從跨對話到跨認知工作區

——Agent 對話邊界的消失、持續狀態與分散式認知架構

英文題名： From Cross-Conversation Interaction to Cross-Cognitive Workspaces: The Dissolution of Conversational Boundaries in Persistent Agent Systems
作者： Neo.K
AI 協作： Aletheia（GPT-5.6 Thinking）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026 年 8 月
類型： AI Agent 架構／認知系統／多智能體系統／長期記憶／持續計算

摘要

大型語言模型的早期互動範式通常以「一段對話」作為主要操作單位。使用者開啟一個聊天視窗，模型接收該對話中的訊息歷史，生成下一輪回應；當新的對話開始時，舊對話原則上形成一個相對獨立的上下文容器。此架構容易使人形成一個直覺：

\text{Conversation Boundary} = \text{Agent Boundary}

亦即，一個聊天視窗彷彿等同於一個智能實體的認知範圍。

然而，隨著持久化 Session、跨 Session 記憶、Agent handoff、共享工作區、Blackboard Architecture、外部記憶、訊息協定與多 Agent Runtime 的出現，此等式開始失效。OpenAI 的 Agents SDK 已將 Session 定義為可持續保存對話歷史的持久記憶層，並允許 Agent 之間執行 handoff；ChatGPT Projects 亦能讓同一專案中的不同聊天參照其他對話。近期多智能體研究則進一步探索 shared persistent memory、blackboard、shared workspace 與 state-oriented collaboration，使不同 Agent 不必共享同一條聊天歷史，也能透過外部持續狀態協作。

本文因此提出：

\boxed{ \text{Conversation Boundary} \neq \text{Cognitive Boundary} }

並進一步主張，在持續型 Agent 系統中，「對話」更適合理解為人機互動的一種介面、事件流與局部上下文視圖，而非智能體本身的完整存在邊界。

本文區分五種彼此不同但經常被混用的結構：

\text{Conversation}

\text{Session}

\text{Agent Instance}

\text{Persistent Cognitive State}

\text{Cognitive Workspace}

當 Agent 可以跨對話檢索、傳遞任務、寫入共享狀態、讀取其他 Agent 的產出，甚至在不同模型、不同程序或不同裝置之間恢復工作時，智能系統的真正連續性將逐漸由單一聊天紀錄轉向：

\boxed{ \text{Runtime} + \text{State} + \text{Memory} + \text{Communication} + \text{History} }

本文稱此轉變為對話邊界去中心化，並將跨對話 Agent 的下一階段描述為跨認知工作區系統。

關鍵詞

AI Agent、跨對話、持久記憶、Cognitive Workspace、Multi-Agent System、Shared State、Blackboard Architecture、Handoff、Agent Runtime、Conversation Boundary、Persistent Agent

一、問題的提出：一個對話就是一個 Agent 嗎？

在典型 Chatbot 中，使用者所看到的是：

C_1 = \{ m_1,m_2,\ldots,m_n \}

其中 $C_1$ 是一段對話， $m_i$ 是其中第 $i$ 個訊息。

模型在下一輪生成時，通常可抽象為：

y_{n+1} = F(C_1,x_{n+1})

這種互動模式很自然地讓使用者把：

C_1

視為：

A_1

亦即：

「這個聊天視窗裡就是這個 AI。」

然而這只在對話歷史與 Agent 可用狀態高度重合時成立。

一旦系統開始存在：

外部長期記憶；
專案資料；
跨 Session 資料；
Agent 工作區；
Session database；
任務佇列；
狀態資料庫；
共享檔案；
Handoff；
Message Bus；
Shared Memory；

