title: "從智能矩陣到 Agent 控制平面：可見狀態、任務帳本與人機共同操作" title_en: "From Intelligent Matrices to Agent Control Planes: Visible State, Task Ledgers, and Human–AI Co-Operation" series: "矩陣原生智能與可稽核計算系列" series_en: "Matrix-Native Intelligence and Auditable Computation Series" series_id: "EML-MNIAC-2026" paper_id: "EML-MNIAC-2026-09" version: "v0.1" date: "2026-08-17" language: "zh-Hant" document_type: "系列第09篇／Agent Operations／Spreadsheet-Native Control Plane" status: "Public Draft" author: "Neo.K（許筌崴）／EveMissLab" depends_on: - "EML-MNIAC-2026-03 試算表作為可見計算環境 v0.1" - "EML-MNIAC-2026-06 AI Matrix Ledger Format v0.1" - "EML-MNIAC-2026-07 單一狀態、多重投影 v0.1" - "EML-MNIAC-2026-08 矩陣原生智能 v0.1" internal_artifacts: - "自適應帳本量化代理框架技術規格" - "D-ALAN 理論前瞻" - "EveTessera / Veritaxa Workbench 技術白皮書" - "Veritaxa Workbench v0.1–v0.4" - "veritaxa_workbench.xlsx" - "MLF 1.0 governed inference" - "PHOSPHOR-SHEET v1.2 control plane" canonical_keywords: - Agent Control Plane - Spreadsheet-Native Agent Operations - Agent Task Ledger - Human-in-the-Loop - Governed Inference - Veritaxa Workbench - D-ALAN - EML-LQ Agent - Visible State - Reconciliation Loop - Durable Workflow - Evidence Ledger - Proposal Decision Promotion

從智能矩陣到 Agent 控制平面

可見狀態、任務帳本與人機共同操作

From Intelligent Matrices to Agent Control Planes:
Visible State, Task Ledgers, and Human–AI Co-Operation

摘要

本文是《矩陣原生智能與可稽核計算》系列第 09 篇，將前述「矩陣原生表示、可稽核計算、Executable Identity」進一步延伸至 Agent Operations：當 AI 不再只回答一次問題，而是長時間抓取資料、操作工具、呼叫模型、產生子任務、等待批准、重試失敗、更新知識與發布結果時，如何讓整個執行過程保持可見、可中斷、可回復、可稽核、可治理？

本文整合四條內部主線：

EML-LQ Agent：將 Spreadsheet Ledger 從靜態工作簿遷移為 Fetch–Transform–Decide–Adapt–Update–Conserve–Log 的持久化 Agent loop；
D-ALAN：把單一 Agent 擴展為多節點網路，各節點共享公理與協議而非共享狀態，節點間分歧本身成為資料品質與不確定性訊號；
Veritaxa Workbench：以 Excel/XLSX 作為人類可讀控制平面，以 Python Agent Runtime 為執行層，以 SQLite、快照、事件帳本與檔案儲存作 Data Plane / persistence，將爬蟲、Agent、驗證、排名、審核與發布統一為狀態機；
MLF / PHOSPHOR 治理層：明確區分 prediction、decision、promotion，以及 projection、intent、approval、capability、execution，使 Agent 建議不能靜默升格為 canonical state。

本文提出一個 Agent Task Ledger 形式：

\boxed{ J_i = (I_i,A_i,X_i,S_i,R_i,P_i,H_i) }

其中：

$I_i$ ：task identity；
$A_i$ ：Agent / Adapter；
$X_i$ ：input / reference；
$S_i$ ：current state；
$R_i$ ：result；
$P_i$ ：policy / permission / provenance；
$H_i$ ：history / events。

工作簿中的每一列可以是 $J_i$ 的人類投影，而真正 canonical state 由資料庫／runtime 維護。Agent 的操作因此被重新定義為：

\boxed{ \text{Agent} = \text{Stateful Operator Under Ledger Constraints}. }

其核心治理不是「模型夠聰明就讓它做」，而是：

\boxed{ \text{Proposal} \rightarrow \text{Validation} \rightarrow \text{Policy} \rightarrow \text{Execution} \rightarrow \text{Evidence} \rightarrow \text{Review} \rightarrow \text{Promotion}. }

外部技術脈絡顯示，這種設計並非孤立。Kubernetes controller 使用持續 control loop 將 actual state 拉向 declared desired state；Temporal 專注 durable execution，使 workflow 在程序或基礎設施中斷後可以從既有狀態繼續；OpenAI Agents SDK 的 Human-in-the-Loop 亦將敏感 tool call 轉為可暫停、序列化、批准／拒絕後恢復的 run state。這些系統共同說明：Agent 自主性若要工程化，核心並不只是「更多推理」，而是狀態、權限、恢復、審批與觀測的明確分層。

本文最終主張：Spreadsheet / Matrix 在 Agent 系統中的成熟角色，不是成為所有執行的唯一引擎，而是成為一個 Human-Readable Agent Operations Surface——將任務、狀態、證據、命令、風險、審核與歷史投影到人類可以直接操作的共享平面；真正的執行與資料仍由專用 runtime 和 persistence 層負責。

1. 從單次 AI 回答到長時間 Agent

單次模型呼叫可以寫成：

y=f_\theta(x).

