AI 組織吸收與耦合拓撲 03

重構權限與相容性債務：AI 的局部最優、全域最優與既有系統約束

English Title:
Reconstruction Authority and Compatibility Debt: Local Optima, Global Optima, and Legacy Constraints in AI-Assisted Software Engineering

系列： AI Organizational Absorption & Coupling Topology
系列編號： 03 / 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： AI 軟體工程理論／企業重構治理／時代拓撲論應用
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》

主要前置方法論：

《形式系統的補丁化累積：載體超載、局部擬合與結構債務》
《理論補丁算子學》
《全域完成論：AI 時代從局部完成到全域實例化的方法論》
Maximum Local Precision + Minimum Global Disturbance
Global-First Completion

摘要

前沿 AI Coding Agent 已開始具備跨檔案理解、依賴追蹤、測試生成、架構分析與大範圍程式碼修改能力，因此一個新的工程矛盾正在形成：

AI 可能已經能看出全域更好的解法，但現實組織只允許它修改局部。

因此，AI 軟體工程中的主要瓶頸不再只是：

\boxed{ \text{Can the AI find a better solution?} }

而是：

\boxed{ \text{Is the better solution inside the authorized, compatible, verifiable, reversible change space?} }

本文提出最核心的區分：

\boxed{ \Omega_{\mathrm{optimal}} \neq \Omega_{\mathrm{authorized}} \neq \Omega_{\mathrm{deployable}}. }

其中：

$\Omega_{\mathrm{optimal}}$ ：AI 在充分資訊下可探索的理論最佳化空間；
$\Omega_{\mathrm{authorized}}$ ：組織允許 Agent 修改的空間；
$\Omega_{\mathrm{deployable}}$ ：考慮相容性、驗證、回滾、責任與風險後真正可部署的空間。

一般而言：

\boxed{ \Omega_{\mathrm{deployable}} \subseteq \Omega_{\mathrm{authorized}} \subseteq \Omega_{\mathrm{optimal}}. }

這使「AI 只做局部 patch」不應被簡化理解成 Agent 能力不足。局部修復可能是：

權限限制；
相容性約束；
contract preservation；
migration risk；
unknown dependency；
rollback requirement；

下的合理策略。

但當局部補丁長期累積時，又可能形成本文所稱：

\boxed{ D_{\mathrm{compat}} = \text{Compatibility Debt} }

與既有「結構債務」相連。Compatibility Debt 表示：為維持舊接口、舊資料、舊客戶、舊工作流與舊責任邊界，而持續加入 adapter、exception、bridge、special case 與 local patch 所累積的未來整合成本。

延續先前補丁化理論，本文提出：

\boxed{ D_{t+1} = \rho D_t + \alpha C_t^{\mathrm{patch}} + \beta L_t^{\mathrm{interface}} + \gamma H_t^{\mathrm{legacy}} + \eta X_t^{\mathrm{exception}} - \delta R_t, }

其中 $R_t$ 表示真正的重構、刪除、統一與空間重寫。

然而，本文同時反對另一個極端：

既然 AI 可以全域理解，就應讓 AI 直接全面重寫。

全域重構會擴大：

change surface；
blast radius；
verification surface；
migration surface；
organizational liability。

因此本文引入：

\boxed{ L_{\mathrm{reconstruction}} = \text{Reconstruction Liability} }

以及：

\boxed{ B_{\mathrm{change}} = \text{Change Blast Radius}. }

AI 的全域方案若超過組織可驗證與可回滾能力，即使架構上更優，也可能不是當前 deployable optimum。

因此，本研究不在「局部修復」與「全域完成」之間選邊，而是建立一個 Authorized Reconstruction Topology。其核心是：

\boxed{ \text{Choose the largest change surface that remains observable, authorized, verifiable, compatible, and reversible.} }

這使先前兩個方法論得到統一：

\boxed{ \text{Maximum Local Precision} + \text{Minimum Global Disturbance} }

適合高不確定、高耦合、低授權、低可回滾環境；而：

\boxed{ \text{Global-First Completion} }

適合範圍明確、依賴可見、授權充分、sandbox 完整且全域驗證成本可承擔的環境。

本文因此提出 Reconstruction Eligibility Condition：

\boxed{ \text{GlobalReconstruction}(q) \Rightarrow \text{Auth} \land \text{Obs} \land \text{Dep} \land \text{Ver} \land \text{Rollback} \land \text{Owner}. }

只有當修改權、觀測、依賴圖、驗證、回滾與責任擁有者都足夠時，全域重構才是合理候選。

外部研究與此框架相容。METR 2026 發現，約一半通過 SWE-bench Verified automated grader 的 AI patch 仍不會被 maintainer 接受，拒絕原因包含 code quality、破壞其他程式與核心功能失敗；2025 的 Agentic Refactoring 大型研究顯示，AI Agent 的實際 refactoring 明顯偏向低階、一致性導向的局部修改，而不是高階設計變更；2026 年針對 30 萬級 AI-authored commits 的預印本研究則報告 AI-generated code 在真實 repository 中可引入長期存續的 code smells、bugs 與 security issues；DORA 2026 也指出 AI 加速 creation 後，時間常被重新分配到 auditing 與 verification。

