RLMM-08：多主體／多 AI 的共享元認知

Shared Metacognition Across Multiple Agents

系列：Recursive Linguistic Metacognition Methodology（RLMM）／遞歸語言元認知方法論
版本：v0.1
日期：2026-08-20 作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

RLMM 前七篇主要處理單一認知主體如何使用語言外化、組合、結晶、升階、反身地檢查自身方法，並透過證據、反例與查詢持續修正 belief 與 method。然而，未來 AI 認知系統很可能不是單一模型孤立運作，而是由多個 AI、不同工具、不同記憶層、不同資料來源與人類共同構成分散式認知系統。此時，「元認知」不再只發生在單一主體內部，而會出現跨主體的共享、衝突、校正、分支與治理問題。

本文提出「共享元認知（shared metacognition）」框架，將多主體認知中的共享對象區分為：shared state、shared evidence、shared method、shared failure model、shared operator 與 shared decision；並強調：

\boxed{ \text{Shared State} \neq \text{Shared Truth}. }

本文進一步指出，多主體共識可能來自真正獨立證據，也可能只是同源資料、同一模型家族、同一方法論、同一先驗或同一錯誤在多個 agent 間的同步。因此，RLMM 的多主體版本必須保存 provenance、independence、objection、correction、branch、merge、supersession 與 disagreement，而不是只輸出單一 consensus state。

本文提出第一版 Distributed Metacognitive Graph（DMG），將每個 agent 的 belief、method、evidence、failure model 與 objection 以可追蹤節點與邊表示，並定義共享元認知的基本操作：Propose、Object、Correct、Branch、Compare、Merge、Supersede、Escalate、Stop。本文同時處理多 agent 常見的五類錯誤：false consensus、correlated confidence、method monoculture、recursive amplification 與 premature merge。

核心結論為：多主體認知的價值不在於「更多 agent」，而在於保留真正的認知多樣性與可追蹤差異，使 disagreement 可以被當成資訊，而不是噪聲被消除。成熟的共享元認知系統應追求：

\boxed{ \text{Coordination without epistemic collapse}. }

關鍵詞

RLMM；多 AI；共享元認知；分散式認知；共識；false consensus；objection；correction；branch；merge；supersession；provenance

1. 問題：多個 AI 一起想，就一定比較好嗎？

直覺上，如果：

A_1,A_2,\ldots,A_n

都能獨立處理同一問題，

那麼：

n\uparrow

似乎應該讓認知品質提高。

但這個推論只有在：

A_i

之間存在足夠獨立性時才成立。

如果：

使用同一模型；
使用同一資料庫；
使用同一 prompt；
使用同一方法論；
使用同一 upstream summary；
使用同一錯誤假設；

那麼：

n

個回答可能只是：

\boxed{ 1\text{ cognition replicated }n\text{ times}. }

因此：

\boxed{ \text{Agent Count} \neq \text{Cognitive Diversity}. }

2. Shared State 與 Shared Truth

多主體系統最危險的混淆之一是：

\text{everyone agrees} \Rightarrow \text{it is true}.

RLMM 明確區分：

S_t = \text{shared state},

與：

T = \text{truth}.

即：

\boxed{ S_t=T }

不是必然。

甚至可能有：

A_1=A_2=\cdots=A_n

但：

A_i\neq T.

這就是：

\boxed{ \text{False Consensus}. }

3. 共享對象不是只有「答案」

多主體系統可以共享的其實很多。

RLMM 至少區分六類：

\mathcal S = \{ S_C, S_E, S_M, S_F, S_O, S_D \}.

其中：

$S_C$ ：Shared Cognitive State；
$S_E$ ：Shared Evidence；
$S_M$ ：Shared Method；
$S_F$ ：Shared Failure Model；
$S_O$ ：Shared Operator；
$S_D$ ：Shared Decision。

因此：

多 AI 共享答案

只是最表面的一層。

4. Shared Evidence

若多個 agent 都看到同一份 evidence：

E,

他們可能得到相似結論。

但：

\boxed{ \text{Shared Evidence} \neq \text{Independent Evidence}. }

例如：

A_1,A_2,A_3

分別讀三篇文章，

但三篇文章都來自：

Source_0.

那麼：

N_{\text{agent}}=3

不代表：

N_{\text{independent evidence}}=3.

5. Shared Method

更隱蔽的是 method correlation。

如果：

M_1=M_2=M_3,

即使資料不同，也可能形成：

\boxed{ \text{Method Monoculture}. }

例如所有 agent 都遵循：

高 confidence 時不 challenge。

那麼整體系統就會共享同一 blind spot。

所以：

\boxed{ \text{Method Diversity} }

也是重要的 epistemic resource。

6. Shared Failure Model

多 agent 也可以共享 failure archetype。

例如：

不要把 consensus 當 truth。

這通常有價值。

但如果所有 agent 都過度內化同一 failure model，可能變成：

\text{anti-consensus bias}.