但 Agent workflow 通常更接近：

S_{t+1} = F( S_t, Observation_t, ToolResult_t, Policy_t ).

這裡新增了：

persistent state；
tools；
external world；
retries；
timeout；
human review；
permissions；
history。

因此：

\boxed{ \text{Agent} \neq \text{LLM Call}. }

2. Agent 的真正難題往往不是「想什麼」

當 Agent 長時間執行時，真正難題包括：

現在跑到哪裡？
之前做了什麼？
哪個資料源產生這個結果？
是否已重試？
哪個 tool 被使用？
哪個模型版本產生建議？
是否可以修改 canonical data？
哪個人批准？
中斷後怎麼恢復？
相同命令會不會執行兩次？

所以：

\boxed{ \text{Autonomy} }

必須建立在：

\boxed{ \text{State Management} + \text{Governance} + \text{Auditability}. }

3. EML-LQ Agent：從 Spreadsheet Ledger 到 Agent Loop

EML-LQ Agent 將早期 Excel 中的計算語義遷移為 Runtime。

其基本循環：

FETCH
→ TRANSFORM
→ DECIDE
→ ADAPT
→ UPDATE
→ CONSERVE
→ LOG

因此工作簿中的：

Prices；
Returns；
Open Gate；
Ledger Weights；
Audit；

被轉成可以持續執行的程式結構。

4. Intelligence 是可替換模組

EML-LQ Agent 的 intelligence layer 輸出：

\delta_t.

再調整：

\eta_t = \frac{\eta_{base}}{1+\lambda\sigma_t} \delta_t.

若 AI 不存在：

\delta_t=1.

所以：

\boxed{ \text{Intelligence} }

並不是整個 Agent runtime 的存在條件。

5. AI 不能繞過 Ledger Invariant

最終權重：

W_{t+1} = \frac{ W_t\odot\exp(\eta_t r_t) }{ \sum_j W_{j,t}\exp(\eta_t r_{j,t}) }.

因此：

\sum_iW_{i,t}=1.

即使 AI 給出極端 $\delta_t$ ，

engine 仍必須：

clip；
normalize；
audit。

因此：

\boxed{ AI\ Suggestion \neq Invariant\ Authority. }

6. Agent 的第一個重要分層

EML-LQ Agent 已經形成：

\boxed{ Data \neq Engine \neq Intelligence. }

Crawler 可換。

LLM 可換。

Ledger Engine 不必跟著換。

這是一條比「使用哪個模型」更長壽的架構原則。

7. Persistence 讓 Agent 有歷史

EML-LQ Agent 保存：

manifest.csv
state_latest.csv
state_{timestamp}.csv
log/log_{timestamp}.csv

其中：

latest state 可恢復；
timestamp snapshot 不覆寫；
log append-only；
manifest 保存 version / params / data source。

因此：

\boxed{ \text{Agent State} + \text{Agent History}. }

8. Context Memory 不等於完整歷史

LLM 可以讀最近：

K

筆 LogRecord 作 context。

但：

\boxed{ LLMContext \neq CanonicalHistory. }

完整 log 可以比模型 context window 長得多。

所以 Agent memory 應至少分：

\boxed{ PersistentHistory }

與：

\boxed{ ActiveModelContext. }

9. Resume 是 Agent 的基本能力

啟動時：

IF manifest exists:
    load state_latest
    verify params hash
    verify data source
    resume from last_period + 1
ELSE:
    initialize

這代表：

\boxed{ AgentExecution }

不是只能從頭跑。

10. Version Drift 必須可見

若：

params\_hash_t \neq params\_hash_{t-1},

系統不能默默假裝：

還是同一條完全連續的 run。

必須保存：

upgrade time；
new params hash；
data-source switch；
version event。

這已經是：

\boxed{ \text{Execution Provenance}. }

11. D-ALAN：不要把單一 Agent 做成「大一統觀察者」

D-ALAN 的核心前提是：

單一資料源與單一模型永遠是局部 projection。

因此其擴張方向不是：

\boxed{ Agent\rightarrow BiggerAgent. }

而是：

\boxed{ Agent \rightarrow NetworkOfIndependentAgents. }

12. D-ALAN 目前是理論前瞻，不是完成實作

這個邊界必須保留。

原規格明確將 D-ALAN 標記為：

\boxed{ \text{Long-term theoretical target}. }

所以本文只把它用作架構推演，

不把：

multi-node network；
causal AI orchestration；

寫成已完成 production system。

13. 節點共享結構，不共享狀態

對節點：

i=1,\ldots,M,

要求：

dataSource_i \neq dataSource_j

以及可選：

model_i \neq model_j.

