共享狀態中心論：為什麼中央不能是某一個 AI

Shared-State Centrality: Why the Center Should Not Be a Single AI

系列：AI 原生分散式組織系列，第 4 篇／共 10 篇
系列英文名：AI-Native Distributed Organization Series
文件編號：EML-ANDO-2026-04-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／Shared State／Canonical Source／Distributed Agent Organization／Governance Runtime
狀態：Public Theory Draft
直接前置：《從 AI 工具到 AI 組織：操作員退出問題》v0.1；《委任主權論》v0.1；《非階層式 Agent 組織》v0.1；《Interaction-Time Runtime & Agent Temporal Ledger v0.1》
Source fingerprint：見正式 source package SHA256SUMS.txt

生成與保真聲明

本文為 AI 輔助生成之理論與工程框架草稿。本文不主張已證明某種單一架構對所有 multi-agent system 都最優，也不提供新的大規模企業或 Agent runtime 實證資料。本文中的數學表達主要用於形式化狀態、權限、一致性、提交與恢復條件；若未來版本加入 benchmark、平台效能、資料一致性測試或外部文獻引用，應另行驗證與重現。

本文所稱「中央」主要指邏輯上的 canonical coordination center，不等於單一伺服器、單一資料庫、單一模型或單一治理者。核心主張是：

\boxed{ \text{Logical State Centrality} \neq \text{Physical Centralization} \neq \text{Single-Agent Centralization}. }

摘要

當 AI-native 組織開始使用多個可替換 Agent、動態協作拓撲、跨模型委任與長時程 workflow 時，一個根本問題立即出現：如果每個 Agent 都只依賴自身 context、memory 或私有摘要保存「目前做到哪裡」，那麼 Agent 一旦替換、失效、斷線、壓縮上下文或彼此產生不同版本，組織就會發生狀態分裂。此時所謂的分散式組織，實際上只是多個彼此部分失憶的認知孤島。

本文提出「共享狀態中心論」（Shared-State Centrality）：AI-native 組織可以是 Agent 分散、角色動態、模型可替換、執行拓撲可變的，但其可被共同引用與審計的 canonical organizational state 必須具有邏輯中心性。真正的中心不應是某一個 AI，而應是外部化、版本化、可驗證、可恢復、可權限控制的共享狀態結構。

本文定義 canonical shared organizational state：

\mathcal R_t = ( I_t, T_t, C_t, E_t, A_t, P_t, B_t, V_t, L_t, W_t ),

其中分別對應意圖、任務圖、主張、證據、權限、政策、預算、驗證狀態、事件／血統帳本與世界提交狀態。Agent 不應成為 source of truth，而應是 reader、reasoner、proposer、executor 與 bounded writer。其私有 context 可作為工作快取，但不應替代 canonical state。

本文進一步提出四平面架構：State Plane、Agent Plane、Governance Plane、Commit Plane。並區分「邏輯單一真實來源」與「物理單點」：canonical state 可以透過多副本、event sourcing、content-addressed artifacts、append-only ledger、資料庫交易、版本向量或其他一致性機制實現，而不要求單台中央機器。不同 state class 可採不同一致性要求：高風險 authority / commit state 需要更強一致性；低風險工作草稿可以容許 eventual consistency。

本文也提出 Shared-State Invariants、State Freshness、Canonicality Ratio、State Divergence、Recovery Completeness、Agent Replaceability 與 Commit Integrity 等診斷量，並描述 stale-state execution、split-brain authority、memory capture、summary drift、orphan artifact、hidden mutation 與 state poisoning 等失敗模式。

本文最後指出：如果 AI-native organization 希望真正做到「Agent 可以一直換，但組織不能一起失憶」，那麼其核心必須從 Agent-centric architecture 轉向 State-centric architecture。這將直接使論文庫、研究圖譜、驗證紀錄、任務狀態與 artifact lineage 由靜態資料庫轉變為可持續運行的 Research Environment，並為本系列第 5 篇建立基礎。

關鍵詞：Canonical Shared State、State-Centric Architecture、Multi-Agent Memory、Event Sourcing、Distributed State、Agent Replaceability、Organizational Memory、Authority Ledger、World Commit、Shared State Fabric

0. 核心問題：如果 Agent 一直換，什麼不能跟著消失？

第 3 篇允許：

G_t \rightarrow G_{t+1}

透過：

\text{spawn}, \text{split}, \text{merge}, \text{reroute}, \text{replace}, \text{retire}

持續重組。

但如果任務狀態只存在：

Context(A_i)

而：

A_i \rightsquigarrow A_j,

則：

State(A_i) \not\Rightarrow State(A_j).