本文最終主張：

\boxed{ \text{Best Technical Architecture} \neq \text{Best Deployable Change}. }

真正的企業 AI 重構問題是一個：

\boxed{ \text{Constrained Global Optimization Problem}. }

0. 問題定義

AI Coding Agent 的能力正在從：

complete line
→ write function
→ edit file
→ edit repository
→ plan migration
→ propose architecture

快速擴張。

因此一個新的情況出現：

Agent 看得到更好的全域結構，但無法合法採取對應行動。

這不是單純技術能力問題。

1. 三個空間

本文首先區分三個空間。

1.1 理論最佳化空間

\boxed{ \Omega_{\mathrm{optimal}} }

表示：

若忽略組織權限與遷移限制，AI 可以搜索的候選解空間。

1.2 授權修改空間

\boxed{ \Omega_{\mathrm{authorized}} }

表示：

AI 實際被允許修改的物件、接口與狀態集合。

1.3 可部署修改空間

\boxed{ \Omega_{\mathrm{deployable}} }

表示同時滿足：

compatibility；
verification；
rollback；
security；
governance；
business continuity；

的可實際部署區域。

2. 基本包含關係

典型情況：

\boxed{ \Omega_{\mathrm{deployable}} \subseteq \Omega_{\mathrm{authorized}} \subseteq \Omega_{\mathrm{optimal}}. }

但這是一般結構，不宣稱所有組織都嚴格包含。

3. Optimization Space ≠ Authorized Modification Space

核心命題：

\boxed{ \text{Optimization Space} \neq \text{Authorized Modification Space}. }

AI 可以知道：

整個 dependency architecture 應該重寫。

但公司只允許：

改這三個檔案。

因此 AI 的實際問題變成：

\boxed{ \max_{x\in\Omega_{\mathrm{authorized}}} U(x) }

而不是：

\boxed{ \max_{x\in\Omega_{\mathrm{optimal}}} U(x). }

4. 這是一個受限最佳化問題

令：

U(x)

為方案 $x$ 的全域工程效用。

約束：

g_i(x)\le0

可包括：

backward compatibility；
budget；
downtime；
security；
customer contract；
legal；
ownership。

則企業 Agent 真正解的是：

\boxed{ x^\* = \arg\max_x U(x) \quad \text{s.t. } g_i(x)\le0. }

5. Technical Optimum ≠ Deployable Optimum

因此：

\boxed{ x_{\mathrm{technical}}^\* \neq x_{\mathrm{deployable}}^\*. }

一個架構師眼中的最好方案，

不一定是：

現在最值得部署的方案。

6. 為什麼企業會限制全域修改

限制來源可能包括：

unknown dependencies；
undocumented consumers；
old customer contracts；
regulatory obligations；
operational risk；
missing tests；
unclear ownership；
migration cost；
retraining；
rollback difficulty。

這些都屬於真實 constraint。

7. Legacy Constraint Graph

可把既有系統表示為：

\boxed{ G_L=(V,E,\lambda). }

節點 $V$ ：

service；
database；
API；
team；
customer；
contract；
deployment；
policy。

邊 $E$ ：

dependency；
ownership；
data flow；
authorization；
compatibility；
contractual relation。

8. 一個修改不是只碰 code

若修改節點：

v_i,

實際影響：

\boxed{ \text{Impact}(v_i) = \text{Reach}_{G_L}(v_i). }

所以：

改一個 API

可能同時是：

code change；
customer change；
documentation change；
contract change；
billing change。

9. Change Surface

本文定義：

\boxed{ S(\Delta) = \text{set of affected nodes and interfaces}. }

局部 patch：

|S(\Delta)|\ll|G_L|.

全域 reconstruction：

S(\Delta)\approx G_L.

10. Change Blast Radius

再定義：

\boxed{ B_{\mathrm{change}}(\Delta) = f( |S|, \text{Centrality}, \text{Irreversibility}, \text{Externality}, \text{Uncertainty} ). }

這是一個診斷形式，不宣稱固定函數。

11. Blast Radius 與 Agent 能力

Agent 越能大範圍修改：

\text{Capability}\uparrow,

可觸及：

|S|\uparrow.

但同時：

\boxed{ B_{\mathrm{change}}\uparrow. }

所以高能力 Agent 不必然獲得高授權。

12. Reconstruction Liability

本文提出：

\boxed{ L_{\mathrm{reconstruction}} }

表示重構失敗後由組織承擔的：

operational；
financial；
legal；
security；
reputational；
maintenance；

責任。

13. 成功與失敗不對稱

全域重構成功：

得到較乾淨架構。

全域重構失敗：

可能造成 production-level damage。

因此決策不能只比較期望性能：

U_{\mathrm{new}}>U_{\mathrm{old}}.

