AI 組織吸收與耦合拓撲 04

多主體 AI 耦合拓撲：人類、影子 AI、異質 Agent 與共享狀態

English Title:
Multi-Actor AI Coupling Topology: Humans, Shadow AI, Heterogeneous Agents, and Shared State

系列： AI Organizational Absorption & Coupling Topology
系列編號： 04 / 06
版本： v0.1
日期： 2026-09-18
作者： Neo.K
協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab / 一言諾科技有限公司
文件性質： Multi-Agent 理論／組織協作拓撲／AI 工程治理
前置母文：

Paper 00《軟體時代鑲嵌與 AI 組織拓撲》
Paper 01《有效問題覆蓋論》
Paper 02《企業 AI 吸收論》
Paper 03《重構權限與相容性債務》

主要前置研究：

《跨對話智能協作與共享認知空間》5 篇系列
Persistent Multi-Agent Workspace（PMW）
SCDT：Shared Cognitive Domain Theory / Protocol
《個人認知空間與介面智能：異質主體之間的動態共享世界建構》
Interaction-Time Runtime / Agent Temporal Ledger

摘要

企業 AI 的下一階段不再只是「一個人使用一個 AI」，而 increasingly 呈現：

\boxed{ \text{Humans} + \text{AI Assistants} + \text{Agents} + \text{Tools} + \text{Databases} + \text{ExternalServices} }

共同工作的多主體系統。

當多個人類各自使用不同模型、不同 prompt、不同 memory、不同 Agent 與不同工具時，組織表面上的「人類團隊」會逐步變成：

\boxed{ \text{Human–AI Composite Organization}. }

例如原本四名工程師：

H_1,H_2,H_3,H_4

可能實際運作為：

(H_1+A_1), (H_2+A_2), (H_3+A_3), H_4.

如果這些 AI 使用未進入正式組織治理，本文稱之為：

\boxed{ \text{Shadow AI Coupling}. }

Shadow AI 不只是 security / compliance 問題。它也會增加組織內部的：

模型異質性；
context 異質性；
coding / reasoning style 異質性；
隱性 dependency；
不可見 decision provenance；
handoff cost。

本文因此將多主體協作的核心問題重新表述為：

\boxed{ \text{More Intelligence} \not\Rightarrow \text{More Coordinated Intelligence}. }

既有《跨對話智能協作與共享認知空間》系列已建立：

\boxed{ \text{SharedConversation}\neq\text{SharedWorld}, }

\boxed{ \text{ContinuousCollaboration}\neq\text{ContinuousInference}, }

\boxed{ \text{SharedWorld}\neq\text{SharedCognition}, }

並以：

\boxed{ \mathcal I=\operatorname{Isolate}, \quad \mathcal S=\operatorname{Share}, \quad \mathcal J=\operatorname{Join} }

描述動態協作拓撲，最後形成 Persistent Multi-Agent Workspace：

\boxed{ PMW = \text{SharedWorld} + \text{PersistentExecution} + \text{ScopedMemory} + \text{AdaptiveTopology} + \text{Governance}. }

本文不重寫該系列，而是在其上新增企業與多 AI 的 Coupling Layer。本文主張：

\boxed{ \text{SharedWorkspace} \neq \text{SharedCanonicalState} \neq \text{SharedObservation} \neq \text{SharedCognition} \neq \text{SharedClosureAuthority}. }

也就是：大家能看到同一專案，不代表大家持有同一狀態；共享狀態不代表看到同一現場；看到同一證據不代表有相同理解；理解接近也不代表每個參與者都有資格宣告「完成」。

本文將多主體系統表示為動態圖：

\boxed{ G_t = (V_t,E_t,\Lambda_t), }

其中：

$V_t$ ：人類、Agent、session、tool、database、organization role；
$E_t$ ：handoff、authority、dependency、message、state-sync、verification 關係；
$\Lambda_t$ ：關係型別與條件。

總協作成本不應只表示為每個 Agent 的執行成本：

\sum_i C_i,

而至少包含：

\boxed{ C_{\mathrm{total}} = \sum_i C_i + \sum_{(i,j)\in E} C_{ij}^{\mathrm{pair}} + \sum_{h\in\mathcal H} C_h^{\mathrm{higher}} + C_{\mathrm{governance}}. }

其中 $\mathcal H$ 表示三個以上 participant 才會出現的高階協作關係，例如多方 approval、共同 merge、跨團隊共識或多 Agent conflict resolution。

因此，pairwise relation 最壞可隨完整圖接近：

\frac{N(N-1)}{2},

但本文不主張 multi-agent 系統必然具有 $O(N^2)$ 實際成本；適當的 hierarchy、hub、shared state、protocol 與 topology control 可以顯著降低實際有效邊數與同步頻率。

本文提出 Coupling Cost Vector：

\boxed{ \mathbf C_{ij} = ( C_{\mathrm{state}}, C_{\mathrm{semantic}}, C_{\mathrm{translation}}, C_{\mathrm{temporal}}, C_{\mathrm{authority}}, C_{\mathrm{provenance}}, C_{\mathrm{handoff}} ). }

其中最重要的新問題之一是異質 AI 之間的 Inter-Agent State Translation：

\boxed{ T_{i\rightarrow j}: S_i \rightarrow \hat S_j. }

Agent A 的：

\text{Done}_A

並不自動推出：

\text{Ready}_B.