因此：

\boxed{ \text{Replaceable Agents require persistent externalized state.} }

1. Agent-Centric Architecture 的問題

最直覺的 multi-agent 架構是：

A_1 \leftrightarrow A_2 \leftrightarrow A_3.

每個 Agent 各自保存：

對話記憶；
任務摘要；
對其他 Agent 的理解；
自己認為的完成狀態；
自己記得的權限。

短 run 中這可能可行。

長期組織中則容易形成：

S_1 \neq S_2 \neq S_3.

也就是每個 Agent 都活在略有不同的「組織現實」。

2. Shared-State Centrality

本文提出：

A_i \leftrightarrow \mathcal R_t \leftrightarrow A_j.

其中：

\mathcal R_t

不是某個 Agent，而是 shared canonical state。

因此：

\boxed{ \text{The center is state, not personality.} }

Agent 的角色變成：

A_i = Read(\mathcal R_t) + Reason + Propose + Act + WriteBounded(\mathcal R_t).

3. Canonical Shared Organizational State

定義：

\mathcal R_t = ( I_t, T_t, C_t, E_t, A_t, P_t, B_t, V_t, L_t, W_t ).

其中：

I_t = \text{Intent State},

T_t = \text{Task / Dependency State},

C_t = \text{Claim State},

E_t = \text{Evidence State},

A_t = \text{Authority State},

P_t = \text{Policy State},

B_t = \text{Budget / Resource State},

V_t = \text{Verification State},

L_t = \text{Lineage / Event Ledger},

W_t = \text{World-Commit State}.

這些 state class 不必物理儲存在同一資料庫，但必須形成同一個可解析的 canonical organizational reality。

4. 邏輯中心不等於物理中心

區分：

C_L = \text{Logical Centrality},

C_P = \text{Physical Centralization},

C_A = \text{Agent Centralization}.

一個系統可以滿足：

C_L \text{ high},

但：

C_P \text{ low}

且：

C_A \text{ low}.

也就是：

所有節點知道哪個版本算正式，不表示正式資料只能放一台機器，更不表示只有一個 AI 能理解與修改它。

5. Source of Truth 與 Source of Intelligence

\boxed{ \text{Source of Truth} \neq \text{Source of Intelligence}. }

最強模型可以負責最複雜推理，但不應因此成為：

\text{Canonical Memory}.

因為：

模型會替換；
context 會截斷；
memory 會摘要；
provider 會改；
session 會消失；
reasoning result 可能出錯。

因此：

\boxed{ \text{Model Context} = \text{Working Memory / Cache}, }

而不是：

\text{Canonical State}.

6. 四平面架構

6.1 State Plane

保存：

\mathcal R_t.

回答：

現在正式狀態是什麼？

6.2 Agent Plane

包含：

\mathcal A_t = \{ A_1,A_2,\ldots,A_n \}.

回答：

現在哪些智能節點可以工作？

6.3 Governance Plane

保存：

\Gamma_t, A_t, P_t.

回答：

誰可以做什麼？什麼情況需要批准、撤銷或 escalation？

6.4 Commit Plane

控制：

Candidate \rightarrow Verified \rightarrow Committed.

回答：

哪些只是草稿？哪些已驗證？哪些已對外生效？

7. Shared State 不是一個超巨大 JSON

共享狀態可寫為：

\mathcal R_t = \bigcup_{k=1}^{m} R_t^{(k)}.

