← Archive
lm-004654 · 2026-10

世界不是 Prompt

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

世界不是 Prompt

——World Projection、Cognitive Scheduler 與 AI Agent 的有限認知架構

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-07（整理日期；原稿未標註日期）
版本： 原稿未標註（本次整理版）

摘要

當遊戲世界開始具有：

  • 持續時間；
  • 多名居民；
  • 工作與物流；
  • 社會事項；
  • 記憶；
  • 公告；
  • 對話；
  • 衝突；
  • 醫療；
  • 生產；
  • 因果歷史；

一個新的問題立刻出現：

大型語言模型每一次決策到底應該看到多少世界？

最直觀的做法是將整個 World State 送入 Prompt：

LLMi←Wt.LLM_i\leftarrow W_t.

然而，這種方式同時產生三種問題：

  1. 計算問題：世界越大，Prompt 越大；
  2. 認知問題：每個居民都知道自己不可能知道的事；
  3. 架構問題：Agent 與 World 的邊界重新消失。

因此，本篇提出 AI 原生世界中的第二項核心原則：

World State≠Agent Observation\boxed{ World\ State \neq Agent\ Observation }

每一名 Agent 應只接收一個由 World 產生的個體化投影：

Oi(t)=Pi(Wt)\boxed{ O_i(t)=P_i(W_t) }

其中：

  • WtW_t 是完整世界；
  • PiP_i 是居民 (i) 的觀察投影算子；
  • Oi(t)O_i(t) 是該居民此刻真正可以用來決策的資訊。

在此基礎上，AI 原生遊戲還需要第二層調度：

Cognitive Scheduler\boxed{ Cognitive\ Scheduler }

它決定：

哪個 Agent 現在真的需要呼叫模型？

於是完整架構由：

World→Projection→Scheduler→Cognition→IntentWorld \rightarrow Projection \rightarrow Scheduler \rightarrow Cognition \rightarrow Intent

組成。

這使一個重要命題成立：

Persistent Agent≠Persistent LLM Invocation\boxed{ Persistent\ Agent \neq Persistent\ LLM\ Invocation }

角色可以二十四小時存在於世界中，卻不需要二十四小時都由大型模型持續思考。

1. 完整世界不是 Agent Prompt

假設一座 AI 小鎮有 30 名居民。

World Runtime 保存：

WtW_t

其中可能包含：

  • 所有居民狀態；
  • 所有人位置；
  • 所有對話；
  • 所有記憶；
  • 所有工作任務；
  • 全部庫存；
  • 所有貨批；
  • 全鎮公告；
  • 全部 Social Matter；
  • 衝突；
  • 傷病；
  • 建築；
  • 天氣；
  • 世界事件；
  • 歷史紀錄。

如果居民 A 每次決策都讀取：

WtW_t

那麼 A 將知道：

B 在另一棟房子裡正在說什麼。
C 的私人傷勢。
D 剛收到什麼私人訊息。
倉庫裡所有物品。
全鎮所有人的工作安排。

這不是智能較高。

這是：

Ontological Omniscience\boxed{ Ontological\ Omniscience }

本體論上的全知。

因此，一個真正具有社會性的 AI 世界必須承認：

Knowledgei⊂WorldState.Knowledge_i \subset WorldState.

2. Observation Projection Operator

本篇將居民 (i) 的可觀測世界定義為：

Oi(t)=Pi(Wt)\boxed{ O_i(t)=P_i(W_t) }

其中 PiP_i 不是單純資料裁剪，而是一組 World Authority 規則。

它決定：

這個人現在有資格知道什麼？

例如可以包含：

Pi=Pself+Pspace+Psocial+Pwork+Pknowledge+Phistory.P_i= P_{self} + P_{space} + P_{social} + P_{work} + P_{knowledge} + P_{history}.

2.1 Self Projection

居民永遠可以知道自己的：

  • 身體狀態；
  • 當前 Action；
  • Needs；
  • 傷病；
  • 自己的工作；
  • 自己的承諾。

即：

Pself(Wt).P_{self}(W_t).

