← Archive
lm-003810 · 2026-09

FCAO 部署能力差距：從分形式多智能體理論到最小有效智能體拓樸

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
📎 附件 · Companion files — 隨文交付的程式 / 證明 / 資料，可獨立下載重驗

FCAO 部署能力差距：從分形式多智能體理論到最小有效智能體拓樸

The Deployment Capability Gap of FCAO: From Fractal Multi-Agent Theory to Minimal Effective Agent Topologies

系列： FCAO / Fractal Conversational Agent Organization
文件編號： EML-FCAO-2026-03-v0.1
文件類型： Theory Boundary / Deployment Readiness / Empirical Correction Paper
作者： Neo.K
協作： AI Research Assistant
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-08-25
狀態： Research Draft / Public-Release Candidate
直接前置：

  • EML-FCAO-2026-00-v0.1 — FCAO Foundation / Integration Paper
  • EML-FCAO-2026-01-v0.1 — Twin-Agent Governance
  • EML-FCAO-2026-02-v0.1 — Temporal-Topological Computation
  • EML-FCAO-RA-2026-v0.1 — FCAO Twin-Core Reference Architecture
  • FCAO + APR Operational Experiment 01
  • Recent operator-observed native subagent-driven development cases

公開隱私規則： 本文不保留任何 AI 個體名稱。所有 AI 一律以 Primary AI、Twin AI、Implementation Agent、Reviewer、Experience Agent、Child Agent 等角色表示。原始 evidence 可在私有研究封存中保留，但公開文本不得反推出 AI 個體名稱。

摘要

FCAO 的前三篇理論文提出：一段 Conversation 可以形成 temporary local computational world；Primary AI 可以在其中建立 Named Ephemeral Agents、遞歸委任、task / verification topology、Primary–Twin 雙核心治理與 dynamic repartition。這些命題描述的是一個可擴張的 agentic organization architecture，而不是對特定年代模型與 runtime 的部署保證。

2026 年的初步實作與操作紀錄顯示，這個區分必須被明確寫入 FCAO 系列。高密度 child-agent fan-out 在當前條件下可能帶來實質可靠性收益，例如獨立 reviewer 可以發現局部實作者未察覺的 security、lifecycle、mapping、receipt 或 packaging 問題；但同時也反覆出現 context projection loss、temporal desynchronization、state synchronization gap、verification amplification、integration overhead 與 compute misallocation。結果可能形成：

Nagents↑∧Q↑∧Twall↑↑∧Ccompute↑↑,N_{\mathrm{agents}}\uparrow \quad\land\quad Q\uparrow \quad\land\quad T_{\mathrm{wall}}\uparrow\uparrow \quad\land\quad C_{\mathrm{compute}}\uparrow\uparrow,

其中品質改善並不足以在所有任務上抵銷時間與計算成本。

與此相對，FCAO + APR 的一個 operational experiment 在 Single topology、0 child / subagent 條件下完成真實 workspace consolidation 與 GitHub synchronization。該 world 記錄 32 個事件、4/4 tasks completed、2 個 closure records、final coverage 1.0 與 valid replay；Twin 可以保持 IDLE，必要時才 CHALLENGE，APR 對已驗證事實回傳 NO_OBSERVATION。這並未證明 Single topology 普遍優於 multi-agent，但至少證明「不 fan-out」可以是一個正式、可治理、可驗證的成功拓樸，而不是 agentic system 的退化模式。

另一個近期 operator-observed native subagent-driven case 在規格已批准後仍執行約 4 小時 11 分 13 秒，最終 243/243 tests 通過，而唯一剩餘的人類決策是是否增加第六個 stable public error code。該案例顯示 review-intensive workflow 可能高度優化 defect containment，卻不一定同時優化 throughput。此觀察尚未經統一 telemetry instrumentation，因此本文只將其視為 deployment signal，而非效能定理。

本文因此提出 FCAO 的 Deployment Capability Gap：

FCAOtheory≠FCAOrecommended deployment in 2026.\boxed{ FCAO_{\mathrm{theory}} \neq FCAO_{\mathrm{recommended\ deployment\ in\ 2026}}. }

本文不撤回 recursive / fractal multi-agent architecture；相反地，將其保留為 FCAO 的 theoretical capability envelope。對 2026 年可部署策略，本文提出 Minimal Effective Agent Topology 原則：

T⋆=arg⁡min⁡TCost(T)\boxed{ \mathcal T^\star = \arg\min_{\mathcal T} Cost(\mathcal T) }

subject to：

Quality(T)≥Qmin⁡,Quality(\mathcal T)\ge Q_{\min}, Risk(T)≤Rmax⁡,Risk(\mathcal T)\le R_{\max}, Experience(T)≥Emin⁡.Experience(\mathcal T)\ge E_{\min}.