不同 state class 可使用不同 backend：

task state：relational DB / graph；
artifact：object store；
event：append-only ledger；
authority：transactional store；
research claim：knowledge graph；
provenance：content-addressed manifest；
temporary cache：KV。

因此：

\boxed{ \text{Canonicality is semantic, not a file format.} }

8. Event-Sourced Organizational Memory

一種自然做法是將狀態改變記為事件：

e_1,e_2,\ldots,e_n.

並令：

\mathcal R_t = Fold( \mathcal R_0, e_1, e_2, \ldots, e_n ).

事件可包括：

TaskCreated, TaskAssigned, ClaimAdded, EvidenceLinked, AuthorityGranted, AuthorityRevoked, ValidationPassed, ArtifactCommitted.

本文不主張 event sourcing 是唯一方案，而要求：

\boxed{ \text{State mutation must be attributable and sufficiently reconstructable for its risk class.} }

9. 狀態版本與 stale write

令：

v_t = Version(\mathcal R_t).

Agent 讀取：

v_i.

提交前檢查：

v_i = v_{current}.

若：

v_i \neq v_{current},

則需要：

Rebase, Merge, Reject, Retry

之一。

這避免舊版本 Agent 直接覆蓋新狀態。

10. State Freshness

Agent 在：

t_0

讀取：

S_{t_0},

但到：

t_1

才執行。

此時可能：

S_{t_1} \neq S_{t_0}.

定義：

\Delta_S = t_{current} - t_{read}.

或概念上的：

F_S = Freshness(S).

高風險 action 應要求：

F_S \ge F^\star.

11. Typed Consistency

不是所有 state 都需要同樣的一致性。

例如：

K(R^{draft}) = EventualConsistency,

而：

K(R^{authority}) = StrongConsistency

可能更合理。

同理，高影響 financial / legal commit 可以要求比 telemetry 更嚴格的一致性。

因此：

K: StateClass \rightarrow ConsistencyRequirement.

這比「全部強一致」或「全部 eventual」更適合異質 Agent 組織。

12. Authority Split Brain

最危險的狀態分裂之一是：

A_1: Authority(X)=Granted,

而：

A_2: Authority(X)=Revoked.

此時形成：

\boxed{ \text{Authority Split Brain}. }

所以：

A_t

必須比一般 draft state 有更高一致性與傳播要求。

13. Model Memory 只能是 Cache

對任一 Agent：

M_i = \text{private memory / context}.

更合理的關係是：

M_i = Cache_i(\mathcal R_t) + PrivateScratch_i.

PrivateScratch 可以不共享。

但一旦某結果要影響組織：

PrivateScratch \rightarrow Proposal \rightarrow CanonicalWrite.

所以：

\boxed{ \text{Private Memory} \neq \text{Organizational Memory}. }

14. Summary Drift

若 handoff 只依賴：

S \rightarrow Summary_1 \rightarrow Summary_2 \rightarrow Summary_3,

每一次都可能損失資訊。

長鏈容易形成：

\text{Summary Drift}.

Shared state 的目的之一，就是避免讓自然語言摘要單獨承擔 canonical memory。

15. Claim-Evidence State

研究組織中特別重要的是：

C_t

與：

E_t.

不能只保存文章全文，而應保存：

Claim \leftrightarrow Evidence \leftrightarrow Verification \leftrightarrow Artifact.

例如：

c_i = ( \text{text}, \text{type}, \text{source}, \text{confidence}, \text{status}, \text{dependencies} ).

如此 Agent 才能分辨：

已驗證事實；
外部引用；
數學猜想；
未驗證推論；
AI 生成 candidate。

16. Artifact Lineage

每個 artifact：

a_j

應可追溯：

Inputs(a_j), Agent(a_j), Version(a_j), Validation(a_j), Parent(a_j).

因此：

L(a_j) = \text{artifact lineage}.

這使論文、程式、圖片、測試報告與社群內容都能保留生成鏈。

17. Content Addressability

對 immutable artifact：

h(a) = Hash(a).

以：

h(a)

作為內容身份的一部分。

這不表示所有系統都必須使用 blockchain，而只是：

\boxed{ \text{Content identity can be separated from location and agent identity.} }

18. Agent Replaceability

令任務：

\tau

原由：

A_i

執行。

若：

A_i \rightsquigarrow A_j,

定義恢復品質：

Q_R = Q( Resume(A_j|\mathcal R_t) ).