2.2 Spatial Projection

居民只能感知：

Nearbyi(t).Nearby_i(t).

而不是所有居民。

my_ai_town 的 wake packet 中會投影 nearby、place、可用活動與地點相關資訊，而不是完整居民資料庫。

因此：

Residentj∉NearbyiResident_j \notin Nearby_i

通常意味：

Statej∉Oi.State_j \notin O_i.

2.3 Work Projection

居民不是看到全鎮所有 Task，而是：

Tasksi(t).Tasks_i(t).

也就是：

目前真的和自己相關、自己有資格處理的工作。

Wake packet 會直接提供 work_tasks，而不是讓模型自己從整個工作資料庫猜工作。

這使：

[ World\ Task\ Graph ]

可以很大，而單一 Agent context 保持局部。

2.4 Knowledge Projection

更重要的是：

Knowni(t).Known_i(t).

例如 wake packet 中的：

known_announcements

不是全部公告，而應是：

這名居民已被 World 登記為知道的公告。

Agent Prompt 甚至明確將其描述為：

本人已經知道、可以在真實對話中轉告的公告。

所以：

Announcement∈WtAnnouncement\in W_t

並不在概念上自動等於：

Announcement∈Oi(t).Announcement\in O_i(t).

這是建立資訊不對稱的基礎。

3. World Projection 不只是 Token Optimization

這點非常重要。

如果只把 Projection 理解成：

為了省 Token。

會低估它的作用。

Projection 同時解決至少四個問題。

3.1 Epistemic Locality

每個人知道的東西不同：

Ki≠Kj.K_i\neq K_j.

因此才能存在：

  • 秘密；
  • 誤解；
  • 謠言；
  • 探索；
  • 調查；
  • 情報。

3.2 Cognitive Locality

不同居民關心的東西不同：

Attentioni≠Attentionj.Attention_i \neq Attention_j.

同一件公共事件，A 可以注意，B 可以忽略。

my_ai_town 的 Social Matter Exposure 甚至允許 Agent 選擇：

{notice,ignore,defer}.\{\text{notice},\text{ignore},\text{defer}\}.

而每輪最多只投影一項 actionable social exposure。

這等於引入：

Attention Bandwidth\boxed{ Attention\ Bandwidth }

而不只是 Knowledge Bandwidth。

3.3 Security Boundary

如果 Agent 根本看不到某項資料，它就較難憑 Prompt 直接濫用。

例如：

  • 私人記憶；
  • 未知角色；
  • 隱藏物品；
  • 不在場事件。

因此：

[ Projection ]

也是 World Authority 的一部分。

3.4 Model Scaling

假設世界資料量為：

[ |W|. ]

如果每名居民都吃完整世界：

ContextCost∼N∣W∣.ContextCost\sim N|W|.

但如果每名居民只吃自己的局部投影：

ContextCost∼∑i∣Pi(W)∣.ContextCost \sim \sum_i |P_i(W)|.

而在良好設計下：

∣Pi(W)∣≪∣W∣.|P_i(W)|\ll |W|.

這是 Agent World 能不能從 5 人擴到 50、500 人的基本前提之一。

4. Wake Packet：一次認知脈衝

在這種架構中，Agent 不需要一直讀世界。

更自然的方法是：

Wake\boxed{ Wake }

也就是：

世界在某些時刻告訴居民：「現在值得重新思考。」

一次 wake packet 可以包含：

Oi(t)O_i(t)

以及：

Ei(t)E_i(t)

最近發生的重要事件。

再加：

Ri(t)R_i(t)

前一次行動結果。

形成：

Wakei=(Observation,Events,Results).Wake_i = ( Observation, Events, Results ).

my_ai_town 的 Wake Packet 正是以這類結構提供：

  • time；
  • weather；
  • me；
  • nearby；
  • place；
  • work tasks；
  • life destination options；
  • known announcements；
  • conversation；
  • social matters；
  • social exposures；
  • conflicts；
  • injury / medical context；
  • events；
  • action results。

