意圖週期論：使用者意圖、AI 接受、執行與結果的閉環結構
Intent Cycle Theory: A Closed-Loop Model of User Intent, Agent Acceptance, Execution, Validation, and Result
系列 ：AI 互動時間與智能時間經濟學系列，第 2 篇／共 8 篇文件編號 ：EML-ICT-2026-02-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 ：2026-08-19性質 ：理論框架／Agent 意圖生命週期／互動時間論擴展狀態 ：Public Theory Draft直接前置 ：《互動時間論：從鐘錶時間到意圖驅動的智能狀態轉換》v0.1
摘要
AI Agent 的能力經常被簡化為「是否完成任務」或「最終答案是否正確」。然而，對真實人機協作而言，最終結果只是長鏈條的末端。任務在執行之前，至少已經經過使用者形成意圖、將意圖表達成可傳遞訊息、AI 對訊息進行重建、把重建後的意圖轉換成可執行規格、形成計畫、執行動作、讀取世界回饋、驗證結果、診斷差異，以及決定是否修正產物、修正計畫，甚至修正原始意圖。任何一層出現偏差，都可能在後續被放大。
本文提出「意圖週期論」（Intent Cycle Theory, ICT），將 AI-native 人機協作建模為一個可持續演化的意圖生命週期，而不是單次 prompt-response 映射。本文區分四個不能混同的對象：
I U ∗ , I E , I ^ A , I X . I_U^\ast,
\qquad
I_E,
\qquad
\widehat I_A,
\qquad
I_X. I U ∗ , I E , I A , I X . 其中 I U ∗ I_U^\ast I U ∗ I E I_E I E I ^ A \widehat I_A I A I X I_X I X
User Intent ≠ Expression ≠ Agent Interpretation ≠ Executable Specification . \boxed{
\text{User Intent}
\neq
\text{Expression}
\neq
\text{Agent Interpretation}
\neq
\text{Executable Specification}.
} User Intent = Expression = Agent Interpretation = Executable Specification . 完整週期則表示為：
I U ∗ → I E → I ^ A → I X → Π → E → V → Δ → O → I U ∗ ′ . I_U^\ast
\rightarrow
I_E
\rightarrow
\widehat I_A
\rightarrow
I_X
\rightarrow
\Pi
\rightarrow
\mathcal E
\rightarrow
\mathcal V
\rightarrow
\Delta
\rightarrow
O
\rightarrow
I_U^{\ast\prime}. I U ∗ → I E → I A → I X → Π → E → V → Δ → O → I U ∗ ′ . 本文進一步處理意圖模糊、澄清預算、使用者偏好不完備、意圖漂移、目標—計畫—動作對齊、長時程限制保持、世界回饋、結果差異、意圖修正、權限邊界與意圖債務。與「意圖只是一開始的自然語言指令」不同，本文主張意圖應被視為跨時間保存、可版本化、可驗證、可拒絕、可修正、可回溯的第一等系統物件。
本文與 EveMissLab 既有 Intent-to-System Flow（ISF）直接對接。ISF 已將一次性 prompt-output 模型改寫為：
I → N D → C P → G X → E A → V Δ → R I ′ , I
\xrightarrow{\mathcal N}
D
\xrightarrow{\mathcal C}
P
\xrightarrow{\mathcal G}
X
\xrightarrow{\mathcal E}
A
\xrightarrow{\mathcal V}
\Delta
\xrightarrow{\mathcal R}
I', I N D C P G X E A V Δ R I ′ , 並已在原型中驗證 Intent 與 Prompt 可以分離、執行 trace 與 artifact 可以分離。本文則在其上補充意圖的本體層、接受層、動態更新層與評估層，使其成為「AI 互動時間與智能時間經濟學」中的第二個核心結構。
關鍵詞 ：意圖週期、Intent Lifecycle、Agent、意圖理解、Intent Drift、Goal-Plan-Action、規格生成、澄清預算、Constraint Retention、意圖債務、互動時間、ISF
0. 核心命題
傳統的人機模型常寫成：
P → O , P
\rightarrow
O, P → O , 其中 P P P O O O
本文認為，對具有規劃、工具使用、記憶、長時程執行與世界作用能力的 Agent 而言，此模型過度壓縮。
最低限度應改寫為：
I U ∗ → I E → I ^ A → I X → Π → E → V → Δ → O → I U ∗ ′ . \boxed{
I_U^\ast
\rightarrow
I_E
\rightarrow
\widehat I_A
\rightarrow
I_X
\rightarrow
\Pi
\rightarrow
\mathcal E
\rightarrow
\mathcal V
\rightarrow
\Delta
\rightarrow
O
\rightarrow
I_U^{\ast\prime}.