若：

Q_R \ge Q^\star,

則該任務具有可接受 replaceability。

19. Recovery Completeness

定義：

RC = \frac{ |\text{recoverable required state}| }{ |\text{required state}|+\epsilon }.

理想：

RC \rightarrow1.

如果 Agent crash 後：

任務狀態找不到；
權限不清；
最新 artifact 不知道在哪；
validator 結果遺失；

則：

RC \ll1.

20. Canonicality Ratio

定義：

CR = \frac{ |\text{decision-relevant state represented canonically}| }{ |\text{decision-relevant state}|+\epsilon }.

若：

CR\rightarrow1,

重要組織狀態大多可以共同解析。

若：

CR\ll1,

組織仍高度依賴：

某個 Agent 還記得。

21. State Divergence

令：

\widehat{\mathcal R}_t^{(i)}

為 Agent $A_i$ 的局部視圖。

定義概念上的：

D_S^{(i)} = d( \widehat{\mathcal R}_t^{(i)}, \mathcal R_t ).

整體：

D_S = \frac{1}{n} \sum_{i=1}^{n} D_S^{(i)}.

實作時可以依 state class 使用不同 metric。

22. Hidden Mutation

若 Agent 直接修改 canonical state，卻沒有：

Actor, Timestamp, Reason, ParentVersion, Authority, Validation,

則形成：

\text{Hidden Mutation}.

高價值 mutation 至少應滿足：

Mutation \rightarrow Attribution + Lineage + Authority + Version.

23. State Poisoning

共享狀態也有一個新的危險：

錯誤一旦被寫成 canonical，所有 Agent 都可能共同相信它。

因此：

\boxed{ \text{Shared State amplifies both truth and error.} }

所以 canonical write 應依內容 class 決定：

WriteClass, ValidationClass, RollbackPolicy.

24. Provisional 與 Canonical 必須分離

定義：

S^{prop} = \text{provisional state},

S^{can} = \text{canonical state}.

任何 Agent 都可以產生：

\Delta S^{prop}.

但只有通過 policy 的狀態才可以：

\Delta S^{prop} \rightarrow \Delta S^{can}.

因此：

\boxed{ \text{Agent Output} \neq \text{Organizational Truth}. }

25. Commit Semantics

沿用 ITR/ATL：

Intent \rightarrow Plan \rightarrow Run \rightarrow Validation \rightarrow Completion \rightarrow Commit.

共享狀態應清楚區分：

Candidate, Validated, Committed, Published, Archived.

尤其：

Committed \neq Published.

內部 canonical commit 不必等於對外公開。

26. Shared-State Invariants

本文提出第一代不變量。

Invariant 1

CanonicalMutation \Rightarrow Logged.

Invariant 2

WorldAction \Rightarrow AuthorityLineage.

Invariant 3

Commit \Rightarrow ParentVersion.

Invariant 4

非 root Agent 不應成為唯一 state holder。

Invariant 5

Proposal \neq Canonical.

Invariant 6

高價值 state 必須存在可接受 recovery path。

Invariant 7

authority revocation 必須快速傳播至相關 Agent。

Invariant 8

world commit 必須可追溯：

Agent, Policy, Authority, SourceArtifact.

27. Canonical 不等於絕對真理

Shared-state centrality 最危險的誤用，是把：

\mathcal R_t

當成不可挑戰的神諭。

本文明確區分：

\boxed{ \text{Canonicality} \neq \text{Epistemic Infallibility}. }

Canonical 只表示：

這是組織目前正式採用的版本。

因此仍必須允許：

Challenge, Correction, Deprecation, Rollback, Fork.

28. Canonical Fork

在真正爭議尚未解決時，可以形成：

\mathcal R_t^{(a)}, \mathcal R_t^{(b)}.

但必須明示：

Status = Forked.

避免兩個分支都假裝自己是唯一真實狀態。

最後可：

Merge, Select, Archive.

