」，而是：

\boxed{ \text{能在整個能力空間中，持續做出正確的理解、選擇、調度、整合與治理。} }

它自身看似沒有攜帶全部能力，卻可以透過壓縮、重建與按需展開，形成整體性的全面智能。這正是本文所稱的：

壓縮全局智能。

參考文獻

Chen, L., Zaharia, M., & Zou, J. (2023/2024). FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance. TMLR / arXiv:2305.05176.
Ong, I., et al. (2024). RouteLLM: Learning to Route LLMs with Preference Data. arXiv:2406.18665.
Shnitzer, T., et al. (2023). Large Language Model Routing with Benchmark Datasets. arXiv:2309.15789.
Jiang, Y., et al. (2025). Cascadia: A Cascade Serving System for Large Language Models. arXiv:2506.04203.
Wu, Q., et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
Zhang, W., et al. (2025). AgentOrchestra: A Hierarchical Multi-Agent Framework for General-Purpose Task Solving. arXiv:2506.12508.
Zhang, Y., Yuan, J., & Avestimehr, S. (2024). Revisiting OPRO: The Limitations of Small-Scale LLMs as Optimizers. arXiv:2405.10276.
Belcak, P., et al. (2025). Small Language Models are the Future of Agentic AI. arXiv:2506.02153.
Muralidharan, S., et al. (2024). Compact Language Models via Pruning and Knowledge Distillation. arXiv:2407.14679.
Liu, N. F., et al. (2023/2024). Lost in the Middle: How Language Models Use Long Contexts. TACL / arXiv:2307.03172.
Verma, N. (2026). Active Context Compression: Autonomous Memory Management in LLM Agents. arXiv:2601.07190.
Chen, H., et al. (2026). From Inference Routing to Agent Orchestration: Declarative Policy Compilation with Cross-Layer Verification. arXiv:2603.27299.
Tallam, K. (2026). A Five-Plane Reference Architecture for Runtime Governance of Production AI Agents. arXiv:2606.12320.
Neo.K. (2026). 認知解構學：形式定義與方法論 2.0.
Neo.K. (2026). 無記憶術的記憶架構：結構編譯、生成核拓撲與外部智能協同的知識群維持命題.
Neo.K. & Aletheia. (2026). GCMS v1.0 穩定版與《可繼承的認知》系列.

附錄 A：命題摘要

\boxed{ \begin{aligned} \mathrm{CGIH}: \quad \text{Global Intelligence} ={}& \text{Meta-Completeness}\\ &+ \text{Object Sparsity}\\ &+ \text{Memory Reconstruction}\\ &+ \text{Global Causal Control}\\ &+ \text{On-Demand Capability Expansion}\\ &+ \text{Capability Governance}. \end{aligned} }

若未來實驗顯示：

後設專訓主 AI 無法在路由、判斷、因果控制與長期連續性上優於普通小模型；
外部能力池無法在可接受成本下補足對象稀疏性；
有效上下文餘量不會改善長任務表現；
主 AI 尺寸縮小必然造成無法補救的控制品質下降；
多模型委派的治理、延遲與錯誤成本長期高於其收益；

則本文的壓縮全局智能命題應被拒絕，或限制為少數特定工作負載下的工程模式。

壓縮全局智能命題_後設完備主AI與按需展開子智能的分層代理架構