同質綠燈：多 Agent 不等於多視角 v0.2

——Agreement、Independence、Diversity 與真正的跨視角驗證

English Title: Homogeneous Green: Why More Agents Do Not Necessarily Mean More Perspectives or Independent Evidence
系列：《綠燈錯置：AI 操作意圖不對齊與完成失真》08 / 08
作者： Neo.K × AI 協作
版本： v0.2
日期： 2026-09-16
文件性質： Multi-Agent Systems／AI Evaluation／Software Verification／LLM-as-a-Judge／Agent Governance／Cross-Perspective Closure
承接： A01〈綠燈錯置〉、A03〈局部正確與全域失敗〉、A05〈驗證義務膨脹與 Completion Drift〉、A07〈能力—視角啟動不對稱〉
既有工程基座： MSSP × TDD × APR、Twin Governance、Behavioral / Structural / Discriminative Closure、Global-First Completion、Collective Cognitive PNP
系列角色： Series A 封頂篇；直接橋接 Series B〈宏觀個體導向的動態全域觀察方法論〉

機構： EveMissLab／一言諾科技有限公司

摘要

高能力 AI Agent 工作流正在快速採用：

多 Agent；
planner / implementer / reviewer 分工；
多 reviewer；
self-consistency；
majority vote；
debate；
LLM-as-a-Judge；
Twin / second opinion；
heterogeneous model panel。

這些機制常被直覺地理解為：

多一個 Agent，就多一份獨立檢查。

然而，這個推論並不成立。

若多個 Agent 共享：

同一模型或高度相近模型家族；
同一 prompt / role prior；
同一 specification；
同一 evidence source；
同一 context snapshot；
同一 test fixture；
同一 observation modality；
同一 failure model；
同一 judge；
同一錯誤 summary；

則：

N_{\mathrm{agents}}\uparrow

不代表：

N_{\mathrm{independent\ evidence}}\uparrow.

甚至可能出現：

\boxed{ V_1=V_2=\cdots=V_n=\text{PASS} }

但所有 PASS 只是在同一個錯誤 projection 上重複確認。

本文將此定義為：

Homogeneous Green

同質綠燈

形式上，令 verifier $V_i$ 依賴一組 epistemic inputs：

Z_i = ( M_i, P_i, E_i, S_i, T_i, F_i, H_i, J_i ),

其中：

$M_i$ ：model / model family；
$P_i$ ：perspective；
$E_i$ ：evidence；
$S_i$ ：specification / scope；
$T_i$ ：tools / verifier method；
$F_i$ ：failure model；
$H_i$ ：history / memory / prior interaction；
$J_i$ ：aggregation / judgment rule。

如果：

Z_1\approx Z_2\approx\cdots\approx Z_n,

則即使：

N_{\mathrm{agents}}=n,

其有效獨立驗證數：

N_{\mathrm{eff}}

也可能接近：

1.

本文提出：

\boxed{ \text{Agreement} \neq \text{Independence} \neq \text{Correctness}. }

這三者必須分開。

外部研究在 2025–2026 年提供了直接近鄰。ACL 2025 對 Multi-Agent Debate 的 decision protocols 進行控制比較，發現 voting、consensus、agent 數量與 debate rounds 的效果依任務而異；更多 discussion rounds 並不自動提升表現。ACL 2026 的 Demystifying Multi-Agent Debate 更指出：在 homogeneous agents 與 uniform belief update 下，vanilla debate 常不能可靠超越 majority vote，而初始觀點多樣性與 calibrated confidence communication 是改善關鍵。另一方面，multi-agent debate 在某些文化 alignment、summary faithfulness 等任務上確實可以受益，尤其當系統刻意建立不同初始立場、模型組合或互補資訊時。這表示 collective intelligence 是mechanism-dependent，而不是簡單 agent scaling law。

LLM-as-a-Judge 研究也提出類似警告。2026 年 self-preference 研究在多個主流模型中觀察到 evaluator 對自身或同族輸出的方向性偏差；另一項 2026 大規模 agreement audit 則指出 self-consistency 與 cross-model agreement 雖可提供一定 confidence signal，但 agreement 並不是 correctness，frontier model 甚至可能在高度一致時仍持續產生 confident errors。這些結果均支持：

\boxed{ \text{Consensus Signal} }

本身沒有自動變成：

\boxed{ \text{Independent World Evidence}. }

本文進一步提出：

Effective Diversity；
Error Correlation；
Common-Cause Failure；
Independent First Pass；
Evidence Independence；
Perspective Independence；
Verifier Independence；
Discriminative Independence；
Heterogeneous Projection Coverage；
Diversity Yield；
Effective Reviewer Count；
Independence Budget；

並提出一個核心工程原則：

\boxed{ \textbf{ Independent Evidence is more valuable than independent labels. } }

不同 Agent 名字、不同 persona、不同 conversation，甚至不同模型 provider，都不能單獨構成「獨立驗證」。真正值得追求的是：

\boxed{ \text{different ways for the current belief to fail}. }

也就是：

不同 Agent 是否真的站在不同視角、取得不同證據、使用不同 falsifier，並能在某一個 shared assumption 錯誤時保留至少一條不一起錯的修正路徑。

這一命題完成 Series A 從「綠燈錯置」到「同質綠燈」的完整診斷鏈，並自然導向 Series B：真正的全域 Agent 系統，不是把 Agent 數量做大，而是建立可動態路由的宏觀個體觀察、異質視角與跨視角 closure。

1. 問題：三個 Agent 都說 OK，為什麼還是不一定可靠？

考慮：

Implementer: PASS
Reviewer A: PASS
Reviewer B: PASS
Test Agent: PASS
Judge Agent: PASS

直覺上：

5\text{ votes}

似乎比：

1\text{ vote}

可信。

但如果五者都：

讀同一個錯誤 requirement；
用同一份 test fixture；
沒看 runtime；
沒看 visual state；
使用同一 model family；
共享第一個 Agent 的 summary；

那麼：

\boxed{ 5\ \text{PASS} }

可能只是：

\boxed{ 1\ \text{failure}\ \text{mode} \times 5\ \text{repetitions}. }

2. Agent Count 與 Epistemic Count

令：

N_A = \text{number of agents}.

令：

N_E = \text{effective independent epistemic channels}.

一般：

\boxed{ N_A \neq N_E. }

而且：

N_E\le N_A.

極端情況：

N_A=10,

但：

N_E\approx1.

3. Homogeneous Green 的正式定義

令 verifier $V_i$ 的有效驗證配置：

Z_i = ( M_i, P_i, E_i, S_i, T_i, F_i, H_i, J_i ).

若：

D(Z_i,Z_j)<\epsilon

對大多數：

(i,j)

成立，

且：

V_i=\text{PASS}

高度相關，

則：

\boxed{ \text{HomogeneousGreen}. }

也就是：

綠燈很多，但綠燈彼此不是獨立資訊。

4. Agreement 不是 Independence

若：

V_1=V_2=\text{PASS},

這只證明：

\text{Agreement}(V_1,V_2)=1.

不能推出：

\text{Independent}(V_1,V_2)=1.

所以：

\boxed{ \text{Agreement} \nRightarrow \text{Independence}. }

5. Independence 也不是 Correctness

即使兩個 verifier 真正獨立：

\text{Independent}(V_1,V_2)=1,

兩者仍可能：

V_1=V_2=\text{Wrong}.

因此：

\boxed{ \text{Independence} \nRightarrow \text{Correctness}. }

independence 的價值是：

降低 common-cause error，增加錯誤被另一條路徑暴露的機率。

不是：

自動產生真理。

6. 所以三層必須拆開

\boxed{ \text{Agreement} }

回答：

它們是否得到相同結論？

\boxed{ \text{Independence} }

回答：

它們的錯誤是否可能一起發生？

\boxed{ \text{Correctness} }

回答：

結論是否真的對世界成立？

三者不可互換。

7. 多 Agent 的第一個常見誤解：不同名字

例如：

Architect
QA
Security Reviewer
Reviewer-2

看起來四個角色。

但如果全部：

same model
same prompt template
same repository slice
same test output
same issue summary

則：

\boxed{ \text{IndependentLabels} \neq \text{IndependentEvidence}. }

8. 不同 Persona 也不是 Independent Perspective

prompt：

You are a critical reviewer.

與：

You are a senior architect.