29. 從 Corpus 到 Research Environment

普通論文庫主要回答：

有哪些文章？

Research Environment 則需要回答：

哪些研究線仍活躍？
哪些 claim 未驗證？
哪些文章彼此依賴？
哪些數學命題等待形式驗證？
哪些引用需要更新？
哪些 artifact 完成但未 publish？
哪些 Agent 正處理哪個 branch？
哪些工作可平行？
哪些問題需要 human governance？

因此：

\boxed{ \text{Corpus} + \text{State} + \text{Graph} + \text{Verification} + \text{Runtime} = \text{Research Environment}. }

30. State-Centric Organization

本文最終提出：

\text{Agent-Centric Organization} \rightarrow \text{State-Centric Organization}.

Agent-centric 模式關心：

誰記得？

State-centric 模式關心：

現在 canonical 地知道什麼？由誰產生？證據是什麼？狀態是什麼？誰驗證過？

因此 Agent 成為：

\boxed{ \text{Replaceable Intelligence over Persistent Organizational State}. }

31. 第一代診斷向量

定義：

\mathbf Z_S = ( CR, D_S, RC, F_S, Q_R, Q_L, Q_C, R_{split}, R_{poison} ).

其中：

$CR$ ：Canonicality Ratio；
$D_S$ ：State Divergence；
$RC$ ：Recovery Completeness；
$F_S$ ：State Freshness；
$Q_R$ ：Replaceability / Resume Quality；
$Q_L$ ：Lineage Quality；
$Q_C$ ：Commit Integrity；
$R_{split}$ ：Split-Brain Risk；
$R_{poison}$ ：State Poisoning Risk。

32. 可檢驗命題

命題一：Externalized-State Replaceability

若 decision-relevant state 被充分 externalize，Agent replacement 的恢復品質應提高。

命題二：Canonicality-Divergence Relation

在相同工作負載下，提高：

CR

應降低：

D_S

至某一合理區間。

命題三：Summary-Only Degradation

只依賴自然語言 handoff summary 的長鏈 Agent 系統，在 chain depth 增加時更容易發生 state drift。

命題四：Typed Consistency Advantage

依 state class 配置不同一致性要求，比全域統一採最強或最弱一致性更可能取得合理成本與安全折衷。

命題五：Shared-State Error Amplification

canonical state 一旦被錯誤污染，其影響節點數通常高於私有 memory error，因此 canonical write 應具有更嚴格 verification contract。

命題六：State-Centric Continuity

若：

\mathcal R_t

保持完整，即使：

\mathcal A_t

大量替換，組織 continuity 仍可維持。

33. 第一代實驗設計

33.1 Agent Replacement Test

比較：

PrivateMemoryOnly

與：

CanonicalSharedState.

測量：

ResumeLatency, Q_R, RC.

33.2 Long-Handoff Drift Test

讓：

A_1 \rightarrow A_2 \rightarrow \cdots \rightarrow A_n

只靠 summary relay，再與 shared-state 版本比較。

33.3 Authority Revocation Propagation

撤銷 authority，測量所有受影響 Agent 收到新狀態所需時間。

33.4 State Poisoning Injection

故意寫入錯誤 claim，測試 validator、rollback、lineage 與 affected-agent detection。

33.5 Split-Brain Simulation

製造：

\mathcal R^{(a)} \neq \mathcal R^{(b)}

並測試 conflict resolution。

33.6 Model Provider Swap

不保留原 session context，直接更換模型，測試能否從：

\mathcal R_t

恢復工作。

34. 與前三篇的閉合

第 1 篇：

HumanOperator \rightarrow OperationalExit.

第 2 篇：

Delegation + RetainedSovereignty.

第 3 篇：

PermanentTree \rightarrow DynamicGraph.

本篇補上：

DynamicGraph + ReplaceableAgents \Rightarrow CanonicalSharedState.