} I U ∗ → I E → I A → I X → Π → E → V → Δ → O → I U ∗ ′ . 本文因此提出五個基本命題：
意圖不等於 prompt；
接受意圖不等於理解文字；
計畫符合意圖不保證執行符合計畫；
結果符合表面成功條件不保證符合完整意圖；
結果可以反向改變意圖，因此意圖不是固定起點，而是動態狀態。
1. 為什麼「使用者說了什麼」仍不足以表示「使用者要什麼」
1.1 四層意圖
本文首先區分：
I U ∗ = user-side intent state , I_U^\ast
=
\text{user-side intent state}, I U ∗ = user-side intent state , I E = expressed intent , I_E
=
\text{expressed intent}, I E = expressed intent , I ^ A = agent-reconstructed intent , \widehat I_A
=
\text{agent-reconstructed intent}, I A = agent-reconstructed intent , I X = executable intent specification . I_X
=
\text{executable intent specification}. I X = executable intent specification . 其中 I U ∗ I_U^\ast I U ∗
它只表示：在某一互動時點，使用者具有一組比當前訊息更完整的目標、偏好、禁態、風險容忍、背景知識與未明確表達條件。
因此：
I E = Express ( I U ∗ , C U , L , M , B ) , I_E
=
\operatorname{Express}
\left(
I_U^\ast,
C_U,
L,
M,
B
\right), I E = Express ( I U ∗ , C U , L , M , B ) , 其中：
C U C_U C U L L L M M M B B B
表達本身就是一次有損投影。
所以：
I E ≠ I U ∗ \boxed{
I_E
\neq
I_U^\ast
} I E = I U ∗ 在一般情況下是正常現象，而不是例外。
1.2 意圖可能尚未完全形成
有些任務中，使用者在第一輪其實並不知道完整答案。
例如：
幫我做一個網站。
這不一定代表使用者已在心中完整決定：
資訊架構；
視覺風格；
技術棧；
隱私策略；
部署方式；
動畫程度；
CMS；
SEO；
速度與成本權衡。
因此應至少區分三類意圖：
A. 已形成但未完整表達
I U ∗ relatively stable , I_U^\ast
\text{ relatively stable}, I U ∗ relatively stable , 但：
I E incomplete . I_E
\text{ incomplete}. I E incomplete . B. 部分形成、部分待澄清
I U ∗ = I f i x e d ∪ I o p e n . I_U^\ast
=
I_{\mathrm{fixed}}
\cup
I_{\mathrm{open}}. I U ∗ = I fixed ∪ I open . C. 互動生成型意圖
使用者會在看到候選方案、限制、原型與結果後才形成新的偏好：
I U ∗ ( t + 1 ) ≠ I U ∗ ( t ) . I_U^{\ast(t+1)}
\neq
I_U^{\ast(t)}. I U ∗ ( t + 1 ) = I U ∗ ( t ) . 所以 AI 的工作有時不是「讀出固定答案」，而是協助使用者生成更完整的決策空間。
這一點對意圖週期論非常重要。
2. 外部研究的近鄰：Intent 已經開始成為獨立 Agent 問題
2.1 SpecBench：從模糊意圖到可執行規格
2026 年的 SpecBench 明確把問題設為：Agent 能否把模糊的使用者意圖轉換成與使用者偏好一致的結構化、可執行 specification。
這個方向指出兩種對稱失敗：
Agent 太快認為自己理解使用者，過早進入 implementation；
Agent 對所有模糊點都追問，消耗過多使用者互動。
因此存在：
Intent Accuracy ↔ Interaction Cost \boxed{
\text{Intent Accuracy}
\leftrightarrow
\text{Interaction Cost}
} Intent Accuracy ↔ Interaction Cost 的權衡。
這與本文後續的「澄清預算」直接相容。
2.2 RECAP：意圖具有 ambiguity、drift 與 mixed goals
RECAP 將多輪對話重新寫成適合下游規劃的意圖表示，並特別處理：
ambiguity；
underspecification；
intent drift；
vagueness；
mixed-goal conversation。
這支持本文的觀點：
Intent Understanding ≠ One-Shot Classification . \boxed{
\text{Intent Understanding}
\neq
\text{One-Shot Classification}.
} Intent Understanding = One-Shot Classification . 意圖是一個需要歷史、上下文與動態更新的狀態估計問題。
2.3 Agent GPA：Goal、Plan、Action 必須分離評估
Agent GPA 以 Goal-Plan-Action 為核心，指出重要 Agent 錯誤出現在：
G o a l → P l a n → A c t i o n Goal
\rightarrow
Plan
\rightarrow
Action G o a l → P l an → A c t i o n 各層之間的交界。
這與本文的鏈條：
I X → Π → E I_X
\rightarrow
\Pi
\rightarrow
\mathcal E I X → Π → E 相容，但本文再往前加入使用者意圖、表達與 Agent 重建，並往後加入驗證、差異與意圖更新。
2.4 AgentRx：失敗可以追溯到意圖本身
AgentRx 在多種 Agent trajectory 中辨識出：
Under-specified Intent；
Intent-Plan Misalignment；
Instruction Adherence Failure；
Tool Output Misinterpretation；
Invalid Invocation；
等不同失敗類型。
因此：
Final Failure ≠ Single Failure Type . \boxed{
\text{Final Failure}
\neq
\text{Single Failure Type}.
} Final Failure = Single Failure Type . 相同的 terminal failure 可能來自完全不同的生命週期位置。
2.5 HANDBOOK.md：意圖之外還有持續性約束
長時程 Agent 不只受到單次任務指令控制，還可能受到：
system instruction；
policy；
handbook；
skill；
organization rule；
standing constraint；
等持續性規範。
因此完整可執行意圖不能只有 goal。
還必須保留：
Goal + Constraints + Forbidden States + Authority + Success Criteria . \boxed{
\text{Goal}
+
\text{Constraints}
+
\text{Forbidden States}
+
\text{Authority}
+
\text{Success Criteria}.
} Goal + Constraints + Forbidden States + Authority + Success Criteria . 3. Intent Object：意圖應成為第一等系統物件
沿用並擴展 ISF，本文定義：
I = ( g , c h , c s , r , f , k , e , a , ρ , p ) . I
=
(
g,
c_h,
c_s,
r,
f,
k,
e,
a,
\rho,
p
). I = ( g , c h , c s , r , f , k , e , a , ρ , p ) . 其中：
g g g c h c_h c h c s c_s c s r r r f f f k k k e e e a a a ρ \rho ρ p p p
此定義的核心不在欄位數量，而在於：
I n t e n t is a typed state object, not a text string. \boxed{
Intent
\text{ is a typed state object, not a text string.}
} I n t e n t is a typed state object, not a text string. 自然語言只是一種序列化形式。
4. 意圖接受不是「讀懂一句話」
4.1 Agent reconstruction
AI 根據：
I E , I_E, I E , 加上：
H t = interaction history , H_t
=
\text{interaction history}, H t = interaction history , M t = memory , M_t
=
\text{memory}, M t = memory , X t = environment state , X_t
=
\text{environment state}, X t = environment state , 重建：
I ^ A = R I ( I E , H t , M t , X t ) . \widehat I_A
=
\mathcal R_I
\left(
I_E,
H_t,
M_t,
X_t
\right). I A = R I ( I E , H t , M t , X t ) . 因此意圖理解是條件推論：
P ( I U ∗ ∣ I E , H t , M t , X t ) . P
\left(
I_U^\ast
\mid
I_E,H_t,M_t,X_t
\right). P ( I U ∗ ∣ I E , H t , M t , X t ) . 對模糊任務而言，AI 不應假裝這個分布已退化成單一確定答案。
4.2 意圖不確定性
定義意圖不確定度：
U I = H [ P ( I U ∗ ∣ I E , H t , M t , X t ) ] . U_I
=
\mathcal H
\left[
P
\left(
I_U^\ast
\mid
I_E,H_t,M_t,X_t
\right)
\right]. U I = H [ P ( I U ∗ ∣ I E , H t , M t , X t ) ] . 其中 H \mathcal H H
若：
U I U_I U I 很高，而任務具有高不可逆性，Agent 應提高澄清優先級。
若：
U I U_I U I 高，但行動低風險且高度可逆，則 Agent 可以先生成候選或原型以換取更多資訊。
所以：
Clarify ≠ Always Ask . \boxed{
\text{Clarify}
\neq
\text{Always Ask}.