這比「把最近所有 Log 貼給 LLM」乾淨得多。

5. Wake 不代表每一秒都思考

這導出一個非常重要的架構原則：

Simulation Time≠Cognition Time\boxed{ Simulation\ Time \neq Cognition\ Time }

World 可以：

t→t+Δtt\rightarrow t+\Delta t

持續前進。

但 Agent Cognition 不必每個 tick 都執行。

例如居民正在睡覺。

世界仍然可以持續：

  • 天氣改變；
  • 時間前進；
  • 其他居民活動；
  • 物流運作。

但睡覺居民未必需要：

[ LLMCall ]

每分鐘一次。

6. Persistent Agent 不等於 Persistent Model

這可以正式寫成：

Persistent Agent State≠Persistent LLM Invocation.\boxed{ Persistent\ Agent\ State \neq Persistent\ LLM\ Invocation. }

Agent 的存在至少可以分成：

Ai=(Statei,Memoryi,Policyi).A_i= ( State_i, Memory_i, Policy_i ).

其中：

StateiState_i

一直存在。

MemoryiMemory_i

一直存在。

但：

PolicyiPolicy_i

只在必要時被激活。

也就是：

LLMi(t)={active,Triggeri(t)=1inactive,Triggeri(t)=0.LLM_i(t) = \begin{cases} \text{active},& Trigger_i(t)=1\\ \text{inactive},& Trigger_i(t)=0. \end{cases}

這是大型 Agent 世界非常重要的成本模型。

7. 什麼事情值得 Wake？

合理的 wake trigger 可以分成幾類。

7.1 Action Completion

例如：

GoToCafe→Arrived.GoToCafe \rightarrow Arrived.

到達之後需要重新判斷。

7.2 World Interruption

例如：

  • 店關門；
  • 工作取消；
  • 路徑失效；
  • 受傷；
  • 被攻擊。

7.3 Social Event

例如：

  • 被搭話；
  • 收到訊息；
  • 被邀請；
  • 被指派；
  • 聽到重要公告。

7.4 Need Threshold

例如：

Satiety≤35.Satiety\le35.

則值得重新決策是否吃飯。

而不是每：

Satiety=78→77Satiety=78\rightarrow77

都重新呼叫 LLM。

7.5 Scheduled Reconsideration

例如：

十分鐘後再考慮。

Social Exposure 的 defer 就有類似概念。

所以：

[ Cognition ]

本身也可以由 Event Scheduler 管理。

8. Observation Preparation 也不能一次全部算

當世界越大，另一個問題出現：

即使不呼叫 LLM，

Pi(W)P_i(W)

本身也可能很貴。

例如需要計算：

  • Nearby；
  • 可達地點；
  • Available Props；
  • Activity Options；
  • Job Tasks；
  • Conversation Context；
  • Social Matters；
  • Conflict Context。

因此 my_ai_town 將 wake preparation 拆成階段式處理，例如依序準備附近資訊、travel、life options、props、activities、place、conversation、social 等內容，而不是單次同步完成所有投影。

這揭露一個重要事實：

Perception itself is a computational workload.\boxed{ Perception\ itself\ is\ a\ computational\ workload. }

在大型 Agent World 中，

「NPC 看到了什麼」本身就需要排程。

9. Frame-Budgeted Cognition

遊戲和離線 Agent Simulation 最大不同之一，是：

[ Frame\ Budget. ]

即使 AI 計算總量可以接受，如果所有 NPC 同一幀更新：

30×Projection+30×LLM30\times Projection + 30\times LLM

畫面仍然可能卡住。

因此需要：

Frame Budgeted Preparation\boxed{ Frame\ Budgeted\ Preparation }

例如：

P1→frame1P_1 \rightarrow frame_1P2→frame2P_2 \rightarrow frame_2

逐步完成。

也就是：

[ CognitionLatency ]

可以被攤平，而不是：

[ MainThreadSpike. ]

這是從研究 Demo 跨向真正遊戲時非常實際的一道邊界。

10. Cognitive Scheduler

當 Agent 數量增加後，Wake 本身還不夠。

因為可能在同一時間：

Nwake=20.N_{wake}=20.

