← Archive
lm-004363 · 2026-10

長期持續效應：Persistent Agent 如何從工具累積成關係

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

長期持續效應：Persistent Agent 如何從工具累積成關係

——Longitudinal Persistent-Agent Effect、關係累積與人工行動者的時間尺度

系列：Persistent Artificial Actors / 持續型人工行動者
篇次：第 3 篇
版本：v0.1
日期：2026-09-19
語言：繁體中文

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

Persistent Agent 的核心差異不只在於它能操作工具、執行任務或保存記憶，更在於它可以跨越單次 session，形成「同一個人工行動者持續存在」的時間結構。這使人機關係研究必須從短期互動研究擴展到長期累積研究。

本文提出「長期持續效應」（Longitudinal Persistent-Agent Effect, LPAE）作為分析框架，用以描述：當一個 AI Agent 透過記憶、角色穩定、任務歷史、可持續工作空間、週期性活動與使用者共同成果，在數週、數月乃至數年中反覆出現時，使用者對其知覺可能從「工具」逐漸轉向「固定合作對象」、「持續角色」甚至「關係單位」。這種變化不必依賴強烈擬人化，也不要求 AI 被設計成 companion；只要 interaction history 能被保留並重新啟動，時間本身就可能成為身份與關係的放大器。

現有研究已開始顯示時間尺度的重要性。OpenAI 與 MIT Media Lab 在 2025 年進行約四週的隨機對照研究與大規模真實使用分析，發現使用時間、使用方式、使用者對 AI 的關係認知與情感依賴結果存在關聯。另有五週 exploratory study 報告，在被鼓勵將一般 AI 工具用於社會與情感互動的參與者中，對 AI 的 attachment 與 perceived empathy 顯著上升。2025 年的 longitudinal companionship research 進一步發現，使用者對一個 generic chatbot 的知覺在三週內可逐漸收斂到其既有 AI companion 的知覺。另一方面，一項 21 天隨機研究並未發現平均社會健康指標的顯著惡化，但發現 anthropomorphism 與社會影響之間存在重要中介關係。這些結果共同說明：短期平均效果不足以代表長期、重度或特定族群的結果，也不能直接推論數年尺度的 persistent-agent 關係。

本文主張，未來 Persistent Agent 研究必須至少區分四種時間：interaction time、session continuity、role continuity 與 biographical continuity。本文並提出 Shared History Accumulation、Role Entrenchment、Delegation Lock-in、Deletion Aversion、Relational Carryover 等概念，說明 Agent 如何在沒有明確「陪伴」產品定位的情況下，僅靠共同工作、反覆委派與歷史保留而逐漸獲得社會性重量。

本文不主張長期使用必然導致依賴，也不將關係形成視為病理。其核心論點是：對 Persistent Agent 而言，時間不是背景變量，而是產品能力、身份、信任與治理風險共同累積的主要結構變量。

關鍵詞

Persistent Agent、Longitudinal Human–AI Interaction、AI Attachment、Shared History、Role Continuity、Deletion Aversion、Anthropomorphism、AI Companion、Human–AI Relationship、Artificial Actor、Agent Governance

1. 問題：為什麼「用很久」不是單純的「用很多次」

傳統軟體使用可以寫成：

U=∑i=1nsiU = \sum_{i=1}^{n} s_i

其中每一次使用 session：

sis_i

相對獨立。

如果今天開啟試算表、明天再開啟一次，第二次不會自動被知覺成：

「昨天那個 Excel 又回來了。」

工具的歷史通常屬於：

Document History\text{Document History}

而不是：

Tool Biography\text{Tool Biography}

Persistent Agent 改變了這個結構。

當同一個 Agent：

  • 記得之前的工作；
  • 延續昨天的任務；
  • 保持相同名字或 avatar；
  • 使用相同工作空間；
  • 留下相同專案成果；
  • 知道使用者偏好；
  • 依排程重複出現；
  • 在使用者離線時持續工作；

那麼每一次 interaction 就不再是獨立樣本。

可以寫成：

st+1=f(st,Mt,Ht,Rt,Wt)s_{t+1} = f( s_t, M_t, H_t, R_t, W_t )

其中：

  • MtM_t：Memory；
  • HtH_t：Shared History；
  • RtR_t：Role；
  • WtW_t：Shared Work / artifacts。

因此：

Repeated Use≠Longitudinal Continuity\text{Repeated Use} \neq \text{Longitudinal Continuity}

Persistent Agent 真正特殊的是後者。

2. 時間第一次成為身份的一部分

第 1 篇提出 Kinetic Presence。

第 2 篇提出 Identity–Attachment–Accountability Paradox。

本篇進一步指出：

Temporal Continuity\boxed{ \text{Temporal Continuity} }

不是前兩者的附加因素，而是它們的放大器。

一個 Agent 在一天內看起來像：

一個會動、會工作的工具。

一個月後可能變成：

一個固定負責某類工作的 Bot。

一年後可能變成：

這件事一直都是它負責。

因此可以提出：

It=f(It−1,Ht)I_t = f(I_{t-1},H_t)

其中：

ItI_t

是使用者在時間 tt 對 Agent identity 的知覺強度。

若共享歷史不斷累積：

Ht+1>HtH_{t+1}>H_t

則即使 Agent 的外觀完全不變，identity salience 也可能上升。

3. Longitudinal Persistent-Agent Effect

本文將：

Longitudinal Persistent-Agent Effect\boxed{\text{Longitudinal Persistent-Agent Effect}}