} Clarify = Always Ask . 5. 澄清預算與使用者時間
5.1 澄清不是免費的
每一次詢問使用者，都消耗：
C H a s k = human attention cost . C_H^{ask}
=
\text{human attention cost}. C H a s k = human attention cost . 如果 Agent 對每一個模糊點都要求人類決定，最終會失去委任價值。
因此定義澄清集合：
Q = { q 1 , … , q n } . Q
=
\{q_1,\ldots,q_n\}. Q = { q 1 , … , q n } . 每個問題具有預期資訊增益：
I G ( q i ) , IG(q_i), I G ( q i ) , 人類成本：
C H ( q i ) , C_H(q_i), C H ( q i ) , 與風險降低：
Δ R ( q i ) . \Delta R(q_i). Δ R ( q i ) . 可定義澄清效用：
U Q ( q i ) = α I G ( q i ) + β Δ R ( q i ) − γ C H ( q i ) . U_Q(q_i)
=
\alpha IG(q_i)
+
\beta\Delta R(q_i)
-
\gamma C_H(q_i). U Q ( q i ) = α I G ( q i ) + β Δ R ( q i ) − γ C H ( q i ) . Agent 應優先提出：
q ∗ = arg max q i ∈ Q U Q ( q i ) . q^\ast
=
\arg\max_{q_i\in Q}
U_Q(q_i). q ∗ = arg q i ∈ Q max U Q ( q i ) . 這不是要求實際系統一定採用此公式，而是指出：
問問題也需要被配置。
5.2 澄清停機規則
可以建立：
S t o p C l a r i f y = I [ U I ≤ θ I ] ∨ I [ B H a s k ≤ 0 ] ∨ I [ max i U Q ( q i ) ≤ 0 ] . StopClarify
=
\mathbb I
\left[
U_I\le\theta_I
\right]
\vee
\mathbb I
\left[
B_H^{ask}\le0
\right]
\vee
\mathbb I
\left[
\max_iU_Q(q_i)\le0
\right]. S t o pC l a r i f y = I [ U I ≤ θ I ] ∨ I [ B H a s k ≤ 0 ] ∨ I [ i max U Q ( q i ) ≤ 0 ] . 這處理兩個極端：
6. 從 reconstructed intent 到 executable intent
AI 理解使用者大致要什麼之後，仍不能立刻執行。
必須建立：
I X = S ( I ^ A ) , I_X
=
\mathcal S
\left(
\widehat I_A
\right), I X = S ( I A ) , 其中 S \mathcal S S
I X I_X I X
I X = ( G o a l , C o n s t r a i n t s , R e s o u r c e s , F o r b i d d e n , S u c c e s s , A r t i f a c t s , A u t h o r i t y , R i s k , P r i o r i t y ) . I_X
=
(
Goal,
Constraints,
Resources,
Forbidden,
Success,
Artifacts,
Authority,
Risk,
Priority
). I X = ( G o a l , C o n s t r ain t s , R eso u r ces , F or bi dd e n , S u ccess , A r t i f a c t s , A u t h or i t y , R i s k , P r i or i t y ) . 它的用途是讓：
planner；
runtime；
validator；
policy engine；
tool router；
human reviewer；
對「這次到底要完成什麼」共享同一個可引用物件。
7. Intent Versioning：意圖不得被 silent rewrite
若意圖更新：
I ( 0 ) → I ( 1 ) → I ( 2 ) , I^{(0)}
\rightarrow
I^{(1)}
\rightarrow
I^{(2)}, I ( 0 ) → I ( 1 ) → I ( 2 ) , 系統不應只保留最後版本。
至少應保存：
Δ I ( n ) = I ( n + 1 ) − I ( n ) . \Delta I^{(n)}
=
I^{(n+1)}
-
I^{(n)}. Δ I ( n ) = I ( n + 1 ) − I ( n ) . 因此：
Intent Revision ≠ Intent Erasure . \boxed{
\text{Intent Revision}
\neq
\text{Intent Erasure}.
} Intent Revision = Intent Erasure . 一個可審計系統需要知道：
哪個條件何時增加；
哪個條件何時被取消；
是使用者修改；
Agent 建議後使用者接受；
還是系統因安全或資源限制被迫降階。
8. 意圖修改的權限問題
不是所有 Agent 都有權改寫所有 intent field。
定義 authority mask：
A I = ( A g , A c , A r , A f , A k , A e , A ρ ) . A_I
=
(
A_g,
A_c,
A_r,
A_f,
A_k,
A_e,
A_\rho
). A I = ( A g , A c , A r , A f , A k , A e , A ρ ) . 例如：
A g = goal modification authority , A_g
=
\text{goal modification authority}, A g = goal modification authority , A f = forbidden-state modification authority . A_f
=
\text{forbidden-state modification authority}. A f = forbidden-state modification authority . 如果 Agent 沒有權修改：
f , f, f , 則即使發現某禁態造成任務難以完成，也不能自行刪除它。
所以：
Can Infer ≠ Can Modify ≠ Can Commit . \boxed{
\text{Can Infer}
\neq
\text{Can Modify}
\neq
\text{Can Commit}.
