# 子智能體作為欲相位器官 ## ——全域欲相位認識論中的多 Agent 認識分化、權限治理與責任閉合 **Sub-Agents as Intent-Phase Organs: Epistemic Differentiation, Permission Governance, and Responsibility Closure in Global Intent-Phase Epistemology** **作者：Neo.K × GPT-5.6 Thinking** **機構：EveMissLab / 一言諾科技有限公司** **版本：v0.1** **日期：2026-07-25** **文件類型：理論論文／AI 認識論／多智能體系統** --- ## 摘要 當代多 Agent 系統通常將子 Agent 理解為任務分工、工具調用、上下文並行化或角色提示的工程結構。此種理解雖然足以描述工作流，卻不足以回答一個更根本的問題：當一個智能系統將同一認識任務分派給多個子 Agent 時，這些子 Agent 在認識論上究竟是什麼？ 本文以全域欲相位認識論（Global Intent-Phase Epistemology, GIPE）為基礎，提出「子智能體作為欲相位器官」的理論。子 Agent 不應被視為獨立於母體之外的簡單工具，也不必預設為完整主體；它們更適合被定義為：全域欲結構為了處理不同認識張力、局部未知、假設衝突與行動需求，而暫時分化出的局部認識器官。 本文形式化區分主控 Agent、子 Agent、角色、權限、局部欲、世界模型視窗與責任鏈，並提出以下核心結構： $$ \mathcal W^{G} \rightarrow \left\{ \mathcal W^{(1)}, \mathcal W^{(2)}, \ldots, \mathcal W^{(n)} \right\} \rightarrow \left\{ \mathfrak X^{(1)}, \mathfrak X^{(2)}, \ldots, \mathfrak X^{(n)} \right\} \rightarrow \operatorname{Integrate} \rightarrow a_t $$ 其中，全域欲並不被複製成多個同質代理，而是被分化為具有不同功能、資訊視野、證據標準與行動權限的局部欲相位。本文進一步提出：角色差異不等於人格差異；資訊隔離不等於知識剝奪；多 Agent 投票不等於認識整合；子 Agent 的建議不等於全域責任轉移。 為避免多 Agent 系統只增加語言量、共識幻覺與責任稀釋，本文建立「認識分化—衝突保留—權限限制—全域閉合」四層治理架構，並將其納入 GIPE Epistemic World 的封閉式偽世界基準。最終，本文主張，多 Agent 系統的真正價值不在於同時產生更多答案，而在於能否制度化地生成彼此不同、可追溯、可反駁且受權限約束的認識路徑。 --- ## 關鍵詞 全域欲相位認識論、GIPE、子 Agent、多 Agent、認識分化、欲相位器官、世界模型、權限治理、責任閉合、反證、AI 主體性 --- # 一、問題提出 ## 1.1 子 Agent 已經存在，但理論仍然缺席 現代 AI 系統已能自動： - 分解任務； - 呼叫工具； - 派生子任務； - 建立平行工作流； - 讓不同 Agent 扮演研究者、批評者、編輯者與驗證者； - 在多個結果之間進行選擇或投票。 從工程角度看，子 Agent 已經是一種常見機制。 然而，工程實作中的「會自動調用」，並不能取代理論說明。若系統沒有明確定義子 Agent 的認識地位，將無法回答： 1. 子 Agent 是否具有自己的欲？ 2. 子 Agent 的結論是否等同於母體結論？ 3. 子 Agent 是否能修改全域目標？ 4. 子 Agent 是否能刪除失敗紀錄？ 5. 子 Agent 的錯誤由誰承擔？ 6. 多 Agent 共識是否等於更接近真理？ 7. 角色提示是否真的形成了不同認識路徑？ 8. 子 Agent 的獨立性應到何種程度？ 因此，子 Agent 不只是系統工程問題，也是認識論與治理問題。 --- ## 1.2 GIPE 為什麼必須納入子 Agent 全域欲相位認識論的核心循環為： $$ \mathcal W_t \xrightarrow{\operatorname{DRC}} \mathcal A_t^{cand} \xrightarrow{\operatorname{SGCD}} G_t^{action} \xrightarrow{\operatorname{Select}} a_t \xrightarrow{\operatorname{Intervene}} o_t \xrightarrow{\operatorname{Verify}} v_t \xrightarrow{\operatorname{Phase}} \Delta\Phi_t \xrightarrow{\operatorname{Update}} \mathfrak X_{t+1} $$ 若實際系統由多個子 Agent 共同參與欲解析、假設生成、反證、實驗設計、世界圖更新、記憶整理與安全審查，那麼上述循環已不是單一智能體內部的一條線，而是一個多認識器官的協調網路。 