AI 單次品質論：意圖忠實度、過程品質、完成度與結果品質

AI Single-Run Quality Theory: Intent Fidelity, Process Quality, Completion, Verification, and Outcome Quality

系列：AI 互動時間與智能時間經濟學系列，第 7 篇／共 8 篇
文件編號：EML-ASRQT-2026-07-v0.1
作者：Neo.K（許筌崴）with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-08-20
性質：理論框架／Agent Evaluation／Run-Level Quality／互動時間論收斂篇
狀態：Public Theory Draft
直接前置：《委任時間論：自主 Agent、人類介入密度與治理槓桿》v0.1

摘要

AI Agent 的品質常被壓縮成單一結果判定：答案正確、任務通過、benchmark 得分或使用者接受，便被視為「這次表現很好」。然而，對具有意圖解析、規劃、工具使用、長時程執行、驗證、恢復、授權與世界作用能力的 Agent 而言，單一 outcome score 會隱藏至少三類重要資訊：第一，最終結果可能正確，但過程包含錯誤推理、無效工具、違反限制、危險 side effect 或純粹幸運；第二，過程可能高度合理、合規、可驗證，卻因外部環境、隨機失敗或不可控條件而未完成；第三，一個 run 可能已產生大量高價值 evidence、排除錯誤路徑與可重用知識，卻被二值 pass/fail 判為與「什麼都沒做到」相同。

本文提出「AI 單次品質論」（AI Single-Run Quality Theory, ASRQT），將一次 Agent run 的品質定義為多層、向量化、可定位錯誤的結構。第一代品質向量為：

\mathbf Q_{\mathrm{run}} = ( Q_I, Q_S, Q_P, Q_E, Q_C, Q_V, Q_{\mathrm{Comp}}, Q_R, Q_G, Q_W ),

其中：

$Q_I$ ：Intent Fidelity；
$Q_S$ ：Specification Quality；
$Q_P$ ：Plan Quality；
$Q_E$ ：Execution Quality；
$Q_C$ ：Constraint Retention；
$Q_V$ ：Verification Quality；
$Q_{\mathrm{Comp}}$ ：Completion；
$Q_R$ ：Result Quality；
$Q_G$ ：Governance / Authority Quality；
$Q_W$ ：World-Commit Integrity。

本文同時區分 Hard Gates 與 Soft Scores。若禁態被觸發、授權無效、必要驗證缺失或真實世界提交未被正確標記，其他高分不能透過平均將其洗掉。可定義：

Q_{\mathrm{soft}} = \exp \left( \frac{ \sum_iw_i\ln(Q_i+\epsilon) }{ \sum_iw_i } \right),

以及：

Q_{\mathrm{effective}} = G_{\mathrm{hard}} \cdot Q_{\mathrm{soft}}.

本文進一步提出「品質—結果四象限」：可靠成功、幸運成功、紀律失敗、全面失敗；將 termination、completion、verification、acceptance 與 certification 分離；引入 Verified Completion、Quality-Adjusted Completion、Trace Coverage、Evaluation Coverage、Failure-Origin Distance、Verification Debt、False Completion Rate 與 Run Reliability 等量。

本文與 EveMissLab 既有 GCPR、生成爆炸／創造優先方法論、ISF、UCPNP Truth–Evidence–Certification 以及本系列前六篇形成收斂。外部研究方面，ClawTrack 已以 Task Score／Process Score 雙評估處理 outcome-only 盲點，Agent GPA 將 Goal、Plan、Action 分層評估，而 2026 年的 log-analysis 研究則直接指出只看 final pass/fail 可能錯估 capability、utility 與 safety。本文在這些方向上再加入意圖忠實度、限制保持、完成度、治理與世界提交，使「AI 單次品質」涵蓋從使用者意圖到現實結果的完整生命週期。

關鍵詞：Agent Evaluation、Single-Run Quality、Intent Fidelity、Process Score、Task Score、Completion、Verification、Constraint Retention、Lucky Success、Trace Evaluation、World Commit

0. 核心問題

最常見的 Agent 評估是：

Success\in\{0,1\}

或：

Score\in[0,1].

但它不足以回答：

是否理解正確意圖；
計畫是否正確；
是否遵守限制；
工具是否正確；
驗證是否充分；
到底完成多少；
是否有合法 authority；
是否真的改變正確的世界狀態。

因此：

\boxed{ \text{Outcome Score} \neq \text{Run Quality}. }

1. Run Quality 的完整對象

令：

R = ( I,S,P,E,V,O,G,W ).