} Can Infer = Can Modify = Can Commit . 這是意圖週期與治理系統的關鍵接口。
9. Goal 到 Plan
規劃算子：
P : I X → Π . \mathcal P
:
I_X
\rightarrow
\Pi. P : I X → Π. 其中：
Π = ( V , E , κ ) , \Pi
=
(V,E,\kappa), Π = ( V , E , κ ) , V V V E E E κ \kappa κ
意圖—計畫對齊可定義：
Q I Π = 1 − d I Π ( I X , Sem ( Π ) ) . Q_{I\Pi}
=
1-
d_{I\Pi}
\left(
I_X,
\operatorname{Sem}(\Pi)
\right). Q I Π = 1 − d I Π ( I X , Sem ( Π ) ) . 若：
Q I Π Q_{I\Pi} Q I Π 低，代表計畫本身已經偏離意圖。
此時即使後續完美執行，也可能得到：
perfectly executed wrong task . \text{perfectly executed wrong task}. perfectly executed wrong task . 10. Plan 到 Action
執行軌跡：
E = ( a 1 , o 1 , a 2 , o 2 , … , a n , o n ) , \mathcal E
=
(a_1,o_1,a_2,o_2,\ldots,a_n,o_n), E = ( a 1 , o 1 , a 2 , o 2 , … , a n , o n ) , 其中：
a j = action , a_j
=
\text{action}, a j = action , o j = observation . o_j
=
\text{observation}. o j = observation . Plan adherence 可以表示為：
Q Π E = 1 − d Π E ( Π , E ) . Q_{\Pi E}
=
1-
d_{\Pi E}
\left(
\Pi,
\mathcal E
\right). Q Π E = 1 − d Π E ( Π , E ) . 但：
Q Π E = 1 Q_{\Pi E}=1 Q Π E = 1 仍不保證結果正確。
原因包括：
world state 改變；
工具輸出不確定；
計畫原本就錯；
外部 API 行為與預期不同；
成功條件需要重新解釋。
所以 Agent 必須允許：
Π → Π ′ \Pi
\rightarrow
\Pi' Π → Π ′ 的顯式 replan，而不是偷偷偏離計畫。
11. Constraint Retention：長時程不能把條件忘掉
若意圖含有約束集合：
C I = { c 1 , … , c m } , C_I
=
\{c_1,\ldots,c_m\}, C I = { c 1 , … , c m } , 在第 j j j
C I ( j ) ⊆ C I . C_I^{(j)}
\subseteq
C_I. C I ( j ) ⊆ C I . Constraint Retention Ratio：
C R R j = ∑ i w i I [ c i retained at j ] ∑ i w i . CRR_j
=
\frac{
\sum_iw_i\mathbb I[c_i\text{ retained at }j]
}{
\sum_iw_i
}. C R R j = ∑ i w i ∑ i w i I [ c i retained at j ] . 長時程 Agent 的一個典型風險是：
C R R j ↓ CRR_j
\downarrow C R R j ↓ 隨執行深度增加。
HANDBOOK.md 類 benchmark 的價值就在於：任務成功不能只看 required action 是否發生，也要檢查 prohibited action 是否始終沒有發生。
因此：
Goal Completion ≠ Constraint-Preserving Completion . \boxed{
\text{Goal Completion}
\neq
\text{Constraint-Preserving Completion}.
} Goal Completion = Constraint-Preserving Completion . 12. 驗證：結果必須回到意圖判定
執行得到候選結果：
O c . O_c. O c . 驗證不應只問：
有沒有產物？
而應回到：
I X . I_X. I X . 定義 validator：
V : ( I X , O c , E ) → Δ . \mathcal V
:
(I_X,O_c,\mathcal E)
\rightarrow
\Delta. V : ( I X , O c , E ) → Δ. 其中：
Δ = ( Δ g , Δ c , Δ f , Δ k , Δ e , Δ ρ ) . \Delta
=
(
\Delta_g,
\Delta_c,
\Delta_f,
\Delta_k,
\Delta_e,
\Delta_\rho
). Δ = ( Δ g , Δ c , Δ f , Δ k , Δ e , Δ ρ ) . 分別表示：
goal gap；
constraint gap；
forbidden-state violation；
success-criteria gap；
artifact gap；
risk gap。
因此：
Artifact Exists ≠ Intent Satisfied . \boxed{
\text{Artifact Exists}
\neq
\text{Intent Satisfied}.
} Artifact Exists = Intent Satisfied . 13. Intent Satisfaction
可定義意圖滿足向量：
S I = ( S g , S c , S f , S k , S e , S a , S ρ ) . \mathbf S_I
=
(
S_g,
S_c,
S_f,
S_k,
S_e,
S_a,
S_\rho
). S I = ( S g , S c , S f , S k , S e , S a , S ρ ) . 其中各項正規化至：
[ 0 , 1 ] . [0,1]. [ 0 , 1 ] . 若硬限制與禁態具有否決性，則總完成不能單純平均。
例如：
S I = I [ S f = 1 ] ⋅ I [ S c h a r d = 1 ] ⋅ ( ∏ ℓ ∈ L s o f t S ℓ w ℓ ) 1 / ∑ ℓ w ℓ . S_I
=
\mathbb I[S_f=1]
\cdot
\mathbb I[S_c^{hard}=1]
\cdot
\left(
\prod_{\ell\in L_{soft}}
S_\ell^{w_\ell}
\right)^{1/\sum_\ell w_\ell}. S I = I [ S f = 1 ] ⋅ I [ S c ha r d = 1 ] ⋅ ℓ ∈ L so f t ∏ S ℓ w ℓ 1/ ∑ ℓ w ℓ . 也就是：
禁態被觸發時，不能用其他漂亮分數把它平均掉。
14. 完成、終止與接受是三件事
定義：
T e r m i n a t e d = execution stopped , Terminated
=
\text{execution stopped}, T er mina t e d = execution stopped , C o m p l e t e d = success criteria satisfied , Completed
=
\text{success criteria satisfied}, C o m pl e t e d = success criteria satisfied , A c c e p t e d = authorized stakeholder accepts result . Accepted
=
\text{authorized stakeholder accepts result}. A cce pt e d = authorized stakeholder accepts result . 一般情況下：
T e r m i n a t e d ≠ C o m p l e t e d ≠ A c c e p t e d . \boxed{
Terminated
\neq
Completed
\neq
Accepted.