但 Provider 同時只允許：

C=6C=6

個請求。

因此必須有：

Cognitive Scheduler.\boxed{ Cognitive\ Scheduler. }

其任務是將：

[ WakeQueue ]

轉成：

[ InferenceQueue. ]

11. Inference 其實是世界資源

一旦世界中的 NPC 依賴模型推理：

[ Compute ]

就成為 World Runtime 必須管理的一種資源。

可以寫成：

Resourcecognition.Resource_{cognition}.

就像：

  • CPU；
  • GPU；
  • memory；
  • network；

一樣有限。

my_ai_town 的 Agent Gateway 目前有明確的並發限制，包括總模型 request slot、本地模型 slot，以及保留給玩家對話的優先 slot。

這說明：

Inference Scheduling\boxed{ Inference\ Scheduling }

已經不只是後端問題。

它會直接影響：

NPC 世界看起來是否「活著」。

12. 為什麼並發不足會變成遊戲問題

假設：

N=15N=15

而：

C=2.C=2.

如果 15 名居民同時醒來，

大量 Agent 會處於：

[ WaitingForModel. ]

玩家看到的就可能是：

一群人站著不動。

因此：

InferenceLatency→BehaviorLatency→PerceivedWorldLiveness.InferenceLatency \rightarrow BehaviorLatency \rightarrow PerceivedWorldLiveness.

這是一條非常重要的鏈。

所以 AI 原生遊戲的模型效能不是：

「後端慢一點而已。」

而會直接成為：

Gameplay Responsiveness.\boxed{ Gameplay\ Responsiveness. }

13. Inference Amplification

更麻煩的是：

一次 Agent 決策不一定只等於一次模型呼叫。

例如可能需要：

[ DecisionCall ]

加：

[ MemoryOrganizerCall ]

再加：

[ AvatarMemoryCall ]

甚至：

[ VisionCall. ]

若失敗還可能：

[ Retry. ]

因此平均每個 decision 所需 inference 次數：

ai>1.a_i>1.

總呼叫率應寫成：

Ncalls=∑iλiai\boxed{ N_{calls} = \sum_i \lambda_i a_i }

其中：

  • λi\lambda_i：居民 (i) 的 wake / decision rate；
  • aia_i：每次決策平均 inference amplification。

這比只算：

[ NumberOfNPCs ]

重要得多。

14. Provider Saturation

假設某 provider：

  • 平均服務時間 LpL_p；
  • 最大 concurrency CpC_p。

總負載：

ρp=∑iλiaiLpCp.\rho_p = \frac{ \sum_i\lambda_i a_iL_p }{ C_p }.

如果：

ρp<1\rho_p<1

queue 尚可收斂。

若：

ρp≥1\rho_p\ge1

則理論上 backlog 會持續增加。

這意味：

Agent Population\boxed{ Agent\ Population }

不能只由 GPU VRAM 或 Token Budget 決定。

還取決於：

WakeFrequency×InferenceAmplification×Latency.WakeFrequency \times InferenceAmplification \times Latency.

15. 玩家與 NPC 不應使用完全相同的優先級

遊戲還有另一項需求：

玩家不能因為背景 NPC 正在排隊思考，就等十幾秒才得到角色回答。

因此 Cognitive Scheduler 必須具有：

[ PriorityClasses. ]

例如：

P0

玩家直接對話。

P1

強制反應：

  • 被攻擊；
  • 必須答話；
  • 醫療回應。

P2

重要 Social Matter。

P3

普通生活決策。

P4

低優先級背景整理。

如此：

Queue≠FIFO.Queue \neq FIFO.