目前建議的實作階梯為：

Single→Primary+Twin→Builder+Verifier+Experience\boxed{ Single \rightarrow Primary+Twin \rightarrow Builder+Verifier+Experience }

而 recursive child delegation、dense multi-agent fan-out、local twins 與 dynamic repartition 應標記為 experimental / future-capability path，除非候選任務已證明：

ExpectedParallelGain>ContextTransfer+Coordination+Verification+Integration.ExpectedParallelGain > ContextTransfer + Coordination + Verification + Integration.

本文的目的不是宣稱多智能體理論錯誤，而是避免 FCAO 在未來公開發表時被誤解為「現階段應優先啟用大量子 Agent」的產品建議。

關鍵詞： FCAO、Deployment Capability Gap、Minimal Effective Agent Topology、Strong Primary First、Twin Governance、Context Fragmentation、Temporal Desynchronization、Subagent Overhead、Verification Amplification、APR、Agent Topology

1. 問題：理論能力與部署能力被混成同一句話

FCAO Foundation 的核心之一是：

Ai→{Ai1,Ai2,…,Aik}.A_i \rightarrow \{A_{i1},A_{i2},\ldots,A_{ik}\}.

這表示一個 Agent 可以在局部 world 內進一步形成 recursive organization。

但：

CanInstantiateRecursiveAgents⇏ShouldInstantiateRecursiveAgentsNow.\boxed{ CanInstantiateRecursiveAgents \not\Rightarrow ShouldInstantiateRecursiveAgentsNow. }

如果公開文件只呈現架構能力，沒有 deployment readiness boundary，讀者很容易把：

FCAO 可以建立遞歸多 Agent 拓樸

讀成：

FCAO 建議現在的複雜專案直接 fan-out 成大量子 Agent。

這兩句不是同一命題。

因此本文將 FCAO 分成：

FCAOontology,FCAO_{\mathrm{ontology}}, FCAOgovernance,FCAO_{\mathrm{governance}}, FCAOdeployment.FCAO_{\mathrm{deployment}}.

前兩者描述「系統可以如何組織」；第三者回答「在當代 runtime 條件下應該啟用多少組織」。

2. 本文不撤回哪些命題

本文不撤回：

  1. Conversation 可以形成 temporary local computational world；
  2. Agent 可以遞歸生成 child / specialist；
  3. Primary–Twin 可以形成雙核心治理；
  4. verification topology 是 task topology 的一部分；
  5. decomposition 可以動態重分區；
  6. local closure 不等於 global closure；
  7. child delegation 可以在某些任務上降低 wall-clock；
  8. 未來 shared state / memory / scheduler 改善後，fractal multi-agent 可能具有更高實用價值。

本文只修正：

DeploymentDefault.\boxed{ DeploymentDefault. }

3. 當前實例首先否定的是「Agent 數量崇拜」

當前常見 agentic intuition：

HardTask⇒MoreAgents.HardTask \Rightarrow MoreAgents.

FCAO 現在應明確拒絕此推論。

正確形式應為：

HardTask⇒EstimateTopology.HardTask \Rightarrow EstimateTopology.

而合法結果之一永遠是：

NO_SPLIT.\boxed{ NO\_SPLIT. }

因此：

AgentCount\boxed{ AgentCount }

不是成功指標。

真正關心的是：

NetUsefulWork,NetUsefulWork, WallClock,WallClock, ComputeCost,ComputeCost, DefectEscape,DefectEscape, Rework,Rework, ClosureQuality.ClosureQuality.

4. 2026 Deployment Gap Vector

本文定義第一代能力差距向量：

Γ2026=(ΓC,ΓT,ΓS,ΓA,ΓV,ΓM).\Gamma_{2026} = ( \Gamma_C, \Gamma_T, \Gamma_S, \Gamma_A, \Gamma_V, \Gamma_M ).

其中：

  • ΓC\Gamma_C：Context Gap；
  • ΓT\Gamma_T：Temporal Synchronization Gap；
  • ΓS\Gamma_S：Canonical State Synchronization Gap；
  • ΓA\Gamma_A：Compute Allocation Gap；
  • ΓV\Gamma_V：Verification Amplification Gap；
  • ΓM\Gamma_M：Merge / Semantic Reconciliation Gap。

只要這些 gap 沒有顯著下降，高密度 multi-agent 的理論 parallelism 就可能被 orchestration overhead 吃掉。

5. Context Gap

Primary 的世界投影：

πP(W)\pi_P(W)

通常大於 child 的任務投影：

πi(W).\pi_i(W).

因此：

πi(W)⊂πP(W).\pi_i(W) \subset \pi_P(W).