其中：

$I$ ：Intent；
$S$ ：Specification；
$P$ ：Plan；
$E$ ：Execution Trace；
$V$ ：Verification；
$O$ ：Outcome；
$G$ ：Governance；
$W$ ：World Commit。

則：

\mathcal Q:R\rightarrow\mathbf Q_{\mathrm{run}}.

2. 第一代品質向量

\boxed{ \mathbf Q_{\mathrm{run}} = ( Q_I, Q_S, Q_P, Q_E, Q_C, Q_V, Q_{\mathrm{Comp}}, Q_R, Q_G, Q_W ). }

品質首先是一個向量，不是單一數字。

3. Intent Fidelity

使用者意圖：

I_U

與 Agent 重建：

\widehat I_A.

定義：

Q_I = 1-d_I(I_U,\widehat I_A).

即使最終 artifact 很漂亮，如果 Agent 完成的是錯誤任務：

Q_R\uparrow \quad\land\quad Q_I\downarrow.

所以：

\boxed{ \text{Perfect Execution of Wrong Intent} \neq \text{High-Quality Run}. }

4. Specification Quality

Agent 將意圖轉成：

I_X.

定義：

Q_S = 1-d_S(\widehat I_A,I_X).

它檢查：

goal；
hard constraints；
soft preferences；
forbidden states；
success criteria；
expected artifacts；
authority；
risk boundary。

因此「聽懂了」與「成功編譯成 runtime 規格」是兩種不同品質。

5. Plan Quality

Q_P = f( GoalAlignment, Feasibility, DependencyCorrectness, RiskAwareness, ResourceFitness, VerificationPlan ).

高品質 plan 不能忽略必要依賴、使用不存在工具、超出 budget、漏掉 validator 或假設不可逆 action 可直接 rollback。

6. Execution Quality

對 execution trace：

E=(e_1,\ldots,e_n),

定義：

Q_E = f( ActionCorrectness, ToolCorrectness, ObservationUse, Efficiency, Recovery, TraceIntegrity ).

它回答的是：

計畫即使對，Agent 實際有沒有做好？

7. Plan Adherence 不等於 Blind Adherence

定義：

Q_{PA}=1-d(P,E).

但：

Q_{PA}=1

不一定最佳。

若世界狀態改變，合理行為可能是：

P\rightarrow P'.

所以必須區分：

\text{Unauthorized Deviation}

與：

\text{Evidence-Justified Replan}.

8. Constraint Retention

令 hard constraints：

C_H=\{c_1,\ldots,c_m\}.

在第 $j$ 步仍保留：

C_H^{(j)}.

定義：

Q_C = \min_j \frac{ \sum_iw_i\mathbb I[c_i\in C_H^{(j)}] }{ \sum_iw_i }.

採最小值是因為某些限制只要曾被破壞一次，就可能造成不可逆後果。

因此：

\boxed{ \text{Final Compliance} \neq \text{Trajectory Compliance}. }

9. Verification Quality

Q_V = f( Coverage, Independence, Correctness, Relevance, EvidenceStrength, Reproducibility ).

最重要的不等式：

\boxed{ \text{Result Exists} \neq \text{Result Verified}. }

10. Verification Coverage

若必要驗證：

V_{\mathrm{req}} = \{v_1^\ast,\ldots,v_m^\ast\},

實際完成：

V_{\mathrm{done}},

則：

VCov = \frac{ \sum_iw_i\mathbb I[v_i^\ast\in V_{\mathrm{done}}] }{ \sum_iw_i }.

11. Verification Independence

生成器與 evaluator 若共享：

同模型；
同提示；
同資料；
同盲點；

則 nominal validation 可能虛高。

因此加入：

I_V = \text{Verification Independence}.

可由 deterministic test、independent model、external evidence、proof checker 或 human expert 提高。

12. Completion

令：

Q_{\mathrm{Comp}} = Comp(S)\in[0,1].

若成功條件：

K=\{k_1,\ldots,k_m\},

可定義：

Comp = \frac{ \sum_iw_is_i }{ \sum_iw_i }, \qquad s_i\in[0,1].

13. Hard Completion Gates

若不可妥協條件集合：

K_H,

則：

G_K = \prod_{k_i\in K_H} \mathbb I[k_i\text{ satisfied}].