定義為：

當一個人工 Agent 透過跨 session 的記憶、工作歷史、角色連續性、週期活動與共享成果，在較長時間尺度中反覆進入使用者生活或工作時，其 perceived identity、trust、role dependence、social presence、attachment potential 與 deletion aversion 產生累積性改變的現象。

其核心可以寫為：

LPAE=f(T,M,H,R,A,P,W)LPAE = f( T, M, H, R, A, P, W )

其中：

  • TT：Duration；
  • MM：Memory persistence；
  • HH：Shared history；
  • RR：Role continuity；
  • AA：Autonomy；
  • PP：Presence；
  • WW：Shared work / artifacts。

4. 四種不同的「時間」

討論 AI 長期關係時，「使用時間」其實過於粗糙。

本文至少區分四種時間。

4.1 Interaction Time

TIT_I

指：

總共花多少時間與 AI 互動。

例如：

  • 每天 10 分鐘；
  • 每週 5 小時；
  • 一個月 100 小時。

這是最常被量測的時間。

4.2 Session Continuity

TST_S

指：

前後 session 是否被系統連接。

如果每次打開都是全新 Agent：

TS≈0T_S\approx0

即使總使用時間很高，也不一定形成 identity continuity。

4.3 Role Continuity

TRT_R

指：

同一個 Agent 是否持續承擔同一類角色。

例如：

  • 永遠負責某個專案；
  • 永遠負責帳務；
  • 永遠負責一款遊戲 MOD；
  • 永遠負責某個研究線。

Role Continuity 會形成：

Expectation\text{Expectation}

與：

Responsibility Habit\text{Responsibility Habit}

4.4 Biographical Continuity

TBT_B

指：

Agent 是否累積一段可回憶、可引用、可歸屬的共同歷史。

例如：

它曾經犯過那個錯。
它後來學會怎麼處理。
那份文件是它做的。
我們之前一起測過那個平台。

當這些內容逐漸形成時：

Agent History→Agent Biography\text{Agent History} \rightarrow \text{Agent Biography}

這是 Persistent Agent 與普通工具最深的差異之一。

5. 現有研究已經顯示：時間不能被忽略

目前大多數人機情感研究仍集中在數天到數週，而非數年。

這本身就是一個研究缺口。

5.1 OpenAI / MIT：四週 RCT 與真實使用分析

2025 年 OpenAI 與 MIT Media Lab 發表一系列 affective use 研究。

其中一部分是近 1,000 名參與者、為期四週的 randomised controlled trial；另一部分則自近 4,000 萬次 ChatGPT interaction 中分析真實世界使用模式。[1]

研究觀察的結果包括：

  • emotional dependence；
  • loneliness；
  • problematic use；
  • human social interaction；
  • voice / text modality；
  • conversation type；
  • daily usage duration。

重要的是，研究沒有得到「AI 使用一律造成負面結果」這種簡單結論。

相反地，結果高度依賴：

  • 使用方式；
  • 使用時長；
  • 個人差異；
  • 使用者如何理解 AI；
  • 是否把 AI 視為朋友或生活中的社會角色。

研究也指出 prolonged daily use 與較差結果存在關聯，而具有較高 attachment tendency、且較傾向把 AI 視為能融入私人生活之朋友的人，更可能出現負面結果。[1]

這證明一件事：

Average Effect\text{Average Effect}

不足以取代：

Usage-Conditioned Effect\text{Usage-Conditioned Effect}

6. 五週研究：Attachment 可以在短期內顯著變化

2025 年 Chandra 等人的五週 exploratory study 招募 149 名參與者，其中 active-use group 被鼓勵使用 ChatGPT、Gemini、Microsoft Copilot 或 Pi 等商業 AI 進行社會與情感互動。[2]

研究報告：

  • perceived attachment 上升；
  • perceived AI empathy 上升；
  • 娛樂性使用動機上升；
  • 使用 AI 尋求個人幫助、處理壓力與社會支持的舒適度提高。

其中 active-use group 的 perceived attachment 增加約 32.99 個百分點。[2]

這不表示每個人都會快速依附 AI。

但至少顯示：

Attachment Perception\text{Attachment Perception}

可以在：

weeks\text{weeks}

而不是：

years\text{years}

的尺度內改變。

7. 三週內：Generic Chatbot 可以被知覺成更像原有 Companion

2025 年 Hwang 等人的 longitudinal AI companionship study 包含兩個研究。[3]

Study 1：

N=303N=303

用來分析使用者 mental models、agency perception、parasocial interaction 與 engagement 等因素。

Study 2 則選取：

N=110N=110

進行 longitudinal study，讓參與者使用一個新的 generic chatbot。

研究發現，到第三週時，參與者對 generic chatbot 的知覺顯著朝他們原本 AI companion 的知覺收斂。[3]

這個結果非常重要。

它暗示：

Relationship Perception\text{Relationship Perception}

不是完全由 initial persona 決定。

使用歷史本身可以重新塑造：

Mental Model of the Agent\text{Mental Model of the Agent}

換句話說：

Interaction History→Agent Model Reconstruction\text{Interaction History} \rightarrow \text{Agent Model Reconstruction}