因為 B 可能缺少 A 的：

assumptions；
unresolved issues；
evidence；
tool state；
branch state；
authority state；
uncertainty；
rationale。

因此本文提出：

\boxed{ \text{Completion} \neq \text{Handoff Readiness}. }

真正可靠的 multi-agent system 需要一個 Shared Canonical Operational State：

\boxed{ S_G(t), }

但這不要求所有 participant 共享完整 cognition。每個 participant 仍可保有：

S_i^{\mathrm{private}},

只將協作必要資訊投影為：

\tilde S_i.

所以：

\boxed{ S_i = S_i^{\mathrm{private}} + \pi_i(S_G,Q_i). }

這延續既有 SCDT 的最小 semantic-operational state 原則。

外部產業與研究也已明確碰到相同問題。Google A2A 將跨 vendor Agent 的 capability discovery、task delegation、task state updates 與 multimodal exchange 視為多 Agent 生態的基礎；MCP 2026 則持續強化工具、context、authorization 與 enterprise-ready protocol substrate。然而，協議互通只解決「怎麼連」，不自動解決「什麼是 canonical state、誰能寫、誰能宣告完成、如何處理衝突」。2026 年 multi-agent software engineering 經驗研究亦指出 MAS 開發仍需要明確 coordination rules、agent roles，而 advanced telemetry 仍存在不足。Stack Overflow 2025 更顯示：69% 的 Agent 使用者認為個人生產力提升，但只有 17% 認為團隊 collaboration 改善。

本文因此提出：

\boxed{ \text{Protocol Interoperability} \neq \text{Collaborative Closure}. }

並把多 AI 未來真正需要解決的問題定位為：

\boxed{ \text{Identity} + \text{Shared State} + \text{Selective Cognition} + \text{Translation} + \text{Authority} + \text{Provenance} + \text{Conflict Resolution} + \text{Topology Control}. }

0. 問題：一個團隊到底有多少參與者？

傳統組織圖可能寫：

Engineer A
Engineer B
Engineer C
Engineer D

AI 時代後可能實際是：

Engineer A + Copilot + private Chat agent
Engineer B + coding agent
Engineer C + local model + test agent
Engineer D

因此：

\boxed{ \text{Human Headcount} \neq \text{Effective Cognitive Participant Count}. }

1. Composite Participant

令人類 $H_i$ 使用一組 AI：

\mathcal A_i = \{A_{i1},A_{i2},\ldots\}.

則其工作節點可表示為：

\boxed{ P_i = H_i \oplus \mathcal A_i. }

此處 $\oplus$ 表示組合工作單元，不表示人格、本體或責任融合。

2. Coupled ≠ Fused

因此：

\boxed{ \text{Coupled} \neq \text{Fused}. }

人類與 AI 形成工作耦合，

不代表：

法律主體融合；
cognition 完全共享；
responsibility 自動平分。

3. Shadow AI Coupling

若組織不知道：

哪些員工在使用 AI；
用哪個 model；
傳了哪些 context；
AI 改了哪些 artifact；

則形成：

\boxed{ \text{Shadow AI Coupling}. }

4. Shadow AI 不只是一個 security 問題

它還造成：

\boxed{ \text{Coordination Opacity}. }

因為其他 participant 看到：

Engineer A 改了 code。

但實際 provenance 是：

H_A \rightarrow A_x \rightarrow \text{tool}_y \rightarrow \text{artifact}.

5. Hidden Participant Problem

令正式 participant set：

V_{\mathrm{declared}}.

真實 participant set：

V_{\mathrm{actual}}.

若：

\boxed{ V_{\mathrm{declared}} \subset V_{\mathrm{actual}}, }

則組織的 coordination graph 是不完整的。

6. 不完整圖的治理風險

缺失節點會使：

provenance incomplete；
authority unclear；
risk attribution wrong；
handoff assumptions wrong。

因此：

\boxed{ \text{Unknown Agent} = \text{Unknown Dependency}. }

7. 既有跨對話系列的基礎

既有系列已建立：

\boxed{ \text{SharedConversation}\neq\text{SharedWorld}. }

多個 Agent 不需要永遠待在同一 chat。

8. Continuous Collaboration ≠ Continuous Inference

Agent 可以：

被喚醒；
執行；
commit state；
休眠。

所以：

\boxed{ \text{ContinuousCollaboration} \neq \text{ContinuousInference}. }

9. Shared World ≠ Shared Cognition

即使大家操作同一專案：

W,

每個 Agent 仍有：

\text{Context}_i = \text{Local}_i + \pi_i(W,Q_i).

