← Archive
lm-004403 · 2026-10

03｜關係狀態、共享歷史與溝通壓縮：為什麼一個眼神也可能成為完整指令

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

03｜關係狀態、共享歷史與溝通壓縮：為什麼一個眼神也可能成為完整指令

系列：《適應關係智能與人類社會隱知顯化》
英文系列名： Adaptive Relational Intelligence and Tacit-Knowledge Externalization
篇次： 03
狀態： Working Paper
日期： 2026-09-19

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
版本： 原稿未標註（本次整理版）

摘要

人類高效協作經常建立在極低資訊量的表面訊號之上。一句「照之前的」、一個眼神、一個停頓，甚至一個未完成的句子，都可能在高度熟悉的關係中觸發複雜而準確的行動。若只從訊號本身分析，這些交流似乎資訊不足；但若將共享歷史、角色關係、組織情境、先前決策與信任狀態視為長期累積的外部狀態，則這類現象可以被理解為「共享狀態引用」。

本篇提出：關係不是純粹社交背景，而是一種可降低顯式符號傳輸成本的狀態結構。當兩個或多個智能體累積足夠共享歷史後，新的訊息不必重新攜帶全部任務資訊，而只需指向既有狀態。這使關係耦合具有近似「通訊壓縮」的功能。

本文進一步區分「共享歷史」、「共享狀態」、「共享理解」與「共享意圖」，並指出它們並不等價。高耦合關係雖可顯著降低協作成本，也會產生過時模型、錯誤默契、局部文化鎖定與關係內偏誤。真正成熟的適應關係智能，因此不只是擁有更多記憶，而是能夠將記憶組織成可引用、可更新、可失效的關係狀態。

1. 從「訊息不足」到「共享狀態引用」

假設某人只說：

那個先處理一下。

若沒有任何上下文，訊息幾乎不可解。

但在長期合作中，接收者可能立即知道：

  • 「那個」指的是哪一份文件；
  • 「先」代表優先級提高；
  • 「處理」不是只打開，而是修正、整理並回報；
  • 哪些部分可以自行決定；
  • 哪些部分不能動。

這說明表面訊息：

MtM_t

並不是完整意義來源。

真正參與解碼的是：

StsharedS_t^{\mathrm{shared}}

即共享狀態。

因此：

G^t=D(Mt,Stshared)\hat{G}_t = D(M_t,S_t^{\mathrm{shared}})

其中：

G^t\hat{G}_t

為接收者重建的目標。

2. 關係狀態不是單純記憶

可將關係狀態記為：

Rij(t)R_{ij}(t)

表示主體 ii 與主體 jj 在時間 tt 的關係狀態。

它可能包含：

Rij(t)={Hij,Pij,Bij,Tij,Aij,Nij}R_{ij}(t) = \{ H_{ij}, P_{ij}, B_{ij}, T_{ij}, A_{ij}, N_{ij} \}

其中：

  • HijH_{ij}：互動歷史；
  • PijP_{ij}：偏好與習慣模型；
  • BijB_{ij}：邊界與禁止事項；
  • TijT_{ij}：信任狀態；
  • AijA_{ij}：授權與自主程度；
  • NijN_{ij}：共享規範與默契。

因此：

Rij(t)≠HijR_{ij}(t) \neq H_{ij}

歷史只是關係狀態的來源之一。

3. 共享歷史、共享狀態、共享理解並不等價

本篇區分：

HsharedH_{\mathrm{shared}} SsharedS_{\mathrm{shared}} UsharedU_{\mathrm{shared}} GsharedG_{\mathrm{shared}}