而是：

Queue=PriorityScheduler(Wakes).Queue = PriorityScheduler(Wakes).

這其實是 AI 遊戲的重要 UX 架構。

16. Cognitive LOD

如果世界將來有：

[ 100 ]

甚至：

[ 1000 ]

個居民，所有人都使用完整前沿模型幾乎沒有必要。

可以引入：

Cognitive Level of Detail\boxed{ Cognitive\ Level\ of\ Detail }

與圖形 LOD 類似。

C0：Dormant

不需要模型。

只保存：

[ SummaryState. ]

C1：Deterministic Routine

例如：

  • 睡覺；
  • 通勤；
  • 固定工作。

使用規則即可。

C2：Reactive

遇到：

  • 飢餓；
  • 天氣；
  • 簡單工作。

使用 deterministic / small policy。

C3：Compressed Cognition

使用：

  • 小模型；
  • planning cache；
  • summary policy。

C4：Full Agent

真正呼叫主要 LLM。

適用：

  • 社會選擇；
  • 重要決策；
  • 長期目標。

C5：Foreground Cognition

玩家直接互動、重要劇情、圖片、多模態、複雜衝突。

使用最高資源。

因此：

CognitiveLeveli(t)=f(DistanceToPlayer,EventImportance,SocialImportance,Novelty,NeedForReasoning).CognitiveLevel_i(t) = f( DistanceToPlayer, EventImportance, SocialImportance, Novelty, NeedForReasoning ).

這可以讓：

PersistentPopulation≫ActiveLLMPopulation.PersistentPopulation \gg ActiveLLMPopulation.

17. AI 世界真正需要的是 Sparse Cognition

傳統遊戲中，所有 NPC 每幀都執行一些 AI code 並沒有太大問題。

但 LLM Agent 世界不同。

真正合理的方向不是：

[ Dense\ Intelligence. ]

而是：

Sparse Cognition\boxed{ Sparse\ Cognition }

也就是：

只有世界狀態真的需要高階認知時，才啟動高階認知。

這和人類其實也更接近。

人不會每秒重新思考：

我是誰？
我的長期目標是什麼？
我現在要不要換工作？

大量生活行為其實是：

[ Routine. ]

真正高成本 reasoning 是稀疏事件。

18. Memory 也是 Projection 的一部分

Agent 不只不能看到整個 World。

它甚至不應每次讀取自己的完整人生。

假設正式 Memory 有：

[ 256 ]

條。

如果每一次 wake 都全部塞入 Prompt：

Context→Explosion.Context \rightarrow Explosion.

因此 Memory 也需要：

Miretrieved=R(Mi,Oi).M_i^{retrieved} = R(M_i,O_i).

即：

依當前情境只找相關記憶。

然後：

Prompti=Oi+Miretrieved.Prompt_i = O_i + M_i^{retrieved}.

所以 Projection Architecture 最終包含兩個方向：

World→PiObservationWorld \xrightarrow{P_i} Observation

與：

Memory→RiRelevantMemory.Memory \xrightarrow{R_i} RelevantMemory.

19. Observation 與 Memory 不應混成同一層

這裡也需要清楚分離。

Observation

回答：

現在外面發生什麼？

Oi(t).O_i(t).

Memory

回答：

我過去怎麼理解相關事情？

Mi(t).M_i(t).

所以 Decision：

ai=πi(Oi(t),Mi(t),Personalityi).a_i = \pi_i( O_i(t), M_i(t), Personality_i ).

如果把兩者混成：

一個大 Prompt。

系統仍能跑。

但會失去：

  • 來源；
  • 時間；
  • truth boundary；
  • confidence；
  • causality。

20. World Projection 其實是在建立 Agent 的「世界切片」

可以把完整世界想像成：

[ W. ]

每個 Agent 活在：

Wi=Pi(W).W_i=P_i(W).

因此：

WA≠WB.W_A\neq W_B.

但：

WA,WB⊆W.W_A,W_B \subseteq W.