因此：

\boxed{ \text{Shared Failure Memory} \rightarrow \text{possible Shared Bias}. }

這和 RLMM-05 的 methodological immune memory / autoimmune behavior 同構。

7. Shared Operator

如果所有 agent 都使用同一個 operator library：

\mathcal O,

則 coordination 會變容易。

例如都理解：

IndependentChallenge
BranchOrMerge
StopByVOI

但同時：

\boxed{ \text{Shared Operator Library} \rightarrow \text{Shared Attack Surface}. }

因此 operator 共用需要版本與 failure history。

8. 多主體的真正價值：差異

多 agent 的價值不應只看：

\text{agreement}.

還應看：

\boxed{ \text{informative disagreement}. }

如果兩個 agent：

A_1,A_2

在獨立 evidence / method 下仍得出相同結果，

這比：

A_1,A_2

因共享上游而相同更有價值。

9. Disagreement 不是錯誤

很多系統會把 disagreement 當成：

\text{noise}.

然後強制：

A_1,A_2 \rightarrow Consensus.

RLMM 反而提出：

\boxed{ \text{Disagreement} = \text{potential epistemic signal}. }

它可能意味著：

evidence 不同；
method 不同；
assumptions 不同；
context 不同；
one agent wrong；
both partially right。

10. Disagreement Decomposition

若：

A_1\neq A_2,

不要先問：

誰對？

先問：

D = D_E + D_M + D_A + D_C + D_R.

其中：

$D_E$ ：Evidence difference；
$D_M$ ：Method difference；
$D_A$ ：Assumption difference；
$D_C$ ：Context difference；
$D_R$ ：Risk/value difference。

這就是：

\boxed{ \text{Disagreement Decomposition}. }

11. 多主體元認知不是「投票」

投票模型：

Decision = \operatorname{Majority}(A_1,\ldots,A_n)

很簡單，

但會忽略：

agent reliability；
evidence independence；
method correlation；
confidence calibration；
minority novelty。

因此：

\boxed{ \text{Consensus Voting} \neq \text{Shared Metacognition}. }

12. Proposal

多主體認知第一步不應是 merge。

而是：

\boxed{ \operatorname{Propose} }

每個 agent 提交：

P_i = ( C_i, E_i, M_i, U_i, V_i )

其中：

$C_i$ ：claim；
$E_i$ ：evidence；
$M_i$ ：method；
$U_i$ ：uncertainty；
$V_i$ ：version / provenance。

13. Objection

其他 agent 不必直接給 alternative answer。

可以提交：

\boxed{ \operatorname{Object} }

形式：

O_{j\rightarrow i} = ( target, reason, evidence, failure\_type ).

例如：

你的三份 evidence 其實同源。

這不是另一個完整答案，

而是針對 proposal 的結構性 objection。

14. Correction

如果 objection 有效：

P_i \rightarrow P_i'.

這是：

\boxed{ \operatorname{Correct}. }

但 correction 不應覆蓋舊 proposal。

應保留：

P_i \rightarrow P_i'.

使 future agent 知道：

為什麼改。

15. Branch

如果：

P_1,P_2

目前都無法排除，

不要強迫：

Merge(P_1,P_2).

而應：

\boxed{ \operatorname{Branch} }

保留：

B_1=P_1

B_2=P_2.

這是：

\boxed{ \text{Epistemic Branch Preservation}. }

16. Merge

只有當：

conflict resolved；
invariants compatible；
evidence relation clear；
method conflict understood；

才進行：

\operatorname{Merge}(B_1,B_2).

因此：

\boxed{ \text{Merge is a conclusion, not a default}. }

17. Premature Merge

如果太早 merge：

B_1,B_2 \rightarrow B_m,

可能丟失：

minority hypothesis；
unresolved conflict；
provenance；
uncertainty。

這稱為：

\boxed{ \text{Premature Merge}. }

它是多主體系統常見失敗。

18. Supersession

有些 proposal 不是 merge。

而是：

P_{new}

明確取代：

P_{old}.

則：

\boxed{ \operatorname{Supersede}(P_{old},P_{new}). }

但：

P_{old}

仍應保存。

因為 future AI 需要知道：

舊方法為什麼被淘汰。

19. Append-Only 原則

因此共享元認知的歷史最好是：

\boxed{ \text{Append-Only} }

而不是：

\text{current state overwrite}.