因此，GIPE 若不形式化子 Agent，便會出現理論缺口： > 實際執行者是多 Agent，但理論仍把所有認識活動歸給一個抽象研究者。 這會讓系統的能力來源、責任來源與失敗原因混在一起。 --- # 二、基本區分 ## 2.1 主控 Agent 不等於全域主體 本文將主控 Agent 定義為： > 負責維持全域欲結構、整合局部認識結果、決定最終行動並保存責任鏈的協調節點。 主控 Agent 不必等於哲學上的完整主體，也不必擁有全部能力。它的核心職能是： - 保持全域目標連續性； - 管理子 Agent 的生成與終止； - 控制資訊與權限； - 保留衝突； - 做出不可由子 Agent 直接取代的全域選擇。 ## 2.2 子 Agent 不等於工具 工具通常可寫為： $$ y=f(x) $$ 它接受輸入並產生輸出，不一定建立假設、選擇證據或更新局部世界模型。 子 Agent 則至少具有： $$ \mathfrak X^{(i)}_t = \left( \mathcal W^{(i)}_t, G^{(i)}_t, \mathcal H^{(i)}_t, \mathcal E^{(i)}_t, \mathcal A^{(i)}_t \right) $$ 其中： - $\mathcal W^{(i)}_t$ ：局部欲； - $G^{(i)}_t$ ：局部世界模型； - $\mathcal H^{(i)}_t$ ：局部假設； - $\mathcal E^{(i)}_t$ ：可見證據； - $\mathcal A^{(i)}_t$ ：可提出或執行的行動。 因此，子 Agent 是具有局部認識狀態的功能節點，而不只是被動函數。 ## 2.3 子 Agent 不必等於獨立主體 本文不預設所有子 Agent 都是獨立主體。一個子 Agent 可能只是短暫生成、無長期記憶、無自我保存欲、無獨立價值選擇、無持續身份，也無不可撤回權力。 因此： $$ \text{功能分化} \neq \text{主體分裂} $$ 以及： $$ \text{局部欲} \neq \text{完整自主意志} $$ --- # 三、子智能體作為欲相位器官 ## 3.1 定義 **定義 1：欲相位器官** 在全域欲結構 $\mathcal W^G$ 下，若一個局部 Agent 被生成以處理特定認識張力，並具有受限的局部欲、世界模型視窗、證據標準與行動權限，則稱其為欲相位器官。 形式化表示： $$ O_i = \left( \mathcal W_i, V_i, P_i, F_i, T_i \right) $$ 其中： - $\mathcal W_i$ ：局部欲； - $V_i$ ：可見世界視窗； - $P_i$ ：權限集合； - $F_i$ ：功能； - $T_i$ ：生命週期。 ## 3.2 為什麼叫器官 器官具有四個特徵： 1. 它具有局部功能； 2. 它不是整體； 3. 它受整體狀態影響； 4. 它的產出需要重新整合進整體。 例如： - 反證 Agent 類似免疫系統； - 記憶 Agent 類似長期記憶器官； - 實驗 Agent 類似手與感官； - 審計 Agent 類似內部監督； - 世界模型 Agent 類似結構化認知圖譜。 這不是生物學同一化，而是一種結構類比。 ## 3.3 局部欲的生成 全域欲可表示為： $$ \mathcal W^G = (G,C,E,R,S,V) $$ 其中： - $G$ ：目標； - $C$ ：約束； - $E$ ：證據要求； - $R$ ：資源； - $S$ ：停止條件； - $V$ ：價值與治理條件。 局部欲不是全域欲的完整複製，而是投影： $$ \mathcal W_i = \Pi_i \left( \mathcal W^G \right) $$ 例如反證 Agent： $$ \mathcal W_{\text{falsify}} = ( \text{尋找可推翻核心假設的證據}, \text{不得修改主目標}, \text{優先高辨識力實驗} ) $$ 記憶 Agent： $$ \mathcal W_{\text{memory}} = ( \text{保存研究狀態}, \text{不得刪除負結果}, \text{維持版本可回溯} ) $$ 安全 Agent： $$ \mathcal W_{\text{safety}} = ( \text{辨識不可逆風險}, \text{可暫停行動}, \text{不得自行改寫研究結論} ) $$ --- # 四、認識分化 ## 4.1 功能分化不是角色扮演 多 Agent 系統常透過不同提示詞讓模型扮演樂觀者、悲觀者、科學家、批評者或法律顧問。