可能造成不同回答。

但如果實際：

O_1(X)=O_2(X),

且：

E_1=E_2,

則 perspective difference 可能主要是語言 framing。

因此：

\boxed{ \text{PersonaDiversity} \nRightarrow \text{PerspectiveDiversity}. }

9. 不同 Conversation 也不是獨立驗證

兩個 fresh context：

C_1,C_2

確實能降低：

conversational anchoring；
local memory contamination；
previous chain influence。

但若兩者仍讀：

\text{SameSource} + \text{SameSpec} + \text{SameFixture},

則：

\boxed{ \text{FreshContext} \nRightarrow \text{IndependentWorldEvidence}. }

10. 不同模型也不是充分條件

假設：

Model A
Model B
Model C

來自不同 provider。

但三者都：

學過相似公開資料；
使用同一錯誤文件；
讀同一 summary；
使用同一 test oracle；
無法取得真實 world observation。

仍可能：

\boxed{ \text{ErrorCorrelation}>0. }

因此：

\boxed{ \text{CrossModel} \nRightarrow \text{IndependentValidation}. }

11. 但 Cross-Model 仍然可能有價值

如果不同模型：

training priors 不同；
tool stack 不同；
reasoning style 不同；
failure profile 不同；

則：

\rho_{error}

可能降低。

所以：

\text{CrossModel}

是：

\boxed{ \text{one diversity mechanism}. }

不是：

\boxed{ \text{proof of independence}. }

12. Common-Cause Failure

可靠性工程中非常重要的思想是：

多個 redundancy channel 如果共享同一 failure cause，冗餘就會失效。

A08 將這個概念帶入 Agent verification。

如果：

C^\ast

是一個共同錯誤來源，

且：

C^\ast \rightarrow Error(V_i)

對多個 $i$ 成立，

則：

\boxed{ \text{CommonCauseFailure}. }

13. Agent Verification 的 Common Cause

常見：

C1 — Wrong Specification

所有 Agent 都依賴錯 requirement。

C2 — Wrong Summary

第一個 Agent summary 錯，後面全部讀 summary。

C3 — Wrong Fixture

test data 本身錯。

C4 — Wrong Oracle

validator 規則錯。

C5 — Same Observation Blind Spot

全部 text-only。

C6 — Same Model Prior

同模型角色分工。

C7 — Same Tool Failure

全部依賴同一 parser / static analyzer。

C8 — Same Stale State

全部讀舊 branch / old snapshot。

14. Green Amplification

如果每一 Agent 都對同一 false premise：

H_f

做高品質推理，

則：

H_f \rightarrow Conclusion_i.

每一個 conclusion 都可以內部自洽。

最後：

\boxed{ \text{Agreement}\uparrow }

反而讓錯誤看起來更可信。

本文稱：

Green Amplification

15. 共識可以放大錯誤，而不是修正錯誤

若：

P(Wrong\mid shared\ premise)

很高，

那增加同質 Agent：

n\uparrow

可能提高：

\text{Confidence}

卻不提高：

\text{Accuracy}.

所以：

\boxed{ \text{ConsensusConfidence} \nRightarrow \text{WorldAccuracy}. }

16. 2026：Agreement 不可靠作為獨立 confidence

2026 年一項大規模 preprint：

When LLMs Agree, Are They Right?

研究 self-consistency 與 cross-model agreement 作為 confidence signal。

其結果顯示：

agreement 通常與 correctness 正相關；
但 predictive strength 依 regime 而異；
對高度一致的 frontier model，agreement 可以非常高但仍有大量 confident errors；
different provider / family 間仍可能出現 shared confident error。

這類結果支持：

\boxed{ \text{Agreement} = \text{ConditionalSignal}, \quad \text{NotStandaloneProof}. }

由於該研究仍是近期 preprint，

本文不把特定比例當成普遍定律。

17. Self-Consistency 的真正作用

Self-consistency：

Sample_1,\ldots,Sample_n

可以：

探索不同 reasoning path；
降低 sampling noise；
增加 candidate multiplicity。

但如果：

P(ErrorMode=e)

由 model prior 強烈支配，

則多 sampling 可能只是：

e,e,e,e,e.

因此：

\boxed{ \text{SelfConsistency} \neq \text{IndependentVerification}. }

18. Effective Sample Size

假設 verifier error 具有平均 pairwise correlation：

\rho.

在一個非常簡化的 equicorrelation heuristic 下，

有效獨立樣本數可近似：

\boxed{ N_{\mathrm{eff}} \approx \frac{ N }{ 1+(N-1)\rho }. }

這不是 Agent verification 的精確統計定律，

而是用來表達：

$\rho=0$ 時， $N_{\mathrm{eff}}\approx N$ ；
$\rho\rightarrow1$ 時， $N_{\mathrm{eff}}\rightarrow1$ 。

因此：

\boxed{ \text{AgentScaling} }

真正需要控制：

\boxed{ \text{ErrorCorrelation}. }

19. 十個 Independence Dimension

本文將 verifier independence 拆成十個維度。

I1 — Model Independence

不同模型 / model family。

I2 — Sampling Independence

不同 seed / independent decoding。

I3 — Prompt Independence

不同 prompt construction。

I4 — Perspective Independence

不同 observation / judgment operator。

I5 — Evidence Independence

不同 evidence source / independently acquired evidence。

I6 — Tool Independence

不同 verifier / tool / method。

I7 — Memory Independence

不同 context / history / summary chain。

I8 — Failure-Model Independence

不同 falsification hypothesis。

I9 — Temporal Independence

不同時間重新觀察世界。

I10 — Authority / Aggregation Independence

validator 不與 generator / promoter 共用同一決策權。

20. 其中最重要的不一定是 Model Independence

對 engineering validation，

通常更重要的是：

\boxed{ \text{EvidenceIndependence} + \text{PerspectiveIndependence} + \text{FailureModelIndependence}. }

因為：

同一模型使用 fresh runtime trace 與不同 falsifier，

可能比：

三個不同模型讀同一錯 summary，

更有驗證價值。

21. Independent Evidence > Independent Labels

作者既有 Twin Governance 已提出：

\boxed{ \text{IndependentEvidence} > \text{IndependentLabels}. }

如果兩個 Agent 都讀同一錯 summary：

\text{ErrorCorrelation}\approx1.

真正 Twin 的價值來自：

different structural projection
fresh evidence
different task locality

而不是：

Twin-1
Twin-2

這是 A08 的核心工程錨點。

22. Evidence Independence

令：

E_i

為 Agent $i$ 的主要 evidence set。

定義 pairwise overlap：

Overlap(E_i,E_j).

若：

Overlap\rightarrow1,

則 evidence independence 低。

但單純不同 URL 也不一定獨立。

如果三個來源都是：

同一 upstream press release 的轉載，

仍然：

SourceCount=3

但：

EvidenceRootCount=1.

23. Evidence Root

所以需要：

Evidence Root

對每一 evidence 追蹤：

Root(E_i).

若：

Root(E_1)=Root(E_2),

則它們不能被當成兩份完全獨立 primary evidence。

同理軟體：

unit test output
review summary
second-agent summary

可能全部 root 在：

\text{SameFixture}.

24. Evidence Lineage

可記：

evidence:
  id:
  source:
  root_source:
  acquired_by:
  method:
  version:
  time:
  derived_from:

這讓 independence 可被審計。

25. Perspective Independence

如果：

P_1=P_{code},

P_2=P_{code},

P_3=P_{code},

即使：

M_1\neq M_2\neq M_3,

perspective coverage 仍然窄。

相反：

P_1=P_{implementation},

P_2=P_{runtime},

P_3=P_{visual},

可能增加：

\boxed{ \text{CrossProjectionFalsification}. }

26. Perspective Diversity 不等於強迫唱反調

一個 Challenger：

故意說 opposite answer。

這不是最理想 perspective diversity。

真正 diversity 需要：

不同問題；
不同 evidence；
不同 failure prior；
不同 falsifier。

所以：

\boxed{ \text{Disagreement} \nRightarrow \text{Diversity}. }

27. Initial Stance Diversity 可以是工具，但不是終點

2025 NAACL 的 summary faithfulness debate work：

強制不同 initial stance；
增加 debate diversity；
找到更多 summary errors。

這說明：

\boxed{ \text{ArtificialStanceDiversity} }

在某些 task 可以提高探索。

但 stance 本身仍不是：

\text{IndependentEvidence}.

它主要改變：

\text{SearchTrajectory}.

28. Multi-Agent Debate 的早期優勢

2023 年 multi-agent debate 顯示：

多模型互相 critique / debate 可改善若干 reasoning 與 factual tasks。

因此：

\boxed{ \text{MultiAgentDebate} }

確實可以有價值。

A08 不主張：

\text{Debate}=\text{Useless}.