分別表示：

  • 共享歷史；
  • 共享狀態；
  • 共享理解；
  • 共享目標。

它們之間沒有必然等價：

Hshared⇏UsharedH_{\mathrm{shared}} \not\Rightarrow U_{\mathrm{shared}}

兩人可以共同經歷同一件事，卻形成完全不同理解。

同樣：

Ushared⇏GsharedU_{\mathrm{shared}} \not\Rightarrow G_{\mathrm{shared}}

兩人可以理解彼此，但目標仍不同。

因此：

shared exposure≠shared interpretation≠shared intent\boxed{ \text{shared exposure} \neq \text{shared interpretation} \neq \text{shared intent} }

4. 關係耦合作為溝通壓縮

若沒有共享狀態，完整任務需要傳輸：

IfullI_{\mathrm{full}}

的資訊量。

在高耦合關係中，新訊息可能只需：

IsignalI_{\mathrm{signal}}

並滿足：

Isignal≪IfullI_{\mathrm{signal}} \ll I_{\mathrm{full}}

缺失部分由：

Rij(t)R_{ij}(t)

補全。

因此可提出：

Relation Coupling⇒Communication Compression\boxed{ \text{Relation Coupling} \Rightarrow \text{Communication Compression} }

壓縮比可以粗略表示為：

ρij=IfullIsignal\rho_{ij} = \frac{I_{\mathrm{full}}}{I_{\mathrm{signal}}}

當：

ρij\rho_{ij}

高時，少量訊號即可觸發大量共享狀態。

5. 一個眼神為什麼可能有效

「一個眼神」本身資訊量很低。

若記為：

meyem_{\mathrm{eye}}

則：

I(meye)I(m_{\mathrm{eye}})

通常很小。

但如果雙方共享：

KsharedK_{\mathrm{shared}}

則：

meye+Kshared→Am_{\mathrm{eye}} + K_{\mathrm{shared}} \rightarrow A

其中：

AA

可以是一組複雜行動。

因此真正起作用的不是：

meyem_{\mathrm{eye}}

本身攜帶完整內容，而是：

signal activates shared state\boxed{ \text{signal activates shared state} }

這近似於以低成本訊號引用既有狀態。

6. 指標式溝通

可將這種現象稱為：

Pointer-like Communication\text{Pointer-like Communication}

其結構為：

p→Sstoredp \rightarrow S_{\mathrm{stored}}

而不是：

Sstored→retransmit every timeS_{\mathrm{stored}} \rightarrow \text{retransmit every time}

例如：

  • 「照之前的」；
  • 「老樣子」；
  • 「那個先處理」；
  • 「你懂我的意思」；
  • 「就跟上次一樣，但再保守一點」。

這些語句本身不是完整規格。

它們是：

state references\boxed{ \text{state references} }

7. 為什麼熟悉的老手顯得不可替代

假設新手與老手純技能分別為：

KNK_N

與：

KVK_V

甚至可能：

KN>KVK_N > K_V

但老手擁有較高：

RVR_V

與：

HVH_V

因此：

P(G∣M,R,H)V>P(G∣M)NP(G\mid M,R,H)_V > P(G\mid M)_N

長期協作效用便可能：

UV>UNU_V > U_N

因此不可替代性不必只來自專業技能。

還可能來自：

Relationship State Capital\boxed{ \text{Relationship State Capital} }

8. 關係狀態資本

本篇定義：

CRC_R

為關係狀態資本。

它描述某個協作者因長期參與而持有、可降低未來溝通與決策成本的狀態資產。

可以粗略寫成：

CR=f(H,T,P,B,N,E)C_R = f( H, T, P, B, N, E )

其中：

  • HH：共享歷史；
  • TT：信任；
  • PP：偏好模型；
  • BB：邊界知識；
  • NN：規範與默契；
  • EE：例外處理經驗。

若一名老手離職，組織失去的不只是：

Skill\text{Skill}

也可能失去：

CRC_R

9. 管理層為什麼需要高關係壓縮

若管理者每次都必須完整傳達：

G+P+B+E+R+CG + P + B + E + R + C

其中：

  • GG：目標；
  • PP：方法；
  • BB：邊界；
  • EE：例外；
  • RR：風險；
  • CC：情境；

則管理成本將快速上升。

可表示為：

Cmanagement=Cplanning+Cspecification+Cmonitoring+CcorrectionC_{\mathrm{management}} = C_{\mathrm{planning}} + C_{\mathrm{specification}} + C_{\mathrm{monitoring}} + C_{\mathrm{correction}}