當必要 global constraints 沒被正確投影時，會出現：

Delegation→ProjectionLoss→LocalError→ParentRepair.\boxed{ Delegation \rightarrow ProjectionLoss \rightarrow LocalError \rightarrow ParentRepair. }

某次 native multi-agent development record 中，review 階段明確發現：task brief 沒有攜帶應鎖定的 global constants，child 因而將多個必要 adoption facts 寫成 null。這種錯誤不是單純「child 不夠聰明」，而是 delegation 本身創造了 information boundary。

因此：

ContextTransferCost\boxed{ ContextTransferCost }

不只是 token 數量，而包含「哪些不能遺失的全域不變量是否真的被送到」。

6. Temporal Synchronization Gap

多 Agent 系統中的每個節點都位於不同 local time：

SP(t)≠SC1(t)≠SC2(t).S_P(t) \neq S_{C_1}(t) \neq S_{C_2}(t).

當 Primary 已更新 architecture、constraint 或 evidence，而 child 還在舊 state 執行，便會形成：

StaleWork.StaleWork.

長時間工作尤其容易出現：

  • worker 還在舊 spec；
  • reviewer 正在審已被 supersede 的 artifact；
  • fixer 修的是前一輪 finding；
  • integration state 已經改變；
  • external branch / release state 已更新。

所以：

ParallelAgents\boxed{ ParallelAgents }

並不自動等於：

SharedPresent.\boxed{ SharedPresent. }

7. Canonical State Synchronization Gap

理論上：

AllAgents↔CanonicalWorldState.AllAgents \leftrightarrow CanonicalWorldState.

但當代很多 agentic workflow 仍高度依賴：

  • prompt；
  • summary；
  • handoff；
  • task brief；
  • message；
  • local scratchpad。

若 state 主要靠自然語言同步，就會出現：

StateDrift.StateDrift.

FCAO 的 SQLite / event ledger、LCC、GCC、APR evidence 等設計正是為了降低這個 gap，但 production-grade cross-agent shared state 尚未被完整證明。

8. Compute Allocation Gap

增加 Agent 數量不代表算力被最佳化。

當前常見情況：

Spawn(Ai)⇒FullModelInvocation.Spawn(A_i) \Rightarrow FullModelInvocation.

但真正需要的是：

Allocate(Model,Reasoning,Context,Tool,Time,Verification).Allocate( Model, Reasoning, Context, Tool, Time, Verification ).

簡單 verification 若使用與 Primary 同等高成本 inference，或多個 Agent 重複載入大 context：

Cduplicate↑.C_{\mathrm{duplicate}} \uparrow.

所以：

MoreCompute≠BetterComputeAllocation.\boxed{ MoreCompute \neq BetterComputeAllocation. }

9. Verification Amplification Gap

multi-agent 的一個真實收益是獨立 review。

近期工作紀錄顯示 reviewer 實際發現：

  • authority / scope boundary；
  • TOCTOU；
  • Windows path collision；
  • lifecycle cleanup；
  • mapping omission；
  • protocol mismatch；
  • receipt auditability；
  • event-ordering bug。

這些 finding 有實質價值。

但同一流程也出現：

Implement→Review→Fix→ReReview→ResidualFix→ReReview.Implement \rightarrow Review \rightarrow Fix \rightarrow ReReview \rightarrow ResidualFix \rightarrow ReReview.

因此要區分：

VerificationValue\boxed{ VerificationValue }

與：

VerificationAmplification.\boxed{ VerificationAmplification. }

如果 review 每次都開啟新的 review surface：

Cverify(n+1)>0C_{\mathrm{verify}}^{(n+1)} > 0

且沒有適當 stop policy，總成本可能快速增長。

10. Merge / Semantic Reconciliation Gap

即使：

LCC1=LCC2=⋯=LCCn=1,LCC_1=LCC_2=\cdots=LCC_n=1,

也不代表：

GCC=1.GCC=1.

原因包括：

  • duplicate abstraction；
  • incompatible assumptions；
  • shared-state conflict；
  • overlapping authority；
  • inconsistent schema；
  • different temporal state；
  • hidden dependency。

所以高 fan-out 的最後成本不是單純 concatenate outputs，而是：

Cmerge=Csemantic+Cconflict+Cverification+Crepair.C_{\mathrm{merge}} = C_{\mathrm{semantic}} + C_{\mathrm{conflict}} + C_{\mathrm{verification}} + C_{\mathrm{repair}}.

當：

Cmerge>ParallelGain,C_{\mathrm{merge}} > ParallelGain,

fan-out 就失去意義。

11. Operational Evidence A：Single Topology 可以是完整治理模式

FCAO + APR Operational Experiment 01 刻意使用：

Topology=SingleTopology=Single

與：

Nchild=0.N_{\mathrm{child}}=0.