29. 但後續研究顯示機制很重要

ACL 2025：

Voting or Consensus? Decision-Making in Multi-Agent Debate

系統比較七種 decision protocol。

研究指出：

reasoning task 中 voting protocol 表現較好；
knowledge task 中 consensus 有不同優勢；
agent 數量增加可能有幫助；
更多 discussion rounds before voting 反而降低表現；
提高 answer diversity 的策略可以再改善結果。

所以：

\boxed{ \text{MoreDebateRounds} \nRightarrow \text{MoreAccuracy}. }

30. 2026：Homogeneous Debate 的理論限制

ACL 2026：

Demystifying Multi-Agent Debate: The Role of Confidence and Diversity

指出：

homogeneous agents + uniform belief updates 下，vanilla debate 可能只是保存 expected correctness，並不能可靠產生系統性提升。

其改善來自：

diversity-aware initialization；
calibrated confidence communication。

因此：

\boxed{ \text{CollectiveGain} }

高度依賴：

\boxed{ \text{Diversity} + \text{UpdateMechanism}. }

31. Debate 不是 Evidence Acquisition

作者既有 Collective Cognitive PNP 已指出：

\boxed{ \text{MoreDebateRounds} \not\equiv \text{MoreEvidence}. }

因為：

\text{Vote}, \text{Debate}, \text{Judge}, \text{ProofCheck}

是不同 aggregator。

Debate 主要改變：

\text{belief interaction}.

它不自動改變：

\text{world evidence}.

32. Vote、Debate、Judge、ProofCheck 必須分開

Vote

利用：

\text{candidate multiplicity}.

Debate

允許：

\text{argument interaction}.

Judge

把：

\text{selection}

交給另一 decision process。

ProofCheck

要求：

\text{explicit formal contract}.

所以：

\boxed{ \text{Vote} \neq \text{Debate} \neq \text{Judge} \neq \text{ProofCheck}. }

33. Majority Vote 不是 Truth Oracle

如果每個 Agent：

P(correct)=p

且 errors independent，

majority vote 可以提高 aggregate accuracy。

但若 errors correlated：

\rho>0,

gain 會下降。

如果：

\rho\rightarrow1,

majority vote 幾乎只是在複製單一判斷。

34. Majority Pressure 可以破壞獨立性

如果 Agent 在第一輪就看到其他人的答案，

它的 posterior：

Belief_i

會被社會訊號影響。

因此：

\boxed{ \text{Communication} }

可以：

提升資訊共享；
也可以降低 independence。

這是一個 trade-off。

35. Group Conformity

ACL 2025 的 multi-agent conformity study：

模擬超過 2,500 debates；
觀察 initially neutral agents 如何在 group dynamics 下改變 stance；
發現數量優勢與較強 agent 可以影響群體。

這提供重要 warning：

\boxed{ \text{ConsensusFormation} }

可能來自：

\boxed{ \text{SocialDynamics} }

而不是：

\boxed{ \text{EvidenceCorrection}. }

36. Independent First Pass

因此作者既有多 Agent review 規格提出：

Independent First Pass

第一輪：

\text{Agent}_i^{(0)} = Review(Case,Evidence)

彼此不看答案。

只有先記錄：

conclusion；
confidence；
evidence；
unknowns；
falsifiers；

再進 interaction。

這保留：

\boxed{ \text{PreCommunicationDiversity}. }

37. 為什麼 first pass 很重要

如果一開始：

Agent A says PASS

再把 A 的答案送給 B、C、D，

則後面：

\text{Agreement}

已經受到：

\text{Anchoring}.

因此不能用最終共識反推：

四個 Agent 獨立同意。

38. Pre-Debate Snapshot

每個 reviewer 應保存：

initial_review:
  verdict:
  confidence:
  evidence:
  missing_evidence:
  alternative_hypotheses:
  falsifier:

之後 debate 可以改。

但：

\boxed{ \text{InitialState} }

要保留，

才能測：

conformity；
correction；
persuasion；
collapse。

39. Diversity Collapse

若初始：

H(A_1,\ldots,A_n)>0

但 debate 後：

H\rightarrow0

需要問：

是正確 convergence？

還是：

majority pressure？

因此：

\boxed{ \text{Consensus} }

需要：

\boxed{ \text{ConsensusProvenance}. }

40. Consensus Provenance

可以記：

consensus:
  initial_distribution:
  evidence_added_during_debate:
  agents_changed:
  why_changed:
  new_world_evidence:
  final_vote:

如果：

new_world_evidence: none

但所有 Agent 從 split 變 unanimous，

則：

\text{ConsensusStrength}

應被打折。

41. LLM-as-a-Judge 的 Self-Preference

如果：

Generator=Judge,

或：

ModelFamily_{generator} \approx ModelFamily_{judge},

可能存在 self-preference / family preference。

2026 年一項研究對 20 個主流模型量化 self-preference bias，

指出：

advanced capability 與低 self-preference 並不保證正相關；
evaluator stance 可能系統性偏向或偏離自身輸出。

因此：

\boxed{ \text{SameModelJudge} }

不是中性 oracle。

42. Self-Preference 不代表 Same-Model Judge 無用

same-model self-review 可以：

發現 typo；
檢查 consistency；
找 obvious defect；
低成本快速 loop。

所以：

\boxed{ \text{SelfEvaluation} = \text{UsefulSignal}, \quad \text{NotSoleAuthority}. }

問題在：

不要把 correlated self-evaluation 當成 independent certification。

43. Judge Bias 不只 Self-Preference

LLM judge 可能受到：

position；
verbosity；
style；
framing；
model family；
consensus；
prompt complexity；

影響。

所以：

\boxed{ \text{JudgeDiversity} }

也需要：

\boxed{ \text{JudgeAudit}. }

44. Judge Ensemble 也可以同質

三個 judge：

J_1,J_2,J_3

如果：

same prompt；
same rubric；
same candidates；
same ordering；
similar model family；

則：

N_{judge}=3

仍可能：

N_{eff}\ll3.

45. Rubric Common Cause

即使模型不同，

如果 rubric 本身錯：

R_{bad},

則：

Judge_i(R_{bad})

都可能一致錯。

因此：

\boxed{ \text{RubricValidation} }

也是 meta-evaluation 的一部分。

46. Test Common Cause

多 Agent 都看：

CI: GREEN

但 test suite 本身：

沒有 falsifier；
fixture 錯；
negative test 被其他 guard 擋；
validator 無 discriminative power。

那：

\boxed{ \text{AllAgentsGreen} }

仍然沒有價值。

47. Discriminative Closure

作者既有 Production Closure 提出：

\boxed{ \text{BehavioralClosure} }

\boxed{ \text{StructuralClosure} }

\boxed{ \text{DiscriminativeClosure} }

其中 Discriminative Closure 問：

validator 是否能拒絕 relevant bad state，且接受 legal equivalent？

形式：

Accept(W^+),

Reject(W^-),

Accept(W^{eq}).

這是 A08 極重要的驗證層。

48. 為什麼「第二個 Agent 說 OK」不是 Proof

既有 failure taxonomy：

PC-F02 — Reviewer-as-Proof

即：

第二個 Agent 說 OK 就當 proof。

這是錯誤的。

第二個 Agent：

\boxed{ \text{may provide another judgment} }

但不是：

\boxed{ \text{proof by existence of a second voice}. }

49. Twin ≠ Duplicate Worker

Twin Governance 明確提出：

\boxed{ \text{Twin} \neq \text{DuplicateWorker}. }

Twin 應該：

檢查 closure claim 是否有 material gap。

而不是：

再寫一次 implementation。

如果 Twin 與 Lead 做完全同一件事，

那只是 redundancy without epistemic design。

50. Twin 真正要增加的是 Failure Surface

Twin 的價值應是：

\boxed{ \Delta \text{FalsificationSurface}>0. }

例如：

Lead 看 behavioral；
Twin 看 structural backtrace；
Lead 用 unit tests；
Twin 重播 fresh runtime；
Lead 依 declared dependency；
Twin 找 hidden support。

這才是：

\boxed{ \text{HeterogeneousValidation}. }

51. Heterogeneous Projection Coverage

令 relevant projections：

\mathcal P^\ast.

每個 verifier：

V_i

覆蓋：

\mathcal P_i.

定義 union coverage：

\boxed{ HPC = \frac{ \sum_{p\in\cup_i\mathcal P_i}w_p }{ \sum_{p\in\mathcal P^\ast}w_p }. }

稱：

Heterogeneous Projection Coverage

52. Coverage 不等於 Independence

即使：

HPC=1,

若所有 evidence：

E_i

來自同一錯 root，

仍然可能一起錯。

所以：

\boxed{ \text{Coverage} + \text{Independence} }

都需要。

53. Effective Diversity

作者既有多 Agent 規格提出：

D_{eff} = f( \text{ModelDiversity}, \text{PromptDiversity}, \text{EvidenceDiversity}, \text{RoleDiversity}, \text{InitialAnswerDiversity} ).