節點共同遵守：

A1-A5.

但：

\boxed{ State_i \neq State_j }

是允許的。

14. 分歧本身是訊號

節點間距離：

D_{ij} = \|W_i-W_j\|_1.

如果：

D_{ij}>\tau,

則不必立刻把某一節點當錯誤。

更合理是：

\boxed{ \text{Divergence} \rightarrow \text{Investigation}. }

15. 共識也不能抹除分歧

可以建立：

W_{consensus} = \sum_i\omega_iW_i,

但仍應保存：

D_{ij}.

所以：

\boxed{ Consensus \neq EraseDisagreement. }

這和 MMR-Bench 的：

engine disagreement should be classified, not averaged away

具有同一治理精神。

16. 多 Agent 的核心不是「投票」

如果四個 Agent 都使用：

同一搜尋結果；
同一模型；
同一 prompt；
同一資料來源；

那麼：

4\ votes

不代表：

4

份獨立證據。

因此：

\boxed{ AgentCount \neq EvidenceIndependence. }

17. Provenance 必須進入多 Agent 評估

D-ALAN 原始概念要求不同資料來源與模型。

更一般地，多 Agent 系統需要知道：

\boxed{ \text{Who derived what from which source?} }

所以 consensus weight 應考慮：

source independence；
model independence；
historical reliability；
correlated provenance；
conflict history。

18. D-ALAN 的真正有價值命題

不是：

多 AI 一定比一個 AI 正確。

而是：

\boxed{ \text{Structured disagreement can become a first-class observable state}. }

這個命題可以獨立於金融原型成立。

19. 從 EML-LQ 到 Veritaxa：Agent 從數值 loop 進入工作流

EML-LQ Agent 的狀態主要是：

W_t,\eta_t,\sigma_t,\delta_t.

Veritaxa 的 Agent state 則變成：

job；
URL；
source；
extracted fields；
evidence；
entity；
ranking；
review；
publish status。

因此：

\boxed{ \text{Numeric Ledger Agent} \rightarrow \text{General Workflow Ledger Agent}. }

20. Agent Task Ledger

Veritaxa 將任務寫成：

\boxed{ J_i = (I_i,A_i,X_i,S_i,R_i,P_i,H_i). }

其中：

$I_i$ ：identity；
$A_i$ ：Agent / Adapter；
$X_i$ ：input；
$S_i$ ：state；
$R_i$ ：result；
$P_i$ ：provenance / policy / permission；
$H_i$ ：history。

21. Row 是 Task Projection

在 workbook：

Row_i \leftrightarrow J_i.

但：

\boxed{ Row_i \neq CanonicalDatabaseRecord }

在成熟架構中仍應保持。

Veritaxa v0.3 已明確：

SQLite 是正式 Source of Truth；Excel 是人類可讀控制投影。

22. Excel-native 不等於 Excel-only

這一條和整個系列一致。

Excel 可保存：

command；
parameter；
status；
review；
audit summary；
hashes；
external paths。

但大型：

HTML；
PDF；
image；
full event stream；
model output；

放：

\boxed{ Storage. }

23. 三平面架構

Veritaxa 明確區分：

\boxed{ ControlPlane \neq ExecutionPlane \neq DataPlane. }

24. Control Plane

由 Excel/XLSX 提供：

create task；
set params；
show status；
issue command；
review result；
display error；
inspect audit。

所以：

\boxed{ Spreadsheet = Human/Agent Operations Surface. }

25. Execution Plane

由 Python / Agent Runtime 提供：

crawler；
browser；
model calls；
validation；
scheduler；
publisher；
snapshot creation。

因此：

\boxed{ \text{Excel Command} \not\Rightarrow \text{Excel Executes}. }

26. Data Plane

由：

SQLite / PostgreSQL；
object/file storage；
snapshots；
evidence；
event ledger；

承擔。

這避免：

\boxed{ Workbook \rightarrow DataWarehouse. }

27. 工作簿本身是一個 Operations Map

Veritaxa 的 17 個 sheets 將 Agent 系統分成：

00_系統說明
01_執行參數
02_來源登錄
03_爬蟲任務
04_URL_Frontier
05_Agent任務
06_抽取Schema
07_實體解析
08_來源證據
09_驗證結果
10_排行特徵
11_排行帳本
12_發布佇列
13_人工審核
14_變更事件
15_稽核紀錄
16_系統健康