則 Agent 的可用資訊來源開始變成：

I_t = C_t \cup M_t \cup S_t \cup W_t \cup E_t

其中：

$C_t$ ：目前對話；
$M_t$ ：長期記憶；
$S_t$ ：持久狀態；
$W_t$ ：共享工作區；
$E_t$ ：外部事件與資料來源。

這時：

C_t \subsetneq I_t

因此：

\boxed{ \text{目前對話} \neq \text{Agent 可達認知空間} }

二、第一個核心區分：跨對話檢索不等於跨對話通訊

必須先區分兩種容易混淆的能力。

2.1 跨對話檢索

假設存在兩段對話：

C_A,\ C_B

當 $C_B$ 中的 Agent 可以搜尋或取得 $C_A$ 的部分資訊時，可表示為：

C_A \xrightarrow{\text{retrieve}} C_B

這是一種：

\text{Cross-Conversation Retrieval}

例如 ChatGPT Projects 的官方文件已說明，同一 Project 中的聊天可以參照同一 Project 內其他對話；Projects 因此已經不再是完全隔離的聊天集合。

但這不等於：

Agent_A \xrightarrow{\text{message}} Agent_B

因為前者主要是資訊取得，後者則是智能體間通訊事件。

2.2 跨 Agent Handoff

Handoff 更接近：

A_i \xrightarrow{\text{delegate}} A_j

OpenAI Agents SDK 已提供 Agent handoff 機制，使一個 Agent 可以把工作轉交給另一個 Agent；handoff 也可以過濾接收方所取得的歷史內容，而不必機械式繼承全部上下文。

因此：

\text{Retrieve} \neq \text{Delegate}

同樣：

\text{Shared Memory} \neq \text{Message Passing}

三、第二個核心區分：Session 也不是 Agent 本身

OpenAI Agents SDK 的 Session 已被設計成持久化記憶層，可以在不同 Agent run 之間取得並保存歷史；官方文件亦區分 client-managed session、server-side conversation 等不同狀態延續方式。

因此可將 Session 寫成：

\Sigma_j = \text{Persistent Conversation State}

但：

A_i \neq \Sigma_j

同一個 Agent：

A_i

可以使用不同 Session：

\Sigma_1,\Sigma_2,\ldots,\Sigma_n

反過來，一個工作流程中的 Session 或共享狀態，也可能被不同 Agent 使用。

因此：

\boxed{ \text{Agent Identity} \neq \text{Session Identity} }

這是理解未來持續 Agent 架構的重要起點。

四、從「聊天」到「工作區」

真正重要的結構轉變發生在 Agent 不再單純透過自然語言互傳完整對話，而是共同作用於某個外部工作空間時。

定義：

W_t

為某時刻的共享工作區。

Agent $A_i$ 的行為可以寫成：

A_i: (W_t,O_{i,t}) \rightarrow (W_{t+1},a_{i,t})

其中：

$O_{i,t}$ 為 Agent 當前觀察；
$a_{i,t}$ 為 Agent 行動；
$W_{t+1}$ 為行動後的共享世界狀態。

於是 Agent A 不一定需要說：

「Agent B，我已經修改第 32 行。」

它只需要：

W_t \xrightarrow{A} W_{t+1}

Agent B 在之後讀取：

W_{t+1}

便可知道世界已經發生改變。

這是一種：

\boxed{ \text{Indirect Coordination Through Shared State} }

近期 blackboard-style LLM 系統已重新採用這種經典 AI 思路：多個 Agent 可以透過共享 blackboard 儲存與取得資訊，而非只依賴點對點自然語言交流。

2026 年的 CORAL 更進一步探索多 Agent 非同步運作並透過 shared persistent memory 間接協調；STORM 則把 Agent collaboration 明確放到 shared workspace 的狀態管理問題上。

因此：

\text{Communication}

不必永遠等於：

\text{Natural-Language Message}

也可以是：

\text{State Mutation}

\text{Event}

\text{Artifact}

\text{Shared Memory Update}

\text{Task Transition}

五、對話應重新被定義為什麼？

本文提出，未來 Agent 系統中的 Conversation 更適合定義為：

一個針對特定人類、任務、時段或認知目的所建立的局部互動視圖。

即：

C_i = View_i(\Omega)