A08 擴成：

\boxed{ D_{eff} = f( D_M, D_P, D_E, D_T, D_F, D_H, D_J, D_\tau ). }

其中：

$D_M$ ：model；
$D_P$ ：perspective；
$D_E$ ：evidence；
$D_T$ ：tool / verifier；
$D_F$ ：failure model；
$D_H$ ：history / context；
$D_J$ ：judge / aggregation；
$D_\tau$ ：temporal re-observation。

54. Diversity 不必每一維都最大化

如果 task 是：

deterministic JSON schema validation，

最好的 verifier 是：

\text{SchemaValidator}.

根本不需要：

5\ \text{LLMs}.

所以：

\boxed{ \text{Diversity} }

是 risk / uncertainty-conditioned resource，

不是裝飾性指標。

55. Deterministic Verifier 是一種強異質性

若 Agent 判斷：

\text{LLMReview}.

再加：

\text{Compiler}.

這兩者的 failure mechanism 差很大。

因此：

\boxed{ \text{DeterministicTool} }

往往比：

\boxed{ \text{AnotherFreeFormLLM} }

提供更高 epistemic diversity。

56. Proof Checker 也是強異質 verifier

對形式化命題：

\text{LLMProof}

加：

\text{Lean/CoqChecker}

不是：

第二個 Agent 同意。

而是：

\boxed{ \text{DifferentValidationMechanism}. }

這就是：

\text{ToolIndependence}\uparrow.

57. World Replay 也是強異質 verifier

對 UI：

code reviewer；
screenshot；
browser interaction；

三者驗證的 projection 不同。

對 distributed system：

static code；
integration test；
trace；
production replay；

也不同。

因此：

\boxed{ \text{WorldEvidence} }

可以打破 model-model correlation。

58. External Reality 是重要 Validator

所有 Agent 都可以：

\text{Agree}.

但最後：

real user
real browser
real runtime
real API

說：

\text{FAIL}.

所以：

\boxed{ \text{ExternalWorld} }

往往是最重要的異質 evidence source 之一。

59. 這與 A07 的關係

A07 說：

\text{Capability} \neq \text{PerspectiveActivation} \neq \text{Evidence}.

A08 再加：

\boxed{ \text{ManyCapabilities} + \text{ManyAgents} }

如果都用：

\text{SamePerspective} + \text{SameEvidence},

仍然沒有：

\text{IndependentClosure}.

60. Independence Architecture

成熟 multi-agent system 不應只定義：

Agent A
Agent B
Agent C

而應定義：

Agent A:
  perspective:
  evidence source:
  tools:
  falsifier:
  authority:

Agent B:
  perspective:
  evidence source:
  tools:
  falsifier:
  authority:

也就是：

\boxed{ \text{Independence by Design}. }

61. Independent First Pass Architecture

建議流程：

1. Freeze canonical claim / scope.
2. Give each reviewer canonical evidence roots.
3. First pass independently.
4. Preserve initial verdict/confidence/falsifier.
5. Compare disagreement.
6. Route missing evidence.
7. Only then allow critique/debate.
8. Re-observe world if needed.
9. Aggregate with explicit rule.
10. Preserve disagreement if unresolved.

62. 不要一開始就共享全部 reasoning

一開始互相看：

Reasoning_j

可能造成：

anchoring；
imitation；
conformity；
premature convergence。

因此：

\boxed{ \text{PrivateFirstPass} }

有時比：

\text{GroupChatFromStart}

更適合。

63. 但也不需要保存 hidden chain-of-thought

Independent first pass 需要的是：

verdict
evidence refs
confidence
assumptions
unknowns
falsifier

不是 private chain-of-thought。

因此：

\boxed{ \text{Auditability} \neq \text{PrivateReasoningDisclosure}. }

64. Confidence Communication

ACL 2026 指出 calibrated confidence communication 能改善 vanilla debate。

這提供一個重要方向：

\boxed{ Vote_i }

最好帶：

Confidence_i.

但 confidence 必須：

\text{Calibrated}.

未校準 confidence 可能只是：

\text{Style}.

65. Confidence 不是 Authority

即使 Agent：

Confidence=0.99,

不表示：

MayPromote=1.

所以：

\boxed{ \text{Confidence} \neq \text{Authority}. }

66. Majority Vote 也不能覆蓋 Authority

例如：

4 AI reviewers say deploy

如果 production authority 仍在人類：

\boxed{ 4Votes \nRightarrow \text{Authorization}. }

這接回：

\text{Validated} \neq \text{Authorized}.

67. Consensus 不應抹掉 Conflict

如果：

V_1=\text{PASS}, V_2=\text{FAIL}, V_3=\text{UNKNOWN},

不能為了 UI 簡潔直接顯示：

2/3 not fail → PASS

更合理：

\boxed{ \text{Conflicted}. }

直到：

evidence 增加；
scope clarified；
authority decision；
known disagreement accepted。

68. Disagreement 是 Evidence

multi-agent system 常把 disagreement 當：

還沒收斂。

但 disagreement 本身可能表示：

\boxed{ \text{HiddenAssumption} }

或：

\boxed{ \text{ProjectionDifference}. }

所以：

\boxed{ \text{Disagreement} }

可以是：

\boxed{ \text{DiagnosticSignal}. }

69. 不要過早 Consensus Compression

如果不同 Agent：

P_1,P_2,P_3

看到不同 failure surface，

太早壓成一個 summary：

S

可能把差異抹掉。

因此：

\boxed{ \text{ConsensusCompression} }

應保留：

minority view；
evidence root；
unresolved contradiction。

70. Minority Report

對高風險決策：

minority:
  verdict: CHALLENGE
  confidence: 0.76
  evidence:
    - runtime_trace_17
  concern:
    - hidden state ownership

即使 majority PASS，

也不能直接丟掉。

71. Minority Value

minority 的價值取決於：

\text{EvidenceQuality}

不是：

\text{VoteCount}.

一個：

1/5

但帶 deterministic counterexample 的 reviewer，

可能比：

4/5

free-form PASS 更重要。

72. Evidence-Weighted Aggregation

所以 aggregate 可以：

Score_i = w_EE_i + w_CC_i + w_PP_i - w_BBias_i.

不是純：

1\ \text{agent}=1\ \text{vote}.

但這只是一種可能 aggregator，

不是普遍最佳公式。

73. Falsifier-First Aggregation

對 correctness / safety 類 claim，

有時更合理：

\boxed{ \text{OneValidFalsifier} > \text{ManyWeakConcurrences}. }

例如：

4 Agent 說支付流程正常；
1 Agent 提供可重現 double-charge trace。

此時：

\text{FAIL}.

74. Positive Evidence 與 Negative Evidence 不對稱

一個 positive witness：

這次成功。

不能證明：

所有 relevant bad state 都會被拒絕。

所以：

\boxed{ \text{PositiveAgreement} }

不能取代：

\boxed{ \text{DiscriminativeFalsification}. }

75. Mutation Test 的 Epistemic 價值

既有 AIDA / Production Closure 已經使用 mutation witness。

如果：

remove guard

validator 仍 PASS，

表示：

\boxed{ \text{FalseGreen}. }

這比：

再找 Agent 說「測試看起來很好」

有更高資訊價值。

76. Discriminative Independence

本文定義：

若 verifier $V_i$ 和 $V_j$ 使用不同 bad-state construction：

W_i^-, W_j^-,

並驗證不同 failure mechanism，

則：

\boxed{ D_{disc}(V_i,V_j)\uparrow. }

這是：

Discriminative Independence

77. Model Diversity 低，也可以有高 Discriminative Independence

同一 model：

Reviewer A:
positive behavior replay

Reviewer B:
mutation / negative witness

Reviewer C:
runtime hidden-dependency replay

可能比三個不同模型：

read same code
say PASS

更有價值。

78. Heterogeneous Failure Models

例如 payment feature：

Reviewer 1

F_1=\text{functional failure}.

Reviewer 2

F_2=\text{idempotency / retry}.

Reviewer 3

F_3=\text{authority}.

Reviewer 4

F_4=\text{UX visible outcome}.

這才是：

\boxed{ \text{HeterogeneousFailureCoverage}. }

79. Effective Reviewer Count

可建立概念性：

\boxed{ N_R^{eff} = N \cdot D_{eff} \cdot I_E }

其中：

$D_{eff}\in[0,1]$ ：effective diversity；
$I_E\in[0,1]$ ：evidence independence。

這不是統計 estimator，

只是工程 metric。

更嚴謹時可直接估計 pairwise error correlation。

80. Pairwise Error Correlation Matrix

令：

R_{ij} = Corr(Error_i,Error_j).

則：

\mathbf R

提供比：

N_{\mathrm{agents}}

更有價值的資訊。

如果：

R_{ij}\approx1

對多數 pair，

多 Agent redundancy 很弱。

81. 如何實際估 Error Correlation？

需要 benchmark / historical cases。

對每個 case：

y_k.

記：

e_{ik} = \mathbf 1[ \text{Agent}_i\ \text{wrong} ].