這不是「資料全部在 Excel」。

它是一張：

\boxed{ \text{Human-readable Operations Topology}. }

28. 為什麼這種表格對人類有價值？

人類擅長：

scan rows；
filter；
compare；
change fields；
inspect status；
approve locally。

Agent 擅長：

bulk crawling；
repeated execution；
semantic extraction；
classification；
monitoring。

因此 spreadsheet 提供：

\boxed{ HumanReadability \cap MachineParseability. }

29. Agent 不再只是「對話角色」

在 Veritaxa：

\boxed{ Agent = StatefulOperatorUnderLedgerConstraints. }

它有：

task identity；
model / adapter；
input reference；
status；
cost；
evidence；
audit history。

這比：

「讓 AI 幫我做一下。」

精確很多。

30. Task State Machine

正常狀態：

DRAFT
→ QUEUED
→ RUNNING
→ FETCHED
→ EXTRACTED
→ VERIFIED
→ WAITING_REVIEW
→ APPROVED
→ PUBLISHED
→ MONITORED

錯誤狀態：

RETRY_WAIT
BLOCKED
CANCELLED
FAILED
DEAD_LETTER

31. 合法轉移

形式上：

J_{t+1} = \delta( J_t, a_t, r_t, p_t ).

其中：

$a_t$ ：command；
$r_t$ ：runtime result；
$p_t$ ：policy。

因此：

\boxed{ StateTransition }

不是任意 status edit。

32. Illegal Shortcut

例如：

EXTRACTED \rightarrow PUBLISHED

應被拒絕，

因為跳過：

VERIFIED \rightarrow WAITING\_REVIEW \rightarrow APPROVED.

所以：

\boxed{ WorkflowState \neq DecorativeLabel. }

33. Command 是 Intent，不是直接資料覆寫

Workbook command：

RUN
PAUSE
RETRY
CANCEL
APPROVE
REJECT
RECRAWL
REEXTRACT
REVERIFY
RECLASSIFY
PUBLISH
ARCHIVE

應先轉成：

e_k = ( actor, command, target, timestamp, precondition ).

再由 Runtime 處理。

這和 PHOSPHOR-SHEET 第 07 篇的：

\boxed{ Intent \rightarrow Validation \rightarrow RuntimeTransition }

完全對齊。

34. Agent 階層不是越高越好

Veritaxa 的 Adapter 升級策略：

L_0=\text{Official API}

L_1=\text{HTTP}

L_2=\text{Rendered Browser}

L_3=\text{AI DOM Agent}

L_4=\text{Vision Agent}

L_5=\text{Research Agent}.

只有必要時才升級。

35. 為什麼低成本優先？

Agentic 方法通常：

latency higher；
token cost higher；
uncertainty higher；
action surface larger。

所以：

\boxed{ \text{Most Intelligent Tool} \neq \text{Best First Tool}. }

應採：

\boxed{ \text{Cheapest Adequate Capability}. }

36. Adapter Escalation 必須可稽核

每次升級保存：

old adapter；
new adapter；
reason；
extra cost；
elapsed time；
human allowance。

因此：

\boxed{ CapabilityEscalation }

也成為 event。

37. Discovery Agent 只產生 Candidate

Discovery Agent 不應：

Candidate \Rightarrow Publish.

而是：

\boxed{ Candidate \rightarrow Pipeline. }

這是整個治理架構的核心之一。

38. Extraction Agent 必須附來源

每個 field：

value

應具有：

source.

因此 knowledge automation 的基本單位應是：

\boxed{ Claim + Evidence. }

而不是只有：

Claim.

39. Verification Agent 不只有 True / False

其狀態可包括：

verified
partially_verified
conflicted
stale
unverified
removed

所以：

\boxed{ Verification }

是多態狀態，

不是硬二元。

40. Ranking Agent 不直接擁有分數

Agent 可以：

select configuration；
explain；
detect anomaly；
propose adjustment。

但分數：

Score

由 versioned formula 計算。

因此：

\boxed{ AgentProposal \neq RankingAuthority. }

41. Publishing Agent 也不是發布權本身

它可以：

draft；
summarize；
localize；
prepare metadata。

高風險內容：

\boxed{ \text{must not auto-publish}. }

所以：

Generation \neq Release.