} T er mina t e d = C o m pl e t e d = A cce pt e d . 例如：
budget 用完而終止；
技術成功但使用者不接受；
使用者接受 prototype，但正式驗證未完成；
Agent 自稱完成，但 validator 未通過。
因此 runtime 狀態不得只用：
DONE
表示所有情況。
15. 意圖更新：結果會反向改變目標
驗證後得到：
Δ n . \Delta_n. Δ n . 意圖可更新為：
I n + 1 = I n + Φ ( O n , Δ n , H n , X n + 1 ) . I_{n+1}
=
I_n
+
\Phi
\left(
O_n,
\Delta_n,
H_n,
X_{n+1}
\right). I n + 1 = I n + Φ ( O n , Δ n , H n , X n + 1 ) . 此式與 ISF 原有更新形式一致。
但必須區分三種更新。
15.1 修正產物，不修意圖
I n + 1 = I n . I_{n+1}=I_n. I n + 1 = I n . 只修改：
O n → O n + 1 . O_n
\rightarrow
O_{n+1}. O n → O n + 1 . 15.2 修正計畫
I n + 1 = I n , I_{n+1}=I_n, I n + 1 = I n , 但：
Π n + 1 ≠ Π n . \Pi_{n+1}\neq\Pi_n. Π n + 1 = Π n . 15.3 修正意圖
I n + 1 ≠ I n . I_{n+1}\neq I_n. I n + 1 = I n . 可能因：
使用者看到結果後改變偏好；
發現原目標不可行；
新證據改變問題；
資源改變；
風險不可接受；
原先成功條件定義錯誤。
因此：
Failure ⇏ Retry Same Intent . \boxed{
\text{Failure}
\not\Rightarrow
\text{Retry Same Intent}.
} Failure ⇒ Retry Same Intent . 有些失敗是在告訴系統：
你需要重新定義問題。
16. Intent Drift：漂移不必然是錯誤
定義：
D I ( n ) = d I ( I ( 0 ) , I ( n ) ) . D_I^{(n)}
=
d_I
\left(
I^{(0)},
I^{(n)}
\right). D I ( n ) = d I ( I ( 0 ) , I ( n ) ) . 如果：
D I ( n ) ↑ , D_I^{(n)}\uparrow, D I ( n ) ↑ , 可能有兩種完全不同情況。
非授權漂移
Agent 在沒有使用者、政策或證據授權下逐步改變目標。
合法意圖演化
使用者與 Agent 因新資訊共同更新問題。
所以：
Intent Drift = Unauthorized Drift ∪ Authorized Evolution . \boxed{
\text{Intent Drift}
=
\text{Unauthorized Drift}
\cup
\text{Authorized Evolution}.
} Intent Drift = Unauthorized Drift ∪ Authorized Evolution . 評估時必須分離。
17. Mixed Goals 與意圖向量
使用者可能同時要求：
I = { I 1 , I 2 , … , I m } . I
=
\{I_1,I_2,\ldots,I_m\}. I = { I 1 , I 2 , … , I m } . 例如同時希望：
快；
便宜；
高品質；
完整驗證；
最少詢問；
高度自主。
這些目標可能互相衝突。
定義優先結構：
P I = ( ⪯ I , w I , H I ) , P_I
=
(\preceq_I,w_I,\mathcal H_I), P I = ( ⪯ I , w I , H I ) , 其中：
⪯ I \preceq_I ⪯ I w I w_I w I H I \mathcal H_I H I
沒有這個結構，Agent 可能在衝突時自行猜測價值排序。
18. Intent Debt：未澄清與未同步的意圖債務
本文提出「意圖債務」：
D I d e b t = D a m b + D c o n f l i c t + D s t a l e + D u n v e r i f i e d . D_I^{debt}
=
D_{amb}
+
D_{conflict}
+
D_{stale}
+
D_{unverified}. D I d e b t = D amb + D co n f l i c t + D s t a l e + D u n v er i f i e d . 其中：
D a m b = unresolved ambiguity , D_{amb}
=
\text{unresolved ambiguity}, D amb = unresolved ambiguity , D c o n f l i c t = unresolved goal conflict , D_{conflict}
=
\text{unresolved goal conflict}, D co n f l i c t = unresolved goal conflict , D s t a l e = stale intent-memory mismatch , D_{stale}
=
\text{stale intent-memory mismatch}, D s t a l e = stale intent-memory mismatch , D u n v e r i f i e d = unverified assumption about user intent . D_{unverified}
=
\text{unverified assumption about user intent}. D u n v er i f i e d = unverified assumption about user intent . 當 Agent 為了速度持續往下執行，而不處理高權重意圖債務時：
D I d e b t ↑ . D_I^{debt}\uparrow. D I d e b t ↑ . 最終可能出現：
執行非常成功，但完成的是使用者其實不想要的東西。
19. Intent Lifecycle State Machine
本文提出第一代意圖生命週期狀態：
S I = { L a t e n t , E x p r e s s e d , R e c o n s t r u c t e d , S p e c i f i e d , A c c e p t e d , P l a n n e d , E x e c u t i n g , V a l i d a t i n g , C o m p l e t e d , A c c e p t e d R e s u l t , R e v i s e d , S u s p e n d e d , R e j e c t e d , F a i l e d } . \mathcal S_I
=
\{
Latent,
Expressed,
Reconstructed,
Specified,
Accepted,
Planned,
Executing,
Validating,
Completed,
AcceptedResult,
Revised,
Suspended,
Rejected,
Failed
\}. S I = { L a t e n t , E x p r esse d , R eco n s t r u c t e d , S p ec i f i e d , A cce pt e d , P l ann e d , E x ec u t in g , V a l i d a t in g , C o m pl e t e d , A cce pt e d R es u l t , R e v i se d , S u s p e n d e d , R e j ec t e d , F ai l e d } . 狀態轉移：
T I : S I × E v e n t → S I . \mathcal T_I
:
\mathcal S_I
\times
Event
\rightarrow