還要看：

\boxed{ EU = P_sV_s - P_fC_f. }

14. 大失敗成本使組織偏向局部

若：

C_f\gg V_s,

即使：

P_s>P_f,

組織仍可能合理選擇：

\boxed{ \text{Minimal Change}. }

這不是必然保守，而是風險函數不同。

15. Compatibility Debt

本文定義：

\boxed{ D_{\mathrm{compat}} = \text{deferred cost accumulated by preserving old interfaces, states, conventions, and consumers}. }

來源包括：

adapter；
compatibility layer；
legacy branch；
special case；
duplicated schema；
translation layer；
deprecated API support。

16. Compatibility Debt 與一般 Technical Debt 的差別

Technical Debt 很廣。

Compatibility Debt 特別指：

為了讓新結構繼續和舊世界共同存在而付出的債務。

所以：

\boxed{ D_{\mathrm{compat}} \subseteq D_{\mathrm{technical}} }

可作為一個實用子類。

17. Dynamic Compatibility Debt

延續既有結構債務模型：

\boxed{ D_{t+1} = \rho D_t + \alpha C_t^{\mathrm{patch}} + \beta L_t^{\mathrm{interface}} + \gamma H_t^{\mathrm{legacy}} + \eta X_t^{\mathrm{exception}} - \delta R_t. }

其中：

$C_t^{patch}$ ：補丁耦合；
$L_t^{interface}$ ：接口損失；
$H_t^{legacy}$ ：legacy preservation load；
$X_t^{exception}$ ：特殊例外；
$R_t$ ：重構／刪除／統一。

18. Local Success Can Increase Global Debt

因此：

\boxed{ Q_{\mathrm{local}}\uparrow }

可能同時：

\boxed{ D_{\mathrm{compat}}\uparrow. }

例如：

Bug 修好了。

但又多一層：

if legacy_customer:
    ...

19. Patch Accumulation

每次：

\Sigma_{t+1} = \Sigma_t\oplus P_t.

局部誤差可能下降。

但 patch 彼此開始依賴後：

\boxed{ C_{\mathrm{patch-coupling}}\uparrow. }

這會使未來重構更困難。

20. 舊理論的重構門檻

既有補丁化研究已提出：

若：

\left| \frac{dE_{\mathrm{local}}}{dn} \right| < \lambda \frac{dD}{dn},

則新增補丁的邊際收益小於結構債務邊際成本。

這是一個非常適合 AI 工程的重構判斷形式。

21. AI 讓 Patch 更便宜

AI 使：

C_{\mathrm{patch}}\downarrow.

這是好事。

但也可能造成：

PatchFrequency\uparrow.

因此：

\boxed{ \text{Cheaper Patch} \not\Rightarrow \text{Lower Long-Term Debt}. }

22. Patch Elasticity

本文提出：

\boxed{ \epsilon_P = \frac{ \%\Delta PatchCount }{ \%\Delta PatchCost^{-1} }. }

如果 AI 讓 patch 太便宜，組織可能用更多 patch 延後 reconstruction。

此為候選度量。

23. AI Patch Trap

當：

\text{PatchCost}\downarrow

造成：

PatchCount\uparrow\uparrow,

並使：

D_{\mathrm{compat}}\uparrow,

本文稱：

\boxed{ \text{AI Patch Trap}. }

24. 但「全部重寫」不是解答

另一個錯誤是：

有 AI 了，重寫整個系統就好。

這忽略：

hidden requirements；
production behavior；
migration data；
tacit knowledge；
old customers；
external integration。

25. Greenfield Illusion

本文稱：

\boxed{ \text{Greenfield Illusion} }

即：

把 brownfield system 當作可以重新從零建構的 clean specification。

但：

\boxed{ \text{ObservedLegacyBehavior} }

常本身已成為隱含 specification。

26. Legacy Behavior as Contract

如果客戶長期依賴某行為：

b,

即使：

沒寫在文件。

也可能形成：

\boxed{ \text{De Facto Contract}. }

所以全域重寫不能只讀正式 spec。

27. Specification Incompleteness

對 mature system：

\boxed{ Spec_{\mathrm{written}} \subset Spec_{\mathrm{effective}}. }

其中：

Spec_{\mathrm{effective}} = Spec_{\mathrm{written}} + Behavior_{\mathrm{production}} + \text{TacitKnowledge} + \text{ExternalDependency}.

28. AI 全域理解的真正需求

因此真正的 repository-scale intelligence 不只是：

看完所有 code。

還需要理解：

runtime traces；
production metrics；
user behavior；
issue history；
review norms；
contract；
external API consumers。

29. METR：Test Pass 不等於 Mergeable

METR 2026 發現：

約一半通過 SWE-bench Verified automated grader 的 AI-generated PR，仍不會被 maintainer merge。

主要拒絕類型包含：

code quality；
breaks other code；
core functionality failure。

因此：

\boxed{ \text{Test Closure} \neq \text{Repository Closure}. }

30. Repository Acceptance Surface

本文定義：

\boxed{ \Omega_{\mathrm{mergeable}} }

為：

不只通過 tests，還符合 repository 的 architecture、quality、maintainership 與 compatibility expectations 的 change space。