高價值協作者會吸收部分：

CspecificationC_{\mathrm{specification}}

與：

CmonitoringC_{\mathrm{monitoring}}

因此：

Good subordinates reduce upstream cognitive load.\boxed{ \text{Good subordinates reduce upstream cognitive load.} }

這不是要求下游盲目猜測，而是要求其具備足夠的共享狀態與邊界判斷。

10. 「那我為什麼要你？」的結構

若管理者必須產生接近完整規格：

ScompleteS_{\mathrm{complete}}

而下游只做：

Execute⁡(Scomplete)\operatorname{Execute}(S_{\mathrm{complete}})

則下游的價值逐漸收斂於：

VexecutionV_{\mathrm{execution}}

一旦自動化系統也能執行：

ScompleteS_{\mathrm{complete}}

則可替代性提高。

反之，若下游能處理：

MpartialM_{\mathrm{partial}}

並恢復：

G^\hat{G}

則其價值包含：

V=Vexecution+Vcompression+Vintent+VinitiativeV = V_{\mathrm{execution}} + V_{\mathrm{compression}} + V_{\mathrm{intent}} + V_{\mathrm{initiative}}

這就是高階協作者不可替代性的主要來源之一。

11. 溝通成本的時空性

符號交流不只消耗認知，也消耗時間與空間。

設一個任務完整描述需要：

LL

個符號。

產生、傳輸、讀取、理解與確認的總成本為：

Csymbol=Cencode+Ctransmit+Cdecode+CconfirmC_{\mathrm{symbol}} = C_{\mathrm{encode}} + C_{\mathrm{transmit}} + C_{\mathrm{decode}} + C_{\mathrm{confirm}}

若每次協作都從零開始：

CsymbolC_{\mathrm{symbol}}

將不斷重複。

關係狀態的價值之一，就是將部分資訊轉為：

persistent state\text{persistent state}

使未來只需傳輸差分：

ΔSt\Delta S_t

因此：

Relationship enables delta communication.\boxed{ \text{Relationship enables delta communication.} }

12. 全量同步與差分同步

可將人類協作類比為兩種模式。

全量同步

每次重新傳送全部狀態：

StS_t

差分同步

只傳：

ΔSt=St−St−1\Delta S_t = S_t-S_{t-1}

當共享狀態穩定時：

∣ΔSt∣≪∣St∣|\Delta S_t| \ll |S_t|

因此長期合作本質上大量依賴：

delta-based coordination\boxed{ \text{delta-based coordination} }

13. 關係耦合的收益

高度關係耦合可能帶來：

13.1 更低規格成本

Cspec↓C_{\mathrm{spec}}\downarrow

13.2 更快任務啟動

Tstart↓T_{\mathrm{start}}\downarrow

13.3 更少誤解修正

理想情況：

Fcorrect↓F_{\mathrm{correct}}\downarrow

13.4 更高主動性

Asafe↑A_{\mathrm{safe}}\uparrow

13.5 更高組織吞吐量

Qorganization↑Q_{\mathrm{organization}}\uparrow

因此關係不是單純情感因素，也具有直接生產力。

14. 關係耦合的風險

但高耦合並非永遠有利。

14.1 過時模型

Rt−1R_{t-1}

可能不再描述：

RtR_t

14.2 錯誤默契

雙方都以為彼此理解，但實際上：

G^i≠G^j\hat{G}_i \neq \hat{G}_j

14.3 封閉文化

局部共享規則可能阻礙外部新資訊。

14.4 新人排斥

高壓縮內部語言可能增加：

ConboardingC_{\mathrm{onboarding}}

14.5 權力不透明

「大家都知道」可能掩蓋未被明示的權力結構。

因此：

high compression can hide structural opacity\boxed{ \text{high compression can hide structural opacity} }