42. Human Review 是流程中的正式節點

很多 Agent 系統把 human review 當：

出錯才來看一下。

Veritaxa 把：

WAITING\_REVIEW

寫成正常主流程。

因此：

\boxed{ HumanReview }

不是 exception。

而是：

\boxed{ GovernanceStage. }

43. 這和現代 Agent HITL 的外部近鄰

OpenAI Agents SDK 的 Human-in-the-Loop 目前也採：

\boxed{ ToolCall \rightarrow Interruption \rightarrow Approve/Reject \rightarrow Resume. }

並允許 serialize：

RunState.

這說明：

長時間 agent 的人工批准應該進 runtime state，而不是只存在聊天訊息裡。

44. Approval 必須可恢復

如果 Agent 因等待人類而中斷，

系統應能保存：

pending action；
tool args；
run context；
approval status；
version。

否則：

\boxed{ \text{Human-in-the-loop} }

會變成：

\boxed{ \text{Human breaks the loop}. }

45. Temporal 的 Durable Execution 近鄰

Temporal 將 durable workflow 定位為：

crashes、network failures、infrastructure outages 後仍可從既有執行點繼續。

這對 Agent 系統的重要啟示：

\boxed{ \text{Long-running autonomy} }

必須假設：

\boxed{ FailureWillHappen=1. }

46. Agent 不應以「不中斷」作可靠性前提

更好的定義是：

\boxed{ \text{Recoverable} > \text{NeverFails}. }

所以：

checkpoint；
append-only event；
idempotency；
retry policy；
dead letter；

比「希望 Agent 不出錯」更重要。

47. Kubernetes Control Loop 的近鄰

Kubernetes controller 持續比較：

DesiredState

與：

ActualState.

並執行：

\boxed{ Reconcile. }

這可以抽象成：

S_{t+1} = R(D,S_t).

48. Agent Control Plane 也可以使用 Reconciliation

對 Agent task：

D_i = \text{desired task condition},

S_i = \text{actual runtime condition}.

例如：

D_i=PUBLISHED,

但目前：

S_i=FAILED.

Control Plane 不應直接把 status 改成：

PUBLISHED.

而應建立合法 recovery actions。

49. Intent–Actual 差異應成為資料

PHOSPHOR 已有：

07_Intent_Actual

Veritaxa 也有：

desired command；
runtime result；
verification status。

所以：

\boxed{ \Delta_{IA} = Intent - Actual }

可以成為一級 observability object。

50. Desired State 不等於 Agent Plan

Agent 可能產生：

Plan.

但 control plane 的 desired state 應來自：

user intent；
policy；
workflow contract；
approved goal。

所以：

\boxed{ AgentPlan \neq DesiredStateAuthority. }

51. Agent Operations 的四層模型

本文提出：

\boxed{ \mathfrak A = (C,E,D,G) }

其中：

$C$ ：Control Plane；
$E$ ：Execution Plane；
$D$ ：Data / Persistence Plane；
$G$ ：Governance / Evidence Plane。

52. 為什麼 Governance 不只屬於 Control Plane？

Control Plane 可以發命令。

但 Governance 還要保存：

evidence；
actor；
approval；
policy；
provenance；
version；
reason。

因此：

\boxed{ Governance }

應視為跨層約束，

不是單一 UI 功能。

53. Agent Proposal 與 Canonical Promotion

MLF 已明確分：

prediction,

decision,

promotion.

對 Agent 系統可對應：

\boxed{ proposal \rightarrow review \rightarrow canonical\ update. }

54. 這是 Agent Governance 的核心

如果：

LLMConfidence=0.99

就直接：

DatabaseField \leftarrow LLMOutput,

那麼：

\boxed{ Confidence }

被錯誤當成：

\boxed{ Authority. }

本文拒絕這個等號。

55. Promotion 應保存什麼？

至少：

proposal ID；
model ID/version；
source evidence；
policy；
reviewer / actor；
decision；
timestamp；
old value；
new value；
content hash。

因此：

\boxed{ CanonicalUpdate }

本身也是一筆 ledger event。

56. Evidence Review Workbench

Veritaxa 的真正特徵之一不是：

Excel 能發 command。

而是它讓：

evidence；
verification；
classification；
ranking；
review；
publish；

出現在同一可見 surface。

所以人類不是只看「Agent 最後答案」。

而可以看：

\boxed{ \text{Decision Context}. }

57. 可見狀態不等於所有細節都塞到畫面

如果每個：

raw HTML；
token；
trace；
model hidden state；

都放 workbook，

介面會失去可用性。

所以：

\boxed{ Visibility \neq TotalExposure. }

真正需要的是：

\boxed{ \text{Addressable Summary + Drill-down Reference}. }

58. Workbench 是 Projection of Operations

因此可以寫：

W = \Phi_{ops}( State, Tasks, Evidence, Events, Health ).