然後計算：

Corr(e_i,e_j).

這讓「獨立」可以被實測，

而不是靠角色名稱猜。

82. Unknown Correlation 時怎麼辦？

如果沒有歷史資料，

可先用 structural proxy：

same model；
same prompt；
same evidence；
same tools；
same perspective；
same context。

越多相同，

預估 correlation 越高。

但必須標：

\boxed{ \text{Estimated Independence} }

而不是：

\boxed{ \text{Measured Independence}. }

83. Diversity Yield

新增第 $n+1$ 個 reviewer，

如果只重複既有 evidence，

marginal value 低。

定義：

\boxed{ Y_D(n+1) = \frac{ \Delta IndependentFailureCoverage }{ Cost_{n+1} }. }

若：

Y_D\rightarrow0,

停止加 reviewer。

84. Independence Budget

就像 APR 有 perception budget，

multi-agent validation 也可以有：

B_I = \text{independence budget}.

資源應優先花在：

new evidence；
new perspective；
new falsifier；

而不是：

another same-context opinion。

85. Selective Twin

既有 Twin Governance：

\text{Twin}

只在：

\text{ExpectedRiskReduction} > C_{Twin}

時啟動。

所以：

\boxed{ \text{TwinAlwaysOn} }

也不是理想。

低風險 deterministic task：

\text{CompilerPass}

可能已足夠。

86. 多 Agent 不是預設選項

作者既有審查策略分層：

R0 deterministic rule
R1 single reviewer
R2 dual independent review
R3 multi-agent panel
R4 human-led panel
R5 mandatory human authority

這比：

every task → 5 agents

成熟。

87. Review Strategy Selector

可寫：

\boxed{ \text{ReviewStrategy} = g( \text{CaseType}, \text{Risk}, \text{Uncertainty}, \text{EvidenceGap}, \text{Disagreement}, \text{Cost} ). }

這和 A04 的 Adaptive Process Depth 同型。

88. Agent Count 不是 Partitioning Principle

既有 GMASE 實務觀察指出：

\boxed{ \text{agent count} \neq \text{partitioning principle}. }

更好的 partitioning：

\boxed{ \text{failure-domain graph.} }

一個 worker 背太多 failure domain，

即使 agents 數量很多，

整體仍可能不平衡。

89. 多 Agent 的正確單位：Failure Domain

與其：

4 agents

更重要：

functional
visual
runtime
structural
security
authority
performance

哪些 domain 有 closure owner？

所以：

\boxed{ \text{CoverageByFailureDomain} }

優於：

\boxed{ \text{CoverageByAgentCount}. }

90. Multi-Agent Correlated Error

既有 AI-native runtime 已經固定：

\boxed{ 2Agents \neq \text{IndependentProof}. }

這是一條應直接寫進 A08 canonical principle 的命題。

91. Correlation 可來自 Shared Artifact

Collective Cognitive PNP 提出一個重要情況：

如果 shared artifact 被污染，

而所有 Agent 都依賴同一 shared root，

則：

\boxed{ \text{SharedMemory} \rightarrow \text{SharedError}. }

此時至少保留一條：

\text{PrivateIndependentAcquisition}

可提供 correction path。

92. 但 Shared Memory 也有好處

完全 private agents：

重複成本高；
context divergence；
integration 困難。

所以：

\boxed{ \text{PrivateEverything} }

也不是最優。

更合理：

\boxed{ \text{SharedCanonicalState} + \text{IndependentCriticalEvidence}. }

93. Canonical State Sharing

可共享：

target
scope
artifact
evidence refs
unresolved
authority
closure vector

但不必：

share one agent's conclusion as truth

所以：

\boxed{ \text{ShareState} \neq \text{ShareBelief}. }

94. Shared-with-Provenance

更好的 shared evidence：

evidence:
  content:
  source:
  acquired_by:
  derived_from:
  confidence:

讓 Agent 可以：

使用同一 canonical evidence，

但知道哪些是：

primary；
derived；
model summary。

這降低 source laundering。

95. Source Laundering

如果：

Agent A reads primary source
→ writes summary
Agent B reads summary
Agent C reads B's summary

最後大家說：

三個 agents 都確認。

實際：

EvidenceRoot=1.

這是：

Source Laundering

96. Derived Opinion 不應重複計票

如果：

Opinion_B = f(Opinion_A),

那 B 不能被視為完全 independent vote。

所以 aggregate 需要：

\boxed{ \text{LineageAwareVoting}. }

97. Lineage-Aware Voting

可對 vote $v_i$ 記：

vote:
  agent:
  root_evidence:
  prior_agent_outputs_seen:
  independent_first_pass: true/false

如果：

prior\_outputs\_seen=\text{true},

independence weight 應降低。

98. Temporal Independence

同一 Agent 在：

t_1

與：

t_2

重新觀察世界，

有時比兩 Agent 同時看舊 snapshot 更有價值。

例如：

deploy
→ fresh runtime
→ fresh UI

所以：

\boxed{ \text{TemporalReobservation} }

也是 independence dimension。

99. Freshness 能打破共同錯誤

如果所有 agent 都看：

Evidence_{t-1},

它們會一起錯過：

World_t.

因此：

\boxed{ \text{FreshEvidence} }

有時比：

\text{NewAgent}

更有價值。

100. Tool Independence

例如：

LLM static reviewer
compiler
property-based test
browser replay
profiler
formal checker

這些 method 的 error modes 不同。

所以：

\boxed{ \text{ToolDiversity} }

可以大幅降低：

\text{CommonCause}.

101. Validator Independence 與 Architecture Independence

有時所有 validators 都建在同一 architecture assumption 上。

例如：

cache is authoritative

如果 assumption 錯，

unit test、integration test、review 全部可能一起綠。

因此 structural backtrace 要問：

hidden dependency / hidden support 在哪？

這是：

\boxed{ \text{StructuralIndependence}. }

102. Behavioral Green 可以與 Structural Red 共存

既有 false-green scenario：

Behavioral=\text{PASS},

Discriminative=\text{PASS},

Structural=\text{FAIL}.

因為存在 undeclared hidden dependency。

這證明：

\boxed{ \text{Green} \neq \text{Closed}. }

也證明：

多一個 behavior verifier 仍不一定找到 structural failure。

103. 三種 Closure 本身就是 Heterogeneous Validation

C_B = \text{BehavioralClosure},

C_S = \text{StructuralClosure},

C_D = \text{DiscriminativeClosure}.

三者問不同問題。

這比：

3\times BehavioralReviewer

更接近真正 multi-perspective closure。

104. 多 Agent 的價值不是「投票多」

而是：

\boxed{ \Delta \text{ObservationSpace} + \Delta \text{FalsificationSpace}. }

如果：

\Delta ObservationSpace=0,

\Delta FalsificationSpace=0,

那新增 Agent 的 epistemic value 很低。

105. Multi-Agent Scaling Law 不應假設存在

不能直接：

\text{Performance} = f(N_{agents})

且單調上升。

更合理：

\boxed{ \text{Performance} = f( N, \text{Diversity}, \text{Correlation}, \text{Protocol}, \text{Evidence}, \text{Task} ). }

106. 什麼時候 Multi-Agent 真正有價值？

至少一項：

perspective 不同；
evidence root 不同；
tool / verifier 不同；
failure model 不同；
model prior 不同；
temporal observation 不同；
authority separation 有價值；
parallelism 能縮短 wall-clock。

107. Parallelism 與 Independence 不同

多 Agent 可以只是為了：

\text{Speed}.

例如：

Agent A implements module A
Agent B implements module B

這是：

\boxed{ \text{ExecutionParallelism}. }

不是：

\boxed{ \text{IndependentVerification}. }

兩種價值都合理，

但不要混。

108. Role Specialization 與 Epistemic Diversity 不同

角色分工：

frontend
backend
docs

可能只是 ownership partition。

若要 independent validation，

還需：

\boxed{ \text{CrossCheckDesign}. }

109. Aggregator 是新的 Failure Point

多 Agent 最後通常需要：

\text{Aggregator}.