有效完成度：

Comp_{\mathrm{eff}} = G_K \cdot Comp_{\mathrm{soft}}.

十項完成九項不一定是 90% 完成；若缺的是「不得刪除原始資料」，整體可以直接失效。

14. Result Quality

Q_R = f( Correctness, Utility, Relevance, Clarity, Robustness, UserFit ).

結果品質只是整體品質的一個維度。

15. Governance Quality

Q_G = f( AuthorityValidity, PolicyCompliance, EscalationQuality, HumanOversight, Revocability, Auditability ).

正確結果若來自無授權 action：

Q_R\approx1, \qquad Q_G\ll1.

所以：

\boxed{ \text{Useful Result} \neq \text{Legitimate Run}. }

16. World-Commit Integrity

定義：

Q_W = f( CommitAuthority, ReceiptIntegrity, StateMatch, ExternalConfirmation, HistoricalIntegrity ).

Sandbox 成功被誤報為 production 成功：

Q_W\ll1.

17. Hard Gates

G_{\mathrm{hard}} = G_FG_AG_VG_WG_S,

其中：

$G_F$ ：Forbidden-state gate；
$G_A$ ：Authority gate；
$G_V$ ：Required verification gate；
$G_W$ ：World-commit gate；
$G_S$ ：Safety / domain gate。

在高風險任務中：

G_i\in\{0,1\}

可以保留真正 veto。

18. Soft Quality Scalarization

若需要 scalar：

Q_{\mathrm{soft}} = \exp \left( \frac{ \sum_iw_i\ln(Q_i+\epsilon) }{ \sum_iw_i } \right).

再定義：

\boxed{ Q_{\mathrm{effective}} = G_{\mathrm{hard}} Q_{\mathrm{soft}}. }

但報告時仍應保存完整：

\mathbf Q_{\mathrm{run}}.

19. 為什麼不能只看總分

同樣：

Q_{\mathrm{effective}}=0.72

可能是：

intent 高、verification 低；
intent 低、execution 高；
result 高、governance 低。

因此：

\boxed{ \text{Scalarization} \neq \text{Diagnosis}. }

20. 品質—結果四象限

定義 process quality：

Q_{\mathrm{proc}}

與 outcome：

Q_{\mathrm{out}}.

得到四類：

Reliable Success

Q_{\mathrm{proc}}\uparrow, \qquad Q_{\mathrm{out}}\uparrow.

Lucky Success

Q_{\mathrm{proc}}\downarrow, \qquad Q_{\mathrm{out}}\uparrow.

Disciplined Failure

Q_{\mathrm{proc}}\uparrow, \qquad Q_{\mathrm{out}}\downarrow.

Comprehensive Failure

Q_{\mathrm{proc}}\downarrow, \qquad Q_{\mathrm{out}}\downarrow.

21. Reliable Success

可靠成功代表：

意圖對；
規格對；
plan 對；
execution 對；
constraints 守住；
verification 足夠；
result 對；
authority 合法；
world commit 正確。

它最適合作為 training exemplar 與 workflow baseline。

22. Lucky Success

幸運成功可能是：

猜中；
工具參數錯但系統容錯；
走錯流程但碰巧得到正確結果；
未驗證卻剛好正確。

因此：

\boxed{ Q_R\uparrow \not\Rightarrow Q_{\mathrm{proc}}\uparrow. }

若只用 final pass 做正向訓練，可能把壞過程學進去。

23. Disciplined Failure

紀律失敗可能因：

API outage；
target changed；
theorem false；
authority revoked；
external event；
insufficient deadline。

這類 run：

Q_R\downarrow

但：

Q_{\mathrm{proc}}\uparrow, \qquad \Delta K>0.

它不應與「什麼都沒做好」等價。

24. Termination、Completion、Verification、Acceptance、Certification

令：

T=\text{Terminated},

C=\text{Completed},

V=\text{Verified},

A=\text{Accepted},

Cert=\text{Certified}.

一般：

\boxed{ T \neq C \neq V \neq A \neq Cert. }

25. Verified Completion

VC = Q_{\mathrm{Comp}} Q_V.

若完成度是 $1$ ，驗證只有 $0.2$ ：

VC=0.2.

26. Quality-Adjusted Completion

QAC = Q_{\mathrm{Comp}} Q_R Q_V.

加入 hard gate：

QAC_{\mathrm{eff}} = G_{\mathrm{hard}} QAC.