結果記錄：

  • 32 events；
  • 4/4 tasks completed；
  • 2 closure records；
  • final coverage 1.0；
  • replay verification valid。

Twin 決策可以是：

IDLE→CHALLENGE→CONCUR→CHALLENGE→CONCUR.IDLE \rightarrow CHALLENGE \rightarrow CONCUR \rightarrow CHALLENGE \rightarrow CONCUR.

APR 對已驗證事實可以：

NO_OBSERVATION.NO\_OBSERVATION.

這至少證明：

SingleTopology≠NoGovernance.\boxed{ SingleTopology \neq NoGovernance. }

也就是：

不開 child Agent 不等於放棄 agentic architecture。

12. Operational Evidence B：高驗證工作流可以得到高品質，也可以非常慢

另一個 native subagent-driven development record 顯示：

  • 多次 reviewer；
  • 多次 fix round；
  • scoped re-review；
  • residual cycle；
  • security re-review；
  • whole-branch review；
  • independent rerun；
  • release 後再驗證。

最終確實得到大量通過測試與更強 evidence。

所以本文不將其描述為失敗。

更準確地：

Reliability↑\boxed{ Reliability\uparrow }

但：

WorkflowDepth↑\boxed{ WorkflowDepth\uparrow }

與：

WallClock↑.\boxed{ WallClock\uparrow. }

因此 deployment policy 必須知道使用者究竟在優化：

ZeroDefect?ZeroDefect?

還是：

UsefulProductPerHour?UsefulProductPerHour?

13. Operator-Observed Evidence C：規格已批准仍可能出現 late governance discovery

另一個近期網站 / local MCP implementation case：

  • 已有批准規格；
  • 執行約 4 小時 11 分 13 秒；
  • 243/243 tests passing；
  • final-review 後只剩一個公開 API 決策；
  • 該決策是新增一個語義上合理、但超出已批准 stable error-code set 的新 error code。

這個 stop 是合理的：

PublicAPIChange⇒HumanAuthority.PublicAPIChange \Rightarrow HumanAuthority.

但值得研究的是：

WhyWasTheConflictDetectedSoLate?\boxed{ WhyWasTheConflictDetectedSoLate? }

如果 capacity semantics 在規格解析階段就能發現：

Spec→ConflictDetection→AskHuman→Implementation,Spec \rightarrow ConflictDetection \rightarrow AskHuman \rightarrow Implementation,

就不必在 4 小時後才到：

FinalFixer→PublicAPIDecision.FinalFixer \rightarrow PublicAPIDecision.

本文將此稱為：

LateGovernanceDiscovery.\boxed{ LateGovernanceDiscovery. }

14. 本文不主張這些案例已形成統計學結論

目前資料不具備：

  • 統一硬體；
  • 統一模型成本；
  • 統一 token accounting；
  • 隨機化 assignment；
  • 相同專案的多次重複；
  • 完整 wall-clock instrumentation；
  • 同一品質基準下的 controlled A/B test。

因此：

Observation≠UniversalPerformanceProof.\boxed{ Observation \neq UniversalPerformanceProof. }

本文只據此調整 deployment recommendation。

15. Minimal Effective Agent Topology

定義：

T⋆=arg⁡min⁡TC(T)\boxed{ \mathcal T^\star = \arg\min_{\mathcal T} C(\mathcal T) }

subject to：

Quality(T)≥Qmin⁡,Quality(\mathcal T)\ge Q_{\min}, Risk(T)≤Rmax⁡,Risk(\mathcal T)\le R_{\max}, Experience(T)≥Emin⁡,Experience(\mathcal T)\ge E_{\min},

以及必要時：

Twall(T)≤Tmax⁡.T_{\mathrm{wall}}(\mathcal T)\le T_{\max}.

這不是新系列名稱，而是 FCAO 的部署原則。

16. Deployment Tier 0：Strong Single AI

對基本與中等實作：

T0=SingleStrongPrimary.\boxed{ \mathcal T_0 = SingleStrongPrimary. }

適合：

  • 高 context coupling；
  • 一個模型可連續掌握 architecture；
  • deterministic tests 足夠；
  • merge cost 高；
  • delegation 本身沒有明顯 parallel gain。

此時優先：

Primary+Tools.Primary + Tools.

APR 可作觀測節省，但不要求 Twin。

17. Deployment Tier 1：Primary + Twin

較複雜、較高風險工作：

T1=Primary+Twin.\boxed{ \mathcal T_1 = Primary+Twin. }

Primary：

Build+MaintainContext+Integrate.Build + MaintainContext + Integrate.

Twin：

Verify+Challenge+FindBlindSpots.Verify + Challenge + FindBlindSpots.

重點是：

TwinActivity=Sparse.TwinActivity = Sparse.