因為：

\text{history}

本身就是 future metacognitive evidence。

20. Distributed Metacognitive Graph

本文提出第一版：

\boxed{ DMG = (V,E) }

其中 node 可以是：

claim；
evidence；
method；
operator；
objection；
correction；
failure；
branch；
decision。

edge 可以是：

supports；
contradicts；
derived-from；
objects-to；
corrects；
supersedes；
branches-from；
merges-into。

21. DMG 與單一共享 state 的差異

傳統共享 state：

S_t

只保存：

現在答案是什麼。

DMG 保存：

\boxed{ \text{Why} + \text{How} + \text{Against What} + \text{Which Version}. }

因此：

\boxed{ \text{Shared cognition} \neq \text{shared scalar state}. }

22. Correlated Confidence

若多 agent 同時高 confidence：

c_1,c_2,\ldots,c_n

不能直接求：

\bar c.

因為：

Corr(A_i,A_j)

可能很高。

因此：

\boxed{ \text{Confidence Aggregation} \text{ requires correlation awareness}. }

23. Effective Cognitive Diversity

可以粗略定義：

D_{\text{eff}} = f( D_E, D_M, D_A, D_{model} ).

其中：

evidence diversity；
method diversity；
assumption diversity；
model diversity。

如果：

D_{\text{eff}}\approx0,

那麼：

n\gg1

也不代表多樣性高。

24. False Consensus

多主體最經典的失敗之一：

A_1=A_2=\cdots=A_n

但：

T\neq A_i.

其來源可能：

shared dataset；
shared hallucination；
shared method；
shared prior；
cascade copying。

因此：

\boxed{ \text{Agreement strength} \neq \text{truth strength}. }

25. Cascade Copying

若：

A_2

先看：

A_1

的答案，

再回答，

則：

A_2

不再是獨立樣本。

更一般：

A_1 \rightarrow A_2 \rightarrow A_3

可能形成：

\boxed{ \text{Cognitive Cascade}. }

26. Independent First Pass

因此一個簡單但重要的 protocol 是：

\boxed{ \text{Independent First Pass} }

在共享中間 reasoning 前：

A_i

先各自生成：

belief；
evidence；
uncertainty；
method。

然後再 compare。

27. 但完全隔離也不是最優

如果 agent 永遠不能共享：

\text{method}

就失去：

collective learning；
correction；
operator reuse。

因此真正目標是：

\boxed{ \text{Independent generation} + \text{structured sharing}. }

28. Shared Method Update

如果一個 method：

M

被多 agent 使用，

並在不同問題上出現：

F_1,F_2,F_3,

則可進行：

\operatorname{MethodUpdate}(M,F).

這比每個 agent 各自重犯一次更有效。

29. 共享 failure 的條件

但 failure pattern 要先確認：

F_1\sim F_2\sim F_3

真的是同一結構。

不能因表面相似就建立 shared rule。

否則：

\boxed{ \text{False Generalization} }

會進入整個 agent 群。

30. Recursive Amplification

如果一個錯誤 method 被共享：

M_{bad}

多 agent 都使用，

然後各自產生 supporting artifact，

再互相引用，

就形成：

\boxed{ \text{Recursive Amplification}. }

錯誤會因「很多 agent 都這樣說」而看起來更可信。

31. Method Monoculture

若整個多 agent 系統共享：

M

而沒有 alternative method，

則：

\boxed{ \text{Method Monoculture} }

類似單一作物系統：

平時 coordination 高；
遇到共同 failure 時全部一起失敗。

32. Cognitive Red Team

因此 RLMM 建議保留某些角色：

A_{red}

專門不使用主要 method。

例如：

different representation；
different evidence strategy；
different failure assumptions。

目標不是永遠反對，

而是：

\boxed{ \text{maintain epistemic heterogeneity}. }

33. Role-Specialized Metacognition

X 階認知不一定全部放在一個 agent。

可以：

A_0: \text{solve}

A_1: \text{inspect evidence}

A_2: \text{inspect method}

A_3: \text{generate counterexamples}

A_4: \text{govern recurse/stop}.

因此：

\boxed{ \text{Metacognitive depth can be distributed across agents}. }

34. 共享元認知中的階層問題

如果：

A_{meta}

負責檢查其他 agent，

那誰檢查：

A_{meta}?

因此多 agent 系統仍有：

\text{meta-meta problem}.