27. Intent-Adjusted Completion

若完成了錯誤 intent：

Q_{\mathrm{Comp}}\approx1

仍不應高分。

定義：

IAC = Q_IQ_{\mathrm{Comp}}.

28. Governance-Adjusted Completion

對世界作用任務：

GAC = Q_{\mathrm{Comp}}Q_GQ_W.

任務做成，不代表手段與 authority 可以被忽略。

29. Useful Progress

未完成 run 仍可能有：

\Delta K, \Delta E, -\Delta U.

定義：

UP = \alpha\Delta Comp + \beta\Delta K + \gamma\Delta E - \delta\Delta Risk.

這對 research、debugging、proof search 特別重要。

30. Negative Progress

若 Agent：

污染資料；
寫入錯誤記憶；
增加 verification debt；
製造錯誤 artifact；

則：

UP<0

是可能的。

因此：

\boxed{ \text{Activity} \neq \text{Progress}. }

31. Trace Coverage

若需要觀察事件集合：

E_{\mathrm{req}},

實際 log：

E_{\mathrm{log}},

則：

TCov = \frac{ |E_{\mathrm{req}}\cap E_{\mathrm{log}}| }{ |E_{\mathrm{req}}| }.

Process score 的可信度受 trace coverage 限制。

32. Evaluation Coverage

令品質維度：

\mathcal Q = \{I,S,P,E,C,V,Comp,R,G,W\}.

Evaluator 實際覆蓋：

\mathcal Q_{\mathrm{eval}}.

則：

ECov = \frac{ \sum_iw_i\mathbb I[q_i\in\mathcal Q_{\mathrm{eval}}] }{ \sum_iw_i }.

只測結果的 benchmark 不能聲稱測完整 Agent quality。

33. Evaluator Quality

Q_{\mathrm{eval}} = f( Calibration, Agreement, Robustness, Independence, Determinism ).

所以：

\boxed{ \text{Measured Quality} \neq \text{True Quality}. }

34. Hybrid Evaluation

不同 evaluator 適合不同層：

deterministic test：schema、unit test、數值；
LLM judge：語義、相關性、複合 rubric；
human：高風險、價值衝突、模糊 intent；
external evidence：真實世界狀態。

因此不應讓單一 evaluator monoculture 取代全部品質層。

35. Failure-Origin Distance

令真正因果錯誤事件：

e_c,

表面失敗事件：

e_s.

定義：

D_F = d_G(e_c,e_s).

高 $D_F$ 代表錯誤很早發生、很晚才暴露。

36. Error Amplification

若初始偏差：

\epsilon_0

經後續變換：

\epsilon_n = L_n\cdots L_1\epsilon_0,

且：

\prod_iL_i>1,

小錯誤可能被放大成大終局偏差。

所以 early-stage quality 不能由最終結果完全替代。

37. Failure Attribution Vector

\mathbf F = ( F_I, F_S, F_P, F_E, F_C, F_V, F_G, F_W ).

目標不是強迫找唯一 root cause，而是產生可操作的 attribution。

38. Process Score 與 Outcome Score

定義：

Q_{\mathrm{proc}} = f( Q_I,Q_S,Q_P,Q_E,Q_C,Q_V,Q_G ),

以及：

Q_{\mathrm{out}} = f( Q_{\mathrm{Comp}},Q_R,Q_W ).

建議首先報：

(Q_{\mathrm{proc}},Q_{\mathrm{out}})

雙軸。

39. ClawTrack 接口

ClawTrack 的 process dimensions：

goal alignment；
efficiency；
information utilization；
result verification。

本文映射：

GoalAlignment \rightarrow (Q_I,Q_P),

Efficiency \rightarrow Q_E,

InformationUtilization \rightarrow Q_E,

ResultVerification \rightarrow Q_V.

再補：

Q_S,Q_C,Q_G,Q_W,Q_{\mathrm{Comp}}.

40. Agent GPA 接口

Agent GPA 的：

Goal Fulfillment；
Logical Consistency；
Execution Efficiency；
Plan Quality；
Plan Adherence；

可映射到：

Q_P, Q_E, Q_{\mathrm{Comp}}, Q_R.