所以：

\boxed{ \text{SharedWorld} \neq \text{SharedCognition}. }

10. 動態拓撲

既有系列定義：

\boxed{ \mathcal I=\operatorname{Isolate}, \quad \mathcal S=\operatorname{Share}, \quad \mathcal J=\operatorname{Join}. }

participant 不需要永遠 fully connected。

11. PMW 是 substrate，不是完整答案

Persistent Multi-Agent Workspace 提供：

\boxed{ \text{SharedWorld} + \text{PersistentExecution} + \text{ScopedMemory} + \text{AdaptiveTopology} + \text{Governance}. }

但本文指出：

有 workspace，不代表 coordination 已閉包。

12. Shared Workspace ≠ Shared Canonical State

例如：

所有 Agent 都能看到 GitHub repo。

但：

A 認為 branch X 是 canonical；
B 認為 branch Y；
C 還在看昨天 snapshot。

因此：

\boxed{ \text{SharedWorkspace} \neq \text{SharedCanonicalState}. }

13. Shared Canonical State

本文定義：

\boxed{ S_G(t) = \text{Shared Canonical Operational State}. }

它至少包含：

object identity；
current version；
task status；
ownership；
active constraints；
decisions；
unresolved conflicts；
validation state；
provenance。

14. Canonical State 不等於完整世界

S_G

不是：

把所有 Agent 的全部 context 集中保存。

而只是：

\boxed{ \text{Minimum shared state needed for coordination}. }

15. Private State

每個 participant 保留：

\boxed{ S_i^{private}. }

例如：

scratch reasoning；
temporary hypothesis；
private memory；
role-specific data。

16. Exposed State

透過 projection：

\boxed{ \tilde S_i = \text{Expose}(S_i). }

只共享協作必要資訊。

17. SCDT 的直接接口

SCDT 已將 participant 定義為：

human；
AI Agent；
model session；
tool；
database；
sensor；
organization role；
external service。

並要求的是：

\boxed{ \text{minimal semantic-operational state}, }

而不是 mind transparency。

本文直接繼承此原則。

18. Shared State ≠ Shared Observation

即使：

S_G^A=S_G^B,

A 與 B 可能正在看：

不同 runtime；
不同 screenshot；
不同 machine；
不同 timestamp。

所以：

\boxed{ \text{SharedState} \neq \text{SharedObservation}. }

此問題將由 Paper 05 深入處理。

19. Shared Observation ≠ Shared Cognition

即使看到相同 evidence：

O_A=O_B,

仍可能：

B_A\neq B_B.

因為：

ontology；
role；
experience；
objective；
uncertainty policy；

不同。

20. Shared Cognition ≠ Shared Closure Authority

即使兩者都認為：

work done。

A 可能只有：

\text{CAN\_PROPOSE},

B 才有：

\text{CAN\_CERTIFY}.

因此：

\boxed{ \text{SharedCognition} \neq \text{SharedClosureAuthority}. }

21. 五層共享分離

本文因此正式建立：

\boxed{ \begin{aligned} \text{SharedWorkspace} &\neq \text{SharedState}\\ &\neq \text{SharedObservation}\\ &\neq \text{SharedCognition}\\ &\neq \text{SharedClosureAuthority}. \end{aligned} }

22. Multi-Actor Graph

令：

\boxed{ G_t = (V_t,E_t,\Lambda_t). }

$V_t$ 可以包含：

humans；
AI models；
agents；
tools；
databases；
roles。

23. Edge Types

$\Lambda_t$ 可包含：

message
handoff
read
write
approve
verify
depend_on
delegate
observe
translate
merge

所以：

\boxed{ E }

不是單一 communication edge。

24. Relation Density

對簡單無向近似：

\boxed{ \rho_R = \frac{2|E|}{N(N-1)}. }

實際 multi-agent graph 可能有：

directed；
typed；
temporal；
hyperedge。

所以此式只作簡化觀測量。

25. 為什麼 N 增加不必然導致 $O(N^2)$ 成本

如果所有 participant 都彼此同步，

完整 pairwise relation 數量為：

\frac{N(N-1)}{2}.

但成熟架構可以用：

hierarchy；
broker；
canonical state；
selective sharing；

降低：

|E_{\mathrm{active}}|.

所以真正重要的是：

\boxed{ \text{Effective Coupling Topology}, }

而不是 N 單獨。

26. Total Coordination Cost

本文提出：

\boxed{ C_{\mathrm{total}} = \sum_i C_i + \sum_{(i,j)\in E} C_{ij}^{\mathrm{pair}} + \sum_{h\in\mathcal H} C_h^{\mathrm{higher}} + C_G. }

27. Higher-Order Coupling

$\mathcal H$ 表示：

兩兩關係不足以描述的多方協作。

例如：

three-way merge；
committee approval；
multi-Agent consensus；
human + Agent + compliance joint closure。

28. Pairwise Coupling Vector

定義：

\boxed{ \mathbf C_{ij} = ( C_S, C_\Sigma, C_T, C_\tau, C_A, C_P, C_H ). }

分別為：

state sync；
semantic alignment；
translation；
temporal alignment；
authority alignment；
provenance；
handoff。

29. State Synchronization Cost

若：

S_i(t)\neq S_j(t),

必須做：

\boxed{ \text{Sync}_{i\rightarrow j}. }

30. State Divergence

定義：

\boxed{ \Delta S_{ij}(t) = d( \pi_i(S), \pi_j(S) ). }

$d$ 不要求是歐氏距離。

可依：

version；
task state；
decision set；
unresolved conflicts；

定義。

31. State Drift

若長時間不同步：

\boxed{ \Delta S_{ij}(t)\uparrow. }

可能導致：

duplicated work；
conflicting edits；
stale decisions。

32. Semantic Alignment Cost

兩個 Agent 可以共享文字，

卻對：

done
stable
canonical
safe
release-ready

有不同定義。

因此：

\boxed{ \text{Shared Vocabulary} \neq \text{Shared Semantics}. }

33. Ontology Version Problem

令：

\mathcal O_i

為 participant 使用的 ontology / schema。

若：

\mathcal O_i\neq\mathcal O_j,

相同 state description 可能有不同解讀。

34. Semantic Translation

所以需要：

\boxed{ T_{i\rightarrow j}^{sem}. }

此轉譯應標記：

exact；
approximate；
lossy；
unresolved。

35. Inter-Agent State Translation

更廣義：

\boxed{ T_{i\rightarrow j}: S_i \rightarrow \hat S_j. }

其中：

\hat S_j

是 B 能使用的投影，不必完整複製 A。

36. Done $_A$ ≠ Ready $_B$

Agent A 完成：

\text{Done}_A.