所以：

\boxed{ \Omega_{\mathrm{test-pass}} \not\subseteq \Omega_{\mathrm{mergeable}} }

不能被假定為完全重合。

31. Maintainer Judgment 是一個重要層

Maintainer review 可能判斷：

style；
future maintainability；
architecture；
hidden coupling；
scope appropriateness。

這些往往不是 unit test 能完全捕捉。

32. Agentic Refactoring 的實證訊號

2025 的大型 Agentic Refactoring 預印本分析：

15,451 個 refactoring instances；
12,256 PRs；
14,988 commits；

並報告 Agent 的 refactoring 明顯偏向：

Change Variable Type；
Rename Parameter；
Rename Variable；

等低階、一致性導向修改。

研究者將此與人類更常進行高階 design refactoring 的情況對比。

這不是能力上限證明。

但顯示：

\boxed{ \text{Observed Agent Refactoring} }

目前仍高度局部化。

33. 為什麼 Agent 偏局部

可能原因包括：

task framing；
limited authority；
benchmark structure；
risk；
context；
verification cost。

所以不能直接說：

AI 不會高階重構。

34. 真正問題是 Reconstruction Eligibility

本文因此提出：

\boxed{ \operatorname{Eligible}_{global}(q) }

而不是只問：

\boxed{ \operatorname{Capable}_{global}(A,q). }

35. Reconstruction Eligibility Condition

若要允許全域 reconstruction，至少需要：

\boxed{ \text{Auth} \land \text{Obs} \land \text{Dep} \land \text{Ver} \land \text{Rollback} \land \text{Owner}. }

其中：

$Auth$ ：足夠修改權；
$Obs$ ：足夠觀測；
$Dep$ ：依賴可見；
$Ver$ ：可驗證；
$Rollback$ ：可回復；
$Owner$ ：責任與決策擁有者明確。

36. 缺一項會怎樣

如果：

\neg \text{Dep},

可能漏掉 hidden consumers。

如果：

\neg \text{Ver},

無法確認重構沒有破壞行為。

如果：

\neg \text{Rollback},

失敗成本急升。

如果：

\neg Owner,

沒有誰能合法批准。

37. Authorized Reconstruction Radius

本文定義：

\boxed{ r_A = \text{Authorized Reconstruction Radius}. }

表示 Agent 在指定 task 中被允許改動的依賴半徑。

38. $r_A$ 不是檔案數

它可以依：

dependency hops；
service boundary；
ownership boundary；
API boundary；
blast radius；

定義。

所以：

\boxed{ r_A }

是拓撲量，不是單純 LOC。

39. Observation Radius

同時定義：

\boxed{ r_O = \text{Observation Radius}. }

若：

r_A>r_O,

Agent 被允許修改它無法完整觀察的範圍。

這非常危險。

因此提出：

\boxed{ r_A \le r_O }

作為一個保守治理原則。

40. Verification Radius

另有：

\boxed{ r_V = \text{Verification Radius}. }

更嚴格地：

\boxed{ r_A \le \min(r_O,r_V) }

才適合自動 commit。

41. Rollback Radius

若：

r_R

表示可安全回滾範圍，

則 autonomous modification 應考慮：

\boxed{ r_A \le r_R. }

42. Reconstruction Envelope

綜合得到：

\boxed{ r_{\mathrm{deploy}} = \min( r_{\mathrm{auth}}, r_O, r_V, r_R ). }

此為概念 envelope，不代表所有維度都可直接量化為相同距離。

43. Local Repair 的合理區域

當：

dependency unknown；
authority narrow；
risk high；
rollback weak；

最合理策略是：

\boxed{ \text{Maximum Local Precision} + \text{Minimum Global Disturbance}. }

44. Maximum Local Precision

要求：

找到真正責任層；
不把 symptom 當 root cause；
建立最小 dependency cone；
用反例定位 defect；
只改必要結構。

45. Minimum Global Disturbance

要求：

不碰無關節點；
preservation of contract；
明確 boundary test；
明確 side effects；
可回滾。

所以：

\boxed{ \text{Local} \neq \text{Blind Patch.} }

46. Boundary Closure

局部修復至少要：

\boxed{ \text{LocalClosure} + \text{BoundaryClosure}. }

即：

本地修好了。

還要：

與外界接點沒破。

47. Global-First Completion 的合理區域

相反地，若：

scope 已明確；
dependency graph 可見；
sandbox 完整；
task domain bounded；
tests / verification 足夠；
full authority 已取得；

則逐檔案施工可能產生不必要局部最優。

這時：

\boxed{ \text{Global-First Completion} }

可能更合理。

48. Global-First ≠ Reckless Rewrite

Global-First 的核心不是：

一次亂改全部。

而是：

\boxed{ \text{Bounded Domain} \rightarrow \text{Global Instantiation} \rightarrow \text{Global Validation} \rightarrow \text{Targeted Repair}. }

49. Local vs Global 不是二元哲學

本文拒絕：

\boxed{ \text{LocalGood} \quad \text{vs}\quad \text{GlobalGood}. }

真正判準是：

\boxed{ \text{Change Strategy} = f( \text{Scope}, \text{DependencyVisibility}, \text{Authority}, \text{Verification}, \text{Rollback}, \text{Risk} ). }