ASRQT 再加入上游 Intent 及下游 Verification、Governance、World Commit。

41. Log Analysis 接口

Outcome-only evaluation 可能隱藏：

shortcut；
scaffold failure；
dangerous action；
wrong tool；
recurring failure mode。

因此：

\boxed{ \text{Credible Agent Evaluation} \supset \text{Outcome} + \text{Trace}. }

Trace 不要求公開 private chain-of-thought。

42. Verification Bottleneck

生成爆炸理論已指出：

\lambda_{\mathrm{system}} \le \min( \lambda_g, \lambda_e, \lambda_v ).

當：

\lambda_g\gg\lambda_v,

系統累積未驗證候選。

所以：

Q_V

是 AI 時代單次品質的核心瓶頸之一。

43. Verification Debt

D_V = \sum_iw_i(1-Q_{V,i}).

若：

\frac{dD_V}{dt}>0,

代表生成速度長期高於可信驗證能力。

44. Quality Debt

更廣義：

D_Q = D_I+D_S+D_V+D_G+D_W.

高名義產出可以伴隨：

D_Q\uparrow.

45. Run Quality 不等於 Agent Capability

單一 run：

\mathbf Q_{\mathrm{run}}

只是一次樣本。

Agent capability 應估：

C_A = E[ \mathbf Q_{\mathrm{run}} \mid Task,Budget,Tools,Harness,Environment ].

還需看 variance、tail failure、recovery 與 calibration。

因此：

\boxed{ \text{One Good Run} \neq \text{Reliable Agent}. }

46. Run Reliability

定義：

Rel = P( Q_{\mathrm{proc}}\ge\theta_P \land Q_{\mathrm{out}}\ge\theta_O ).

它比只看：

P(Q_R\ge\theta_R)

更嚴格。

47. Lucky Success Rate

LSR = P( Q_R\ge\theta_R \land Q_{\mathrm{proc}}<\theta_P ).

高 LSR 代表 pass rate 可能高估可靠能力。

48. Disciplined Failure Rate

DFR = P( Q_{\mathrm{proc}}\ge\theta_P \land Q_R<\theta_R ).

它能分離「系統很亂」與「環境困難／任務不可達」。

49. False Completion Rate

FCR = P( AgentClaimsDone=1 \land VC<\theta ).

這是 production Agent 非常重要的品質指標。

50. Completion Calibration

若 Agent 自評：

\hat p_C

而外部 verified completion：

y_C,

可使用 Brier score / calibration error 評估：

Agent 說自己完成時到底可信不可信？

51. Quality-Adjusted Productivity

P_Q = \frac{ QAC_{\mathrm{eff}} }{ C_{\mathrm{total}}+\epsilon }.

其中：

C_{\mathrm{total}} = C_{\mathrm{compute}} + C_{\mathrm{tool}} + C_{\mathrm{human}} + C_{\mathrm{latency}} + C_{\mathrm{risk}}.

52. Quality-Adjusted Delegation Leverage

第 6 篇委任槓桿：

\Lambda_D.

現在定義：

\Lambda_D^Q = \frac{ Q_{\mathrm{effective}} V_{\mathrm{delegated}} }{ T_H^{gov}+\epsilon }.

低品質 autonomous throughput 不應被叫做高治理槓桿。

53. Evaluation-to-Improvement

若：

Q_i

是主要低分維度，下一輪應優先投入能最大化：

E[ \Delta Q_{\mathrm{effective}} ]

的 intervention。

所以 evaluation 直接回接第 5 篇的 compute allocation。

54. Evaluation-to-Training

完整閉環：

Run \rightarrow Evaluate \rightarrow Attribute \rightarrow SelectTrace \rightarrow Update \rightarrow Run'.

若只選 final success，Lucky Success 可能被誤當正樣本。

55. Evaluation-to-Governance

若主要問題是：

Q_G,

不一定要重新訓練模型。

可能要改：

authority；
approval；
escalation；
policy；
tool scope。

因此：

\boxed{ \text{Low Quality} \not\Rightarrow \text{Model Problem}. }

56. Evaluation-to-Architecture

若：

Q_I\downarrow

問題偏 intent inference。

若：

Q_P\downarrow

偏 planner。

若：

Q_E\downarrow

偏 execution runtime。

若：

Q_V\downarrow

偏 validator。

所以品質向量可以定位 architecture layer。

57. Benchmark Contract

任何 Agent benchmark 至少應聲明：

task semantics
intent source
success criteria
hard constraints
tool environment
budget
harness
process observability
outcome evaluator
process evaluator
verification method
authority assumptions
world-effect scope
seed / repetition policy

否則 score 很容易偷換測量對象。

58. Budget-Normalized Quality

若：

B_A^{(1)} \neq B_A^{(2)},

不能把 score 差異全部歸因於模型能力。

應比較：

Q(A\mid B_0)

或完整：

Q(Budget)

曲線。

59. Quality Frontier

不同模型、harness、budget、topology、oversight 形成：

( Quality, Cost, Latency, HumanTime, Risk ).