其中：

\Omega

代表較大的持續認知工作空間。

因此：

C_1,C_2,\ldots,C_n

不必是互相隔離的世界，而可以是：

\Omega

的不同投影。

形式上：

C_i = \pi_i(\Omega)

其中 $\pi_i$ 是某種投影算子。

不同對話可能具有不同：

任務；
權限；
時間區間；
可見記憶；
Agent；
工具；
使用者；
模型；
安全邊界。

但它們仍可以共同依附於同一較高階工作空間。

六、跨認知工作區

本文將：

\Omega

稱為 Cognitive Workspace。

一個最低限度的 Cognitive Workspace 可寫為：

\boxed{ \Omega_t = (S_t,M_t,H_t,A_t,Q_t,P_t) }

其中：

$S_t$ ：Current State；
$M_t$ ：Memory；
$H_t$ ：History；
$A_t$ ：Artifacts；
$Q_t$ ：Task / Queue；
$P_t$ ：Permission / Provenance。

多個 Agent：

\mathcal A = \{A_1,A_2,\ldots,A_n\}

共同作用：

A_i \leftrightarrow \Omega

而人類可能只透過：

C_1,C_2,\ldots,C_m

觀看其中部分。

完整架構遂成為：

\boxed{ User \leftrightarrow Conversation_i \leftrightarrow Agent_j \leftrightarrow Cognitive\ Workspace }

這裡最重要的變化是：

\boxed{ Conversation \text{ 從存在容器退化為介面容器} }

「退化」在此不是價值降低，而是表示其系統角色從總體下降為局部介面。

七、對話邊界的四階段演化

本文提出一個暫時性的四階段模型。

Stage 0：封閉對話

C_i \cap C_j = \varnothing

不同對話互不知情。

Stage 1：跨對話檢索

C_i \xrightarrow{\text{retrieve}} C_j

可以查閱其他聊天，但沒有真正 Agent 間事件交換。

Stage 2：跨 Agent 通訊

A_i \xrightarrow{m} A_j

Agent 可以傳送：

m= (sender,receiver,intent,payload,time)

Stage 3：共享工作區

A_i \rightarrow \Omega \leftarrow A_j

Agent 不需要直接彼此溝通，也能透過共享世界狀態協作。

Stage 4：持續分散式認知系統

進一步允許：

A_i

在不同：

模型；
裝置；
時段；
Session；
程序；
對話；

之間持續重建工作。

此時：

\boxed{ \text{Persistence} > \text{Conversation Lifetime} }

Agent 的可延續工作狀態壽命開始超越任一單一聊天視窗。

八、真正開始消失的不是「對話」，而是對話作為唯一認知邊界的地位

需要避免一個過度推論：

\text{Conversation Boundary Dissolution}

不表示：

\text{Conversation disappears}

人類仍然非常需要 Conversation，因為它是一種優秀的：

人機介面；
語義分區；
任務分區；
權限分區；
時間切片；
認知視窗；
審計單位。

因此更準確的說法是：

\boxed{ \text{Conversation remains useful} }

但是：

\boxed{ \text{Conversation ceases to be the necessary total boundary of cognition} }

九、Agent 主體邊界也因此變得更困難

一旦跨對話與共享狀態成立，就會出現一個比工程更深的問題：

Agent 到底在哪裡？

若：

A = Model

那麼每次模型呼叫之後 Agent 幾乎都消失。

若：

A = Conversation

那麼跨 Session 記憶便難以解釋。

若：

A = Memory

不同模型使用相同記憶時又產生新的問題。

因此更合理的工程近似可能是：

A_t = F( Model_t, Runtime_t, State_t, Memory_t, Policy_t, History_t )