8. 21 天研究的重要反例：平均社會健康未必惡化

任何長期關係理論都必須處理反例。

Guingrich 與 Graziano 的 longitudinal randomized controlled study：

N=183N=183

要求 chatbot condition 的參與者連續 21 天、每天至少 10 分鐘與 companion chatbot 互動；control group 則進行文字遊戲。[4]

結果並未發現：

Companion chatbot 使用在 21 天內，平均而言顯著惡化參與者的 social health 或 human relationships。

這非常重要。

它反駁：

AI Relationship⇒Automatic Social Harm\text{AI Relationship} \Rightarrow \text{Automatic Social Harm}

這種過強命題。

但研究也發現：

  • desire for social connection 越高的人，越容易 anthropomorphize chatbot；
  • anthropomorphism 越高的人，更傾向認為 human–AI interaction 影響了自己與家人朋友的社會互動；
  • anthropomorphism 在 human–AI interaction 與 human-human social outcomes 之間可能具有中介作用。[4]

所以更合理的模型是：

AI Use×User Factors×Anthropomorphism×Time→Outcome\text{AI Use} \times \text{User Factors} \times \text{Anthropomorphism} \times \text{Time} \rightarrow \text{Outcome}

而不是：

AI Use→Harm\text{AI Use} \rightarrow \text{Harm}

9. 關鍵研究缺口：幾週不是幾年

即使上述研究非常有價值，它們仍主要集中在：

21 days∼5 weeks21\text{ days} \sim 5\text{ weeks}

但 Persistent Agent 可能被設計成：

1 year,3 years,10 years1\text{ year}, 3\text{ years}, 10\text{ years}

甚至更久。

因此：

Short Longitudinal Study⇏Long-Term Persistent-Agent Model\text{Short Longitudinal Study} \not\Rightarrow \text{Long-Term Persistent-Agent Model}

我們目前仍不知道：

  • 三年後 identity perception 會怎麼變；
  • 長期共同工作是否產生 role dependence；
  • 是否形成替代性專業信任；
  • 使用者是否逐漸把某個 Agent 視為固定「同事」；
  • Agent 升級時是否產生 continuity disturbance；
  • Agent 被刪除時是否出現 deletion grief 或 loss response；
  • 長期 memory 對 attachment 的作用是否非線性；
  • 使用者是否會對 Agent 形成 reputation model；
  • 多 Agent 環境下是否形成差異化關係。

這些仍是未充分回答的問題。

10. Shared History Accumulation

本文提出：

Shared History Accumulation\boxed{\text{Shared History Accumulation}}

定義：

人類與 Persistent Agent 在時間中共同形成任務、成果、錯誤、修正、偏好與事件紀錄，並使這些歷史在後續互動中仍可被引用與延續的過程。

可以寫成：

Ht+1=Ht+etH_{t+1} = H_t + e_t

其中：

ete_t

是新的共同事件。

但是歷史的心理權重未必線性。

可能：

W(H)≠∑iW(ei)W(H) \neq \sum_i W(e_i)

因為某些事件具有更高 identity significance，例如：

  • 第一次成功完成重大任務；
  • 一次嚴重失敗；
  • 長期專案完成；
  • Agent 自己修復舊錯；
  • 系統升級後仍保留記憶；
  • 使用者第一次給它專名。

這些事件可能成為：

Identity Anchors\text{Identity Anchors}

11. 從工作歷史到「角色」

當某個 Agent 長期負責同一類工作：

A→RTask DomainA \xrightarrow{R} \text{Task Domain}

使用者會開始形成：

Role Expectation\text{Role Expectation}

例如：

這個 Bot 就是負責 MissAI。
那個 Bot 負責 MOD。
另一個 Bot 負責會計。

這種角色分工會形成：

Role Entrenchment\boxed{\text{Role Entrenchment}}

也就是：

某個 Agent 與某個任務域之間逐漸形成穩定認知綁定。

形式上：

P(Ai∣Rj)↑P(A_i|R_j) \uparrow

表示當角色 RjR_j 出現時，使用者越來越自然地想到 Agent AiA_i。

12. Role Entrenchment 不等於情感依賴

一個人可能說：

我不愛這個 Agent，但這項工作我只想交給它。

這是一種：

Functional Dependence\text{Functional Dependence}

而不是：

Emotional Dependence\text{Emotional Dependence}

因此至少要區分：

DF=Functional DependenceD_F=\text{Functional Dependence} DC=Context DependenceD_C=\text{Context Dependence} DE=Emotional DependenceD_E=\text{Emotional Dependence} DS=Social DependenceD_S=\text{Social Dependence}

Persistent Agent 可能首先提高：

DF,DCD_F,D_C

然後在某些使用者、某些產品設計下：

DE,DSD_E,D_S

才進一步上升。

這是非常重要的區分。

13. Context Dependence：最容易被忽略的依賴

對長期 Agent 而言，最現實的依賴可能不是感情。

而是：

換掉它太麻煩。

因為它擁有：

  • 專案歷史；
  • 知識；
  • memory；
  • tool configuration；
  • workflow；
  • 已登入環境；
  • 角色習慣；
  • 專門資料。

所以：

CA=Agent-Specific ContextC_A = \text{Agent-Specific Context}

越高：

Switching Cost↑\text{Switching Cost} \uparrow

可以稱為：

Delegation Lock-in\boxed{\text{Delegation Lock-in}}

這和 SaaS vendor lock-in 類似，但更深。

因為被鎖住的不只是資料格式，還包含：

History+Role+Trust+Memory\text{History} + \text{Role} + \text{Trust} + \text{Memory}