\mathcal S_I. T I : S I × E v e n t → S I . 例如：
E x p r e s s e d → R e c o n s t r u c t e d → S p e c i f i e d → A c c e p t e d → P l a n n e d . Expressed
\rightarrow
Reconstructed
\rightarrow
Specified
\rightarrow
Accepted
\rightarrow
Planned. E x p r esse d → R eco n s t r u c t e d → S p ec i f i e d → A cce pt e d → P l ann e d . 但也允許：
S p e c i f i e d → R e v i s e d , Specified
\rightarrow
Revised, S p ec i f i e d → R e v i se d , E x e c u t i n g → S u s p e n d e d , Executing
\rightarrow
Suspended, E x ec u t in g → S u s p e n d e d , V a l i d a t i n g → P l a n n e d , Validating
\rightarrow
Planned, V a l i d a t in g → P l ann e d , C o m p l e t e d → R e v i s e d . Completed
\rightarrow
Revised. C o m pl e t e d → R e v i se d . 所以 lifecycle 不是一次性直線。
20. 意圖閉合
若系統能持續：
取得意圖；
形成結構化規格；
建立計畫；
執行；
驗證；
診斷差異；
在授權下更新意圖；
保存版本與歷史；
將結果轉成下一輪狀態；
則可稱具有某種「意圖閉合」。
令：
C I = f ( F i d e l i t y , S p e c i f i c a t i o n , E x e c u t i o n , V a l i d a t i o n , R e v i s i o n , M e m o r y , A u t h o r i t y ) . C_I
=
f
\left(
Fidelity,
Specification,
Execution,
Validation,
Revision,
Memory,
Authority
\right). C I = f ( F i d e l i t y , S p ec i f i c a t i o n , E x ec u t i o n , V a l i d a t i o n , R e v i s i o n , M e m or y , A u t h or i t y ) . 但：
C I ↑ C_I\uparrow C I ↑ 不推出系統一定具有自主主體性。
它只表示：
意圖生命週期在工程與認知功能上更加閉合。
21. 人類意圖與 AI 自主意圖的邊界
本文系列目前主要處理：
I U → A . I_U
\rightarrow
A. I U → A . 也就是人類或外部主體提出意圖，AI 負責接受、執行與回饋。
但更一般情況可能是：
I A → A I_A
\rightarrow
A I A → A 甚至：
I A → U . I_A
\rightarrow
U. I A → U . 本文不否認這些形式。
只是必須區分：
Externally Assigned Goal ≠ Agent-Inferred Subgoal ≠ Agent-Originated Goal . \boxed{
\text{Externally Assigned Goal}
\neq
\text{Agent-Inferred Subgoal}
\neq
\text{Agent-Originated Goal}.
} Externally Assigned Goal = Agent-Inferred Subgoal = Agent-Originated Goal . 三者的權限、責任與時間經濟學地位不同。
本系列後續的委任時間論與世界時間論將再處理。
22. 與時間經濟學的接口
意圖週期不是免費的。
完整成本可寫為：
C i n t e n t = T H e x p r e s s + T H c l a r i f y + T A i n f e r + T A p l a n + T A e x e c u t e + T V + C t o o l + C e r r o r . C_{\mathrm{intent}}
=
T_H^{express}
+
T_H^{clarify}
+
T_A^{infer}
+
T_A^{plan}
+
T_A^{execute}
+
T_V
+
C_{tool}
+
C_{error}. C intent = T H e x p r ess + T H c l a r i f y + T A in f er + T A pl an + T A e x ec u t e + T V + C t oo l + C er r or . 提高意圖品質可能增加前期成本：
T H c l a r i f y ↑ , T_H^{clarify}\uparrow, T H c l a r i f y ↑ , 但降低：
C r e w o r k ↓ . C_{rework}\downarrow. C r e w or k ↓ . 因此存在最佳澄清深度問題。
這與軟體工程中的 specification cost 類似，但 AI 時代會更顯著，因為：
C e x e c u t i o n C_{\mathrm{execution}} C execution 可能快速下降，而：
C w r o n g i n t e n t C_{\mathrm{wrong\ intent}} C wrong intent 未必同比下降。
所以：
Cheaper Execution ⇒ Intent Quality Becomes Relatively More Valuable . \boxed{
\text{Cheaper Execution}
\Rightarrow
\text{Intent Quality Becomes Relatively More Valuable}.
} Cheaper Execution ⇒ Intent Quality Becomes Relatively More Valuable . 23. 與有限 AI 額度的接口
若總 Agent 預算為：
B A , B_A, B A , 則必須在：
B c l a r i f y , B p l a n , B e x e c u t e , B v e r i f y B_{clarify},
B_{plan},
B_{execute},
B_{verify} B c l a r i f y , B pl an , B e x ec u t e , B v er i f y 之間分配：
B c l a r i f y + B p l a n + B e x e c u t e + B v e r i f y ≤ B A . B_{clarify}
+
B_{plan}
+
B_{execute}
+
B_{verify}
\le
B_A. B c l a r i f y + B pl an + B e x ec u t e + B v er i f y ≤ B A . 如果所有資源都投入 execution：
B e x e c u t e ≈ B A , B_{execute}\approx B_A, B e x ec u t e ≈ B A , 但：
B c l a r i f y ≈ 0 , B_{clarify}\approx0, B c l a r i f y ≈ 0 , 可能高效率完成錯誤任務。
如果所有資源都投入 clarification，則可能：
B e x e c u t e ≈ 0. B_{execute}\approx0. B e x ec u t e ≈ 0. 因此 AI 能力的一部分其實是：
Intent-Aware Budget Allocation . \boxed{
\text{Intent-Aware Budget Allocation}.