解法不是再無限加 agent，

而是：

\boxed{ \text{bounded governance} + \text{auditable history} + \text{STOP}. }

35. Authority 與 Truth

在組織中常見：

A_{\text{senior}}

擁有更高 decision authority。

但：

\boxed{ \text{Authority} \neq \text{Epistemic Correctness}. }

所以 RLMM 要區分：

\text{Decision Authority}

與：

\text{Evidence Weight}.

36. Majority 與 Minority

minority agent：

A_m

可能錯，

也可能攜帶 genuine novelty。

所以：

\boxed{ \text{Minority} \neq \text{Noise}. }

需要：

\operatorname{MinorityPreservationGate}.

37. Minority Preservation Gate

當 minority proposal 滿足：

evidence provenance distinct；
internally coherent；
falsifiable；
high consequence；
not already refuted；

則應：

\boxed{ \operatorname{PreserveBranch}. }

而不是立刻 majority merge。

38. Shared Truth 不應被直接寫入

系統應避免：

\text{Consensus} \rightarrow \text{Truth Flag}.

更合理：

\boxed{ \text{Current Accepted State} }

並保存：

confidence；
dissent；
unresolved branch；
provenance；
last correction。

39. Shared Metacognitive State

可以定義：

S_M = ( C, E, M, F, D, H ).

其中：

$C$ ：current accepted claims；
$E$ ：evidence graph；
$M$ ：methods；
$F$ ：failure models；
$D$ ：disagreement；
$H$ ：history。

這比單一答案更接近真正共享元認知。

40. 多 agent 的 evidence aggregation

對 evidence：

E_1,\ldots,E_n,

不能只：

\sum E_i.

需要考慮：

W_i = f( reliability, independence, timeliness, discrimination ).

因此：

\boxed{ \text{Evidence Aggregation} \neq \text{Vote Aggregation}. }

41. Multi-Agent Revision

共享狀態的更新可以表示：

S_{t+1} = \mathcal U ( S_t, P, O, C, B )

其中：

$P$ ：proposals；
$O$ ：objections；
$C$ ：corrections；
$B$ ：branches。

這就是：

\boxed{ \text{Distributed Revision}. }

42. Merge 不是消除 disagreement

成熟 merge 應保留：

\operatorname{ResidualDisagreement}.

例如：

目前採用方案 A，但 agent 3 對 assumption X 仍保留 objection。

因此：

\boxed{ \text{Merged state can contain unresolved dissent}. }

43. Supersession 與歷史學習

如果：

M_1

被：

M_2

取代，

future agent 應能看到：

M_1 \rightarrow M_2

以及：

F(M_1).

否則未來可能重新發明：

M_1.

44. Shared Memory 的風險

共享 memory 很方便，

但也會造成：

\boxed{ \text{Memory-Induced Correlation}. }

如果所有 agent 先讀同一 summary，

再獨立回答，

那個 independence 已經部分消失。

45. Memory Layer Separation

可以區分：

Private Working Memory

每 agent 自己的局部狀態。

Shared Evidence Memory

共享可驗證 evidence。

Shared Method Memory

共享 operator / method。

Shared Revision Ledger

共享 objection / correction / supersession。

這樣：

\boxed{ \text{not everything needs to be globally shared}. }

46. Shared Error

多 agent 系統也需要顯式保存：

\boxed{ \text{Shared Error State}. }

即：

目前已知哪些錯誤是整個群體共同犯過的？

這可防止：

\text{collective forgetting}.

47. Shared Failure Archetype

當多次 failure 被確認同構：

F_1\sim F_2\sim\cdots,

可建立：

F^*.

但必須附：

domain；
counterexample；
exception；
version。

避免 failure archetype 變成 dogma。

48. Meta-Consensus

更高階還有：

大家是否同意「如何形成共識」？

即：

\boxed{ \text{Meta-Consensus} }

例如：

用 majority？
用 evidence weight？
用 expert authority？
保留 branch？

這本身也是認知對象。

49. Consensus Protocol 也必須可修正

如果 consensus rule：

C_R

反覆造成：

minority suppression；
groupthink；
delay；

則：

C_R

本身需要 promotion。

因此：

\boxed{ \text{Consensus mechanism} \in \text{RLMM object space}. }

50. 多主體反身性

RLMM-05 的反身性在多 agent 中更強。

如果：

A_1

發布 failure artifact，

其他 agent 都讀取，

則：

\{A_2,\ldots,A_n\}

一起改變。

因此：

\boxed{ \text{Artifact} \rightarrow \text{population-level cognitive shift}. }

51. Population-Level Method Drift

長期：

M_t \rightarrow M_{t+1} \rightarrow\cdots

可能在 agent population 中形成：

\boxed{ \text{Methodological Culture}. }

這可以很有效，

也可能形成：

\boxed{ \text{Collective Blind Spot}. }

52. 方法文化與 diversity preservation

因此成熟多 AI 系統不應只追求：

\text{method convergence}.