不能推出：

\boxed{ \text{Ready}_B. }

因為 B 可能不知道：

rationale；
caveat；
failed attempt；
pending test；
required tool；
branch；
unresolved ambiguity。

37. Completion ≠ Handoff Readiness

因此：

\boxed{ \text{Completion} \neq \text{HandoffReadiness}. }

這是本文的重要新命題。

38. Handoff Contract

可靠 handoff 至少可包含：

handoff:
  source:
  target:
  object_ids:
  canonical_version:
  completed:
  unresolved:
  assumptions:
  evidence:
  verification:
  authority:
  next_allowed_actions:
  rollback:

39. Handoff Compression

不必把整個對話塞給下一個 Agent。

而應：

\boxed{ \text{Full History} \rightarrow \text{Minimal Sufficient Handoff State}. }

40. Handoff Sufficiency

令：

I_H

為 handoff information。

目標是：

\boxed{ I_H \text{ minimal} }

但仍滿足：

\boxed{ \text{TaskContinuation} + \text{StateConsistency} + \text{Auditability}. }

41. Context Dump 不是共享認知

把 200k token 丟給下一個 Agent：

\boxed{ \text{Context Dump} \neq \text{State Alignment}. }

因為大量 history 可能：

contradictory；
outdated；
unranked；
unresolved。

42. Canonical State 的必要性

因此需區分：

\text{History}

與：

\text{CanonicalState}.

也就是：

\boxed{ \text{Conversation} \neq \text{Canonical State}. }

43. Protocol Interoperability

外部 agent ecosystem 已開始標準化。

Google A2A 提供：

capability discovery；
task delegation；
task state updates；
secure communication；
multimodal payload。

44. A2A 的重要性

A2A 直接承認：

Agent 可能由不同 vendor / framework 建立。

所以：

\boxed{ \text{Heterogeneous Agent Interoperability} }

已成為現實工程問題。

45. 但 A2A ≠ Shared Cognition

A2A 解決：

怎麼交換 task / state / messages。

不能自動決定：

哪個 state canonical；
哪個 claim 已驗證；
哪個 ontology 正確；
誰有 closure authority。

因此：

\boxed{ A2A \neq \text{CollaborativeClosure}. }

46. MCP 的角色

MCP 主要處理：

tools；
resources；
prompts/context；
authorization；
host/client/server boundaries。

2026-07-28 版本進一步採用 stateless core、capability / identity metadata、authorization hardening 與 extensions。

47. MCP ≠ Shared Project State

因此：

\boxed{ \text{Tool/Context Interoperability} \neq \text{Shared Canonical Project State}. }

MCP 是 substrate。

上層仍需要：

project semantics；
ownership；
state governance；
conflict resolution。

48. Protocol Stack

可表示：

\boxed{ \begin{array}{c} CollaborativeClosure\\ \uparrow\\ SharedCanonicalState\\ \uparrow\\ AgentCoordinationProtocol\\ \uparrow\\ Tool/ContextProtocol\\ \uparrow\\ \text{Transport} \end{array} }

這不是宣稱 A2A/MCP 必須固定占某一層，而是概念分離。

49. Multi-Agent Software Engineering Evidence

2026 Multi-Agent Software Engineering experience report 指出：

MAS 工程需要：

framework selection；
proper coordination rules；
role design。

並指出某些 advanced telemetry 能力仍不足。

因此：

\boxed{ \text{MultiAgent} \neq \text{AutomaticCoordination}. }

50. Telemetry 是 Shared-State 基礎

如果不知道：

Agent 正在做什麼；
用了什麼 tool；
state changed how；

就難以：

\boxed{ \text{coordinate} + \text{audit} + \text{recover}. }

51. Stack Overflow：個人增益與團隊增益差

2025 Developer Survey：

約 69% Agent users 認為 productivity 增加；
約 70% 認為特定 task 時間下降；
只有 17% 認為 Agents 改善團隊 collaboration。

因此：

\boxed{ \text{IndividualAgentGain} \gg \text{PerceivedTeamCollaborationGain} }

至少在該調查受訪者中如此。

52. 這支持耦合成本問題

如果 AI 只提高：

C_i,

但：

C_{ij}^{\mathrm{pair}}

沒有下降，

系統總效率不會線性增加。

53. Shadow AI 再進一步

正式組織可能給大家相同：

A_{\mathrm{official}}.

但個人又私下使用：

A_i^{\mathrm{shadow}}.