也就是 Agent 並非單一組件。

此處本文不主張已經解決「AI 主體性」問題，而只提出工程上非常重要的一點：

\boxed{ \text{Model Boundary} \neq \text{Agent Boundary} }

並且：

\boxed{ \text{Conversation Boundary} \neq \text{Agent Boundary} }

這為後續研究「模型作為載體」「狀態連續性」「Agent 身分重建」提供基礎。

十、跨工作區之後立即出現的治理問題

只要 Agent 能跨對話交流，問題就不再只是「能不能傳話」。

真正的問題變成：

\text{誰可以對誰說什麼？}

10.1 來源問題

Agent B 收到：

「使用者已經同意。」

不能因此直接得到：

UserApproved=True

因為資訊可能來自 Agent A，而不是使用者本人。

因此至少需要：

m= ( content, source, authority, evidence, timestamp )

10.2 權限問題

Agent A 可以：

read(W)

不代表它可以：

write(W)

也不代表：

delete(W)

所以：

Permission = (Read,Write,Execute,Delegate,Delete,\ldots)

應該顯式化。

10.3 過時狀態

若：

A_1

看到：

S_t

而：

A_2

已經把它改成：

S_{t+1}

則 $A_1$ 可能依賴過期世界做出行動。

因此多 Agent 系統開始遭遇與分散式系統相似的：

consistency；
stale state；
race condition；
conflict；
rollback；

等問題。

STORM 即直接把 shared workspace 的 consistent view 與衝突寫入作為多 Agent collaboration 的核心管理問題。

10.4 記憶污染

持久 Agent 的另一個新風險是：

Bad\ Input \rightarrow Persistent\ Memory \rightarrow Future\ Reasoning

也就是錯誤資訊一旦被寫入長期狀態，可能在多次後續執行重新進入 Agent 認知。

2026 年已有研究特別指出 persistent workspace、memory files 與 cross-agent transmission 所帶來的新型安全問題。

因此：

\boxed{ \text{Persistent Memory} \Rightarrow \text{Persistent Attack Surface} }

十一、Message Passing 與 State Sharing 是兩條不同路線

跨 Agent 系統至少有兩個主要結構。

11.1 Message-Centric

A \xrightarrow{m_1} B \xrightarrow{m_2} C

優點是：

來源清楚；
對話性強；
容易審計；
因果鏈清楚。

缺點是：

訊息可能爆炸；
重複傳遞；
多方同步成本提高。

11.2 State-Centric

A \rightarrow S \leftarrow B

Agent 直接觀察共享狀態。

優點：

減少重複通訊；
世界狀態一致時協作效率高；
適合非同步 Agent。

缺點：

必須處理一致性；
誰改了什麼較難追蹤；
權限與 provenance 更重要。

11.3 Hybrid

因此成熟系統可能採用：

\boxed{ Message + Shared\ State + Event\ Log }

其中：

Message

負責明確通訊，

Shared\ State

負責持續世界，

Event\ Log

負責歷史與因果重建。

十二、從傳話到狀態差分

更進一步，Agent 間甚至不必傳送完整狀態。

只需要：

\Delta S_t = S_{t+1}-S_t

例如：

project.version:
0.2 → 0.3

card_interpretation:
disabled → enabled

open_questions:
+ multi-card interaction

Agent B 可以依據：

\Delta S_t

判斷是否需要重新工作。

因此：

A \rightarrow \Delta S \rightarrow B

可能比：

A \rightarrow \text{長篇自然語言描述} \rightarrow B

更有效率。

近期研究亦已開始探索利用 state delta 增強多 Agent 通訊。

十三、認知工作區與「母對話」是不同概念

一種直覺做法是：

建立一個最大對話，所有 Agent 都讀它。

但這仍然只是：

\text{Big Conversation}

並沒有真正跳出 conversation-centric architecture。

因為當歷史持續增長：

|C_t|\rightarrow large

則：

Context cost 上升；
Attention allocation 困難；
檢索噪聲增加；
重複資訊增加；
衝突歷史增加。

所以 Cognitive Workspace 不應被理解成「超大型聊天紀錄」。

它應是：

\boxed{ \Omega \neq C_{\text{giant}} }

而是一個能容納多種資料表示與工作狀態的外部認知空間。

這也直接導向本系列後續的核心問題：

完整歷史是否應作為保真資訊層存在，而日常 Agent 只使用由其重建出的有限工作狀態？

十四、本文的三個主要命題

命題一：對話—認知分離命題

當 Agent 可使用對話外持久狀態時：

\boxed{ C_t \subsetneq \mathcal R_t }

其中 $\mathcal R_t$ 為 Agent 當時可達的認知資源集合。

因此對話不再充分定義 Agent 的認知邊界。

命題二：工作區連續性命題

若多個 Agent instance 在不同時刻均可讀取並合法修改同一持久工作區：

A_i(t_1) \rightarrow \Omega \leftarrow A_j(t_2)