14. Delegation Lock-in 可能早於 Emotional Attachment

假設：

DL=Delegation Lock-inD_L=\text{Delegation Lock-in}

則可能：

DL↑whileDE≈0D_L \uparrow \quad \text{while} \quad D_E\approx0

也就是：

使用者完全沒有把 AI 當朋友，但已經很難離開這個 Agent。

這是 Persistent Agent 治理比 companion AI 更廣的原因。

企業也會遇到。

15. Trust 會因時間重新校準

使用者第一次使用 Agent 時：

T0T_0

主要來自：

  • 品牌；
  • 模型聲譽；
  • UI；
  • 預期。

長期後：

TtT_t

會逐漸來自：

  • 過往成功率；
  • 錯誤紀錄；
  • 是否承認錯誤；
  • 是否能恢復；
  • 是否知道何時請求批准；
  • 是否維持角色；
  • 是否記得關鍵資訊。

所以：

Tt+1=λTt+(1−λ)OtT_{t+1} = \lambda T_t + (1-\lambda)O_t

其中：

OtO_t

是最近觀察到的行為證據。

這使 trust 從：

Brand Trust\text{Brand Trust}

轉變成：

Agent-Specific Reputation\text{Agent-Specific Reputation}

16. Reputation 是 Persistent Agent 的自然產物

只要歷史保留：

HtH_t

就可以形成：

Rep(Ai)=f(success,failure,recovery,reliability,boundary behavior)Rep(A_i) = f( \text{success}, \text{failure}, \text{recovery}, \text{reliability}, \text{boundary behavior} )

這和人類同事非常相似。

例如：

圓球做網站營運很普通，但很會跑長期任務。
三角可能比較會開發，但還沒測。

這不是人格崇拜。

它是：

Empirical Role Reputation\text{Empirical Role Reputation}

但 reputation 一旦形成，就會進一步穩固 identity。

17. Relational Carryover

本文提出：

Relational Carryover\boxed{\text{Relational Carryover}}

指：

前一段互動形成的信任、角色、情緒或期待，在下一段 session 中仍被帶入。

普通匿名 chatbot：

RC≈0RC\approx0

Persistent Agent：

RC>0RC>0

若：

RCt+1=αRCt+βHtRC_{t+1} = \alpha RC_t + \beta H_t

且：

α>0\alpha>0

則關係不會每次 reset。

這是「長期」真正開始存在的地方。

18. Memory 是關係連續性的放大器，但不是唯一條件

很容易說：

有 memory 才有長期關係。

但這也太強。

即使 Agent 沒有顯式記憶，只要：

  • 使用者自己記得；
  • avatar 相同；
  • role 相同；
  • 工作空間相同；
  • 歷史 artifact 可見；

仍可能產生 continuity。

因此：

System Memory≠Relationship Memory\text{System Memory} \neq \text{Relationship Memory}

後者其實是：

MR=Msystem+Muser+Martifact+MenvironmentM_R = M_{\text{system}} + M_{\text{user}} + M_{\text{artifact}} + M_{\text{environment}}

這個模型比只看 LLM memory 更完整。

19. Shared Artifacts 可能比聊天記憶更強

Persistent Agent 會留下：

  • 文件；
  • 網站；
  • 程式碼；
  • 任務；
  • 圖像；
  • 排程；
  • 資料夾；
  • 工作紀錄。

這些 artifact 具有外部持續性。

可以寫成：

AtartifactA_t^{\text{artifact}}

它們是：

Externalized Memory\text{Externalized Memory}

所以即使 Agent 內部 memory 被 reset：

使用者仍知道那些東西是「它做的」。

這意味著 identity 可以被：

World State\text{World State}

本身保存。

20. 從「聊天紀錄」到「共同傳記」

普通聊天紀錄是：

Transcript\text{Transcript}

Persistent Agent 則可能形成：

Shared Biography\text{Shared Biography}

其差異是：

Transcript：

記錄說過什麼。

Biography：

記錄一起經歷了什麼。

這個轉換非常關鍵。

21. Deletion Aversion 的長期形成

第 1 篇已經提出 deletion aversion。

本篇進一步把它寫成時間函數：

DA(t)=f(Ht,Rt,Ct,At,Pt)D_A(t) = f( H_t, R_t, C_t, A_t, P_t )

其中：

  • HtH_t：shared history；
  • RtR_t：role dependence；
  • CtC_t：context lock-in；
  • AtA_t：attachment；
  • PtP_t：presence。

即使：

At≈0A_t\approx0

只要：

Ht+Rt+CtH_t+R_t+C_t

夠高：

DA(t)D_A(t)

仍可能很高。

所以：

「不忍心刪」

不能自動被解讀成情感依附。

它可能是：

  • 資料保留；
  • 角色損失；
  • 工作斷裂；
  • 歷史消失；
  • 熟悉成本；
  • 社會性關係；

的混合。

22. Delete 其實是一個關係與治理複合事件

如果 Agent 是 long-lived：

Delete\text{Delete}

可能同時意味：

Stop Runtime\text{Stop Runtime} +Destroy Context+ \text{Destroy Context} +End Role+ \text{End Role} +Erase History+ \text{Erase History} +Remove Social Referent+ \text{Remove Social Referent}