這種結構允許：

A 在市場看見吵架。
B 在家裡不知道。
C 聽 D 轉告。
E 只看到公告。
F 親自詢問當事人。

於是同一世界事件產生不同：

Beliefi.Belief_i.

這才會形成真正的：

Multi−perspective World.\boxed{ Multi-perspective\ World. }

21. Projection 失敗的三種常見模式

21.1 Over-Projection

給 Agent 太多。

結果：

Agent→Omniscient.Agent\rightarrow Omniscient.

問題：

  • 沒有秘密；
  • 沒有探索；
  • 世界變假。

21.2 Under-Projection

給得太少。

例如居民不知道：

自己工作正在等待完成。

就會導致：

[ Agent\ Behavior ]

和 World State 斷裂。

21.3 Wrong Projection

最危險。

例如把：

下一站的預測狀態

錯當：

現在已經發生。

因此 Projection 必須明確區分：

[ CurrentTruth ]

與：

[ ExpectedFuture. ]

這和第 1 篇的：

Intent≠ResultIntent\neq Result

其實是同一類本體論問題。

22. Projection Operator 必須保持 Agent-specific

因此不要設計：

[ GlobalPromptBuilder(World). ]

更合理的是：

Projection(World,Agent,Context)\boxed{ Projection(World,Agent,Context) }

例如：

Pi(W,t,reason).P_i(W,t,reason).

同一居民：

  • 普通生活 wake；
  • 對話 wake；
  • 被攻擊 wake；
  • 工作完成 wake；

甚至都可以有不同 projection。

即：

Pilife≠Piconversation≠Piconflict.P_i^{life} \neq P_i^{conversation} \neq P_i^{conflict}.

這樣才能避免每種情況都載入不需要的資料。

23. 模型選擇也可以成為 Scheduler 的一部分

當一個世界已經支援：

[ Pluggable\ Minds ]

下一步自然不是：

所有居民永久綁同一模型。

而可以是：

Modeli(t)=Select(TaskComplexity,Priority,Budget,Latency).Model_i(t) = Select( TaskComplexity, Priority, Budget, Latency ).

例如：

普通日常：

[ SmallModel. ]

重要社交：

[ MediumModel. ]

玩家深度對話：

[ FrontierModel. ]

所以未來 Scheduler 不只排：

[ When. ]

還會排：

When+WhichModel+HowMuchContext.\boxed{ When + WhichModel + HowMuchContext. }

這就是：

[ Cognitive Resource Allocation. ]

24. 一個完整的 Cognitive Runtime

因此，我們可以提出：

WorldState→TriggerDetector→Projection→CognitiveScheduler→MemoryRetrieval→PolicyModel→CanonicalIntent\boxed{ WorldState \rightarrow TriggerDetector \rightarrow Projection \rightarrow CognitiveScheduler \rightarrow MemoryRetrieval \rightarrow PolicyModel \rightarrow CanonicalIntent }

拆解如下。

Stage 1：World State

WtW_t

唯一完整真相。

Stage 2：Trigger Detector

判斷：

[ NeedWake(i)? ]

Stage 3：Projection

生成：

Oi=Pi(Wt).O_i=P_i(W_t).

Stage 4：Scheduler

計算：

Priorityi.Priority_i.

並排入 inference queue。

Stage 5：Memory Retrieval

生成：

Mi∗=R(Mi,Oi).M_i^*=R(M_i,O_i).

Stage 6：Model Selection

mi=SelectModel(i,Oi).m_i=SelectModel(i,O_i).

Stage 7：Policy

Intenti=πmi(Oi,Mi∗).Intent_i = \pi_{m_i}(O_i,M_i^*).

Stage 8：World Authority

再回到第 1 篇：

Intent→Validation→Execution→Settlement.Intent \rightarrow Validation \rightarrow Execution \rightarrow Settlement.