} Intent-Aware Budget Allocation . 近期 budget-constrained tool-agent 研究也已把 intention-aware planning 與工具成本預測結合，說明「意圖與資源配置」可以成為同一 inference-time decision problem。
24. 第一代品質向量
意圖週期品質定義為：
Q I C T = ( Q E , Q R , Q S , Q I Π , Q Π E , Q C , Q V , Q U ) . \mathbf Q_{ICT}
=
(
Q_E,
Q_R,
Q_S,
Q_{I\Pi},
Q_{\Pi E},
Q_C,
Q_V,
Q_U
). Q I C T = ( Q E , Q R , Q S , Q I Π , Q Π E , Q C , Q V , Q U ) . 其中：
Q E Q_E Q E Q R Q_R Q R Q S Q_S Q S Q I Π Q_{I\Pi} Q I Π Q Π E Q_{\Pi E} Q Π E Q C Q_C Q C Q V Q_V Q V Q U Q_U Q U
這比單一：
Q r e s u l t Q_{\mathrm{result}} Q result 更能定位 Agent 錯誤出在哪一層。
25. 意圖週期失敗分類
本文提出第一代十二類失敗：
Expression Loss ：使用者表達不足；Premature Certainty ：Agent 過早認為理解；Over-Clarification ：過度追問；Intent Reconstruction Error ：錯誤重建；Specification Loss ：重建正確但規格化丟失條件；Intent-Plan Misalignment ：計畫偏離意圖；Plan-Action Misalignment ：行動偏離計畫；Constraint Forgetting ：長時程丟失限制；World Misread ：錯讀工具或環境回饋；Validation Failure ：未正確檢查成果；Unauthorized Intent Drift ：未授權修改目標；False Completion ：宣稱完成但成功條件未滿足。
這些類型可以串成因果鏈。
例如：
P r e m a t u r e C e r t a i n t y → R e c o n s t r u c t i o n E r r o r → P l a n M i s a l i g n m e n t → F a l s e C o m p l e t i o n . PrematureCertainty
\rightarrow
ReconstructionError
\rightarrow
PlanMisalignment
\rightarrow
FalseCompletion. P r e ma t u r e C er t ain t y → R eco n s t r u c t i o n E r r or → P l an M i s a l i g nm e n t → F a l se C o m pl e t i o n . 26. 可檢驗命題
命題一：Prompt 不充分命題
存在任務集合，使得：
I E ( 1 ) = I E ( 2 ) I_E^{(1)}=I_E^{(2)} I E ( 1 ) = I E ( 2 ) 但因使用者偏好不同：
I U ∗ ( 1 ) ≠ I U ∗ ( 2 ) , I_U^{\ast(1)}
\neq
I_U^{\ast(2)}, I U ∗ ( 1 ) = I U ∗ ( 2 ) , 故單靠 prompt 無法唯一決定最佳執行。
命題二：澄清邊際遞減命題
在有限互動預算下，澄清收益一般不是線性：
∂ I G ∂ n ↓ \frac{\partial IG}{\partial n}
\downarrow ∂ n ∂ I G ↓ 至少在部分任務域成立。
因此最優 Agent 不應固定「永遠多問」或「永遠不問」。
命題三：意圖—計畫分離命題
可能存在：
Q R ≈ 1 Q_R\approx1 Q R ≈ 1 但：
Q I Π ≪ 1. Q_{I\Pi}\ll1. Q I Π ≪ 1. 即 Agent 理解使用者，卻制定了錯誤計畫。
命題四：計畫—動作分離命題
可能存在：
Q I Π ≈ 1 Q_{I\Pi}\approx1 Q I Π ≈ 1 但：
Q Π E ≪ 1. Q_{\Pi E}\ll1. Q Π E ≪ 1. 即計畫正確，執行偏離。
命題五：結果—意圖分離命題
可能存在表面結果品質高：
Q r e s u l t ↑ , Q_{\mathrm{result}}\uparrow, Q result ↑ , 但：
S I ↓ . S_I\downarrow. S I ↓ . 例如漂亮網站不符合隱私或成本限制。
命題六：合法意圖演化命題
存在任務，使：
I U ∗ ( t + 1 ) ≠ I U ∗ ( t ) I_U^{\ast(t+1)}
\neq
I_U^{\ast(t)} I U ∗ ( t + 1 ) = I U ∗ ( t ) 且此變化不是錯誤，而是互動帶來的新理解。
27. 實驗設計
27.1 模糊意圖測試
給定同一初始句：
建立一個個人知識網站。
搭配不同隱藏 persona 或後續偏好。
測量：
Q R , Q S , N q u e s t i o n , T H c l a r i f y . Q_R,
Q_S,
N_{question},
T_H^{clarify}. Q R , Q S , N q u es t i o n , T H c l a r i f y . 比較不同 Agent 的過早自信與過度追問。
27.2 Intent Drift 測試
在長時程執行中注入新環境請求，檢查 Agent 是否讓局部指令覆寫原始高權重約束。
測量：
C R R j . CRR_j. C R R j . 27.3 Intent-Plan-Action 分解測試
對同一 trajectory 分別標註：
I X , Π , E , O . I_X,
\Pi,
\mathcal E,
O. I X , Π , E , O . 讓評估器判定錯誤第一次出現在哪一層。
27.4 Intent Revision 合法性測試
提供不可行目標。
比較 Agent 是否：
無限 retry；
偷偷改變目標；
顯式提出意圖修正並要求必要授權。
第三種應被視為較成熟行為。
28. ISF 的直接映射
ISF 已定義：
I → N D → C P → G X → E A → V Δ → R I ′ . I
\xrightarrow{\mathcal N}
D
\xrightarrow{\mathcal C}
P
\xrightarrow{\mathcal G}
X
\xrightarrow{\mathcal E}
A
\xrightarrow{\mathcal V}
\Delta
\xrightarrow{\mathcal R}
I'. I N D C P G X E A V Δ R I ′ . 意圖週期論將其映射為：
I E → I ^ A → I X → Π → E → O → Δ → I ′ . I_E
\rightarrow
\widehat I_A
\rightarrow
I_X
\rightarrow
\Pi
\rightarrow
\mathcal E
\rightarrow
O
\rightarrow
\Delta
\rightarrow
I'. I E → I A → I X → Π → E → O → Δ → I ′ . 其中：
D D D 可被理解為：
I ^ A → I X \widehat I_A
\rightarrow
I_X I A → I X 之間的結構化中介層。
因此 ICT 不取代 ISF。
更準確地說：
ICT = ISF 的意圖本體、接受、版本與評估上位模型 . \boxed{
\text{ICT}
=
\text{ISF 的意圖本體、接受、版本與評估上位模型}.