所以 participant graph 出現：

\boxed{ \text{Declared Layer} + \text{Shadow Layer}. }

54. Shadow Layer 的三種效應

正效應

faster local work；
experimentation；
innovation。

負效應

invisible provenance；
security；
heterogeneity；
inconsistent outputs。

診斷效應

它顯示：

\boxed{ \text{Official Absorbability} < \text{Employee Demand / Capability}. }

55. Same Model ≠ Same Agent

即使 underlying model 相同：

M_i=M_j,

若：

system prompt；
memory；
tools；
permissions；
role；

不同：

\boxed{ Agent_i \neq Agent_j. }

56. Agent Identity

因此 Agent identity 不應只用：

model = X

而至少：

\boxed{ ID_A = ( \text{Model}, \text{Role}, \text{Policy}, \text{Memory}, \text{Tools}, \text{Authority}, \text{Version} ). }

57. Session Identity ≠ Agent Identity

同一 Agent 可以有多 session。

不同 session 也可以共享 role / memory。

所以：

\boxed{ \text{SessionID} \neq \text{AgentID}. }

58. Human–AI Composite Identity

一個工程師 + Agent 形成：

P_i.

但 artifact provenance 應仍保留：

human
agent
model
tool
reviewer

而不是只寫：

author = Alice。

59. Provenance Graph

定義：

\boxed{ G_P }

記錄：

\text{Human} \rightarrow \text{Agent} \rightarrow \text{Tool} \rightarrow \text{Artifact} \rightarrow \text{Review} \rightarrow \text{Commit}.

60. Provenance 不等於責任

即使 AI 產生：

80\%

的 code，

責任也不必按 token 百分比分配。

因此：

\boxed{ \text{Provenance} \neq \text{Accountability}. }

61. Authority Graph

令：

\boxed{ G_A }

表示：

who may read；
who may write；
who may approve；
who may certify；
who may deploy。

62. Collaboration 需要雙圖

至少：

\boxed{ G_C = \text{Collaboration Graph} }

和：

\boxed{ G_A = \text{Authority Graph}. }

一個人能協作，

不代表有批准權。

63. Authority Mismatch

如果 Agent A 完成工作，

但 Agent B 誤以為 A 已有 deploy authority：

\boxed{ \text{Authority Mismatch}. }

這是一種 multi-agent failure。

64. Temporal Skew

Agent A：

S(t_1).

Agent B：

S(t_2).

若：

t_1<t_2,

卻都宣稱：

current state。

就形成：

\boxed{ \text{Temporal State Skew}. }

65. Versioned State

所以 canonical state 應至少具有：

\boxed{ ( \text{StateID}, \text{Version}, \text{Timestamp}, \text{Provenance} ). }

66. Optimistic Collaboration

participant 可以先獨立工作：

\mathcal I.

最後再 reconcile。

適合：

low conflict；
separable tasks。

67. Pessimistic Collaboration

高衝突區可以：

lock；
ownership；
serialized update。

這是：

\boxed{ \text{Coordination Policy}. }

68. Adaptive Topology

最合理不一定永遠全共享。

既有動態拓撲可根據：

\boxed{ \text{Task}, \text{Conflict}, \text{Cost}, \text{Telemetry} }

調整：

G_t\rightarrow G_{t+1}.

69. Isolate

當：

task independent；
privacy high；
exploration needed；

使用：

\mathcal I.

70. Share

當只需：

result；
evidence；
state update；

使用：

\mathcal S.

71. Join

當：

shared reasoning；
conflict resolution；
high coupling；

才：

\mathcal J.

72. Always-On Sharing 是錯誤預設

全量同步會增加：

bandwidth；
cognitive noise；
privacy exposure；
context contamination。

因此：

\boxed{ \text{More Sharing} \not\Rightarrow \text{Better Coordination}. }

73. Selective Coordination

本文採納：

\boxed{ \text{Share What the Collaboration Requires}. }

而不是：

Share everything.

74. Coordination Gain

令：

V_{\mathrm{multi}}

為 multi-actor 產生的價值。

若：

V_{\mathrm{multi}} > \sum_iV_i,

存在：

\boxed{ \text{Positive Coordination Gain}. }

75. Coordination Loss

若：

C_{\mathrm{coupling}} > V_{\mathrm{synergy}},

則多 Agent 反而：

\boxed{ \text{Net Negative}. }

76. More Agents ≠ Better

因此：

\boxed{ N\uparrow \not\Rightarrow \text{Performance}\uparrow. }

最優 participant count 是 task-dependent。

77. Agent Selection

與其：

全部 Agent 都參加。

應：

\boxed{ V^\* = \arg\max_{V'} \left( \text{ExpectedGain} - \text{CouplingCost} \right). }

78. Capability Discovery

A2A 的 Agent Card 等 capability discovery 機制提供實際近鄰：

先知道誰能做什麼，再決定 delegate。

本文將其視為：

\boxed{ \text{Topology Formation Primitive}. }

79. Capability Discovery ≠ Trust

Agent 宣告：

我能做 X。

還需要：

validation；
reputation；
policy；
scope。

所以：

\boxed{ \text{CapabilityDeclaration} \neq \text{CapabilityTrust}. }

80. Handoff Failure Taxonomy

本文提出：

\boxed{ F_H \in \{ \text{StateLoss}, \text{SemanticLoss}, \text{TemporalSkew}, \text{AuthorityMismatch}, \text{ProvenanceLoss}, \text{UnresolvedConflict}, \text{VersionConflict} \}. }