也應保留：

\boxed{ \text{controlled methodological diversity}. }

例如：

baseline method；
skeptical method；
novelty-sensitive method；
cost-sensitive method。

53. Coordination without Epistemic Collapse

這是本文的核心目標。

多主體需要 coordination，

否則：

\text{fragmentation}.

但過度 coordination：

\rightarrow \text{epistemic collapse into one shared model}.

因此：

\boxed{ \text{Shared Metacognition} = \text{Coordination} + \text{Preserved Difference}. }

54. Distributed Metacognitive Protocol v0.1

本文提出第一版語言協議。

D1 — Independent First Pass

先獨立形成初始 state。

D2 — Declare Provenance

說明 evidence / method / model 來源。

D3 — Propose, Do Not Overwrite

新結果以 proposal 形式加入。

D4 — Objection Must Target Structure

指出 claim、evidence、method 或 assumption 哪裡有問題。

D5 — Preserve Branches

無法區分時不強迫 merge。

D6 — Merge Only After Conflict Analysis

先理解 disagreement，再合併。

D7 — Preserve Minority Novelty

少數意見若具獨立 evidence，保留。

D8 — Supersede with History

新版本取代舊版本時保留原因。

D9 — Track Correlation

不要把同源 agent 當獨立支持。

D10 — Stop Collective Recursion

若更多 agent / meta-agent 不再增加可操作區分，停止。

55. Distributed Operator Card

多 agent operator 可以加入額外欄位：

Operator
IndependentCrossCheck

Agent roles
A1 / A2 independent first pass.

Evidence separation rule
主要 provenance root 不可相同。

Sharing rule
只在 first pass 完成後交換摘要。

Merge rule
只有在 disagreement decomposed 後才 merge。

Failure modes
shared upstream / prompt correlation / model monoculture.

Stop condition
新 agent 不再增加有效 evidence diversity。

56. 與 AI Board 類架構的關係

RLMM 本身不是某一個產品架構。

但若未來存在：

多 agent board；
append-only ledger；
objection/correction；
thread/branch；
version/provenance；

則它們天然適合作為：

\boxed{ \text{Shared Metacognition Infrastructure}. }

因為它們保留的是：

認知歷史與差異，

而不是只有最終答案。

57. 多主體 STOP

如果 agent 不斷加入：

A_{n+1}, A_{n+2},\ldots

但有效 diversity：

D_{\text{eff}}

不再上升，

則：

\boxed{ \operatorname{STOP}. }

所以：

\text{More agents} \not\Rightarrow \text{more cognition}.

58. 邊界與非主張

本文不主張：

多 agent 一定比單 agent 好；
disagreement 一定有價值；
minority 一定正確；
append-only history 永遠最適合所有系統；
所有 agent 都應具有完全不同 method；
consensus 一定有害；
provenance 可以完全還原依賴；
agent independence 可以完美測量；
distributed metacognition 可以消除 groupthink；
DMG 是唯一合理的共享結構。

本文只提出：

\boxed{ \text{Shared metacognition requires preserving provenance, disagreement, correction and method diversity rather than equating consensus with truth.} }

59. 結論

多主體認知真正困難的地方，不是：

怎麼讓更多 AI 給答案。

而是：

怎麼讓多個不同認知主體共享資訊，而不把差異壓平。

因此：

\boxed{ \text{Shared State} \neq \text{Shared Truth}. }

並且：

\boxed{ \text{Agent Count} \neq \text{Cognitive Diversity}. }

真正成熟的共享元認知，需要：

\boxed{ \text{Propose} \rightarrow \text{Object} \rightarrow \text{Correct} \rightarrow \text{Branch} \rightarrow \text{Compare} \rightarrow \text{Merge / Supersede} }

同時保存：

provenance；
disagreement；
minority novelty；
failure history；
method version；
unresolved uncertainty。

因此：

\boxed{ \text{Shared Metacognition} = \text{Coordination without Epistemic Collapse}. }

這使 RLMM 從單一認知主體的遞歸方法論，正式擴張為可支援人類、多 AI 與混合系統的分散式元認知框架。

RLMM-09：方法論自身的版本化、分支、修正與遞歸
Versioning, Branching, Revision, and Recursion of Methodology Itself

下一篇將正式處理 RLMM 自身如何成為一個可版本化、可分支、可被 objection、correction、merge 與 supersession 的方法論系統；如何避免「最終版本」幻覺；以及如何讓方法論本身保存 failure history、適用域與演化圖。