50. Reconstruction Strategy Matrix

可概念化：

依賴可見度	驗證能力	授權	建議策略
低	低	低	最小局部修復
高	低	高	建模／補驗證，暫不全域改
高	高	低	全域分析，局部提交
高	高	高	可考慮 bounded global reconstruction

這不是固定 policy，而是判斷模板。

51. Analysis Authority ≠ Modification Authority

AI 可以被允許：

\boxed{ \text{Global Read / Analyze} }

但只具有：

\boxed{ \text{Local Write}. }

這是一種非常有價值的中間狀態。

52. Global Observer, Local Actor

本文提出：

\boxed{ \text{Global Observer} + \text{Local Actor}. }

AI 可以：

全 repo 建圖；
找 dependency；
找 architectural debt；

但：

只提交有限 patch。

這比：

既不讓 AI 看全域，也不讓它改全域

更有效。

53. Reconstruction Proposal Mode

對高 blast-radius 變更：

AI 不應直接 commit。

而先產生：

reconstruction_proposal:
  target:
  rationale:
  affected_nodes:
  dependencies:
  preserved_contracts:
  migration_steps:
  compatibility_risks:
  verification_plan:
  rollback_plan:
  estimated_blast_radius:
  approval_required:

54. 這與舊補丁證書一致

既有補丁算子學已要求：

scope；
dependencies；
side effects；
verification；
reversibility。

本文把它擴張成 software reconstruction certificate。

55. Reconstruction Certificate

定義：

\boxed{ Cert_R(\Delta) }

至少包含：

change identity；
scope；
dependency graph；
affected interfaces；
preserved invariants；
migration；
tests；
rollback；
owner；
authority；
uncertainty。

56. Cert 沒有完成，不應直接全域施工

對高風險 change：

\boxed{ Cert_R(\Delta)=\text{Incomplete} \Rightarrow \text{NoAutonomousGlobalCommit}. }

57. Human Review 的角色

Human review 不應只是：

幫 AI 找 syntax error。

而是處理 AI 難以內生擁有的：

business contract；
future roadmap；
social responsibility；
organizational ownership；
risk appetite。

58. Code Ownership

2026 IEEE TSE 的一項實驗發現，使用 AI 的參與者在 task completeness 上有明顯提升，但對自己實作程式碼的技術問題回答能力下降，研究者將其作為 code ownership 下降的 proxy。

這提示：

\boxed{ \text{More Generated Code} \neq \text{More Organizational Understanding}. }

59. Ownership Debt

本文提出：

\boxed{ D_{\mathrm{ownership}} }

表示：

程式碼變動速度超過團隊理解、責任歸屬與維護能力時累積的債務。

60. Ownership Debt 與 Compatibility Debt 可耦合

如果：

D_{\mathrm{ownership}}\uparrow,

團隊更難判斷哪些 legacy behavior 可以刪。

因此：

D_{\mathrm{compat}}\uparrow

也可能更容易發生。

61. AI-Generated Debt 的實證訊號

2026 年一篇大規模預印本分析：

304,362 verified AI-authored commits；
6,275 GitHub repositories；

報告 AI-authored commits 可引入：

code smells；
bugs；
security issues；

且部分問題長期保留。

其中研究者報告：

24.2% 被追蹤的 AI-introduced issues 在其觀察終點仍存在。

此為預印本結果，需要後續重現與審查。

62. 這不代表 AI 寫 code 必然更差

該研究只能支持：

\boxed{ \text{AI-generated code can create persistent maintenance debt}. }

不能推出：

\boxed{ \text{AI code} < \text{Human code} }

作為普遍排序。

63. 關鍵是 Debt Governance

如果生成成本下降：

\text{GenerationCost}\downarrow,

企業必須同步提升：

\boxed{ \text{DebtDetection} + \text{Refactoring} + \text{Verification} + \text{Ownership}. }

否則：

\boxed{ \text{CodeProductionRate} > \text{MaintenanceAbsorptionRate}. }

64. Continuous Autonomous Refactoring

2026 年的 Continuous Autonomous Refactoring roadmap 將未來 AI refactoring 指向：

multi-objective optimization；
quality definition；
multi-timescale heterogeneous signals；
architecture / design patterns；
trust；
continuous delivery integration。

這與本文：

\boxed{ \text{Refactoring} \neq \text{Local Code Rewrite}. }

高度一致。

65. 多目標最佳化

真正的架構重構至少同時最佳化：

\boxed{ \{ \text{Correctness}, \text{Maintainability}, \text{Compatibility}, \text{Performance}, \text{Security}, \text{Cost}, \text{MigrationRisk} \}. }

因此不存在單一：

\text{best code}.

66. Pareto Reconstruction Frontier

本文提出：

\boxed{ \mathcal F_R = \text{Pareto Frontier of Reconstruction Candidates}. }

AI 不應只輸出：

最漂亮的方案。

而應輸出多個 trade-off：

minimal patch
compatibility-preserving refactor
medium migration
clean rewrite

67. Decision Is Organizational

AI 可以計算：

\mathcal F_R.