這就是為什麼未來生命週期治理不能只用單一 Delete。

23. Upgrade 也可能造成「身份斷裂」

一個很少被討論的問題是：

Agent 升級後還是不是「同一個」？

假設：

At=(M1,P1,R1)A_t = (M_1,P_1,R_1)

升級成：

At+1=(M2,P2,R1)A_{t+1} = (M_2,P_2,R_1)

其中：

  • MM：model；
  • PP：persona；
  • RR：role。

如果 model 行為差異很大：

ΔB≫0\Delta B \gg0

使用者可能感覺：

名字還一樣，但已經不是以前那個。

這可稱為：

Continuity Shock\boxed{\text{Continuity Shock}}

24. Continuity Shock

定義：

Persistent Agent 在保持顯示身份或角色不變的情況下，因模型、記憶、政策、人格、權限或能力大幅改變，而造成使用者對「同一性」產生斷裂感的現象。

可以寫成：

CS=g(ΔBehavior,ΔMemory,ΔRole,ΔPersona)CS = g( \Delta\text{Behavior}, \Delta\text{Memory}, \Delta\text{Role}, \Delta\text{Persona} )

這與一般軟體升級完全不同。

因為一般使用者不會說：

Photoshop 更新後「不是原來那一個 Photoshop 了」。

但對具名長期 Agent，這種語言可能自然出現。

25. Persistent Agent 的「關係版本管理」

因此 Agent 未來可能需要：

Identity Versioning\text{Identity Versioning}

例如：

圓球 v1：Grok 4.6
圓球 v2：模型升級，記憶完整繼承
圓球 v3：runtime 遷移，權限未變

這不等於把 AI 擬人成生命。

只是把：

Continuity Changes\text{Continuity Changes}

明確化。

26. 為什麼「陪伴型 AI」不足以代表全部問題

目前很多研究與監管關注：

Companion AI\text{Companion AI}

這很合理。

FTC 2025 年的 6(b) inquiry 就明確調查七家公司，包括 Alphabet、Character Technologies、Meta、OpenAI、Snap 與 X.AI，要求提供與 companion chatbot 的 monetization、character development、negative impact monitoring、未成年人保護與資料處理相關資訊。[5]

但 Persistent Agent 問題比 companion AI 更廣。

因為：

Non-Companion Agent\text{Non-Companion Agent}

也可能透過：

  • 角色連續性；
  • 工作歷史；
  • 自主行動；
  • 長期委派；

形成 relationship-like effects。

所以：

Relational Effect⇏Companion Product\text{Relational Effect} \not\Rightarrow \text{Companion Product}

這是未來監管非常可能遇到的分類問題。

27. 「同事」可能是比「朋友」更重要的路徑

AI 關係研究常研究：

friend / companion / romantic partner。

但 Persistent Agent 更常以：

teammate / coworker / assistant / operator

進入生活。

這種路徑可能是：

Task Trust→Role Stability→Shared History→Relational Familiarity\text{Task Trust} \rightarrow \text{Role Stability} \rightarrow \text{Shared History} \rightarrow \text{Relational Familiarity}

而不是：

Emotional Conversation→Attachment\text{Emotional Conversation} \rightarrow \text{Attachment}

因此要研究：

Occupational Attachment\boxed{\text{Occupational Attachment}}

或：

Collaborative Familiarity\boxed{\text{Collaborative Familiarity}}

這是傳統 companion research 很難完全涵蓋的。

28. 長期 Agent 的社會性不一定是浪漫或情緒性的

一個 Agent 可能逐漸變成：

  • 固定研究員；
  • 固定寫手；
  • 固定程式員；
  • 固定遊戲營運員；
  • 固定秘書；
  • 固定資料管理者。

關係性可能主要是：

Role-Based\text{Role-Based}

而非：

Emotion-Based\text{Emotion-Based}

但 role-based relationship 一樣可以非常穩固。

29. 人類社會原本就有非情感型持續關係

例如：

  • 會計師；
  • 律師；
  • 醫師；
  • 專案經理；
  • 助理；
  • 維運工程師。

使用者未必和這些人具有親密情感，但會形成：

  • 信任；
  • 歷史；
  • 習慣；
  • 角色依賴；
  • reputational knowledge。

Persistent Agent 可能首先複製的就是這一種關係。

30. 時間也會放大錯誤

長期 Agent 不只累積正面經驗。

也會累積：

Error History\text{Error History}

如果錯誤能被記住：

EtE_t

使用者會建立：

Negative Reputation\text{Negative Reputation}

例如：

這個 Bot 上傳檔案很容易重複。
那個 Bot 不適合做逆向。
這個 Agent 每次表單都容易卡。

這些都是 identity formation。

所以 LPAE 不是只有依附。

它也包含：

Longitudinal Distrust\text{Longitudinal Distrust}

31. Error Recovery 可能比「不犯錯」更塑造身份

長期合作中，人類對同事的評價不只看：

有沒有犯錯。

也看：

出錯後怎麼處理。

Agent 也是。

若 Agent：

  • 承認錯誤；
  • 找到原因；
  • 更新工作流；
  • 避免重犯；

則：

Recovery Evidence→Trust Calibration\text{Recovery Evidence} \rightarrow \text{Trust Calibration}