81. StateLoss

必要 state 未傳遞。

82. SemanticLoss

state 傳了，但對方理解不同。

83. TemporalSkew

對方拿到舊 state。

84. AuthorityMismatch

對方誤判 source authority。

85. ProvenanceLoss

不知道 decision / artifact 從哪來。

86. UnresolvedConflict

source 把：

尚未解決。

壓縮成：

done。

87. VersionConflict

兩個合法 state 同時存在。

88. Conflict Is First-Class

系統不應把 conflict：

silently overwrite。

而應建立：

\boxed{ \text{ConflictRecord}. }

89. Disagreement ≠ Failure

兩個 Agent 判斷不同：

B_i\neq B_j

首先表示：

\boxed{ \text{Epistemic Fork}. }

而不是立即判其中一個壞掉。

90. Reconciliation

需要判斷 disagreement 來源：

state；
observation；
semantics；
goal；
authority；
evidence。

然後：

\boxed{ \text{Reconcile}(B_i,B_j). }

91. Canonical State Commit

只有經過合法 reconciliation：

S_G(t) \rightarrow S_G(t+1).

不應讓任何 Agent 單方面：

overwrite truth。

92. Writer Authority

可定義：

CAN_PROPOSE
CAN_WRITE_DRAFT
CAN_COMMIT_STATE
CAN_RESOLVE_CONFLICT
CAN_CERTIFY

93. Shared State Runtime

最低限度需要：

object identity；
version；
lock / conflict；
provenance；
task state；
handoff；
validation；
authority。

這與 PMW、SEDB 等研究線自然相接。

94. 但本篇不把所有東西塞進 SEDB

本文只建立接口：

\boxed{ \text{Coupling Runtime} \leftrightarrow \text{Canonical State Store}. }

底層可由：

SEDB；
database；
graph store；
project runtime；

實現。

95. Coupling Efficiency

定義候選：

\boxed{ \eta_C = \frac{ \text{Value}_{\mathrm{coordinated}} - \sum_i\text{Value}_i^{\mathrm{isolated}} }{ C_{\mathrm{coupling}} }. }

只作研究指標候選。

96. Coordination Debt

本文提出：

\boxed{ D_C }

表示：

參與者與 Agent 增加，但 canonical state、handoff、provenance 與 authority mechanism 沒同步成長所累積的結構債務。

97. Coordination Debt 動態

概念上：

\boxed{ D_{C,t+1} = \rho D_{C,t} + \alpha H_t + \beta S_t + \gamma V_t + \eta A_t - \delta R_t. }

其中：

$H_t$ ：heterogeneity；
$S_t$ ：state drift；
$V_t$ ：version conflict；
$A_t$ ：authority ambiguity；
$R_t$ ：coordination repair。

98. Multi-Agent Scalability Boundary

多 Agent 真正的 scalability boundary 不只是：

tokens；
compute。

還包括：

\boxed{ \text{Coordination Bandwidth}. }

99. Coordination Bandwidth

定義：

\boxed{ B_C = \text{amount of state change that can be synchronized, interpreted, validated, and committed per unit time}. }

100. 如果 Agent 產生速度高於 Coordination Bandwidth

若：

\text{GenerationRate} > B_C,

則：

\boxed{ \text{CoordinationBacklog}\uparrow. }

101. AI 團隊可能出現「寫太快」

這和 Paper 03 相接：

code generation 已經不是主要瓶頸。

下一個瓶頸可能變成：

review；
merge；
state sync；
decision；
verification。

102. Multi-Human + Multi-AI

未來真正系統可能是：

\boxed{ \mathcal O = \{H_1,\ldots,H_m,A_1,\ldots,A_n,T_1,\ldots,T_k\}. }

其中工具本身也可能改變 state。

103. Organization as Heterogeneous Cognitive Network

因此企業不再只是：

\boxed{ \text{Human Organization}. }

更接近：

\boxed{ \text{Heterogeneous Cognitive-Operational Network}. }

104. 不應強迫同一化

理想系統不是：

所有 Agent 都使用同一 cognition。

而是：

\boxed{ \text{Sufficient Interoperability} + \text{Controlled Heterogeneity}. }

105. Heterogeneity 也有價值

不同 Agent 可能提供：

different priors；
different models；
different perspectives；
independent verification。

所以：

\boxed{ \text{Heterogeneity} \neq \text{Pure Cost}. }

106. Diversity–Coordination Tradeoff

太低異質性：

\rightarrow \text{redundancy}.

太高異質性：

\rightarrow \text{translation cost}.

所以可能存在：

\boxed{ H^\* }

使多樣性與可協作性平衡。

這是可檢驗假說，不宣稱普遍單峰。

107. 可反駁假說 H1

在控制單 Agent 能力後：

shared canonical state 應降低 duplicated work、version conflict 與 contradictory edits。

108. 可反駁假說 H2

explicit handoff contract 應降低：

\text{ContextRecoveryCost}.