15. 關係狀態與隱式知識

當一個組織大量依賴：

RijR_{ij}

完成協作時，組織運作規則可能不再主要存在於文件裡。

它們存在於：

R={Rij}\mathcal{R} = \{R_{ij}\}

這個關係網路。

因此：

Korganization=Kexplicit+KrelationalK_{\mathrm{organization}} = K_{\mathrm{explicit}} + K_{\mathrm{relational}}

其中：

KrelationalK_{\mathrm{relational}}

就是分散在關係結構中的隱式知識。

16. 關係拓撲

若組織具有：

nn

個主體，

則可定義關係圖：

GR=(V,ER)G_R = (V,E_R)

其中：

VV

為主體集合，

ERE_R

為有效關係邊。

每條邊可攜帶：

RijR_{ij}

狀態。

因此組織不是只有：

org chart\text{org chart}

還有：

relational topology\boxed{ \text{relational topology} }

真正的資訊流、信任流、授權流與隱式規則可能沿：

ERE_R

傳遞，而不是沿正式組織圖。

17. 正式組織與實際組織的差異

正式組織圖可記為：

GFG_F

實際關係圖可記為：

GRG_R

通常：

GF≠GRG_F \neq G_R

例如：

正式上：

A→B→CA\rightarrow B\rightarrow C

實際上：

A↔CA\leftrightarrow C

可能存在高頻直接協作。

因此：

formal authority graph≠operational relation graph\boxed{ \text{formal authority graph} \neq \text{operational relation graph} }

這也是 AI 未來理解組織時必須辨識的差異。

18. AI 的關係模型不能只是 user profile

一個簡單 user profile 可能記錄：

  • 喜歡簡短回答；
  • 使用繁體中文；
  • 偏好 Markdown；
  • 常做研究。

但這仍不是：

RijR_{ij}

真正的關係模型需要額外理解：

  • 哪些事情可以直接推進；
  • 哪些事情要先問；
  • 哪些過去決策仍有效；
  • 哪些詞語在此關係中有特殊含義；
  • 哪些任務可以延伸；
  • 哪些偏好只是暫時性的；
  • 哪些錯誤曾經造成重大摩擦。

因此：

Profile⊂Relation Model\boxed{ \text{Profile} \subset \text{Relation Model} }

19. 關係記憶的層次

可將關係記憶分為：

19.1 事實記憶

MFM_F

記得發生過什麼。

19.2 決策記憶

MDM_D

記得曾經做過什麼決定。

19.3 理由記憶

MRM_R

記得為什麼做那個決定。

19.4 邊界記憶

MBM_B

記得哪些不能自動推進。

19.5 關係記憶

MRelM_{\mathrm{Rel}}

記得彼此如何合作。

若只保留：

MFM_F

而缺乏：

MRM_R

與：

MRelM_{\mathrm{Rel}}

則 AI 仍可能「記很多，但不懂」。

20. 為什麼理由記憶比結果記憶重要

假設歷史決策為：

Dt=AD_t = A

AI 若只記得：

上次選 A。

未來可能機械地重複 A。

但如果保留：

Reason⁡(Dt=A)\operatorname{Reason}(D_t=A)

則當條件變化時可以判斷：

Reason⁡t≠Reason⁡t+1\operatorname{Reason}_t \neq \operatorname{Reason}_{t+1}

因此：

AA

不必再成立。

所以：

remembering why>remembering what\boxed{ \text{remembering why} > \text{remembering what} }