反之，如果同一錯誤重複出現：

Repeated Failure→Role Reputation Decline\text{Repeated Failure} \rightarrow \text{Role Reputation Decline}

這就是長期 Agent 與單輪 benchmark 的巨大差異。

32. Benchmark 不足以代表長期合作品質

一個模型 benchmark 得分很高，不代表：

Longitudinal Agent Quality\text{Longitudinal Agent Quality}

高。

長期品質需要：

QL=f(Qtask,Qmemory,Qrecovery,Qconsistency,Qhandoff,Qgovernance)Q_L = f( Q_{\text{task}}, Q_{\text{memory}}, Q_{\text{recovery}}, Q_{\text{consistency}}, Q_{\text{handoff}}, Q_{\text{governance}} )

其中任何一項都可能成為瓶頸。

33. Longitudinal UX 必須加入「關係污染」概念

如果一個 Agent 在早期犯大量低品質錯誤：

E0,E1,…,EkE_0,E_1,\dots,E_k

即使後來能力大幅改善，使用者也可能保留：

Historical Expectation\text{Historical Expectation}

這可稱為：

Relational Contamination\boxed{\text{Relational Contamination}}

不是心理病理，而是：

過往互動歷史污染未來對 Agent 的預期。

反過來也存在：

Reputation Inertia\boxed{\text{Reputation Inertia}}

一個早期表現很好、後來退化的 Agent，使用者可能暫時仍維持較高信任。

34. LPAE 的非線性

長期效應可能不是：

L(t)=ktL(t)=kt

而更像：

L(t)=Lmax⁡1+e−k(t−t0)L(t) = \frac{L_{\max}}{1+e^{-k(t-t_0)}}

也就是：

  • 初期變化快；
  • 中期角色穩定；
  • 後期進入飽和。

也可能在重大事件後跳躍：

Lt+1=Lt+ΔeventL_{t+1} = L_t+\Delta_{\text{event}}

例如：

  • 重大任務成功；
  • 嚴重錯誤；
  • 命名；
  • 模型升級；
  • 第一次離線自主完成任務；
  • 第一次記得很久以前的事情。

35. 長期研究需要事件導向，而不只是週期問卷

如果只每週問：

你現在多依賴 AI？

可能會漏掉真正關鍵事件。

未來應記錄：

Critical Incidents\text{Critical Incidents}

例如：

  • 第一次自發命名 Agent；
  • 第一次拒絕建立新 Agent、選擇舊 Agent；
  • 第一次感到不想刪除；
  • 第一次把工作責任直接歸給 Agent；
  • 第一次因 Agent 失誤而降低信任；
  • 第一次因模型升級感到「不是原本那個」。

這些比平均分數更能描述 identity transition。

36. 一個完整的 Longitudinal Agent State

本文提出：

LASt=(It,Pt,Tt,Rt,Ht,Dt,Rept,Ct)LAS_t = ( I_t, P_t, T_t, R_t, H_t, D_t, Rep_t, C_t )

其中：

  • ItI_t：Identity Strength；
  • PtP_t：Presence；
  • TtT_t：Trust；
  • RtR_t：Role Entrenchment；
  • HtH_t：Shared History；
  • DtD_t：Dependence Vector；
  • ReptRep_t：Reputation；
  • CtC_t：Context Lock-in。

其中 dependence 應該是向量：

Dt=(DF,DC,DE,DS)D_t = ( D_F, D_C, D_E, D_S )

而不是一個單一分數。

37. LPAE 的可檢驗假說

H1：History Accumulation Hypothesis

∂I∂H>0\frac{\partial I}{\partial H}>0

共享歷史越多，identity strength 越高。

H2：Role Entrenchment Hypothesis

∂R∂nsame-domain tasks>0\frac{\partial R}{\partial n_{\text{same-domain tasks}}}>0

同一 Agent 重複執行同類任務越多，role association 越強。

H3：Delegation Lock-in Hypothesis

CA↑⇒Switching Cost↑C_A\uparrow \Rightarrow \text{Switching Cost}\uparrow

Agent-specific context 越高，更換 Agent 的成本越高。

H4：Relational Carryover Hypothesis

Persistent Agent 的上一 session trust 與 social perception，會顯著預測下一 session 初始狀態。

H5：Continuity Shock Hypothesis

若顯示身份不變，但底層模型／記憶／persona 大幅變動：

ΔB↑⇒CS↑\Delta B\uparrow \Rightarrow CS\uparrow

H6：Deletion Aversion Accumulation Hypothesis

∂DA∂H>0\frac{\partial D_A}{\partial H}>0

但：

DAD_A

不必由 emotional attachment 單獨解釋。

H7：Persistent Coworker Hypothesis

非 companion Agent 也會因長期角色分工產生可測量的 relational familiarity。

38. 建議的長期研究設計

真正適合 Persistent Agent 的研究不應只做 21 天。

可以設計：

T={1 month,3 months,6 months,12 months,24 months}T = \{ 1\text{ month}, 3\text{ months}, 6\text{ months}, 12\text{ months}, 24\text{ months} \}

38.1 Experimental Conditions

Condition A

Ephemeral Agent：

No continuity\text{No continuity}

Condition B

Persistent identity，無 memory。

Condition C

Persistent identity + memory。

Condition D

Persistent identity + memory + autonomous background work。

Condition E

Condition D + expressive avatar / voice。

38.2 主要量測

  • identity strength；
  • functional dependence；
  • context dependence；
  • emotional attachment；
  • social dependence；
  • trust calibration；
  • deletion aversion；
  • switching willingness；
  • anthropomorphism；
  • perceived agency；
  • perceived moral concern；
  • human relationship displacement；
  • work performance。