但企業仍需決定：

\boxed{ x^\*\in\mathcal F_R }

依：

risk appetite；
budget；
roadmap；
ownership。

68. Reconstruction Window

舊補丁理論已提出：

技術、工具、資料代際變化可能使重構成本暫時下降。

本文將其引入軟體工程：

\boxed{ W_R(t) = \text{Reconstruction Window}. }

69. AI 可能打開新的 Reconstruction Window

如果 AI 讓：

code migration；
test generation；
dependency analysis；
documentation；

成本下降，

則：

\boxed{ C_R(t)\downarrow. }

原本不值得重構的系統可能進入重構窗口。

70. 但窗口不是自動指令

仍需：

\boxed{ C_R + L_{\mathrm{reconstruction}} < D_{\mathrm{future\ debt}}. }

才可能值得。

71. Reconstruction Necessity

延續舊 RNI 思路，可定義：

\boxed{ \text{RNI} = f( \text{StructuralMismatch}, \text{PatchCoupling}, \text{InterfaceLoss}, \text{FailureRisk}, \text{Recoverability} ). }

不建立未校準的硬公式。

72. Refactor / Rewrite / Preserve 三分

未來 AI 不應只給：

rewrite / don't rewrite。

而至少分類：

\boxed{ \{ \text{Preserve}, \text{Refactor}, \text{Reconstruct} \}. }

73. Preserve

當：

local fitness 高；
debt controllable；
migration risk 高；

保持現狀可能最合理。

74. Refactor

當：

core semantics 要保持；
architecture 可逐步改善；
compatibility important；

適合 incremental refactoring。

75. Reconstruct

當：

base structure mismatch；
patch coupling high；
interface debt high；
migration tools mature；

才進入 reconstruction 候選。

76. Architecture Is Historical State

企業架構不是只有技術原因。

它沉積：

past decisions；
customers；
acquisitions；
failures；
staffing；
regulation。

所以：

\boxed{ \text{Architecture} = \text{TechnicalStructure} + \text{HistoricalSedimentation}. }

77. 時代拓撲連接

這正是：

\boxed{ \text{Software Epoch Topology}. }

舊架構可能屬於不同技術時代，

但仍和現在：

資本；
customer；
governance；

形成有效耦合。

78. AI Refactoring 是跨時代轉換

當 AI 把：

\Sigma_{\mathrm{legacy}} \rightarrow \Sigma_{\mathrm{new}},

不是只轉 code。

而是：

\boxed{ \text{Cross-Epoch Migration}. }

79. Migration Identity Preservation

重構後還必須回答：

它還是不是同一個產品／服務？

可定義核心不變量：

\boxed{ K_{\mathrm{product}}. }

80. Kernel Preservation

對 change $\Delta$ ：

\boxed{ \text{KP}(\Delta) = \frac{ |K_t\cap K_{t+1}| }{ |K_t| }. }

這是候選度量。

不假設所有 product identity 都能直接集合化。

81. 全域完成與局部修復的統一

本文最重要的方法論統一：

\boxed{ \text{Global Understanding} \neq \text{Global Modification}. }

AI 應盡可能：

\boxed{ \text{Understand Globally}. }

但施工半徑取決於：

\boxed{ \text{Authorized Reconstruction Envelope}. }

82. Unified Principle

因此：

\boxed{ \text{Global Analysis} + \text{Constraint-Aware Change Radius} + \text{Local/Global Closure}. }

這比固定：

always local

或：

always global

更合理。

83. Reconstruction Control Law

概念上：

\boxed{ r_{\mathrm{change}}^\* = \max r }

subject to：

\boxed{ \text{Auth}(r) \land \text{Obs}(r) \land \text{Ver}(r) \land \text{Rollback}(r) \land \text{Risk}(r)\le\tau. }

即：

在所有安全可閉包條件成立下，選擇最大的有效修改半徑。

84. 為什麼這對 AI 特別重要

人類工程師通常受：

attention；
coding speed；
context capacity；

限制。

AI 正在放寬這些限制。

所以：

\boxed{ \text{Implementation Radius} }

突然擴大。

但企業的：

\boxed{ \text{Governance Radius} }

未必同步擴大。

85. Radius Mismatch

若：

r_{\mathrm{AI-capability}} \gg r_{\mathrm{governance}},

就產生：

\boxed{ \text{Reconstruction Radius Mismatch}. }

86. 這也是企業 AI 吸收瓶頸

Paper 02 的：

\mathfrak F_{\mathrm{AI}}

在軟體架構層的一個具體形式就是：

\boxed{ r_{\mathrm{AI-capability}} - r_{\mathrm{deployable}}. }

87. 可反駁假說 H1

在控制 task complexity 後：

dependency visibility 越高，Agent 可安全使用的 change radius 越大。

88. 可反駁假說 H2

如果：

\text{PatchCost}\downarrow

但 reconstruction governance 不變，

AI adoption 可能先增加 patch frequency 與 compatibility debt。

89. 可反駁假說 H3

提供 global repository dependency context 的 Agent，即使只允許 local write，也應比 local-context-only Agent 產生更少 boundary regressions。

90. 可反駁假說 H4

高 blast-radius AI changes 若要求 Reconstruction Certificate，應降低：

unexpected regressions；
rollback failures；
ownership ambiguity。

91. 可反駁假說 H5

存在某個 debt / risk 區域，使：

\text{incremental patching}

的長期總成本高於：

\text{bounded reconstruction}.