Workbench 並不是 system itself。

它是：

\boxed{ \text{Operational Projection}. }

59. Agent Task Ledger 與 Executable Identity

每個 task：

J_i

應綁定：

run ID；
task ID；
parent ID；
model / adapter version；
source revision；
execution state；
audit sequence。

所以：

\boxed{ TaskIdentity }

不能只靠 Excel row number。

60. Parent–Child Task Lineage

v0.3 Veritaxa 已保存：

Parent Job ID；
Depth；
deterministic subtask generation。

因此 Agent tree：

J_0 \rightarrow \{J_1,J_2,\ldots\}

應保留：

\boxed{ Lineage. }

61. 子任務越多不代表更聰明

Agent expansion 會增加：

cost；
latency；
duplicate work；
verification backlog。

因此：

\boxed{ SubtaskGeneration }

也需要 budget / frontier policy。

62. URL Frontier 是一種 Agent Frontier

Crawler 的：

URLFrontier

與通用 Agent 的：

TaskFrontier

其實同構。

都需要：

priority；
visited / pending；
retry；
depth；
next run；
parent；
dedupe。

63. Agent Frontier 可以矩陣化

如果每一 row 是 candidate task，

則：

F = \{ J_i: status\in PendingStates \}.

排序可以依：

priority, cost, risk, expectedGain, freshness.

所以：

\boxed{ Spreadsheet }

天然適合顯示 frontier。

64. 但 scheduler 不應依賴人類手動排序

真正 scheduler 應在 Runtime。

Spreadsheet 只是：

observe；
override；
reprioritize；
approve。

因此：

\boxed{ HumanVisiblePriority \neq ManualScheduler. }

65. System Health 必須一級化

Workbench 已包含：

success rate；
average latency；
failures；
retry；
dead letter；
review backlog；
stale sources；
token cost；
data freshness。

這一點對 Agent 尤其重要。

因為 Agent 系統的品質不是單一：

Accuracy.

66. Agent Operations Metrics

本文建議至少拆成：

\boxed{ Quality + Cost + Latency + Recoverability + Auditability + HumanBurden. }

67. Human Burden 是真正成本

如果 Agent：

Recall=99\%

但每天製造：

10^5

個 review candidates，

那麼：

\boxed{ AutomationSuccess }

可能是假的。

所以需要：

\boxed{ ReviewLoad. }

68. Verification Bottleneck

當：

CandidateGenerationRate \gg ValidationRate,

系統就會形成：

\boxed{ VerificationBacklog. }

這也是 Agent autonomy 的現實上限。

69. Agent 越會生成，治理可能越重要

若 AI generation rate：

g

快速提升，

但 verification capacity：

v

不變，

則 backlog：

B_{t+1} = B_t + g_t - v_t.

如果：

g_t>v_t,

則：

B_t\rightarrow\infty.

所以：

\boxed{ \text{Better Generator} }

不等於：

\boxed{ \text{Better Autonomous System}. }

70. D-ALAN 與 Veritaxa 可以怎麼接？

D-ALAN 提供：

\boxed{ \text{Multi-node disagreement}. }

Veritaxa 提供：

\boxed{ \text{Human-visible review / evidence pipeline}. }

因此可形成：

Nodes \rightarrow Divergence \rightarrow EvidenceTask \rightarrow Review \rightarrow Promotion.

71. 多 Agent 不是直接做 Consensus Write

更安全流程：

\boxed{ Agent_i\ proposals }

\downarrow

\boxed{ CrossValidate }

\downarrow

\boxed{ Conflict / Agreement Record }

\downarrow

\boxed{ Review / Policy }

\downarrow

\boxed{ Canonical Promotion. }

72. 多 Agent 系統的三種輸出

每個議題不必只有：

answer.

可以輸出：

consensus；
divergence；
unresolved.

所以：

\boxed{ Unresolved }

也是合法結果。

73. 這和 MMR-Bench 的多引擎協定相同

MMR-Bench v0.9 已經證明：

MMR engine 可能錯；
external engine 可能錯；
cache 可能 stale。

因此最成熟結果不是：

選一個「oracle」。

而是：

\boxed{ \text{Classify Disagreement}. }

Agent network 也應使用同樣原則。

74. Human in the Loop 不是 Human does everything

成熟 HITL 應把人類放在：

ambiguity；
high risk；
policy boundary；
irreversible transition；
low-confidence conflict。

而不是每一步都手動按。

所以：

\boxed{ HumanGovernance \neq HumanMicromanagement. }

75. 人類角色應逐步上移

EML-LQ D-ALAN 的遠期構想也是：

人從：

OperationLevel

逐步退到：

Architecture/InvariantLevel.