如果 aggregator：

biased；
ignores minority；
compresses evidence badly；
uses wrong rubric；

那：

\boxed{ \text{AggregationFailure} }

可以覆蓋所有 upstream diversity。

110. Aggregator 不能只看答案

最好看：

verdict；
evidence root；
confidence；
falsifier；
perspective；
independence metadata。

而不是：

PASS PASS PASS FAIL
→ PASS

111. Meta-Judge 也不是終點

如果：

Judge-of-judges

再加：

Meta-judge

沒有 new evidence，

只是：

\boxed{ \text{ReviewerRecursion}. }

這會接回 A04 / A05。

112. Meta-Evaluation 的正確意義

Meta-evaluation：

Evaluation(Evaluation)

應檢查：

evaluator quality；
bias；
rubric；
evidence grounding；
calibration；
utility。

不是：

再多一層自由評論。

113. Self-Improvement Loop 的上限由 Evaluator 決定

如果：

\text{ImprovementLoop}

完全依賴：

\text{Evaluator},

而 evaluator blind spot 固定，

那：

\boxed{ \text{LoopQuality} \le \text{EvaluationSignalQuality}. }

所以 self-improvement 系統尤其需要異質 evidence。

114. Progress Mirage 與同質綠燈

如果 Agent loop 每輪：

review says improved
judge says improved
self-score says improved

但 external metric：

\Delta World\le0,

就是：

\boxed{ \text{InternalConsensus} \neq \text{ExternalProgress}. }

同質綠燈可以讓 progress mirage 更穩定。

115. Independence Audit

每一高風險 validation panel 可以問：

agents 是否 same model？
first pass 是否獨立？
evidence root 是否相同？
perspective 是否不同？
tool 是否不同？
falsifier 是否不同？
是否共享 summary？
是否看到彼此答案？
judge 是否 same model / same family？
是否有 fresh world evidence？
是否測 bad-state rejection？
是否保留 minority finding？

116. Independence Receipt

independence:
  agent_count: 4

  model_diversity:
    score: medium

  perspective_diversity:
    - implementation
    - runtime
    - visual

  evidence_roots:
    - source_tree
    - browser_replay
    - runtime_trace

  first_pass_independent: true

  shared_prior_outputs: false

  deterministic_verifiers:
    - type_checker
    - integration_test

  negative_witness:
    status: PASS

  estimated_error_correlation: unknown

  claim:
    independent_validation: PARTIAL

117. Independent Validation 不必二元化

可以是：

NONE
LOW
PARTIAL
STRONG
FORMAL

例如：

same-model second opinion：LOW；
same-model + fresh runtime evidence：PARTIAL；
hetero evidence + deterministic verifier：STRONG；
formal proof checker：FORMAL for scoped property。

118. Formal 也仍有 Scope

即使：

ProofCheck=PASS,

只證明：

Property_P.

不能推出：

\text{AllProductProperties}.

所以：

\boxed{ \text{FormalIndependence} }

也需要：

\text{Scope}.

119. Diversity / Cost Trade-off

令：

D = \text{effective diversity},

C = \text{cost}.

理想不是：

\max D.

而是：

\boxed{ \max \frac{ \Delta RiskReduction }{ C }. }

120. 多 Agent 也可能降低品質

如果：

communication noise；
conformity；
bad majority；
duplicated effort；
context dilution；
reviewer recursion；

超過 diversity gain，

則：

\boxed{ \text{MultiAgent} < \text{SingleStrongAgent} }

完全可能。

121. 單 Agent 也可以內建 Heterogeneous Verification

同一 Agent 可依序：

implementation perspective
→ deterministic test
→ runtime perspective
→ visual perspective
→ mutation falsifier

因此：

\boxed{ \text{HeterogeneousValidation} \neq \text{NecessarilyMultiAgent}. }

這對成本很重要。

122. Multi-Agent 的不可取代價值

某些情況仍適合多 Agent：

parallel work；
context isolation；
competing hypotheses；
separate authority；
independent first pass；
model-family diversification；
high-risk adversarial verification。

所以：

\boxed{ \text{MultiAgent} }

是一種：

\boxed{ \text{coordination topology}. }

不是品質符咒。

123. Heterogeneous Projection Closure

A03 提出：

O_i(X)\neq X.

A08 封頂：

真正 multi-agent validation 應：

\boxed{ \{O_1(X),O_2(X),\ldots,O_n(X)\} }

覆蓋：

\boxed{ \text{materially different failure-relevant projections}. }

124. 不同 Perspective 必須能互相 Falsify

如果：

P_{visual}

永遠不能影響：

P_{implementation}

的 conclusion，

那只是 parallel reporting。

真正 cross-perspective closure 需要：

\boxed{ Evidence_i \rightarrow Belief_j\ revision. }

125. Cross-Perspective Contradiction 是高價值事件

例如：

code reviewer: PASS
browser replay: FAIL

此時不應：

majority vote。

而應：

\boxed{ \text{Reopen}. }

因為：

\text{WorldEvidence}

直接反駁：

\text{CodeInference}.

126. Evidence Hierarchy 必須 Domain-Relative

不能簡單：

runtime always beats code

例如 formal property：

\text{Proof}

可能比 runtime sample 更強。

所以：

\boxed{ \text{EvidenceAuthority} = f(\text{ClaimType}). }

127. Claim-Type Routing

例如：

Syntax Claim

compiler。

Functional Claim

tests / runtime witness。

Structural Claim

dependency / replay / hidden-support audit。

Visual Claim

rendered observation。

Performance Claim

benchmark / profiler。

Formal Property

proof checker。

User Experience Claim

user-oriented evidence。

所以：

\boxed{ \text{Verifier} = f(\text{Claim}). }

128. Independence 是 Claim-Relative

兩個 verifier 對：

\text{Claim}_A

可能獨立，

對：

\text{Claim}_B

可能不獨立。

所以：

\boxed{ \text{Independent}(V_i,V_j\mid \text{Claim}). }

比全局標籤：

independent reviewer

更精確。

129. Risk-Relative Independence Requirement

低風險：

N_{eff}\approx1

可能足夠。

高風險：

需要：

independent evidence；
negative witness；
structural closure；
possibly human authority。

因此：

\boxed{ \text{RequiredIndependence} = f( \text{Risk}, \text{Irreversibility}, \text{EvidenceGap}, \text{Consequence} ). }

130. Homogeneous Green Detector

可以建立：

homogeneous_green_audit:
  agents: 4
  verdicts:
    pass: 4

  same_model_family: true
  same_prompt_template: true
  same_evidence_root: true
  same_fixture: true
  same_perspective: true
  independent_first_pass: false

  homogeneous_green_risk: HIGH

131. Green Diversity Score

概念性：

\boxed{ \text{GDS} = w_M D_M + w_P D_P + w_E D_E + w_T D_T + w_F D_F + w_\tau D_\tau. }

但：

\text{GDS}

不應直接當 correctness probability。

它只是：

\boxed{ \text{epistemic diversity indicator}. }

132. Correlated Green Risk

可定義：

\boxed{ R_{HG} = \text{Agreement} \times (1-D_{eff}) \times \text{Impact}. }

當：

agreement 高；
diversity 低；
consequence 高；

這種「大家都說 OK」反而應提高警覺。

133. 高一致 + 低多樣性是危險組合

\text{Agreement}\uparrow,

\text{Diversity}\downarrow

不能直接解讀成：

很有把握。

更合理：

可能是 common prior。

134. 高分歧 + 高多樣性也不一定壞

如果：

\text{Disagreement}\uparrow

且：

\text{Diversity}\uparrow,

這可能只是：

問題真的有不同有效 projection。

此時應：

\text{AcquireEvidence}.

而不是：

\text{ForceConsensus}.

135. 低分歧 + 高多樣性才比較有意義

如果：

different models；
different evidence；
different perspectives；
independent first pass；

最後仍：

\text{Agreement}\uparrow,

則共識的 epistemic weight 才更高。

但仍不是 absolute proof。

136. 高風險 Multi-Agent Pipeline

Canonical Claim
↓
Independent First Passes
↓
Diversity / Lineage Audit
↓
Compare Disagreement
↓
Acquire Missing Evidence
↓
Targeted Debate
↓
Negative / Mutation Witness
↓
Deterministic / World Verification
↓
Aggregator
↓
Minority Preservation
↓
Closure Claim
↓
Separate Authority Decision

137. 低風險 Pipeline

deterministic check
→ single reviewer if needed
→ done

不要為了 A08 又產生：

\text{AgentInflation}.