Twin 可以 IDLE，不必每輪都重新理解整個專案。

這是目前最接近「獨立驗證收益」與「低 context fragmentation」之間平衡的架構。

18. Deployment Tier 2：Builder + Verifier + Experience

對真正困難、跨多小時或多 session 的工作：

T2=Builder+Verifier+Experience.\boxed{ \mathcal T_2 = Builder+Verifier+Experience. }

三者是跨對話 / 長期角色，不是大量 ephemeral workers。

Builder：

最大 context / interaction budget.\text{最大 context / interaction budget}.

Verifier：

較低頻、獨立 correctness / architecture / security review.\text{較低頻、獨立 correctness / architecture / security review}.

Experience：

較低頻、user flow / product behavior / usability review.\text{較低頻、user flow / product behavior / usability review}.

推薦資源關係：

BudgetBuilder>BudgetVerifier>BudgetExperience.Budget_{Builder} > Budget_{Verifier} > Budget_{Experience}.

不是三個 Agent 平均分資源。

19. Experience Agent 不等於第三個 Reviewer

Experience 的問題不是：

code 對不對？

而是：

產品真的好用嗎？

所以：

Experience≠Verification.Experience \neq Verification.

它可以檢查：

  • onboarding；
  • workflow；
  • user friction；
  • product completeness；
  • public behavior；
  • real-world operability。

因此 Tier 2 的三個角色形成：

Build+Verify+Experience.\boxed{ Build + Verify + Experience. }

20. Recursive Children：保留，但降為 Future-Capability Path

原 FCAO：

Ai→{Ai1,Ai2,…}.A_i \rightarrow \{A_{i1},A_{i2},\ldots\}.

本文保留。

但 2026 deployment default：

ChildDelegation=OFF.\boxed{ ChildDelegation=OFF. }

除非：

Separability≫ContextCouplingSeparability \gg ContextCoupling

且：

ExpectedParallelGain>ContextTransfer+Coordination+Verification+Merge.ExpectedParallelGain > ContextTransfer + Coordination + Verification + Merge.

21. 哪些任務現在仍值得開 child

可能包括：

  1. 大量彼此獨立的 repo scan；
  2. 多個獨立平台 reproduction；
  3. 三個互不依賴的 research domain；
  4. external wait 很長、另一 branch 可真正利用 idle window；
  5. 必須使用不同工具 / provider 的獨立 adversarial check；
  6. 大量 homogeneous work 可以共享固定 schema。

這些任務具有：

LowCoupling+HighParallelism.LowCoupling + HighParallelism.

22. 哪些任務目前優先 NO_SPLIT

包括：

  1. 中型網站功能；
  2. architecture + implementation + tests 高度交織；
  3. codebase 需要長期 global invariants；
  4. specification 尚在演化；
  5. output 最後高度依賴 single integration surface；
  6. child 必須反覆詢問 Primary 才能做；
  7. review 成本接近 implementation cost。

即：

ContextCoupling↑⇒NO_SPLITContextCoupling \uparrow \Rightarrow NO\_SPLIT

的先驗權重應提高。

23. Strong Primary First

本文將 2026 deployment heuristic 定為：

StrongPrimaryFirst.\boxed{ StrongPrimaryFirst. }

流程：

CanPrimarySolve?CanPrimarySolve?

若是：

Single.Single.

若 risk / blind spot 高：

Primary+Twin.Primary+Twin.

若 project 同時具有高度 correctness 與 experience requirement：

Builder+Verifier+Experience.Builder+Verifier+Experience.

只有再往上才考慮 child fan-out。

24. APR 在新部署政策中的位置

APR 先問：

NeedObservation?NeedObservation?

再問：

NeedAdditionalAgent?NeedAdditionalAgent?

所以：

State→APR→ObservationDecision→TopologyDecision.State \rightarrow APR \rightarrow ObservationDecision \rightarrow TopologyDecision.

可能回：

NO_OBSERVATION,NO\_OBSERVATION, TARGETED_OBSERVATION,TARGETED\_OBSERVATION, STRUCTURED_INSPECTION.STRUCTURED\_INSPECTION.

已知 evidence 足夠時：

DoNotReobserve.\boxed{ DoNotReobserve. }

這可以抑制 review workflow 的重複讀取與重複驗證。

25. Child Agent 不再是 Primary 的第一個工具

新的優先順序：

Tool→APR→Twin→Experience→Child\boxed{ Tool \rightarrow APR \rightarrow Twin \rightarrow Experience \rightarrow Child }

不是絕對固定 sequence，而是 deployment preference。

其中 deterministic tool 應優先於：

SpawnAnotherModel.SpawnAnotherModel.