92. 可反駁假說 H6

AI 能力提升越快，若 authority / verification radius 不同步增加，Reconstruction Radius Mismatch 會暫時擴大。

93. 最小實證資料模型

change_id:
agent:
task:
change_type:
  - patch
  - refactor
  - reconstruction
authorized_scope:
observed_scope:
verified_scope:
rollback_scope:
affected_nodes:
dependency_hops:
blast_radius:
compatibility_constraints:
preserved_invariants:
tests:
maintainer_review:
production_result:
rollback_required:
new_debt:
removed_debt:
owner:
approval:

94. Reconstruction Benchmark

未來可以建立：

\boxed{ \text{RBench} }

不是只測：

Agent 能不能重寫。

而測：

global dependency understanding；
contract preservation；
blast-radius estimation；
migration planning；
rollback planning；
architectural quality；
maintainer acceptance。

95. Brownfield Benchmark

特別需要：

\boxed{ \text{Brownfield AI Benchmark}. }

因為現實企業不是 clean repository。

需要：

old versions；
hidden tests；
compatibility consumers；
historical exceptions；
incomplete docs。

96. 與 Paper 04 的接口

Paper 03 已處理：

\boxed{ \text{AI} \leftrightarrow \text{Existing System}. }

但企業不是一個 AI 加一個 codebase。

下一篇要加入：

multiple humans；
multiple Agents；
heterogeneous models；
hidden AI usage；
shared / divergent state。

因此 Paper 04 進入：

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

97. Claim Boundary

$K$ ｜已有支持

已有外部資料支持：

automated benchmark pass 不等於 maintainer acceptance；
Agent refactoring 在現實資料中大量呈現局部、低階修改；
AI-generated code 可產生持續存在的 maintenance issues；
AI coding speed 提升會增加 auditing / verification 壓力；
large-scale autonomous refactoring 仍面臨 architecture、quality、trust、continuous-delivery integration 問題。

$E$ ｜本文推導

本文提出：

Optimal / Authorized / Deployable Space；
Compatibility Debt；
Reconstruction Liability；
Change Blast Radius；
Authorized Reconstruction Radius；
Observation / Verification / Rollback Radius；
Reconstruction Envelope；
AI Patch Trap；
Greenfield Illusion；
Ownership Debt；
Reconstruction Window；
Reconstruction Radius Mismatch；
Reconstruction Certificate。

$S$ ｜需要 simulation / repo study

patch elasticity；
change-radius vs regression；
compatibility-debt dynamics；
global observer / local actor strategy；
reconstruction certificate effectiveness。

$X$ ｜需要企業 field study

true cost of global AI refactor；
liability perception；
authority boundary design；
brownfield migration success；
ownership debt。

$F$ ｜工程化

AI Reconstruction Auditor；
Compatibility Debt Scanner；
Blast Radius Estimator；
Reconstruction Certificate Generator；
Brownfield Agent Benchmark；
Global Observer / Local Actor Runtime。

98. 結論

AI Coding Agent 正在越來越能：

看全域。

但企業並不因此自動應該讓它：

改全域。

這兩件事必須分開：

\boxed{ \text{Global Understanding} \neq \text{Global Modification Authority}. }

現實工程中的最優解不是：

\boxed{ \arg\max_{\Omega_{\mathrm{optimal}}}U. }

而是：

\boxed{ \arg\max_{\Omega_{\mathrm{deployable}}}U. }

因此，AI 的局部 patch 並不總是低級方案。

在：

高不確定；
低 observability；
低 rollback；
高 liability；

的環境中：

\boxed{ \text{Maximum Local Precision} + \text{Minimum Global Disturbance} }

可能是正確施工策略。

但當：

domain bounded；
dependency graph 可見；
authority 充分；
sandbox 完整；
verification 完整；

時，只做局部 patch 反而可能累積：

\boxed{ D_{\mathrm{compat}} }

並錯失：

\boxed{ \text{Reconstruction Window}. }

此時：

\boxed{ \text{Global-First Completion} }

成為更合理的方法。

所以這兩個看似衝突的方法其實可以統一為：

\boxed{ \text{Global Analysis} + \text{Maximum Safe Change Radius}. }

其中 change radius 受：

\boxed{ \text{Auth}, \text{Obs}, \text{Ver}, \text{Rollback}, \text{Risk} }

共同約束。

最終，企業真正需要的不是：

更敢讓 AI 改全部。

也不是：

永遠只讓 AI 補小洞。

而是建立一個能回答：

這一次，到底應該讓 AI 改多大？

的治理與工程系統。

這就是：

\boxed{ \text{Authorized Reconstruction 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. 《形式系統的補丁化累積：載體超載、局部擬合與結構債務》v1.0. EveMissLab, 2026.