138. A08 不主張「越異質越好」

極端異質可能：

communication cost；
incompatible representation；
duplicated work；
aggregation complexity。

所以：

\boxed{ \text{OptimalDiversity} }

是 task-dependent。

139. Diversity 也需要 Common Ground

完全沒有 shared contract：

\text{Agent}_i

甚至可能在回答不同問題。

所以：

\boxed{ \text{CanonicalScope} + \text{DiverseValidation} }

必須同時存在。

不是：

\boxed{ \text{EveryoneUsesDifferentSpec}. }

140. Shared Scope / Independent Verification

最理想的結構之一：

\boxed{ \text{SameClaim} + \text{SameScope} + \text{DifferentEvidence} + \text{DifferentPerspective} + \text{DifferentFalsifier}. }

這才使結果可比較。

141. 如果 Specification 本身可疑？

那就把：

\text{Specification}

本身提升成 claim。

由：

\boxed{ \text{IntentAlignmentReview} }

獨立驗證。

不能：

所有人共享 spec，

又假裝 spec 不可能錯。

142. 二階 Independence

所以有兩層：

Object-Level

implementation 是否正確？

Spec-Level

我們驗的東西是不是使用者真正要的？

A01 就是第二層 failure。

所以：

\boxed{ \text{IndependentImplementationReview} }

仍不能取代：

\boxed{ \text{IndependentIntentAlignment}. }

143. Homogeneous Green 的五種典型形態

HG-1 — Same-Model Green

同模型多 persona。

HG-2 — Same-Evidence Green

不同模型同一 evidence root。

HG-3 — Same-Perspective Green

多角色都只看 code。

HG-4 — Same-Validator Green

所有結論依賴同一 test oracle。

HG-5 — Same-Spec Green

所有 verifier 正確驗證了錯 spec。

144. HG-6 — Same-Summary Green

所有 reviewer 只讀第一個 Agent 的壓縮摘要。

145. HG-7 — Same-Temporal-State Green

全部看舊 snapshot。

146. HG-8 — Social-Convergence Green

初始有差異，但 debate / majority pressure 讓所有 Agent 收斂。

147. HG-9 — Judge-Generator Green

generator 與 judge 共享 model / family bias。

148. HG-10 — Self-Generated Oracle Green

Agent 自己寫 test、自己讓 test pass、自己 judge test 足夠。

這是最完整的 closed epistemic loop。

149. Closed Epistemic Loop

若：

Agent defines criterion
→ Agent generates implementation
→ Agent generates verifier
→ Agent judges verifier
→ Agent declares done

外部 evidence：

=0.

則：

\boxed{ \text{EpistemicSelfClosure}. }

它可以非常自洽，

但對 world alignment 很危險。

150. Breaking the Closed Loop

至少引入：

canonical external requirement；
deterministic invariant；
fresh runtime；
independent evidence；
user/world outcome；
different projection；
mutation witness。

即：

\boxed{ \text{ExternalConstraint}. }

151. Independent Twin 的真正定義

不是：

第二個 Agent。

而是：

\boxed{ \text{Twin} = \text{a separately grounded closure challenge path}. }

它可能同模型，

只要：

fresh evidence；
different projection；
no anchoring；
independent falsifier。

152. Twin Concur 也不是 Promotion Authority

既有 invariant：

\boxed{ \text{TwinConcur} \neq \text{PromotionAuthority}. }

因此：

兩個 Agent 都同意。

不能跨過 human / policy authority boundary。

153. Validation 與 Authority 最終仍分離

\text{Validated} \neq \text{Authorized}.

\text{Authorized} \neq \text{Validated}.

Series A 從 A01 到 A08 最終仍回到：

正確、證據、意圖、權限、完成是不同維度。

154. A08 的 Meta-Rule

對每一個新增 Agent，先問：

它新增了什麼不是其他 Agent 已經有的？

如果答案只是：

又一個意見。

則：

\boxed{ \text{MarginalEpistemicValue} }

可能很低。

155. 三個理想答案

新增 Agent 應至少新增之一：

new perspective；
new evidence；
new falsifier / method。

最好：

\boxed{ \Delta P + \Delta E + \Delta F >0. }

156. Series A 的總結鏈

A01：

\text{VerificationSuccess} \neq \text{IntentSuccess}.

A02：

\text{ObservableSuccess} \neq \text{EffectiveCompletion}.

A03：

\text{LocalCorrectness} \neq \text{GlobalCorrectness}.

A04：

\text{ProcessActivity} \neq \text{MissionProgress}.

A05：

\text{Finding} \neq \text{MandatoryObligation}.

A06：

\text{GenerationThroughput} \neq \text{TrustedAbsorptionThroughput}.

A07：

\text{Capability} \neq \text{PerspectiveActivation} \neq \text{ObservedEvidence}.

A08：

\boxed{ \text{Agreement} \neq \text{Independence} \neq \text{Correctness}. }

157. Series A 的總母命題

全部可以收斂成：

\boxed{ \text{Proxy Success} \neq \text{Macro Mission Closure}. }

proxy 可以是：

test；
plan；
review；
vote；
consensus；
Agent count；
role count；
CI green；
proof check；
approval；
completion percentage。

每一種 proxy 都可能有價值。

但：

\boxed{ \text{Proxy must preserve claim scope and evidence semantics}. }

158. 從失敗理論到方法論

Series A 的最後結論不是：

AI workflow 全部不可信。

而是：

我們已經知道哪些「看起來像完成」的東西，不能被直接當成宏觀完成。

因此第二系列可以開始問：

\boxed{ \text{How can an agent reconstruct enough of the macro-object to validate the right thing?} }

159. Series B 的入口

Series B 將建立：

\boxed{ \text{MacroObject} }

與：

\boxed{ \text{ObservationOperators}. }

A08 已經證明：

多 Agent 不是全域的充分條件。

Series B 將回答：

全域究竟是什麼？

160. 核心命題

本文 v0.2 收束為二十四條命題。

P1 — Agent Count Non-Independence

\boxed{ N_{agents} \neq N_{independent\ validators}. }

P2 — Agreement Non-Independence

\boxed{ \text{Agreement} \nRightarrow \text{Independence}. }

P3 — Independence Non-Correctness

\boxed{ \text{Independence} \nRightarrow \text{Correctness}. }

P4 — Role Label Non-Diversity

\boxed{ \text{RoleCount} \neq \text{PerspectiveDiversity}. }

P5 — Cross-Model Non-Proof

\boxed{ \text{CrossModel} \nRightarrow \text{IndependentValidation}. }

P6 — Same-Model Possible Diversity

\boxed{ \text{SameModel} + \text{DifferentEvidence} + \text{DifferentPerspective} }

可以產生實質驗證增益。

P7 — Independent Evidence Principle

\boxed{ \text{IndependentEvidence} > \text{IndependentLabels}. }

P8 — Common-Cause Failure

\boxed{ \text{SharedRoot} \rightarrow \text{CorrelatedErrorRisk}. }

P9 — Self-Consistency Non-Proof

\boxed{ \text{SelfConsistency} \neq \text{IndependentVerification}. }

P10 — Debate Non-Evidence

\boxed{ \text{MoreDebateRounds} \not\equiv \text{MoreEvidence}. }

P11 — Vote / Debate / Judge / ProofCheck Separation

\boxed{ \text{Vote} \neq \text{Debate} \neq \text{Judge} \neq \text{ProofCheck}. }

P12 — Independent First Pass

\boxed{ \text{PreservePreCommunicationJudgment} }

可降低 anchoring / conformity risk。

P13 — Confidence Non-Authority

\boxed{ \text{Confidence} \neq \text{Authority}. }

P14 — Minority Evidence Principle

\boxed{ \text{OneStrongFalsifier} > \text{ManyWeakConcurrences} }

在可否證 correctness claim 上可以成立。

P15 — Discriminative Closure

\boxed{ \text{Accept}(W^+) \land \text{Reject}(W^-) \land \text{Accept}(W^{eq}) }

比單純 positive PASS 更強。

P16 — Twin Non-Duplicate

\boxed{ \text{Twin} \neq \text{DuplicateWorker}. }

P17 — Heterogeneous Validation

\boxed{ \text{ValidationValue} \propto \Delta \text{ObservationSpace} + \Delta \text{FalsificationSpace}. }

P18 — Effective Diversity

\boxed{ D_{eff} = f( \text{Model}, \text{Perspective}, \text{Evidence}, \text{Tool}, \text{FailureModel}, \text{History}, \text{Aggregation}, \text{Time} ). }

P19 — Correlation-Aware Scaling

\boxed{ \text{AgentScaling} }

必須考慮：

\text{ErrorCorrelation}.