這不是：

人完全退出。

而是：

\boxed{ \text{Human control shifts from every action to the rules of permissible action}. }

76. Policy-as-Code

當規則可以形式化時，

應把：

allowed transition；
approval threshold；
cost ceiling；
source policy；
publication risk；

寫成：

\boxed{ Machine-checkable Policy. }

而不是只寫在 README。

77. Control Plane 的成熟形態

最終 control plane 不一定還是 Excel。

它可以投影為：

Spreadsheet；
Web Admin；
CLI；
AI interface；
MCP；
API。

只要：

\boxed{ \text{Same Task / Policy / Evidence Semantics} }

被保持。

78. Spreadsheet 的歷史角色

在這條研究線中，Spreadsheet 是：

第一個 visible state surface；
第一個 low-code policy surface；
第一個 task ledger；
第一個 review queue；
第一個 human-readable audit view。

因此它仍然很重要。

79. 但最終本體不是 Spreadsheet

成熟版本更應寫：

\boxed{ \text{Operations Canonical State} }

再投影：

\Phi_{sheet}, \Phi_{web}, \Phi_{ai}, \Phi_{api}.

這和 MLF / Executable Identity 完全接軌。

80. 統一 Agent Operations Architecture

本文提出：

\boxed{ \mathfrak O = ( J, F, E, P, G, R, V ) }

其中：

$J$ ：tasks；
$F$ ：frontier / scheduler；
$E$ ：execution adapters；
$P$ ：persistence / events；
$G$ ：governance / policy；
$R$ ：review / promotion；
$V$ ：views / control projections。

81. Agent Loop 的完整形式

可寫成：

\boxed{ Observe \rightarrow Propose \rightarrow Validate \rightarrow Schedule \rightarrow Execute \rightarrow Record \rightarrow Verify \rightarrow Review \rightarrow Promote \rightarrow Monitor. }

這比：

Thought \rightarrow Tool \rightarrow Answer

更接近長時間 Agent 系統。

82. Reconciliation Loop

對 desired state：

D_t,

actual state：

S_t,

定義：

\Delta_t = D_t-S_t.

controller 只應提出合法 action：

a_t = \pi( \Delta_t, Policy, Evidence ).

執行：

S_{t+1} = \delta(S_t,a_t).

83. 為什麼 Reconciliation 適合 Agent？

因為 Agent 外部世界會變：

website changed；
source stale；
tool failed；
API unavailable；
evidence conflict。

所以：

\boxed{ \text{Plan once} }

通常不如：

\boxed{ \text{Observe and reconcile repeatedly}. }

84. 但 Agent Reconciliation 比 Kubernetes 更不確定

Infrastructure desired state 通常：

schema clear；
success condition precise。

Knowledge Agent 則可能：

evidence ambiguous；
intent incomplete；
no single truth source。

所以：

\boxed{ KnowledgeReconciliation }

需要更多：

uncertainty；
provenance；
review；
conflict state。

85. Agent Control Plane 的最小安全原則

A1 — Identity

每個 task / event / proposal / review 必須有 stable ID。

A2 — State Machine

合法 transition 明示。

A3 — Source of Truth

Control view 不偷偷成為第二資料庫。

A4 — Proposal Separation

AI output 不能直接 promotion。

A5 — Evidence Binding

重要 claim / change 保存來源。

A6 — Recoverability

checkpoint / retry / resume / idempotency。

A7 — Human Governance

高風險與 ambiguity 有正式 review path。

A8 — Observability

health / backlog / cost / failure 可見。

86. 可證偽條件

F1 — Workbook Drift

Spreadsheet status 與 database canonical state 長期不一致且無法檢測。

F2 — Duplicate Execution

相同 command / task 因 re-import / retry 被重複執行。

F3 — Invalid Transition

Agent 可跳過：

VERIFY / REVIEW / APPROVE

直接 publish。

F4 — Evidence-Free Promotion

沒有來源支援的 model output 被寫入 canonical knowledge。

F5 — Review Collapse

review backlog 持續大於處理能力，

使系統實際無法治理。

F6 — Correlated Agent Consensus

多 Agent 因共享同一來源而產生假共識。

F7 — Resume Failure

process crash 後無法知道上一步做了什麼，只能重新執行整條 workflow。

F8 — Cost Escalation

高成本 browser / research agent 被不必要自動觸發。

F9 — Control Plane Becomes Execution Plane

Excel formula / cell edit 直接執行 arbitrary tool / shell / runtime mutation。

F10 — Human Review Becomes Decorative

系統標記 WAITING_REVIEW，但實際上 canonical data 已先更新。

87. 目前已做到與尚未做到

已有內部實作／證據

EML-LQ Agent architecture / persistence spec；
Veritaxa v0.1–v0.4 implementation lineage；
Spreadsheet Control Plane；
SQLite Source of Truth；
Evidence / Audit Ledger；
URL Frontier；
Semantic Agent layer；
Monitoring / diff / ranking ledger；
PHOSPHOR governed XLSX control；
MLF prediction / decision / promotion separation。