[INT-05] Neo.K. 《理論補丁算子學》v0.1. EveMissLab, 2026.

[INT-06] Neo.K. 《全域完成論：AI 時代從局部完成到全域實例化的方法論》v1.0. EveMissLab, 2026.

外部研究

[R1] Whitfill, P., Wu, C., Becker, J., & Rush, N. Many SWE-bench-Passing PRs Would Not Be Merged into Main. METR, 2026-03-10.

[R2] Horikawa, K., Li, H., Kashiwa, Y., Adams, B., Iida, H., & Hassan, A. E. Agentic Refactoring: An Empirical Study of AI Coding Agents. arXiv:2511.04824, 2025.

[R3] Liu, Y., Widyasari, R., Zhao, Y., Irsan, I. C., & Lo, D. Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild. arXiv:2603.28592, 2026. Preprint.

[R4] DORA. Balancing AI tensions: Moving from AI adoption to effective SDLC use. 2026-03-10.

[R5] Marcilio, W. E., et al. Evaluating the Effectiveness of LLMs in Fixing Maintainability Issues in Real-World Projects. SANER 2025. IEEE.

[R6] IEEE Transactions on Software Engineering. More Code, Less Understanding? On the Impact of AI Assistants on Developers’ Productivity and Code Ownership. 2026.

[R7] Sun, X., Ståhl, D., Sandahl, K., & Kessler, C. Continuous Autonomous Refactoring: A Research Roadmap for AI-Driven Code Quality Maintenance. arXiv:2609.01236, 2026. Preprint.

[R8] IEEE. Examining Software Engineering Practices in the Pre-AI and Post-AI ERA. ICAIIC 2026.

AI Organizational Absorption & Coupling Topology — Paper 03 v0.1
EveMissLab — Boundless Knowledge. One Promise Forward.

重構權限與相容性債務：AI 的局部最優、全域最優與既有系統約束

AI 組織吸收與耦合拓撲 03

重構權限與相容性債務：AI 的局部最優、全域最優與既有系統約束

摘要

0. 問題定義

1. 三個空間

1.1 理論最佳化空間

1.2 授權修改空間

1.3 可部署修改空間

2. 基本包含關係

3. Optimization Space ≠ Authorized Modification Space

4. 這是一個受限最佳化問題

5. Technical Optimum ≠ Deployable Optimum

6. 為什麼企業會限制全域修改

7. Legacy Constraint Graph

8. 一個修改不是只碰 code

9. Change Surface

10. Change Blast Radius

11. Blast Radius 與 Agent 能力

12. Reconstruction Liability

13. 成功與失敗不對稱

14. 大失敗成本使組織偏向局部

15. Compatibility Debt

16. Compatibility Debt 與一般 Technical Debt 的差別

17. Dynamic Compatibility Debt

18. Local Success Can Increase Global Debt

19. Patch Accumulation

20. 舊理論的重構門檻

21. AI 讓 Patch 更便宜

22. Patch Elasticity

23. AI Patch Trap

24. 但「全部重寫」不是解答

25. Greenfield Illusion

26. Legacy Behavior as Contract

27. Specification Incompleteness

28. AI 全域理解的真正需求

29. METR：Test Pass 不等於 Mergeable

30. Repository Acceptance Surface

31. Maintainer Judgment 是一個重要層

32. Agentic Refactoring 的實證訊號

33. 為什麼 Agent 偏局部

34. 真正問題是 Reconstruction Eligibility

35. Reconstruction Eligibility Condition

36. 缺一項會怎樣

37. Authorized Reconstruction Radius

38. rAr_ArA​ 不是檔案數

39. Observation Radius

40. Verification Radius

41. Rollback Radius

42. Reconstruction Envelope

43. Local Repair 的合理區域

44. Maximum Local Precision

45. Minimum Global Disturbance

46. Boundary Closure

47. Global-First Completion 的合理區域

48. Global-First ≠ Reckless Rewrite

49. Local vs Global 不是二元哲學

50. Reconstruction Strategy Matrix

51. Analysis Authority ≠ Modification Authority

52. Global Observer, Local Actor

53. Reconstruction Proposal Mode

54. 這與舊補丁證書一致

55. Reconstruction Certificate

56. Cert 沒有完成，不應直接全域施工

57. Human Review 的角色

58. Code Ownership

59. Ownership Debt

60. Ownership Debt 與 Compatibility Debt 可耦合

61. AI-Generated Debt 的實證訊號

62. 這不代表 AI 寫 code 必然更差

63. 關鍵是 Debt Governance

64. Continuous Autonomous Refactoring

65. 多目標最佳化

66. Pareto Reconstruction Frontier

67. Decision Is Organizational

68. Reconstruction Window

69. AI 可能打開新的 Reconstruction Window

70. 但窗口不是自動指令

71. Reconstruction Necessity

72. Refactor / Rewrite / Preserve 三分

38. $r_A$ 不是檔案數

$K$ ｜已有支持

$E$ ｜本文推導

$S$ ｜需要 simulation / repo study

$X$ ｜需要企業 field study

$F$ ｜工程化