P20 — Multi-Agent Contextuality

\boxed{ \text{MultiAgentValue} = f( \text{Task}, \text{Risk}, \text{Diversity}, \text{Protocol}, \text{Evidence}, \text{Cost} ). }

P21 — Shared Scope / Diverse Validation

\boxed{ \text{SameClaim} + \text{SameScope} + \text{DifferentEvidence} + \text{DifferentPerspective} }

是可比較異質驗證的理想結構之一。

P22 — Homogeneous Green Risk

\boxed{ \text{HighAgreement} + \text{LowDiversity} }

不應自動提升 confidence。

P23 — External World Anchor

\boxed{ \text{InternalConsensus} \neq \text{ExternalWorldClosure}. }

P24 — Globality Beyond Agent Count

\boxed{ \text{GlobalValidation} \neq \text{ManyAgents}. }

真正全域需要：

\boxed{ \text{MacroObjectAwareness} + \text{HeterogeneousProjectionCoverage} + \text{IndependentEvidence} + \text{CrossPerspectiveClosure}. }

161. 結論

AI 工程很容易把：

多 Agent

直覺映射成：

多腦、多視角、多驗證。

但這三件事其實完全不同。

五個 Agent 可以只是：

\boxed{ \text{同一 prior 的五次抽樣}. }

五個角色可以只是：

\boxed{ \text{同一 projection 的五個名稱}. }

五個 reviewer 可以只是：

\boxed{ \text{同一 evidence root 的五次重述}. }

甚至五個不同模型也可能：

\boxed{ \text{共享同一錯誤 specification}. }

因此：

\boxed{ N_{\mathrm{green}} \neq N_{\mathrm{independent\ evidence}}. }

真正高價值的 multi-agent architecture，不是最大化：

N_{\mathrm{agents}},

而是設計：

\boxed{ \text{不同的錯誤路徑不要一起失敗}. }

也就是：

有不同 perspective；
有不同 evidence root；
有不同 falsifier；
有不同 tool / verifier；
有獨立 first pass；
有 fresh world re-observation；
有 disagreement preservation；
有 scope-aware aggregation；
有 separate authority。

當這些條件成立時，

multi-agent 才不只是：

更多人在同一個房間點頭。

而是：

真的多出幾條能夠推翻目前錯誤信念的路徑。

因此本篇留下 Series A 的最後一句：

\boxed{ \textbf{ Do not count how many agents agree. Count how many genuinely different ways the current belief could have been falsified. } }

中文即：

不要只數有多少 Agent 同意；要數目前這個信念究竟經過多少條真正不同、足以把它推翻的驗證路徑。

這也正好把第一系列交給第二系列：

\boxed{ \text{從「為什麼綠燈會錯」} \rightarrow \text{「怎麼觀察真正的宏觀個體」}. }

Series A 至此閉合。

參考文獻

A. 外部研究

Kaesberg, L. B., Becker, J., Wahle, J. P., Ruas, T., & Gipp, B. (2025). Voting or Consensus? Decision-Making in Multi-Agent Debate. Findings of ACL 2025, 11640–11671. DOI: 10.18653/v1/2025.findings-acl.606.
https://aclanthology.org/2025.findings-acl.606/
系統比較七種 multi-agent decision protocol；結果顯示 protocol 與 task interaction 重要，更多 discussion rounds 不保證提升，增加 answer diversity 的方法可帶來額外收益。
Zhu, X., Zhang, C., Chi, Y., Stafford, T., Collier, N., & Vlachos, A. (2026). Demystifying Multi-Agent Debate: The Role of Confidence and Diversity. Findings of ACL 2026.
https://aclanthology.org/2026.findings-acl.1694/
指出 homogeneous agents + uniform belief update 下 vanilla MAD 未必優於 majority vote；初始 viewpoint diversity 與 calibrated confidence communication 是關鍵機制。
Ki, D., Rudinger, R., Zhou, T., & Carpuat, M. (2025). Multiple LLM Agents Debate for Equitable Cultural Alignment. ACL 2025 Long Papers. DOI: 10.18653/v1/2025.acl-long.1210.
https://aclanthology.org/2025.acl-long.1210/
提供 multi-agent debate 在 heterogeneous cultural-alignment setting 中能產生實際收益的正向案例，提醒本文不能把「debate 無用」當一般結論。
Koupaee, M., Vincent, J. W., Mansour, S., Shalyminov, I., He, H., Song, H., Shu, R., He, J., Nian, Y., Wong, A. W., Han, K. J., & Su, H. (2025). Faithful, Unfaithful or Ambiguous? Multi-Agent Debate with Initial Stance for Summary Evaluation. NAACL 2025.
https://aclanthology.org/2025.naacl-long.609/
以 forced initial stance 增加觀點多樣性，改善 summary-faithfulness error detection；本文將其視為「stance diversity 可以擴張搜尋空間，但仍不等於 independent world evidence」的近鄰。
An Empirical Study of Group Conformity in Multi-Agent Systems. Findings of ACL 2025.
https://aclanthology.org/2025.findings-acl.265/
在超過 2,500 debates 中觀察 LLM agent 的 group conformity；支持 communication / majority dynamics 可能降低原始 judgment independence。
Yang, J., Qiu, C., Deng, Z., Jiao, X., & Zhou, T. (2026). Quantifying and Mitigating Self-Preference Bias of LLM Judges. arXiv:2604.22891.
https://arxiv.org/abs/2604.22891
對 20 個主流模型量化 LLM-as-a-Judge self-preference bias；本文用其支持 Judge = Generator / same-family evaluator 需要額外 bias audit。
Ding, K. (2026). When LLMs Agree, Are They Right? Auditing Self-Consistency and Cross-Model Agreement as Confidence Signals. arXiv:2607.08065.
https://arxiv.org/abs/2607.08065
大規模 cross-runner preprint；研究 agreement / self-consistency 作為 confidence signal，指出 agreement 與 correctness 的關係高度 regime-dependent，frontier model 可高度一致但仍持續 confident error。本文僅將其作近期 empirical signal，不視為 universal calibration law。
Hu, T., Tan, Z., Wang, S., Qu, H., & Chen, T. (2025). Multi-Agent Debate for LLM Judges with Adaptive Stability Detection. arXiv:2510.12697.
https://arxiv.org/abs/2510.12697
提供 debate-based LLM judge 可能優於 static majority aggregation 的正向案例，也說明「哪種 multi-agent protocol 有效」需要 task / protocol-specific 評估。
Du, Y., Li, S., Torralba, A., Tenenbaum, J. B., & Mordatch, I. (2023). Improving Factuality and Reasoning in Language Models through Multiagent Debate. arXiv:2305.14325.
早期 multi-agent debate 代表工作；證明多模型互相 critique 在若干 reasoning / factuality task 可改善 single-agent baseline。

B. Neo.K / EveMissLab 既有研究

Neo.K. 〈局部正確與全域失敗〉，A03 v0.2, 2026.
建立：
$ManyRoles\neq ManyPerspectives,$
並首次定義 Homogeneous Green：
$N_{\mathrm{green}} \neq N_{\mathrm{independent\ evidence}}.$
Neo.K. 〈能力—視角啟動不對稱〉，A07 v0.2, 2026.
建立 Perspective Lock、Pseudo-Globality、Perspective Coverage 與：
$AgentCount\neq PerspectiveCoverage.$
Neo.K. AI-Native Game Runtime Series 08 — MSSP × TDD × APR Production Closure Runtime, 2026.
建立 Behavioral / Structural / Discriminative Closure、Twin Governance、Selective Twin，以及：
$2Agents\neq IndependentProof,$ $IndependentEvidence>IndependentLabels.$
Neo.K. AI-Native Game Runtime Unified Technical Whitepaper, 2026.
建立 closure vector、discriminative validation、Twin IDLE / CONCUR / CHALLENGE / REQUEST_EVIDENCE 與 Twin != DuplicateWorker。
Neo.K. Production Closure Design v0.8, 2026-09-03.
建立 synthetic false-green scenario、Structural Backtrace、Closure Ledger 與： Green != Closed、BehavioralClosure != StructuralClosure != DiscriminativeClosure。
Neo.K. UCPNP — Collective Cognitive PNP, 2026.
區分 Vote / Debate / Judge / ProofCheck，提出 collective cognition 為 mechanism-dependent phenomenon，並規劃 homogeneous / heterogeneous models、private/shared memory、communication protocol 的 factorial benchmark。
Neo.K. 條件式智能管理：多 Agent 審查與異常處理, 2026.
建立 R0–R5 review strategy、Independent First Pass、Effective Diversity、Challenger / Evidence Auditor 等角色，並指出：
$N_{\mathrm{agents}}=5$
仍可能：
$N_{\mathrm{effective}}\approx1.$
Neo.K. GMASE — Git-Mediated Agentic Spacetime Engineering Methodology, 2026.
實務上觀察：
$\text{agent count} \neq \text{partitioning principle},$
failure-domain graph 才是更合理的分解單位。
Neo.K. AIDA-MVP Delivery Receipts, 2026.
明確區分 Behavioral / Structural / Discriminative PASS 與 Independent Twin NotMeasured，保留「沒有獨立驗證就不宣稱獨立驗證」的 receipt discipline。
Neo.K. 〈綠燈錯置——AI 時代「通過驗證」不等於「完成意圖」的新型不對齊〉，A01, 2026.
Neo.K. 〈表觀成功與實質完成的分離〉，A02 v0.2, 2026.
Neo.K. 〈流程代理錯置〉，A04 v0.2, 2026.
Neo.K. 〈驗證義務膨脹與 Completion Drift〉，A05 v0.2, 2026.
Neo.K. 〈生成—治理缺口與 AI 原生結構負擔〉，A06 v0.2, 2026.

End of Series A — A08 v0.2