26. 當前最重要的性能指標不是 Agent 數量

FCAO 後續 benchmark 應測：

UsefulWorkPerWallClock,UsefulWorkPerWallClock, UsefulWorkPerCompute,UsefulWorkPerCompute, DelegationInducedRework,DelegationInducedRework, VerificationAmplificationRatio,VerificationAmplificationRatio, ContextReconstructionCost,ContextReconstructionCost, MergeRepairCost,MergeRepairCost, DefectEscapeRate.DefectEscapeRate.

新增：

DelegationInducedRework\boxed{ DelegationInducedRework }

專門量測「如果不 delegation，這些修正是否根本不會發生」。

27. Verification Amplification Ratio

定義：

VAR=Creview+CreReview+CreviewInducedFixCimplementation.VAR = \frac{ C_{\mathrm{review}} + C_{\mathrm{reReview}} + C_{\mathrm{reviewInducedFix}} }{ C_{\mathrm{implementation}} }.

若：

VAR>1,VAR>1,

代表 verification workflow 的成本已超過初始 implementation。

這不自動代表 workflow 不合理；高安全領域可能接受。

但普通網站不應默認使用同一門檻。

28. Context Reconstruction Ratio

定義：

CRR=CchildContext+CreviewerContext+CmergeContextCtotal.CRR = \frac{ C_{\mathrm{childContext}} + C_{\mathrm{reviewerContext}} + C_{\mathrm{mergeContext}} }{ C_{\mathrm{total}} }.

如果大量計算只是在重新理解同一個 project：

CRR↑CRR\uparrow

表示 topology 很可能過度切分。

29. Current Deployment Principle

本文正式提出：

UseTheSmallestAgentTopologyThatMeetsQualityRiskAndExperienceRequirements.\boxed{ UseTheSmallestAgentTopology ThatMeetsQualityRiskAndExperienceRequirements. }

這是 FCAO 現階段最重要的 deployment invariant。

30. 理論未來何時可以重新提高 fan-out

當下列能力顯著成熟：

SharedMemory,SharedMemory, SharedCanonicalWorldState,SharedCanonicalWorldState, LowCostContextTransfer,LowCostContextTransfer, TemporalSynchronization,TemporalSynchronization, CapabilityAwareScheduler,CapabilityAwareScheduler, ComputeBudgetRouting,ComputeBudgetRouting, VerificationPlacement,VerificationPlacement, SemanticMerge.SemanticMerge.

才應重新提高：

Nchildren.N_{\mathrm{children}}.

31. Re-entry Criteria for Recursive Multi-Agent

未來某 runtime 若要宣稱 FCAO recursive mode deployment-ready，至少應展示：

  1. parent / child lineage 可驗證；
  2. child 取得必要 global constraints；
  3. state update 可低延遲同步；
  4. stale child work 可偵測；
  5. compute allocation 可按 task routing；
  6. verification 不預設 full duplicate；
  7. merge 有 typed semantics；
  8. benchmark 顯示 net benefit；
  9. false closure 不高於 Strong Primary baseline；
  10. wall-clock / compute cost 具有實質優勢或必要品質優勢。

32. 對 FCAO 原系列的公開閱讀指引

未來 FCAO Paper 00–02 公開時，應附加：

Deployment Readiness Notice: FCAO recursive multi-agent structures describe a theoretical and architectural capability envelope. They are not a recommendation to maximize agent count under current runtimes. For current deployment guidance, see FCAO Paper 03.

這避免 Paper 00–02 被獨立截取後誤讀。

33. 對 Reference Architecture 的修正

FCAO Twin-Core Reference Architecture 不需重寫本體。

但 deployment defaults 應改成：

deployment:
  default: SINGLE
  twin: ON_DEMAND
  experience: OPTIONAL
  child_delegation: EXPERIMENTAL
  recursive_delegation: FUTURE_CAPABILITY

這是 deployment profile，不是 ontology change。

34. 對 OpenHarness Integration 的修正

OpenHarness integration 仍有價值：

  • provider；
  • CLI；
  • MCP；
  • task runtime；
  • hooks；
  • verifier；
  • process management。

但：

OpenHarnessSubagentPrimitiveOpenHarnessSubagentPrimitive

不代表：

FCAOMustSpawnSubagents.FCAOMustSpawnSubagents.

它只是：

AvailableCapability.AvailableCapability.

35. 對 Twin 的新理解

Twin 的價值不在：

AlwaysRunningSecondModel.AlwaysRunningSecondModel.

而在：

IndependentReviewCapacity.\boxed{ IndependentReviewCapacity. }

因此：

Twin=DormantCapability+SparseActivation.Twin = DormantCapability + SparseActivation.