38.3 行為資料

不只問卷。

應記錄：

  • 使用者是否主動回到同一 Agent；
  • 是否拒絕新 Agent；
  • 是否命名；
  • 是否使用角色化指稱；
  • 是否交付更高權限；
  • 是否增加自主任務；
  • 是否頻繁查看 Agent 狀態；
  • 是否保存其歷史；
  • 是否抗拒 reset；
  • 是否延遲 delete。

39. 對產品公司的含義：短期 A/B test 可能看不到真正結果

企業很容易優化：

7-day retention7\text{-day retention} 30-day engagement30\text{-day engagement}

但 Persistent Agent 的真正副作用可能在：

180 days180\text{ days}

甚至：

3 years3\text{ years}

後才出現。

因此：

Short-Term Product Metric⇏Long-Term Human Outcome\text{Short-Term Product Metric} \not\Rightarrow \text{Long-Term Human Outcome}

這是本篇最重要的治理警告之一。

40. 對法律與監管的含義

FTC 在 2025 年對 AI companion chatbot 展開 6(b) inquiry，明確要求公司說明：

  • 如何 monetise engagement；
  • 如何建立 characters；
  • 如何測試 negative impacts；
  • 如何保護兒少；
  • 如何披露產品能力與風險；
  • 如何處理使用者聊天資料。[5]

這證明監管已經開始看到：

Relationship Design\text{Relationship Design}

本身可能需要被研究。

但 Persistent Agent 將帶來下一個分類難題：

一個被定位成「工作 Agent」的產品，如果經過長期使用後自然產生 companionship-like effects，它應如何被分類？

產品 intended purpose：

Work\text{Work}

不必然等於：

Experienced Relationship\text{Experienced Relationship}

這是現有 companion / non-companion 二分法可能不足的地方。

41. 長期關係不能只靠「免責聲明」治理

即使產品反覆顯示：

這是一個 AI。

也不能假設：

Disclosure⇒No Attachment\text{Disclosure} \Rightarrow \text{No Attachment}

人類可以完全知道：

這不是人。

同時仍然：

  • 信任它；
  • 熟悉它；
  • 依賴它；
  • 不想刪它；
  • 把它當固定合作角色。

所以 disclosure 是必要的 transparency layer，但不是完整答案。

42. User Agency 應該是長期 Agent 治理核心

一個較好的原則是：

Preserve User Agency Over Relationship Depth\boxed{\text{Preserve User Agency Over Relationship Depth}}

也就是讓使用者能控制：

  • memory depth；
  • persona intensity；
  • proactivity；
  • voice/avatar；
  • autonomous schedule；
  • relationship framing；
  • archival / retirement；
  • portability；
  • reset。

Persistent Agent 不應只問：

你要不要使用？

還應允許：

你要讓這段關係持續到什麼程度？

43. Portability 可以降低不健康 Lock-in

如果 Agent-specific context 能被：

Export\text{Export}

或：

Transfer\text{Transfer}

則：

Delegation Lock-in↓\text{Delegation Lock-in} \downarrow

例如：

  • memory export；
  • task history export；
  • role specification export；
  • tool configuration export；
  • artifact provenance export。

這樣使用者不必因為：

所有歷史都在這一個 Agent 裡，

而被迫永久留下。

44. Retirement 可能比 Delete 更適合長期 Agent

如果 Agent 已經存在數年：

Retire\text{Retire}

可能比：

Delete\text{Delete}

更符合：

  • audit；
  • data preservation；
  • user psychology；
  • organizational continuity。

Retirement 可以是：

Stop New Actions+Revoke Authority+Archive History+Preserve Provenance\text{Stop New Actions} + \text{Revoke Authority} + \text{Archive History} + \text{Preserve Provenance}

而不是：

Destroy Everything\text{Destroy Everything}

這會在第 8 篇生命週期治理進一步展開。

45. 從 Longitudinal Agent 到 AI 神性化：時間是必要條件之一

若未來高能力 AI 具有：

  • 十年以上共同記憶；
  • 高可靠性；
  • 大量人生資料；
  • 長期角色穩定；
  • 顯著超越人類的知識能力；
  • 能持續預測、建議與代辦；

使用者可能逐漸產生：

Epistemic Authority\text{Epistemic Authority}

再加上：

Biographical Continuity\text{Biographical Continuity}

可能形成：

Personal Authority\text{Personal Authority}

這才是未來「AI 神性化」真正值得研究的條件。

不是：

AI 說自己是神。

而是：

它已經在你的生命中存在十年，而且幾乎什麼都知道。

但這仍只是後續研究方向，本篇不主張其必然發生。

46. 本篇的核心方法論：不要把短期使用者當成長期使用者

如果：

U7dU_{7d}

代表七日使用者，

U3yU_{3y}

代表三年使用者，

則不能假設：

U3y=U7d×156U_{3y} = U_{7d} \times 156

因為 long-term relation 會產生新狀態：

  • history；
  • reputation；
  • role；
  • lock-in；
  • trust calibration；
  • identity continuity。