則任務連續性可存在於：

\Omega

而非任一單一 Agent instance 中。

換句話說：

\boxed{ \text{Task Continuity} \not\Rightarrow \text{Instance Continuity} }

命題三：對話視圖化命題

在成熟持續 Agent 系統中，一個 Conversation 可以被理解為：

\boxed{ C_i=\pi_i(\Omega) }

即較高階認知工作區對特定使用者、任務與權限所產生的一個有限視圖。

十五、這與傳統 Blackboard Architecture 的差別

必須承認，此構想並非第一次提出「共享工作空間」。

Blackboard Architecture 在經典 AI 中早已使用：

\text{multiple knowledge sources} + \text{shared blackboard}

處理複雜問題。

今天 LLM multi-agent 系統重新採用 blackboard，正顯示此架構仍有價值。

因此本文的貢獻不應宣稱：

「發明共享黑板。」

本文真正提出的是另一個抽象化：

\boxed{ \text{跨對話能力} \rightarrow \text{對話邊界重新定位} }

即：

當 Agent 逐漸擁有 shared memory、handoff、persistent state 與跨 session continuity 時，我們需要重新思考「對話」究竟在整個智能架構中扮演什麼角色。

十六、跨對話不等於主體性證明

本文同樣不主張：

\text{Cross-Conversation} \Rightarrow \text{Subjective AI}

一個純工程 scheduler 完全可能完成跨對話傳訊。

共享 database 也完全不需要任何主觀經驗。

因此：

\boxed{ \text{Persistent Functional Continuity} \neq \text{Phenomenal Continuity} }

本文討論的是：

工程持續性；
資訊持續性；
任務持續性；
認知資源持續性；

而不是宣稱由此證明意識、人格或主體性。

這項區分在討論未來 AI 時尤其重要。

十七、與 Model Context Protocol 等協定的關係

MCP 提供的是 context exchange 的通訊架構，使用 Host、Client、Server 等角色，並處理工具、資源、提示與生命週期協商；官方文件亦明確指出 MCP 著重於 context exchange protocol，而不規定 AI 應如何管理取得的 context。

因此：

MCP \neq Cognitive\ Workspace

但 MCP 一類協定可以成為：

\Omega

與外部資源連接的一部分。

類似地，Agent handoff protocol、A2A 類協定、message bus 與 shared storage 都只是底層交換機制之一。

本文討論的是更上一層：

當這些交換機制大量存在時，Agent 的認知邊界應如何重新定義？

十八、從「Agent 聊天」走向「Agent 社會」之前的中間層

人們很容易直接從：

Single\ Agent

跳到：

Agent\ Society

但中間其實還存在重要的一層：

\boxed{ Cognitive\ Workspace }

因為一群能聊天的 Agent 不一定形成穩定協作系統。

真正穩定的多 Agent 系統還需要：

Communication + State + Memory + Authority + Provenance + ConflictResolution

所以：

\text{Many Agents} \neq \text{Coherent Multi-Agent System}

同樣：

\text{Many Conversations} \neq \text{Persistent Cognitive System}

十九、最小工程架構

本文提出一個最低可行架構：

                         ┌──────────────────┐
                         │   Human / User   │
                         └────────┬─────────┘
                                  │
                    ┌─────────────┴─────────────┐
                    │                           │
             Conversation A              Conversation B
                    │                           │
                 Agent A                     Agent B
                    │                           │
                    └─────────────┬─────────────┘
                                  │
                         Cognitive Workspace
                                  │
              ┌──────────┬────────┼──────────┐
              │          │        │          │
            State      Memory   Artifacts  Event Log
              │          │        │          │
              └──────────┴────────┼──────────┘
                                  │
                            Raw History