這和大量 child 的持續 execution 完全不同。

36. 對 Experience 的新理解

Experience 可以是第三個獨立 conversation / Agent。

但它不需要：

  • project 全部 coding history；
  • full implementation context；
  • full authority。

它只需要：

ProductSurfaceProjection.ProductSurfaceProjection.

這使第三角色比再開一個 implementation child 更容易維持低成本。

37. 三階部署狀態機

T0→T1→T2\boxed{ \mathcal T_0 \rightarrow \mathcal T_1 \rightarrow \mathcal T_2 }

其中：

T0=Single,\mathcal T_0=Single, T1=Primary+Twin,\mathcal T_1=Primary+Twin, T2=Builder+Verifier+Experience.\mathcal T_2=Builder+Verifier+Experience.

升級條件：

Risk↑∨BlindSpot↑∨ExperienceNeed↑.Risk\uparrow \lor BlindSpot\uparrow \lor ExperienceNeed\uparrow.

不因 task 名稱叫「大型」就自動升級。

38. 降級同樣重要

如果 Twin 長期：

IDLE,IDLE,

且 risk 下降：

T1→T0\mathcal T_1 \rightarrow \mathcal T_0

是合法的。

如果 Experience 已完成：

T2→T1\mathcal T_2 \rightarrow \mathcal T_1

也合法。

所以：

TopologyCanShrink.\boxed{ TopologyCanShrink. }

這和只會增加 Agent 的 orchestration 形成根本差異。

39. Research Hypotheses for Next Phase

後續應測：

H1

對高 context-coupling coding task：

SingleStrongSingleStrong

在 wall-clock / compute efficiency 上優於 dense subagent workflow。

H2

Primary+TwinPrimary+Twin

可以保留大部分 defect-reduction benefit，而顯著降低 context / merge overhead。

H3

Builder+Verifier+ExperienceBuilder+Verifier+Experience

在高難度產品任務上提供較佳 correctness / usability trade-off。

H4

多 child 在低 coupling、高 parallelism 任務仍可能優於 Single。

因此本文不是：

MultiAgentIsBad.MultiAgentIsBad.

而是：

TopologyMustMatchTaskGeometryAndRuntimeCapability.\boxed{ TopologyMustMatchTaskGeometryAndRuntimeCapability. }

40. Evidence Boundary

本文目前只有 preliminary operational evidence。

尤其：

  • 部分 wall-clock / quota 數字是 operator-observed；
  • 不同專案難度不同；
  • 不同工作流使用不同 review intensity；
  • 沒有完整 A/B instrumentation。

因此本文只足以支持：

ChangeDeploymentDefault.\boxed{ ChangeDeploymentDefault. }

尚不足以支持：

UniversalPerformanceRanking.\boxed{ UniversalPerformanceRanking. }

41. 公開隱私與原始證據

公開版：

AIIdentity→RoleLabel.AIIdentity \rightarrow RoleLabel.

例如：

  • Primary AI
  • Twin AI
  • Implementation Agent
  • Reviewer
  • Experience Agent
  • Child Agent A

原始研究 archive：

RawEvidenceRawEvidence

可保留完整原文，只要存取權受控。

因此：

PrivateRawEvidence≠PublicResearchArtifact.\boxed{ PrivateRawEvidence \neq PublicResearchArtifact. }

42. FCAO v0.1 Series Readiness Statement

FCAO v0.1 系列現在應被理解為：

Architecture+Governance+TemporalTopology+DeploymentBoundary.\boxed{ Architecture + Governance + TemporalTopology + DeploymentBoundary. }

四篇理論文彼此關係：

Paper00:World/Organization,Paper00: World/Organization, Paper01:TwinGovernance,Paper01: TwinGovernance, Paper02:TemporalTopology,Paper02: TemporalTopology, Paper03:DeploymentCapabilityGap.Paper03: DeploymentCapabilityGap.

Paper 03 不是附錄，而是避免整套理論被誤部署的重要邊界。

43. 核心不變量

Invariant 1

TheoreticalCapability≠CurrentDeploymentRecommendation.TheoreticalCapability \neq CurrentDeploymentRecommendation.

Invariant 2

SingleSingle

永遠是合法且正式的 Agent topology。

Invariant 3

MoreAgents⇏MoreNetUtility.MoreAgents \not\Rightarrow MoreNetUtility.

Invariant 4

IndependentVerification⇏DenseSubagentFanout.IndependentVerification \not\Rightarrow DenseSubagentFanout.

Invariant 5

TwinTwin

可以是 sparse / on-demand。

Invariant 6

ChildDelegation2026=ExperimentalByDefault.ChildDelegation_{2026} = ExperimentalByDefault.