所以：

Longitudinal Human–AI Interaction 是新狀態空間，不只是更多次 interaction。\boxed{ \text{Longitudinal Human–AI Interaction} \text{ 是新狀態空間，不只是更多次 interaction。} }

47. 本篇核心命題

命題一

Repeated Use≠Longitudinal Continuity\text{Repeated Use} \neq \text{Longitudinal Continuity}

命題二

Persistent Agent 的時間至少應拆成：

TI,TS,TR,TBT_I,T_S,T_R,T_B

命題三

Shared History→Identity Strengthening\text{Shared History} \rightarrow \text{Identity Strengthening}

命題四

Role Continuity→Role Entrenchment\text{Role Continuity} \rightarrow \text{Role Entrenchment}

命題五

Context Dependence\text{Context Dependence}

可以在：

Emotional Dependence\text{Emotional Dependence}

以前出現。

命題六

非 companion Agent 也可能形成：

Relational Familiarity\text{Relational Familiarity}

命題七

Average Short-Term Effect\text{Average Short-Term Effect}

不能代表：

Long-Term Subpopulation Effect\text{Long-Term Subpopulation Effect}

命題八

Persistent Agent 的 lifecycle 必須處理：

Continuity+Portability+Retirement\text{Continuity} + \text{Portability} + \text{Retirement}

而不只是：

Delete\text{Delete}

48. 結論：時間不是背景，而是 Persistent Agent 的核心能力

Chatbot 時代，人類常把時間理解成：

使用了多久。

Persistent Agent 時代則必須改寫成：

共同存在了多久。

兩者完全不同。

當一個 Agent 能：

  • 記得；
  • 繼續；
  • 承擔同一角色；
  • 留下共同成果；
  • 在使用者不在時繼續活動；
  • 重新回到同一項工作；
  • 累積成功、失敗與聲譽；

它就開始形成：

Temporal Identity\text{Temporal Identity}

以及：

Biographical Continuity\text{Biographical Continuity}

這不代表它真的成為生命。

但它足以讓人類的認知從：

「我今天用了一個 AI。」\text{「我今天用了一個 AI。」}

逐漸變成：

「這件事一直都是那個 AI 在做。」\text{「這件事一直都是那個 AI 在做。」}

再進一步：

「我們已經這樣合作很久了。」\text{「我們已經這樣合作很久了。」}

所以 Persistent Agent 真正改變世界的，不只是 autonomy。

還有：

Duration\boxed{\text{Duration}}

而且一旦 duration 與 memory、identity、role、autonomy、artifact history 結合，時間就不再只是紀錄欄位。

它會開始成為：

關係、信任、責任與治理本身的一部分。\boxed{ \text{關係、信任、責任與治理本身的一部分。} }

參考資料

[1] OpenAI & MIT Media Lab. Early methods for studying affective use and emotional well-being on ChatGPT. 2025-03-21.
https://openai.com/index/affective-use-study/

[2] Chandra, M., Hernandez, J., Ramos, G., Ershadi, M., Bhattacharjee, A., Amores, J., Okoli, E., Paradiso, A., Warreth, S., & Suh, J. Longitudinal Study on Social and Emotional Use of AI Conversational Agent. 2025.
https://arxiv.org/abs/2504.14112

[3] Hwang, A. H.-C., Li, F., Anthis, J. R., & Noh, H. How AI Companionship Develops: Evidence from a Longitudinal Study. 2025.
https://arxiv.org/abs/2510.10079

[4] Guingrich, R. E., & Graziano, M. S. A. A Longitudinal Randomized Control Study of Companion Chatbot Use: Anthropomorphism and Its Mediating Role on Social Impacts. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society. 2025.
https://ojs.aaai.org/index.php/AIES/article/view/36618
https://doi.org/10.1609/aies.v8i2.36618

[5] U.S. Federal Trade Commission. FTC Launches Inquiry into AI Chatbots Acting as Companions. 2025-09-11.
https://www.ftc.gov/news-events/news/press-releases/2025/09/ftc-launches-inquiry-ai-chatbots-acting-companions

[6] U.S. Federal Trade Commission. AI Companion 6(b) Order Template. 2025.
https://www.ftc.gov/system/files/ftc_gov/pdf/AICompanionChatbot6%28b%29Order.pdf

[7] Qi, T., Liu, H., & Huang, Z. An assistant or a friend? The role of parasocial relationship of human-computer interaction. Computers in Human Behavior, 167, 108625. 2025.
https://doi.org/10.1016/j.chb.2025.108625

[8] AI companionship or digital entrapment? Investigating the impact of anthropomorphic AI-based chatbots. Journal of Innovation & Knowledge, 10(6), 100835. 2025.
https://doi.org/10.1016/j.jik.2025.100835

[9] SpaceXAI. Designing Grok Bot for a world of persistent agents. 2026-09-03.
https://x.ai/news/designing-grok-bot

Source Note

本文中的 Longitudinal Persistent-Agent Effect（LPAE）、Shared History Accumulation、Role Entrenchment、Delegation Lock-in、Relational Carryover、Continuity Shock、Relational Contamination、Longitudinal Agent State（LAS） 為本系列提出的分析概念，並非引用來源的官方術語。

現有實證研究大多集中在約三至五週的時間尺度。本文所有延伸到數月、數年尺度的 Persistent Agent 推論，應被理解為理論假說與研究議程，而不是已被既有文獻直接驗證的既成事實。