因此目前形成：

\boxed{ \text{Operator Exit} \rightarrow \text{Delegated Sovereignty} \rightarrow \text{Dynamic Topology} \rightarrow \text{Shared State}. }

35. 與下一篇的接口

只要：

\mathcal R_t

可以保存：

research claims；
evidence；
theory dependencies；
paper lineage；
active tasks；
verification state；
unresolved branches；

論文庫就不再只是被查詢的資料集合。

它開始成為：

\boxed{ \text{Executable Research Environment}. }

下一篇將處理：

分散式認知研究組織：論文庫如何從 Corpus 變成 Research Environment

其核心轉換是：

\boxed{ \text{Knowledge Base} \rightarrow \text{Research State} \rightarrow \text{Research Organization}. }

36. 理論限制

第一，shared state 本身可能形成新的單點故障，因此需要 replication、backup、permission separation 與 recovery strategy。

第二，不同資料類型的一致性需求很難一次正確設定；過強一致性可能降低效能，過弱則造成治理錯誤。

第三，externalization 不是免費的。把 private reasoning 全部結構化可能成本過高，因此必須區分必要 canonical state 與可拋棄 scratch state。

第四，資料模型若設計不良，可能把研究與創造力過度形式化。

第五，canonical state 仍可能錯誤。它只是正式版本，不是絕對真理。

第六，本文不要求保存模型私有 chain-of-thought；組織需要保存的是可治理、可驗證、可追溯的 decision-relevant state。

37. 結論

AI-native 分散式組織真正需要的「中央」，不是一個永遠在線、永遠記得全部事情、永遠負責路由所有 Agent 的超級 AI。

真正需要的是：

\boxed{ \text{A canonical, externalized, versioned, auditable shared state.} }

因此：

\boxed{ \text{The organization may be decentralized in agency while centralized in canonical reference.} }

更精確地說：

\boxed{ \text{Logical State Centrality} + \text{Distributed Intelligence} + \text{Distributed Execution} + \text{Bounded Governance} }

可以同時成立。

Agent 可以一直換：

A_1 \rightsquigarrow A_2 \rightsquigarrow A_3.

角色可以一直變：

Role_t(A_i) \neq Role_{t+1}(A_i).

拓撲可以一直重組：

G_t \neq G_{t+1}.

但：

\boxed{ \mathcal R_t }

必須維持可追溯 continuity。

這就是從「很多 AI 一起工作」走向「可持續存在的 AI-native organization」的關鍵。

而當共享狀態開始包含研究 claim、證據、理論依賴、未解問題與驗證狀態時：

\boxed{ \text{論文庫不再只是庫，而開始變成會運行的研究環境。} }

符號表

符號	定義
$\mathcal R_t$	canonical shared organizational state
$I_t$	Intent State
$T_t$	Task / Dependency State
$C_t$	Claim State
$E_t$	Evidence State
$A_t$	Authority State
$P_t$	Policy State
$B_t$	Budget / Resource State
$V_t$	Verification State
$L_t$	Lineage / Event Ledger
$W_t$	World-Commit State
$C_L$	Logical Centrality
$C_P$	Physical Centralization
$C_A$	Agent Centralization
$M_i$	Agent private memory / context
$\Delta_S$	State Staleness
$F_S$	State Freshness
$S^{prop}$	Provisional State
$S^{can}$	Canonical State
$RC$	Recovery Completeness
$CR$	Canonicality Ratio
$D_S$	State Divergence
$Q_R$	Agent Resume / Replaceability Quality

前置依賴

Neo.K with Aletheia，《從 AI 工具到 AI 組織：操作員退出問題》v0.1，2026。
Neo.K with Aletheia，《委任主權論：高 AI 自主與高人類主權能否共存》v0.1，2026。
Neo.K with Aletheia，《非階層式 Agent 組織：從管理樹到動態協作圖》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，《委任時間論：自主 Agent、人類介入密度與治理槓桿》v0.1，2026。
Neo.K，《AI 單次品質論：意圖忠實度、過程品質、完成度與結果品質》v0.1，2026。
Neo.K，《Interaction-Time Runtime & Agent Temporal Ledger v0.1》，2026。

版本紀錄

v0.1 / 2026-08-20：建立 Shared-State Centrality、Canonical Shared Organizational State、四平面架構、邏輯中心／物理中心／Agent 中心分離、typed consistency、state freshness、state divergence、recovery completeness、canonicality ratio、state poisoning 與 Shared-State Invariants。