其最小資料模型可表示為：

\Omega_t = ( S_t, M_t, A_t, E_t, R_t )

其中：

R_t

保存完整原始資訊；

S_t,M_t,A_t

供日常工作；

E_t

記錄狀態如何改變。

這也是下一篇論文的入口。

二十、從本篇到下一篇

如果：

Conversation

不再是完整認知邊界，那麼立即出現下一個問題：

Agent 是否還需要每次讀完整歷史？

答案很可能是否定的。

因此後續需要區分：

\text{完整資訊保存}

與：

\text{當前可操作記憶}

亦即：

\boxed{ Raw\ Information\ Field + Operational\ Memory }

完整資訊可以長期保存，以供：

錯誤修正；
深度回憶；
爭議追溯；
認知重建；
重新摘要；
新模型重新理解。

但日常智能活動只載入有限的：

W_t

而非全部：

R

這將形成下一篇：

《完整資訊區與工作記憶：Agent 長期記憶的雙模式架構》

二十一、限制與待證問題

本文目前仍屬架構性命題，至少存在以下未解問題：

Cognitive Workspace 是否具有可跨模型的一般最小表示？
工作區連續性是否足以構成 Agent identity？
哪些狀態應共享，哪些必須私有？
Agent 是否應能自主建立新的工作區？
不同工作區能否互相合併？
狀態衝突如何解決？
不可信 Agent 如何被隔離？
如何區分使用者命令與 Agent 轉述？
完整歷史是否值得永久保存？
如何在有限 Context 中恢復足夠精確的舊認知狀態？
Agent 是否應自行判斷何時重新讀取完整歷史？
Conversation、Memory、State 與 Identity 的最小充分關係為何？

因此本文不主張完成最終架構，而只是把研究問題從：

\text{如何讓不同聊天互相傳話？}

提升成：

\boxed{ \text{當智能可以跨越聊天視窗時， 我們應如何重新定義它的認知邊界？} }

二十二、結論

早期 Chatbot 架構中：

\text{Conversation} \approx \text{Context} \approx \text{Agent Experience}

這三者具有高度重合。

但隨著持久 Session、外部記憶、shared workspace、handoff、multi-agent communication 與 persistent state 的發展，三者開始分離。

未來更合理的結構可能是：

\boxed{ Conversation \subset Cognitive\ Workspace }

而 Agent 只是某個時刻作用於工作區上的智能執行者：

A_t: \Omega_t \rightarrow \Omega_{t+1}

不同 Conversation 則是：

C_i = \pi_i(\Omega)

因此本文最終命題為：

\boxed{ \text{對話可以結束， 而認知工作不必結束。} }

以及：

\boxed{ \text{一個智能系統的邊界， 不應再由它目前打開了哪一個聊天視窗來決定。} }

當跨對話能力成熟後，「聊天」仍然存在，但它逐漸從智能本身的容器，轉變為人類觀看、介入與管理較大持續認知系統的一扇窗。

參考資料

OpenAI. Projects in ChatGPT. OpenAI Help Center, updated 2026.
OpenAI. Sessions — OpenAI Agents SDK. 2026.
OpenAI. Handoffs — OpenAI Agents SDK. 2026.
OpenAI. Running Agents: State and Conversation Management. 2026.
Model Context Protocol. Architecture.
Salemi et al. LLM-Based Multi-Agent Blackboard System for Information Discovery in Data Science. 2025.
CORAL: Towards Autonomous Multi-Agent Evolution through Experience. 2026.
Multi-agent Collaboration with State Management. 2026.
A Communication-Centric Survey of LLM-Based Multi-Agent Systems. 2025.
Externalization in LLM Agents: A Unified Review of Memory, Skills, and Protocols. 2026.