88. 尚未完成或不能宣稱

D-ALAN production network；
fully autonomous causal AI orchestration；
universal multi-Agent consensus correctness；
arbitrary enterprise workflow support；
distributed multi-writer conflict resolution；
fully formal human-governance semantics；
universal safe auto-publishing。

89. 第 09 篇的真正收斂

前面的 Matrix-Native Intelligence 問：

結構能不能進模型？

本文問：

模型進入世界之後，誰管理它的長時間行為？

答案不是：

\boxed{ \text{Another Bigger Model}. }

而是：

\boxed{ \text{Control Plane} + \text{State Machine} + \text{Evidence Ledger} + \text{Policy} + \text{Human Governance}. }

90. 從「智能」到「可治理智能」

如果 AI 只需要：

Generate.

模型能力是主角。

如果 AI 要：

crawl；
modify；
publish；
monitor；
decide repeatedly；

那麼：

\boxed{ Governability }

和：

\boxed{ Intelligence }

一樣重要。

91. 最終核心命題

本文最後將 Agent Operations 濃縮為：

\boxed{ \textbf{ Agent 自主性不應被定義成「沒有人工」， 而應被定義成「在明確狀態、權限、證據與可恢復邊界內， 能持續完成越來越多合法轉移」。 } }

因此：

\boxed{ Autonomy \neq UnboundedAuthority. }

更精確地：

\boxed{ \text{Useful Autonomy} = \text{Capability} \times \text{Recoverability} \times \text{Verifiability} \times \text{Governance}. }

任一項接近零，

整體可靠自治都會大幅下降。

92. 下一篇

EML-MNIAC-2026-10

《表格不是魔法：矩陣原生智能的邊界、失敗模式與下一代驗證計畫》

下一篇將作為本系列封頂篇，統一處理：

CSV ≠ runtime；
Excel ≠ LLM；
matrix ≠ universal ontology；
MMR direction gain 尚未普遍成立；
MMLC ≠ new universal computer；
MLF ≠ universal format；
Executable Identity ≠ metaphysical single truth；
MMR-IFN ≠ proven LLM architecture；
Agent control plane ≠ solved autonomy；
synthetic benchmark limits；
real-world validation plan；
系列所有 claims 的 maturity matrix；
下一代最小實驗路線。

參考資料

內部理論與工程

EveMissLab, 《自適應帳本量化代理框架技術規格》.
EveMissLab, D-ALAN — Distributed Adaptive Ledger Agent Network, theoretical section in EML-LQ Agent specification.
EveMissLab, 《EveTessera / Veritaxa Workbench：以試算表為原生控制平面的爬蟲、Agent 與動態帳本系統》.
EveMissLab, Veritaxa Workbench v0.1–v0.4 implementation packages and workbook.
EveMissLab, MLF 1.0 / MLF Compiler 1.0.0.
EveMissLab, PHOSPHOR-SHEET v1.0–v1.2.
EML-MNIAC-2026-07, 《單一狀態、多重投影：人類、AI、試算表與 Runtime 的執行同一性》.

外部技術近鄰

Kubernetes Documentation, Controllers.
https://kubernetes.io/docs/concepts/architecture/controller/
Kubernetes Documentation, Objects in Kubernetes.
https://kubernetes.io/docs/concepts/overview/working-with-objects/
Temporal Documentation, Temporal Platform Documentation / Durable Execution.
https://docs.temporal.io/
OpenAI Agents SDK, Human-in-the-loop.
https://openai.github.io/openai-agents-python/human_in_the_loop/
W3C, PROV-O: The PROV Ontology.
https://www.w3.org/TR/prov-o/

這些外部系統分別提供 reconciliation control loops、durable workflow recovery、tool-call approval / serialized resume 與標準 provenance vocabulary。本文不主張 Veritaxa 或 MNIAC 發明了 control plane、durable execution、human-in-the-loop 或 provenance；本系列的研究組合是將這些成熟工程原則與 spreadsheet-native visible state、matrix ledger、AI proposal separation、evidence review 與 multi-Agent divergence 放到同一人機共同操作架構中。

系列狀態： 第 09 篇完成。
下一篇： EML-MNIAC-2026-10 —《表格不是魔法：矩陣原生智能的邊界、失敗模式與下一代驗證計畫》