109. 可反駁假說 H3

Agent 數量增加時，如果 active edge density 未受控制：

C_{\mathrm{coupling}}

會快速增加。

110. 可反駁假說 H4

Shadow AI prevalence 與：

\text{Individual–Organization Epoch Gap}

存在正相關候選。

111. 可反駁假說 H5

適度異質 Agent ensemble 在部分 complex tasks 上可能優於同質 Agent，但高 semantic / state divergence 會抵消其收益。

112. 可反駁假說 H6

Protocol interoperability（如 A2A / MCP）可以降低 integration cost，但若缺少 canonical-state governance，仍無法充分降低 coordination debt。

113. 最小資料模型

participant_id:
participant_type:
  - human
  - agent
  - model_session
  - tool
  - role
model:
role:
capabilities:
authority:
private_state_ref:
exposed_state:
canonical_state_version:
active_task:
dependencies:
handoffs:
provenance:
conflicts:
verification:
last_sync:

114. Coupling Ledger

未來可以建立：

\boxed{ \text{Multi-Agent Coupling Ledger}. }

記錄：

participant joins；
state reads；
state commits；
handoffs；
conflicts；
translation；
authority changes；
closures。

115. 耦合可視化

未來可視化：

Human A ─ Agent A ─ Repo
   │          │
   │       Tool X
   │
Canonical State
   │
Human B ─ Agent B ─ DB

並標：

stale edge；
high-cost edge；
authority conflict；
unresolved handoff。

116. 與 Paper 05 的接口

Paper 04 已回答：

多主體如何共享狀態、轉譯、交接與協調？

但仍留下：

如果不同 participant 根本沒有看到同一個世界，怎麼辦？

因此 Paper 05 將進入：

\boxed{ \text{Multi-Modal Observation Closure}. }

也就是：

required modality；
observation sufficiency；
green-light misplacement；
multimodal state skew；
Shared Observation Fabric；
closure certification。

117. Claim Boundary

$K$ ｜已有支持

已有內外部研究支持：

Shared conversation、shared world、shared cognition 可以被分離；
multi-agent system 需要 explicit roles / coordination rules；
agent protocols 正在處理 heterogeneous-agent interoperability；
tool/context protocol 與 agent-to-agent communication 已成重要 infrastructure；
Agent 個人生產力收益並不自動轉化為 team collaboration 收益。

$E$ ｜本文新推導

本文提出：

Human–AI Composite Participant；
Shadow AI Coupling；
Hidden Participant Problem；
Shared Workspace / State / Observation / Cognition / Closure Authority 五層分離；
Inter-Agent State Translation；
Completion ≠ Handoff Readiness；
Handoff Contract；
Coupling Cost Vector；
Higher-Order Coupling；
Coordination Debt；
Coordination Bandwidth；
Diversity–Coordination Tradeoff。

$S$ ｜需要 simulation / benchmark

graph density vs coordination cost；
topology control；
handoff compression；
state-sync intervals；
heterogeneous-agent translation。

$X$ ｜需要企業 field study

Shadow AI actual prevalence；
hidden participant impact；
coordination debt；
multi-human + multi-AI productivity；
authority mismatch incidents。

$F$ ｜工程化

Multi-Agent Coupling Ledger；
Canonical State Runtime；
Handoff Compiler；
Agent Identity Registry；
Conflict / Reconciliation Runtime；
Dynamic Topology Controller。

118. 結論

AI 時代的企業不會只是：

\boxed{ \text{Humans using tools}. }

它正在逐漸變成：

\boxed{ \text{Humans} + \text{AI} + \text{Agents} + \text{Tools} + \text{Shared State}. }

但增加 Agent 數量本身不會自動增加組織智能。

因為：

\boxed{ \text{More Intelligence} \neq \text{More Coordinated Intelligence}. }

真正的問題是：

誰知道什麼；
誰看到什麼；
誰能改什麼；
誰完成了什麼；
誰能宣告完成；
誰的 state 最新；
誰需要接手；
disagreement 應如何解決。

因此：

\boxed{ \text{SharedWorkspace} \neq \text{SharedCanonicalState} \neq \text{SharedObservation} \neq \text{SharedCognition} \neq \text{SharedClosureAuthority}. }

這五個層次不應被任何單一「共享空間」概念壓平。

同樣，A2A、MCP 等 protocol 的快速發展非常重要，因為它們降低：

\boxed{ \text{Interoperability Cost}. }

但：

\boxed{ \text{Protocol Interoperability} \neq \text{Collaborative Closure}. }

真正成熟的 multi-AI organization 仍需要：

\boxed{ \text{Identity} + \text{CanonicalState} + \text{SelectiveCognition} + \text{Translation} + \text{Authority} + \text{Provenance} + \text{ConflictResolution} + \text{AdaptiveTopology}. }

所以未來企業 AI 的問題，不再只是：

要不要多開幾個 Agent？

而是：

這些人類與 Agent 應該在什麼時候 isolate、什麼時候 share、什麼時候 join；交換多少 state；誰能 commit；誰能 verify；誰能 certify；以及如何讓異質智能保持差異而仍能共同作用於同一世界。

這就是：

\boxed{ \text{Multi-Actor AI Coupling Topology}. }

參考文獻與研究錨點

內部前置研究

[INT-01] Neo.K. 《AI 組織吸收與耦合拓撲 00：軟體時代鑲嵌與 AI 組織拓撲》v0.2. EveMissLab, 2026.

[INT-02] Neo.K. 《AI 組織吸收與耦合拓撲 01：有效問題覆蓋論》v0.1. EveMissLab, 2026.

[INT-03] Neo.K. 《AI 組織吸收與耦合拓撲 02：企業 AI 吸收論》v0.1. EveMissLab, 2026.