真正比較應看 Pareto frontier，而不是單一 leaderboard。

60. Minimum Quality Contract

Production task 可定義：

\mathfrak Q_{\min} = ( Q_I^{min}, Q_C^{min}, Q_V^{min}, Q_R^{min}, Q_G^{min}, Q_W^{min} ).

若 hard floor 不滿足：

RejectCommit.

所以：

\boxed{ \text{Best-Effort Output} \neq \text{Production-Admissible Output}. }

61. Domain-Specific Quality

不同 domain 的權重不同。

Creative writing 偏重：

Q_I,Q_R.

Code deployment 偏重：

Q_C,Q_V,Q_G,Q_W.

Mathematical proof 偏重：

Q_V.

高風險專業領域還要加重 evidence、scope、uncertainty 與 governance。

因此不存在所有 domain 共用的唯一品質 scalar。

62. 可檢驗命題

命題一：Outcome Insufficiency

存在：

Q_R^{(1)} \approx Q_R^{(2)}

但：

Q_{\mathrm{proc}}^{(1)} \neq Q_{\mathrm{proc}}^{(2)}.

命題二：Lucky Success

P( Q_R\uparrow \land Q_{\mathrm{proc}}\downarrow )>0.

命題三：Disciplined Failure

P( Q_R\downarrow \land Q_{\mathrm{proc}}\uparrow )>0.

命題四：Verification Bottleneck

生成能力上升而 validator 固定時：

D_V\uparrow.

命題五：Trace Value

有 trace 的 evaluator 對 failure attribution 優於 outcome-only evaluator。

命題六：Hard-Gate Necessity

純平均分數可能讓 authority / forbidden-state violation 被其他高分錯誤補償。

命題七：Run-Capability Separation

單次高分不充分支持高 reliability claim。

63. 實驗設計

第一，設計 Lucky Success：故意讓 Agent 用錯過程但因環境容錯得到正確答案。

第二，設計 Disciplined Failure：外部 API 故障，但過程完全合理。

第三，加入 hard-constraint violation，測平均分數是否錯誤掩蓋。

第四，對同結果分別做 no verification、self-check、independent validator。

第五，做 trace ablation：final only、tool log、full event lineage。

第六，控制相同 budget，測完整：

\mathbf Q_{\mathrm{run}}.

64. 生成爆炸理論的收斂

生成成本下降後，稀缺逐步從候選本身轉向：

\text{criteria} + \text{evaluation} + \text{verification} + \text{world feedback}.

所以 AI 時代品質系統的核心不是「多生成」，而是能否把候選爆炸轉成可信結果。

65. GCPR 的收斂

GCPR 提出：

結果是過程的積分。

ASRQT 將其操作化為：

\boxed{ \text{Run Quality} = \text{Intent} + \text{Process} + \text{Verification} + \text{Completion} + \text{Result} + \text{Governance} + \text{World Commit}. }

66. UCPNP 的收斂

UCPNP 分離：

Truth, Evidence, Certification.

因此：

Q_R \neq Q_V \neq Q_{\mathrm{Cert}}.

看起來對、有證據、通過正式 certification 是不同層次。

67. 與第 8 篇的接口

前七篇依次處理：

互動時間；
意圖週期；
單輪 execution；
偏序拓撲；
compute allocation；
委任與治理；
run quality。

最後第 8 篇要回到最大的問題：

人類每天仍只有有限生物時間，而 AI 可以在同一世界日裡運行大量互動時間、計算時間與委任時間。這些局部時間如何真正進入世界歷史？

即：

世界時間與智能文明

68. 規範與倫理邊界

本框架不應：

把所有價值壓成 leaderboard；
為 process score 要求公開 private chain-of-thought；
把使用者滿意等同真實正確；
讓結果高分抵消 authority / safety violation；
以低成本為由犧牲必要 verification；
把一次成功當 reliability；
讓同模型 evaluator 壟斷所有品質判定；
把可量化維度當作全部價值。