至此，Agent cognition 與 World Runtime 完整閉合。

25. 從「每個 NPC 一個 LLM」改寫問題

很多人談 AI NPC 時，直覺架構是：

NPCi=LLMi.NPC_i=LLM_i.

但這其實並不準確。

更合理的定義應該是：

Agenti=Statei+Memoryi+Observationi+Policyi.\boxed{ Agent_i = State_i + Memory_i + Observation_i + Policy_i. }

LLM 只實現：

PolicyiPolicy_i

的一部分。

甚至未來：

Policyi=Rule+SmallModel+LargeModel.Policy_i = Rule + SmallModel + LargeModel.

因此 Agent 並不是：

「一個一直在線的 ChatGPT。」

而是一個持續存在的：

Cognitive State Machine\boxed{ Cognitive\ State\ Machine }

在必要時調用不同智能資源。

26. 這對 AI 原生遊戲意味什麼

如果採用這種思路，NPC 數量就不再與前沿 LLM 呼叫數量線性綁死。

不必：

100NPC=100ConcurrentLLM.100NPC = 100ConcurrentLLM.

可以變成：

100NPC=100PersistentStates+8ActiveCognitions.100NPC = 100PersistentStates + 8ActiveCognitions.

甚至：

1000NPC=1000PersistentStates+20ActiveCognitions.1000NPC = 1000PersistentStates + 20ActiveCognitions.

這才是長期大型 AI World 真正有機會擴張的方向。

27. 世界「活著」不等於所有居民一直思考

這也是一個值得重新定義的觀念。

世界活著可以表示為：

dWdt≠0.\frac{dW}{dt}\neq0.

不要求：

∀i,dCidt≠0.\forall i,\frac{dC_i}{dt}\neq0.

也就是：

世界可以持續前進，而大多數 Agent 此刻沒有使用大型模型。

居民的：

  • 工作；
  • 睡眠；
  • 移動；
  • 生產；
  • 貨運；

可以由 deterministic runtime 繼續。

只有出現：

[ Novelty ]

或：

[ DecisionBoundary ]

才需要 cognition。

28. 結論：世界不是 Prompt，Prompt 只是世界的一個投影

完整 World：

WtW_t

不應直接等於任何 Agent 的 context。

真正合理的結構是：

Oi(t)=Pi(Wt)\boxed{ O_i(t)=P_i(W_t) }

而：

PiP_i

本身就是 AI 原生遊戲的重要世界規則。

它決定：

你站在哪裡。
你看見誰。
你聽見什麼。
你知道哪些公告。
哪些事情值得你注意。
哪些歷史和你現在的決策相關。

然後 Cognitive Scheduler 再回答：

你現在是否真的需要思考？

所以本篇的核心結論可以濃縮成兩句：

World State≠Agent Context\boxed{ World\ State\neq Agent\ Context }

以及：

Persistent Agent≠Persistent LLM Invocation\boxed{ Persistent\ Agent\neq Persistent\ LLM\ Invocation }

真正可擴張的 AI 原生世界，不是讓越來越多大型模型永遠同時運轉。

而是建立：

Large Persistent World+Sparse High Intelligence\boxed{ Large\ Persistent\ World + Sparse\ High\ Intelligence }

也就是：

世界始終存在；高階認知按需出現。

當 World Authority 與 Cognitive Projection 都建立後，下一個問題便是：

即使每個 Agent 只看到自己的世界，他又如何記住過去？
他怎麼分辨親眼看見、別人轉述與自己猜測？
如果後來得到矛盾證據，他會不會真的改變原先相信的事情？

因此下一篇進入：

第 3 篇

《會記錯、會懷疑、會修正：Agent Memory、Claim 與 Belief Revision》

核心將從：

Event→MemoryEvent\rightarrow Memory

進一步推到：

Evidence→Claim→Belief→Revision.\boxed{ Evidence \rightarrow Claim \rightarrow Belief \rightarrow Revision. }

真正的 AI 社會，不只需要會記憶的 Agent。

它還需要：

會對自己的記憶產生懷疑的 Agent。