對動態關係智能尤其重要。

21. 關係壓縮與錯誤累積

壓縮的危險是：

small signal\text{small signal}

可能錯誤觸發：

large stored state\text{large stored state}

因此錯誤放大因子可能很高。

設：

eme_m

為訊號誤解，

AsA_s

為共享狀態放大量。

則：

efinal≈em⋅Ase_{\mathrm{final}} \approx e_m \cdot A_s

關係越熟，若模型過時，錯誤可能越大。

因此：

compression efficiency↔misactivation risk\boxed{ \text{compression efficiency} \leftrightarrow \text{misactivation risk} }

22. 高耦合不等於永遠不問

當：

RijR_{ij}

高時，

AI 可以減少不必要詢問。

但如果：

P(ΔRt≠0)P(\Delta R_t\neq0)

升高，

則應重新確認。

因此：

High Relationship Coupling⇏Zero Clarification\text{High Relationship Coupling} \not\Rightarrow \text{Zero Clarification}

更合理的是：

clarification frequency should adapt to relation uncertainty\boxed{ \text{clarification frequency should adapt to relation uncertainty} }

23. 新人與老手的資訊需求差異

新人因缺少：

RijR_{ij}

需要更多顯式資訊：

INI_N

老手需要：

IVI_V

通常：

IN>IVI_N>I_V

但組織若因此責怪新人「怎麼連這都不知道」，可能忽略：

RN≈0R_N\approx0

的事實。

因此 onboarding 的本質之一是：

relationship-state transfer\boxed{ \text{relationship-state transfer} }

而不只是技能訓練。

24. 組織 onboarding 作為狀態同步

新人加入時，需要獲得：

KexplicitK_{\mathrm{explicit}}

也需要逐步重建：

KrelationalK_{\mathrm{relational}}

理想 onboarding 可表示為：

Oonboard=Kexplicit+Krelational+KexceptionO_{\mathrm{onboard}} = K_{\mathrm{explicit}} + K_{\mathrm{relational}} + K_{\mathrm{exception}}

如果只傳 SOP，則：

OonboardO_{\mathrm{onboard}}

是不完整的。

這解釋為什麼「跟著老手做一段時間」長期存在於許多行業。

25. AI 作為關係狀態保存器

AI 未來可能具有一個新角色：

Relational State Preserver\boxed{ \text{Relational State Preserver} }

它可以幫助組織保存：

  • 決策原因；
  • 角色慣例；
  • 例外歷史；
  • 實際協作路徑；
  • 過去失敗模式；
  • 非正式但重要的流程。

這可降低：

CturnoverC_{\mathrm{turnover}}

但也需要治理，以避免：

  • 隱私侵入；
  • 對人的僵化標籤；
  • 權力監控；
  • 錯誤記憶永久化。

26. 關係狀態的失效

可為每個關係狀態引入有效性：

V(Rt)V(R_t)

其值取決於：

V(Rt)=f(recency,consistency,context similarity,explicit revision)V(R_t) = f( \text{recency}, \text{consistency}, \text{context similarity}, \text{explicit revision} )

當：

V(Rt)↓V(R_t)\downarrow

AI 應降低利用強度。

因此記憶不應只有：

stored/not stored\text{stored/not stored}

還應有：

validity\text{validity}

27. 關係狀態的時間衰減

某些關係知識長期穩定。

某些則快速衰減。

可以表示為：

Rk(t)=Rk(t0)e−λk(t−t0)R_k(t) = R_k(t_0)e^{-\lambda_k(t-t_0)}

其中：

λk\lambda_k

依關係資訊類型而異。

例如：

長期工作風格可能：

λstyle\lambda_{\mathrm{style}}

較低。

臨時專案優先級可能：

λpriority\lambda_{\mathrm{priority}}

較高。

這說明 AI 不應對所有記憶使用相同有效期。

28. 關係狀態不是永久人格判斷

AI 若記住：

某人曾經偏好 A。

不應推成：

某人本質上永遠是 A 型人。

因此：

Observed Preference≠Permanent Identity\text{Observed Preference} \neq \text{Permanent Identity}