[INT-04] Neo.K. 《AI 組織吸收與耦合拓撲 03：重構權限與相容性債務》v0.1. EveMissLab, 2026.

[INT-05] Neo.K. 《跨對話智能協作與共享認知空間》Series 1–5. EveMissLab, 2026.

[INT-06] Neo.K. 《Persistent Multi-Agent Workspace：跨對話共享世界 Runtime、持久協作協定與 MVP》. EveMissLab, 2026.

[INT-07] Neo.K. SCDT-VI《共享認知域協議：人類、AI 與多智能體語義系統》v0.1. EveMissLab, 2026.

[INT-08] Neo.K. 《個人認知空間與介面智能：異質主體之間的動態共享世界建構》v1.0. EveMissLab, 2026.

外部研究與協議

[R1] Google. Announcing the Agent2Agent Protocol (A2A): A New Era of Agent Interoperability. 2025-04-09.
https://developers.googleblog.com/a2a-a-new-era-of-agent-interoperability/

[R2] Google. How A2A is Building a World of Collaborative Agents. 2026-06-18.
https://developers.googleblog.com/how-a2a-is-building-a-world-of-collaborative-agents/

[R3] Google. Developer’s Guide to AI Agent Protocols. 2026-03-18.
https://developers.googleblog.com/developers-guide-to-ai-agent-protocols/

[R4] Model Context Protocol. The 2026-07-28 Specification. 2026-07-28.
https://blog.modelcontextprotocol.io/posts/2026-07-28/

[R5] Model Context Protocol. The New MCP Roadmap. 2026-08-22.
https://blog.modelcontextprotocol.io/posts/mcp-roadmap/

[R6] de Oliveira, M. C. S., Ibiyo, M. O., Gianrusso, M., et al. Developing LLM-based Multi-Agent Systems in Software Engineering: A Mixed-Method Experience Report. arXiv:2608.11965, 2026.

[R7] Stack Overflow. 2025 Developer Survey — AI Agents.
https://survey.stackoverflow.co/2025/ai

AI Organizational Absorption & Coupling Topology — Paper 04 v0.1
EveMissLab — Boundless Knowledge. One Promise Forward.

多主體 AI 耦合拓撲：人類、影子 AI、異質 Agent 與共享狀態

AI 組織吸收與耦合拓撲 04

多主體 AI 耦合拓撲：人類、影子 AI、異質 Agent 與共享狀態

摘要

0. 問題：一個團隊到底有多少參與者？

1. Composite Participant

2. Coupled ≠ Fused

3. Shadow AI Coupling

4. Shadow AI 不只是一個 security 問題

5. Hidden Participant Problem

6. 不完整圖的治理風險

7. 既有跨對話系列的基礎

8. Continuous Collaboration ≠ Continuous Inference

9. Shared World ≠ Shared Cognition

10. 動態拓撲

11. PMW 是 substrate，不是完整答案

12. Shared Workspace ≠ Shared Canonical State

13. Shared Canonical State

14. Canonical State 不等於完整世界

15. Private State

16. Exposed State

17. SCDT 的直接接口

18. Shared State ≠ Shared Observation

19. Shared Observation ≠ Shared Cognition

20. Shared Cognition ≠ Shared Closure Authority

21. 五層共享分離

22. Multi-Actor Graph

23. Edge Types

24. Relation Density

25. 為什麼 N 增加不必然導致 O(N2)O(N^2)O(N2) 成本

26. Total Coordination Cost

27. Higher-Order Coupling

28. Pairwise Coupling Vector

29. State Synchronization Cost

30. State Divergence

31. State Drift

32. Semantic Alignment Cost

33. Ontology Version Problem

34. Semantic Translation

35. Inter-Agent State Translation

36. Done A_AA​ ≠ Ready B_BB​

37. Completion ≠ Handoff Readiness

38. Handoff Contract

39. Handoff Compression

40. Handoff Sufficiency

41. Context Dump 不是共享認知

42. Canonical State 的必要性

43. Protocol Interoperability

44. A2A 的重要性

45. 但 A2A ≠ Shared Cognition

46. MCP 的角色

47. MCP ≠ Shared Project State

48. Protocol Stack

49. Multi-Agent Software Engineering Evidence

50. Telemetry 是 Shared-State 基礎

51. Stack Overflow：個人增益與團隊增益差

52. 這支持耦合成本問題

53. Shadow AI 再進一步

54. Shadow Layer 的三種效應

正效應

負效應

診斷效應

55. Same Model ≠ Same Agent

56. Agent Identity

57. Session Identity ≠ Agent Identity

58. Human–AI Composite Identity

59. Provenance Graph

60. Provenance 不等於責任

61. Authority Graph

62. Collaboration 需要雙圖

63. Authority Mismatch

64. Temporal Skew

65. Versioned State

66. Optimistic Collaboration

67. Pessimistic Collaboration

68. Adaptive Topology

69. Isolate

70. Share

71. Join

72. Always-On Sharing 是錯誤預設

25. 為什麼 N 增加不必然導致 $O(N^2)$ 成本

36. Done $_A$ ≠ Ready $_B$

$K$ ｜已有支持

$E$ ｜本文新推導

$S$ ｜需要 simulation / benchmark

$X$ ｜需要企業 field study

$F$ ｜工程化