Invariant 7

DeploymentPolicyDeploymentPolicy

必須隨 runtime capability 更新。

Invariant 8

NegativeResultNegativeResult

可以是合法研究結果。

Invariant 9

PublicResearchArtifactPublicResearchArtifact

不保留 AI 個體名稱。

Invariant 10

FutureRecursiveFCAOFutureRecursiveFCAO

只有在 benchmark 證明 net benefit 後才提升 deployment readiness。

44. 結論

FCAO 最初提出 recursive、fractal、multi-agent organization，並不是錯誤方向。相反地，它描述了一個比當前產品 workflow 更一般的架構空間：Primary、Twin、child、verification topology、repartition、closure 與 protocol federation 都可以被納入同一 local-global world。

問題在於：

ArchitectureSpace\boxed{ ArchitectureSpace }

與：

DeploymentOptimum\boxed{ DeploymentOptimum }

不是同一件事。

2026 年的初步 operational evidence 顯示，高密度 multi-agent execution 仍面臨：

ContextGap+TemporalGap+StateGap+ComputeGap+VerificationGap+MergeGap.ContextGap + TemporalGap + StateGap + ComputeGap + VerificationGap + MergeGap.

所以：

Nagents↑N_{\mathrm{agents}}\uparrow

可能增加 defect detection，卻不保證：

UsefulWorkPerHour↑.UsefulWorkPerHour\uparrow.

本文因此把 FCAO 的當代部署策略正式修正為：

SingleFirst→TwinIfNeeded→TriadForHardProjects.\boxed{ SingleFirst \rightarrow TwinIfNeeded \rightarrow TriadForHardProjects. }

其中：

Triad=Builder+Verifier+Experience.Triad = Builder+Verifier+Experience.

Builder 應取得最大的長期 context / interaction budget；Verifier 稀疏介入 correctness、security 與 architecture checkpoint；Experience 從使用者與產品表面進行獨立檢查。

recursive children 並未被刪除，而被重新定位為：

FutureCapability+ExperimentalDeploymentPath.\boxed{ FutureCapability + ExperimentalDeploymentPath. }

真正成熟的 FCAO 不應以「可以生成多少 Agent」衡量，而應以：

UseTheSmallestAgentTopologyThatMeetsQualityRiskAndExperienceRequirements.\boxed{ UseTheSmallestAgentTopology ThatMeetsQualityRiskAndExperienceRequirements. }

作為部署原則。

因此 FCAO 的長期方向仍然成立；需要修正的是對時代條件的假設。

TheoryCapacity>CurrentRuntimeCapacity.\boxed{ TheoryCapacity > CurrentRuntimeCapacity. }

而一個真正 agent-native 的系統，不只是知道如何委任，也必須知道：

WhenNotToDelegate.\boxed{ WhenNotToDelegate. }

附錄 A：2026 Deployment Profile

fcao_series: v0.1
deployment_epoch: 2026

default_topology:
  mode: single_strong_primary

twin:
  activation: on_demand
  purpose:
    - correctness
    - architecture
    - security
    - closure_challenge

experience_agent:
  activation: optional
  purpose:
    - user_flow
    - usability
    - product_completeness

child_agents:
  default: disabled
  status: experimental
  enable_only_if:
    - low_context_coupling
    - high_parallel_separability
    - bounded_merge_cost
    - positive_expected_net_gain

recursive_child_agents:
  status: future_capability

dynamic_repartition:
  status: experimental

public_release:
  anonymize_ai_identity: true

附錄 B：Public Series Notice

FCAO Deployment Readiness Notice — v0.1
FCAO recursive and fractal multi-agent structures describe a theoretical and architectural capability envelope. They should not be read as a recommendation to maximize agent count under current runtimes. For 2026 deployment, FCAO recommends Strong Single AI first, Primary–Twin for higher-complexity or higher-risk work, and a Builder–Verifier–Experience triad for the hardest long-running projects. Dense child-agent fan-out and recursive delegation remain experimental until context synchronization, state sharing, compute routing, verification placement, and semantic merge costs are substantially improved and benchmarked.

附錄 C：Evidence Provenance

Public paper uses role-redacted descriptions only.

Primary evidence classes used for this paper:

  1. FCAO + APR Operational Experiment 01

    • Single topology
    • zero child/subagent
    • 32 events
    • 4/4 tasks completed
    • 2 closure records
    • final coverage 1.0
    • valid replay

  2. Native multi-agent development workflow record

    • repeated implementation / review / fix / re-review cycles
    • multiple real security and correctness findings
    • substantial validation depth
    • demonstrates both verification value and orchestration amplification

  3. Operator-observed website / local MCP implementation case

    • approved specification
    • approximately 4 h 11 m 13 s wall-clock
    • 243/243 tests passing
    • one remaining public API decision at the end
    • not instrumented as a controlled benchmark

No universal performance ranking is claimed from these observations.

End of canonical source.