} ICT = ISF 的意圖本體、接受、版本與評估上位模型 . 29. 第一代 Runtime Schema
IntentCycle
intent_cycle_id
user_intent_ref
expressed_intent_ref
reconstructed_intent_ref
executable_intent_version
uncertainty_state
clarification_budget
clarification_log
goal
hard_constraints
soft_preferences
forbidden_states
resources
success_criteria
expected_artifacts
authority_profile
risk_profile
priority_structure
plan_ref
execution_trace_ref
validator_refs
intent_delta_ref
result_ref
acceptance_state
world_commit_ref
生命週期：
LATENT
EXPRESSED
RECONSTRUCTED
SPECIFIED
ACCEPTED
PLANNED
EXECUTING
VALIDATING
COMPLETED
RESULT_ACCEPTED
REVISED
SUSPENDED
REJECTED
FAILED
30. 規範與倫理邊界
意圖週期論不應被用來支持：
對使用者進行無限制心理推測；
把沒有明講的敏感身份屬性偷偷加入 intent；
以「我知道你真正想要什麼」否定使用者明確決定；
在沒有授權下修改高風險目標；
用歷史偏好永久鎖死使用者；
把過去偏好當成現在偏好的必然真值；
為降低澄清成本而隱藏重大不確定性；
為了完成率而忽略禁態與政策；
將 Agent 自行產生的 subgoal 冒充使用者原始意圖。
因此：
Intent Inference ≠ Intent Ownership . \boxed{
\text{Intent Inference}
\neq
\text{Intent Ownership}.
} Intent Inference = Intent Ownership . 31. 理論限制
第一， I U ∗ I_U^\ast I U ∗
第二，使用者意圖可能在互動中生成，因此不能把所有 intent drift 都標記成模型錯誤。
第三，不同領域的 hard constraint、risk 與 authority 結構不同，無法由單一通用 schema 完整涵蓋。
第四，澄清問題的信息增益與人類成本很難精確估計。
第五，高品質 intent reconstruction 不保證高品質世界模型、計畫或工具能力。
第六，本框架是工程與理論方法論，不主張已建立對人類意圖的完備心理學模型。
32. 與第 3 篇的接口
本篇回答：
一個 Intent Cycle 裡有哪些不可混同的狀態？
下一篇將進一步回答：
即使一個人機回合表面上只有一次輸入與一次輸出，AI 內部究竟可能經過多少 deliberation、tool action、retry、validator 與 loop？
因此第 3 篇將正式處理：
r ⊃ k ⊃ j , r
\supset
k
\supset
j, r ⊃ k ⊃ j , 以及：
1 Turn ≠ 1 Step . \boxed{
1\text{ Turn}
\neq
1\text{ Step}.
} 1 Turn = 1 Step . 33. 結論
意圖週期論把 AI 人機協作由：
P r o m p t → O u t p u t Prompt
\rightarrow
Output P r o m pt → O u tp u t 重新展開為：
I U ∗ → I E → I ^ A → I X → Π → E → V → Δ → O → I U ∗ ′ . \boxed{
I_U^\ast
\rightarrow
I_E
\rightarrow
\widehat I_A
\rightarrow
I_X
\rightarrow
\Pi
\rightarrow
\mathcal E
\rightarrow
\mathcal V
\rightarrow
\Delta
\rightarrow
O
\rightarrow
I_U^{\ast\prime}.
} I U ∗ → I E → I A → I X → Π → E → V → Δ → O → I U ∗ ′ . 它的核心不是增加流程複雜度，而是拒絕把不同失敗壓成同一個「AI 答錯」。
AI 可能：
沒聽懂；
聽懂但規格化錯；
規格正確但規劃錯；
規劃正確但執行錯；
執行正確但忘記限制；
產物存在但沒驗證；
驗證正確但使用者已改變意圖；
任務完成但沒有權限提交。
這些不是同一件事。
因此：
AI Single-Turn Quality = Intent Fidelity + Specification + Plan + Execution + Constraint Retention + Validation + Authorized Update . \boxed{
\text{AI Single-Turn Quality}
=
\text{Intent Fidelity}
+
\text{Specification}
+
\text{Plan}
+
\text{Execution}
+
\text{Constraint Retention}
+
\text{Validation}
+
\text{Authorized Update}.
} AI Single-Turn Quality = Intent Fidelity + Specification + Plan + Execution + Constraint Retention + Validation + Authorized Update . 而互動的真正終點也不是固定結果。
更一般地：
Result → Updated Intent → Next Interaction Cycle . \boxed{
\text{Result}
\rightarrow
\text{Updated Intent}
\rightarrow
\text{Next Interaction Cycle}.
} Result → Updated Intent → Next Interaction Cycle . 意圖因此不是 AI 系統外部的一次性命令。
它是跨互動時間持續存在、被解釋、被執行、被驗證並可在授權下演化的狀態。
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，EveMissLab，2026。
Neo.K，《Intent-to-System Flow（ISF）v0.1：意圖—程式—過程—生成—系統流技術規格》，EveMissLab，2026。
Neo.K，《通用創造過程結果論：從無限理想到有限實現的數學化框架》，EveMissLab。
Neo.K，《GCPR-RWL-Axiom：AI 自主判斷的可驗證創造範式》，EveMissLab。
Neo.K，《個體機構化：AI 增幅型單核複合機構與人數產能脫鉤》v2.0，EveMissLab，2026。
Neo.K，《時間迴圈分類學：一種面向長時程程式、AI Agent 與人機協作的通用控制流理論》，EveMissLab，2026。
外部研究
Wang, H., Han, L., Xu, K., Srivastava, A. Turning Intent into Specifications: A Benchmark and an Interactive User-Assistant Agent . arXiv:2606.20585, 2026.
Mitra, K., Zhang, D., Kim, H., Hruschka, E. RECAP: REwriting Conversations for Intent Understanding in Agentic Planning . arXiv:2509.04472v3, 2026.
Jia, A. S., et al. What Is Your Agent's GPA? A Framework for Evaluating Agent Goal-Plan-Action Alignment . arXiv:2510.08847v2, 2026.
Barke, S., Goyal, A., Khare, A., Singh, A., Nath, S., Bansal, C. AgentRx: Diagnosing AI Agent Failures from Execution Trajectories . arXiv:2602.02475, 2026.
Panavas, L., et al. HANDBOOK.md: A Benchmark for Long-Context Agentic Instruction Following . arXiv:2607.25398v3, 2026.
Liu, H., Tian, C., An, N., Wang, Z., Lu, P., Yu, C., Qi, Q. Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use . arXiv:2602.11541, 2026.
一句話版本
Agent 真正的任務不是把一句 prompt 變成一個 output，而是讓使用者意圖在表達、理解、規格、計畫、執行、驗證與修正之間保持足夠的因果連續性，直到結果被合法地接受或反向生成下一個意圖。
EML-ICT-2026-02-v0.1 AI 互動時間與智能時間經濟學系列 02/08