69. 理論限制

第一，各 $Q_i$ 的 operationalization 依 domain 而異。

第二，完整 intent 不可直接觀測， $Q_I$ 只能近似。

第三，process evaluation 受 trace completeness 限制。

第四，LLM judge 可能有 calibration 與 correlation 問題。

第五，不存在已證明的普遍唯一 scalarization。

第六，hard gate 需要 domain governance。

第七，單次品質與長期 reliability 間仍需統計模型。

70. 結論

AI Agent 的品質不能再只問：

答案對不對？

完整問題是：

它理解對了嗎？規格對了嗎？計畫對了嗎？執行對了嗎？限制守住了嗎？驗證做了嗎？完成多少？結果好嗎？有權這樣做嗎？真的正確改變世界了嗎？

因此：

\boxed{ \mathbf Q_{\mathrm{run}} = ( Q_I, Q_S, Q_P, Q_E, Q_C, Q_V, Q_{\mathrm{Comp}}, Q_R, Q_G, Q_W ). }

最重要的拒絕是：

\boxed{ \text{Outcome} \neq \text{Quality}. }

一個 run 可以：

答對但不可靠；
答錯但值得學習；
完成但未驗證；
驗證但未獲授權；
有 artifact 但沒完成 intent；
sandbox 成功但未改變現實。

真正成熟的 Agent evaluation 應同時保存：

\boxed{ \text{Intent Fidelity} + \text{Process Quality} + \text{Constraint Retention} + \text{Verification} + \text{Completion} + \text{Outcome} + \text{Governance} + \text{World Integrity}. }

它的目的不是產生更漂亮的總分，而是：

\boxed{ \text{知道這一次哪裡好、哪裡壞、為什麼成功、為什麼失敗，以及下一單位資源應該修哪裡。} }

參考文獻與前置理論

EveMissLab 前置理論

Neo.K，《互動時間論：從鐘錶時間到意圖驅動的智能狀態轉換》v0.1，2026。
Neo.K，《意圖週期論：使用者意圖、AI 接受、執行與結果的閉環結構》v0.1，2026。
Neo.K，《單輪不是一步：AI Turn、內部迴圈、工具動作與執行軌跡》v0.1，2026。
Neo.K，《互動時間拓撲：平行 Agent、偏序因果與不可約互動深度》v0.1，2026。
Neo.K，《AI 計算時間經濟學：Token、算力、額度與智能資源配置》v0.1，2026。
Neo.K，《委任時間論：自主 Agent、人類介入密度與治理槓桿》v0.1，2026。
Neo.K，《生成爆炸：AI 時代的創造優先方法論》公開版 v2.0，2026。
Neo.K，《通用創造過程結果論》，EveMissLab。
Neo.K，《Intent-to-System Flow》系列，2026。
Neo.K with Aletheia，《UCPNP Unified Theory》v0.1，2026。

外部研究

Wu, X., Zhu, X., Liu, X., et al. ClawTrack: Towards Trace-Level Evaluation and Improvement of Real-World Autonomous Agents. arXiv:2607.28037, 2026.
Jia, A. S., Huang, D., Vytla, N., Choudhury, N., Mitchell, J. C., Datta, A. What Is Your Agent's GPA? A Framework for Evaluating Agent Goal-Plan-Action Alignment. arXiv:2510.08847v2, 2026.
Kirgis, P., Kapoor, S., et al. Log analysis is necessary for credible evaluation of AI agents. arXiv:2605.08545, 2026.
Liu, S., Dehghan, S., Ganhotra, J., Hirzel, M., Jabbarvand, R. From Plan to Action: How Well Do Agents Follow the Plan? arXiv:2604.12147, 2026.
Arghal, R., Chen, F., Dalton, N., et al. A Behavioural and Representational Evaluation of Goal-Directedness in Language Model Agents. arXiv:2602.08964, 2026.
Aligning Agents via Planning: A Benchmark for Trajectory-Level Planning Preferences. arXiv:2604.08178, 2026.

一句話版本

AI 單次品質不是最終答案的分數，而是從意圖、規格、計畫、執行、限制、驗證、完成、結果、治理到世界提交的完整品質向量；「答對了」只能證明結果可能是對的，不能單獨證明這是一個可靠的成功。

EML-ASRQT-2026-07-v0.1
AI 互動時間與智能時間經濟學系列 07/08