成熟關係模型應保存：

state\text{state}

而不是過度生成：

essence\text{essence}

這對避免僵化與偏見非常重要。

29. 關係壓縮的最低條件

高效關係壓縮至少需要：

Cmin⁡={H,R,B,U,O}\mathcal{C}_{\min} = \{ H, R, B, U, O \}

其中：

  • HH：足夠歷史；
  • RR：可用關係模型；
  • BB：邊界理解；
  • UU：不確定性估計；
  • OO：重新觀察能力。

若缺少：

OO

則壓縮容易僵化。

若缺少：

BB

則壓縮容易越權。

若缺少：

UU

則系統不知道何時該解除壓縮並重新詢問。

30. 與適應關係智能的關係

上一篇提出：

ARImin⁡ARI_{\min}

而本篇指出：

RR

與：

MM

不是附加功能，而是協作壓縮核心。

可寫為：

ARI=F(C,I,R,M,O,D)ARI = F( C, I, R, M, O, D )

其中：

RR

決定 AI 是否能建立持續關係，

MM

提供歷史狀態，

OO

確保關係模型不僵化。

因此：

Relational intelligence is a stateful intelligence problem.\boxed{ \text{Relational intelligence is a stateful intelligence problem.} }

31. 從個人關係到組織關係網

單一人機關係：

RUHR_{UH}

只是最小單位。

真實組織包含：

R={Rij}i,j=1n\mathcal{R} = \{R_{ij}\}_{i,j=1}^{n}

AI 若要理解整個組織，就需要逐步辨識：

  • 哪些關係是正式的；
  • 哪些是非正式的；
  • 哪些具有高信任；
  • 哪些具有高授權；
  • 哪些是資訊瓶頸；
  • 哪些人是跨部門橋樑；
  • 哪些知識只存在於某些關係邊上。

這將直接連接後續的隱式知識顯化問題。

32. 初步命題

命題 1：關係壓縮命題

共享關係狀態增加時，相同協作目標所需的顯式訊息量可以下降。

Rij↑⇒I(M)↓R_{ij}\uparrow \Rightarrow I(M)\downarrow

在其他條件相近時成立。

命題 2：共享狀態非等價命題

共享歷史不保證共享理解，共享理解不保證共享目標。

命題 3：關係資本命題

長期協作者的價值部分來自可降低未來溝通成本的關係狀態資本。

命題 4：差分協作命題

成熟協作更接近：

ΔSt\Delta S_t

傳輸，而不是每次重傳：

StS_t

命題 5：壓縮風險命題

關係壓縮效率越高，錯誤狀態引用造成的放大風險也可能越高。

命題 6：動態有效性命題

關係狀態必須具有可更新、可衰減、可失效的機制。

命題 7：組織隱知拓撲命題

部分組織知識不是存放於文件中，而是分散於關係圖：

GRG_R

的邊狀態上。

33. 結論

人類高效協作很少依賴每次完整說明全部資訊。

真正成熟的關係會把大量歷史、偏好、邊界、信任、例外與工作習慣保存成可被未來訊號引用的共享狀態。

因此：

Communication→State Reference\boxed{ \text{Communication} \rightarrow \text{State Reference} }

是一種重要的協作演化。

所謂：

默契。

老手。

一個眼神就知道。

不用每次講那麼多。

其背後都可能共享同一個結構：

Small Signal+Persistent Relational State→Large Coordinated Action\boxed{ \text{Small Signal} + \text{Persistent Relational State} \rightarrow \text{Large Coordinated Action} }

這也說明，未來 AI 若要真正融入人類社會，不能只擁有更大的語言模型。

它還需要一種能夠建立、維護、引用、衰減並重新觀察關係狀態的智能架構。

否則，每一次互動都像第一次見面。

而一個永遠需要使用者重新把全部背景說一遍的智能，再強，也很難真正成為長期協作者。

下一篇

04｜動態意圖與關係再觀測：為什麼「我懂你」本身也可能成為錯誤