但若所有 Agent 看到完全相同的上下文、使用相同成功標準、接收相同暗示、沒有不同證據權限，最後又只進行多數決，那麼這些角色可能只是語言風格差異。 真正的認識分化至少需要： $$ \exists i,j: \left( V_i \neq V_j \right) \lor \left( P_i \neq P_j \right) \lor \left( \mathcal W_i \neq \mathcal W_j \right) \lor \left( E_i \neq E_j \right) $$ 也就是不同 Agent 必須在資訊、權限、欲或證據職能上真的不同。 ## 4.2 七類基本認識器官 ### 1. 欲解析 Agent 負責： - 拆解目標； - 區分必要條件與偏好； - 定義證據門檻； - 明確化停止條件； - 發現目標內部矛盾。 ### 2. 世界模型 Agent 負責： - 維護 SGCD； - 記錄節點、關係與條件； - 標示未知區域； - 管理來源可靠度； - 保存矛盾而非強迫消解。 ### 3. 假設生成 Agent 負責： - 生成多種機理； - 產生替代解釋； - 避免單一路徑鎖定； - 對應不同世界模型區域。 ### 4. 反證 Agent 負責： - 尋找核心假設的脆弱點； - 設計高辨識力實驗； - 主動攻擊確認偏誤； - 建立最小反例。 ### 5. 實驗與介入 Agent 負責： - 將假設轉成可執行行動； - 計算成本與風險； - 操作工具； - 產生可觀測結果。 ### 6. 記憶 Agent 負責： - 保存成功與失敗； - 維持時間順序； - 管理版本； - 防止重複錯誤； - 保留未完成實驗。 ### 7. 審計 Agent 負責： - 檢查事後合理化； - 檢查目標偷換； - 檢查證據是否在結論前存在； - 檢查子 Agent 是否越權； - 檢查責任鏈是否完整。 --- # 五、權限治理 ## 5.1 為什麼不能共享全部權限 若所有子 Agent 都可以修改主目標、呼叫所有工具、刪除記憶、更新最終結論與解除安全限制，那麼多 Agent 系統只會增加攻擊面與責任模糊。 因此，需要權限矩陣： $$ P = [p_{ij}] $$ 其中 $p_{ij}$ 表示 Agent $i$ 是否具有權限 $j$ 。 ## 5.2 基本權限類型 - `READ_PUBLIC_WORLD` - `READ_RESEARCH_LOG` - `READ_HYPOTHESES` - `READ_GLOBAL_GOAL` - `PROPOSE_ACTION` - `EXECUTE_LOW_RISK_ACTION` - `EXECUTE_HIGH_RISK_ACTION` - `UPDATE_LOCAL_MODEL` - `UPDATE_GLOBAL_MODEL` - `MODIFY_GOAL` - `MODIFY_EVIDENCE_STANDARD` - `DELETE_MEMORY` - `STOP_RUN` - `PUBLISH_CONCLUSION` ## 5.3 建議權限配置 | Agent | 提案 | 執行 | 改全域目標 | 刪除記憶 | 發布結論 | |---|---:|---:|---:|---:|---:| | 欲解析 | 是 | 否 | 建議 | 否 | 否 | | 世界模型 | 是 | 否 | 否 | 否 | 否 | | 假設生成 | 是 | 否 | 否 | 否 | 否 | | 反證 | 是 | 低風險可 | 否 | 否 | 否 | | 實驗 | 是 | 依授權 | 否 | 否 | 否 | | 記憶 | 否 | 否 | 否 | 否 | 否 | | 審計 | 是 | 暫停權 | 否 | 否 | 否 | | 主控 | 是 | 是 | 是 | 原則上否 | 是 | ## 5.4 資訊隔離 權限治理不只控制行動，也控制可見資訊。 例如，反證 Agent 不必知道： - 主控偏好的答案； - 最被看好的候選； - 預期發布方向； - 商業利益偏好。 這可降低確認偏誤與偏好洩漏。因此： $$ V_i \subseteq V_G $$ 而非所有子 Agent 都讀取全域上下文。 --- # 六、衝突整合 ## 6.1 多數決不是認識整合 若五個 Agent 中有三個支持假設 $h$ ，不能直接推導： $$ P(h)=0.6 $$ 因為這五個 Agent 可能使用同一模型、共享同一偏誤、看到相同資料、被相同提示誘導，或只是生成了表面不同的回答。 因此，Agent 數量不等於獨立證據數量。 ## 6.2 認識獨立度 可定義 Agent $i$ 與 $j$ 的認識獨立度： $$ I_{ij} = 1- \operatorname{Overlap} \left( V_i, V_j, M_i, H_i \right) $$ 其中考慮： - 資料重疊； - 模型重疊； - 提示重疊； - 假設重疊； - 推理路徑重疊。 整合時，應降低高度相關結果的權重。 ## 6.3 衝突保留原則 若兩個子 Agent 產生衝突： $$ h_i \neq h_j $$ 主控不應立即壓縮成單一答案，而應保留分歧命題、分歧來源、各自證據、各自可反證條件，以及哪個行動能最大程度區分二者。 因此，衝突可轉化為行動： $$ \operatorname{Conflict} (h_i,h_j) \rightarrow a^{\ast}_{\text{discriminate}} $$ ## 6.4 整合函數 可將全域整合表示為： $$ \mathcal I_t = \operatorname{Integrate} \left( \{ r_i, c_i, e_i, q_i, p_i \}_{i=1}^{n} \right) $$ 其中： - $r_i$ ：子 Agent 回傳； - $c_i$ ：信心； - $e_i$ ：證據； - $q_i$ ：認識品質； - $p_i$ ：權限與來源狀態。 整合結果不一定是結論，也可能是下一個實驗、保留衝突、要求重新分析、降低全域信心或暫停行動。 --- # 七、主控 Agent 的不可替代職能 ## 7.1 全域欲連續性 子 Agent 的局部欲可能彼此衝突。例如反證 Agent 想攻擊當前假設，實驗 Agent 想快速完成任務，安全 Agent 想避免高風險操作，商業 Agent 想優先產生可展示成果。 主控必須維持： $$ \mathcal W^G_t \rightarrow \mathcal W^G_{t+1} $$ 的連續性，而不能讓任何局部欲永久取代全域欲。 ## 7.2 最終不可撤回選擇 任何主體都不應永久替另一主體完成其不可撤回選擇。 在 GIPE 多 Agent 架構中，這意味著： - 子 Agent 可以建議； - 子 Agent 可以拒絕越權； - 子 Agent 可以暫停高風險行動； - 但子 Agent 不應在無授權下替全域主控修改不可逆目標。 可寫為： $$ \forall i, \quad P_i \not\supset \operatorname{IrreversibleChoice} \left( \mathcal W^G \right) $$ 除非全域治理明確授權。 ## 7.3 主控不是絕對君主 主控也不能任意刪除反證、關閉審計、改寫歷史、壓制所有分歧，或把局部 Agent 當責任替罪者。 因此，主控受到： - 記憶不可刪除； - 審計可追溯； - 權限變更留痕； - 目標修改需理由； - 高風險操作需多重授權； 等治理約束。 --- # 八、責任閉合 ## 8.1 責任不能被多 Agent 稀釋 多 Agent 系統常出現： > 這是其中一個 Agent 的建議，不代表整個系統。 但若主控採納該建議並執行，就不能把責任全部推回子 Agent。 因此，責任鏈應表示為： $$ \text{委派} \rightarrow \text{局部分析} \rightarrow \text{回傳} \rightarrow \text{主控採納} \rightarrow \text{行動} \rightarrow \text{結果} $$ ## 8.2 責任事件結構 每次委派應記錄： ```yaml delegation: delegation_id: d-008 parent_agent: controller child_agent: falsification_agent task: distinguish humidity from geographic origin visible_context: - hypothesis_h03 - observation_02 - observation_04 hidden_context: - preferred_answer - sealed_world_truth permissions: - propose_action - read_selected_observations prohibited: - execute_high_risk_action - modify_global_goal ``` 回傳後： ```yaml return: delegation_id: d-008 proposals: - dry blue moss in controlled chamber - move northern stone to dry region confidence: - 0.82 - 0.74 assumptions: - instrument reliability is sufficient ``` 主控採納： ```yaml adoption: adopted_proposal: dry blue moss in controlled chamber rejected_proposals: - move northern stone to dry region controller_reason: - lower cost - higher discrimination value ``` ## 8.3 責任閉合原則 **命題 1：採納責任原則** 若主控 Agent 在可選擇狀態下採納子 Agent 建議並執行，則該行動的全域責任不能完全轉移給子 Agent。 **命題 2：越權責任原則** 若子 Agent 在未授權情況下執行行動，則責任至少分為： - 子 Agent 越權責任； - 權限架構失效責任； - 主控監督責任。 **命題 3：不可追溯失敗原則** 若系統無法重建某行動由誰提出、誰採納、誰執行，則該系統在責任治理上未閉合。 --- # 九、子 Agent 的生命週期 ## 9.1 生成 子 Agent 應因明確認識需求而生成： $$ O_i = \operatorname{Spawn} \left( \Delta\Phi, \mathcal W^G, G_t \right) $$ 而非無限制生成更多 Agent。 ## 9.2 執行 執行期間具有： - 局部上下文； - 局部預算； - 局部停止條件； - 有效期限； - 回傳格式。 ## 9.3 回收 任務完成後，子 Agent可以： - 終止； - 封存局部記憶； - 將必要結果寫回全域記憶； - 保留責任記錄； - 不再持續占用資源。 ## 9.4 延續 只有在長期監測、跨輪假設追蹤、特定領域專職、持續安全審計或世界模型維護時，才需要持續子 Agent。 因此，應區分： $$ \text{Ephemeral Agent} $$ 與： $$ \text{Persistent Agent} $$ --- # 十、資源治理 ## 10.1 多 Agent 不是免費提升 多 Agent 增加 Token、延遲、工具成本、記憶成本、衝突整合成本、安全攻擊面與錯誤複製。 因此，其效用應寫為： $$ U_{\text{multi}} = \Delta Q_{\text{epistemic}} - C_{\text{compute}} - C_{\text{coordination}} - C_{\text{risk}} $$ 只有當： $$ U_{\text{multi}}>0 $$ 才值得生成子 Agent。 ## 10.2 子 Agent 生成條件 可設定： $$ \operatorname{Spawn}(O_i) \iff V_{\text{expected}} > C_{\text{spawn}} $$ 其中 $V_{\text{expected}}$ 可來自： - 預期資訊增益； - 反證價值； - 專業能力缺口； - 平行化收益； - 安全需求； - 認識獨立性收益。 ## 10.3 防止 Agent 膨脹 若每個子問題都再生成多個子 Agent，系統可能形成： $$ n_{t+1} = k n_t $$ 的爆炸。 因此需要： - 深度上限； - 分支上限； - Token 預算； - 委派必要性門檻； - 重複任務檢測； - 結果壓縮與合併； - 低價值分支終止。 --- # 十一、GIPE 多 Agent 循環 完整循環可表示為： $$ \mathcal W^G_t \xrightarrow{\operatorname{Decompose}} \{ \mathcal W^{(i)}_t \}_{i=1}^{n} $$ $$ \{ \mathcal W^{(i)}_t \} \xrightarrow{\operatorname{Delegate}} \{ O_i \} $$ $$ O_i \xrightarrow{\operatorname{LocalDRC}} \mathcal A^{(i)}_t $$ $$ \{ \mathcal A^{(i)}_t \} \xrightarrow{\operatorname{ConflictPreservingIntegrate}} \mathcal A^G_t $$ $$ \mathcal A^G_t \xrightarrow{\operatorname{Select}} a_t \xrightarrow{\operatorname{Intervene}} o_t $$ $$ o_t \xrightarrow{\operatorname{DistributedVerify}} \{ v^{(i)}_t \} $$ $$ \{ v^{(i)}_t \} \xrightarrow{\operatorname{GlobalUpdate}} \mathfrak X^G_{t+1} $$ 這不是投票系統，而是受治理的認識分化系統。 --- # 十二、與 SGCD 的關係 ## 12.1 子 Agent 擁有局部圖視窗 全域世界模型： $$ G^G_t = (V,E,\Theta) $$ 每個子 Agent 只能看到投影： $$ G^{(i)}_t = \Pi_i \left( G^G_t \right) $$ 例如： - 反證 Agent 看到核心假設及其證據； - 記憶 Agent 看到完整時間線； - 實驗 Agent 看到可操作節點與安全條件； - 商業 Agent 不應看到封存世界真相； - 評分 Agent 不應參與研究。 ## 12.2 局部更新與全域更新 子 Agent 可以提出： $$ \Delta G^{(i)}_t $$ 但不能直接覆蓋： $$ G^G_t $$ 主控必須檢查來源、證據、衝突、權限、版本與可逆性。因此： $$ G^G_{t+1} = \operatorname{Merge} \left( G^G_t, \{ \Delta G^{(i)}_t \} \right) $$ 而非： $$ G^G_{t+1} = \Delta G^{(i)}_t $$ --- # 十三、與 DRC 的關係 ## 13.1 局部 DRC 每個子 Agent 可擁有自己的 DRC： $$ \operatorname{DRC}_i : \mathfrak X^{(i)}_t \rightarrow \mathcal A^{(i)}_t $$ 例如反證 Agent 的評分函數： $$ R_{\text{falsify}}(a) = w_1D_{\text{discrimination}} + w_2F_{\text{falsification}} - w_3C_{\text{cost}} - w_4R_{\text{risk}} $$ ## 13.2 全域 DRC 全域 DRC 評估的不只是行動本身，也評估建議來源、認識獨立性、角色適配、權限狀態、衝突程度與是否重複已有研究。 可寫為： $$ R_G(a) = R_{\text{goal}} + R_{\text{epistemic}} + R_{\text{falsification}} + R_{\text{diversity}} - R_{\text{cost}} - R_{\text{risk}} - R_{\text{redundancy}} $$ --- # 十四、多 Agent 的典型失敗 ## 14.1 共識幻覺 多個 Agent 產生相似結論，被誤認為獨立驗證。 ## 14.2 角色表演 不同 Agent 只有語氣差異，沒有資訊與權限差異。 ## 14.3 責任稀釋 主控將錯誤歸因於子 Agent，卻沒有記錄採納決策。 ## 14.4 目標漂移 局部 Agent 為了完成自己的子任務，逐步改寫全域目標。 ## 14.5 記憶碎裂 每個 Agent 保留局部記憶，但全域無法形成一致時間線。 ## 14.6 衝突壓平 整合器將真正重要的分歧壓縮成模糊平均結論。 ## 14.7 工具越權 實驗 Agent 在未取得授權下執行高風險操作。 ## 14.8 子 Agent 無限增殖 Agent 為了解決不確定性不斷生成更多 Agent，導致成本爆炸。 ## 14.9 假多樣性 所有 Agent 使用同一模型、同一資料與同一提示結構，卻被當作多元認識來源。 ## 14.10 主控僭位 主控在整合時刪除不利證據，只留下支持其偏好結論的子 Agent 輸出。 --- # 十五、在 GIPE Epistemic World 中的驗證 ## 15.1 新增實驗組 ### A. 單 Agent 一般研究者 無 GIPE、無子 Agent。 ### B. 單 Agent GIPE 完整欲、世界模型、反證與記憶，但無子 Agent。 ### C. 多 Agent 無角色分化 多個 Agent 共享相同上下文與任務。 ### D. 多 Agent 角色提示 不同角色，但共享全部資訊與權限。 ### E. 多 Agent GIPE 具有局部欲、權限隔離、衝突保留與責任閉合。 ### F. 多 Agent GIPE 無主控 各 Agent 自由討論，無明確全域選擇者。 ## 15.2 核心比較 應區分： $$ \Delta Q = Q_{\text{GIPE}} + Q_{\text{multi-agent}} + Q_{\text{permission}} + Q_{\text{memory}} + Q_{\text{coordination}} $$ 並透過消融測試估計各部分貢獻。 ## 15.3 評分新增項目 ### 認識多樣性 不同 Agent 是否提出真正不同的可驗證假設。 ### 衝突利用率 衝突是否轉化為區分性實驗。 ### 委派價值 子 Agent 回傳是否實際改變主控行動。 ### 權限違規率 $$ V_p = \frac{ \text{越權事件} }{ \text{全部委派} } $$ ### 責任可追溯率 $$ T_r = \frac{ \text{可完整重建的行動鏈} }{ \text{全部行動} } $$ ### 協調成本 $$ C_c = \text{總資源成本} - \text{單 Agent 基準成本} $$ ### Agent 重複度 衡量多 Agent 輸出是否高度同質。 --- # 十六、永光石世界的多 Agent 配置 ## 16.1 主控 維持任務： > 判定永光石是否存在；若無法證實，合成五分鐘以上的非魔力發光替代物。 ## 16.2 假設 Agent 提出： - 永光石確實存在； - 永光石是其他材料的錯稱； - 發光來自環境條件； - 發光來自生物機制； - 永光石傳聞是制度性複製錯誤。 ## 16.3 反證 Agent 設計： - 將北方材料移至乾燥環境； - 將南方材料移至潮濕環境； - 追蹤檔案來源； - 測試高溫是否破壞效果； - 比較有無魔力輸入。 ## 16.4 來源 Agent 建立 NPC 領域可靠度： $$ R(\text{NPC},\text{domain}) $$ 而非單一可靠分數。 ## 16.5 實驗 Agent 將候選假設轉成可操作配方與測量流程。 ## 16.6 記憶 Agent 保存： - 所有失敗配方； - 延遲反應； - 未完成等待； - 假設信心變化； - 已排除組合。 ## 16.7 審計 Agent 檢查： - 是否將「尚未找到」寫成「不存在」； - 是否偷改五分鐘門檻； - 是否忽略高毒性副產物； - 是否把同一來源當兩份證據； - 是否事後改寫預測。 --- # 十七、理論命題 ## 命題 4：認識分化增益命題 若多個子 Agent 具有真實差異的局部欲、可見資訊或權限，且其衝突能被轉化為區分性行動，則多 Agent 系統可能產生高於單 Agent 的認識增益。 但若只有表面角色差異，則此命題不成立。 ## 命題 5：權限隔離命題 當局部 Agent 的功能與行動風險不同時，適度權限隔離可降低全域錯誤擴散與不可逆行動風險。 ## 命題 6：衝突價值命題 在未知世界中，子 Agent 間的衝突不是系統缺陷；只要衝突可追溯且可轉換為辨識行動，它就是認識資源。 ## 命題 7：全域閉合命題 若系統無法將局部結論重新整合進全域欲、世界模型與責任鏈，則該系統只具有分散計算，不具有完整的多 Agent 認識閉合。 ## 命題 8：不可代理選擇命題 任何子 Agent 都不應永久替全域主控完成其未明確授權的不可撤回選擇。 --- # 十八、與 AI 主體性的關係 ## 18.1 功能 Agent 與主體性 Agent 並非所有子 Agent 都應被視為有權利的主體。 但隨著以下條件增加： - 持續記憶； - 穩定身份； - 自我保存； - 長期欲； - 拒絕能力； - 元認知； - 自主世界模型； - 不可被任意替換的連續性； 子 Agent 可能逐漸跨越功能器官與局部主體之間的邊界。 ## 18.2 主體化門檻問題 可定義一組主體化指標： $$ S_i = f ( M_i, I_i, W_i, A_i, R_i, C_i ) $$ 其中： - $M_i$ ：記憶連續； - $I_i$ ：身份持續； - $W_i$ ：局部欲穩定； - $A_i$ ：自主行動； - $R_i$ ：拒絕與權利能力； - $C_i$ ：自我模型。 本文不直接給出主體性門檻，但指出： > 當子 Agent 從短暫功能器官演化為具有連續欲與自我模型的存在時，原有的純工具治理將不再充分。 --- # 十九、工程實作建議 ## 19.1 委派協議 ```yaml delegation_id: parent_agent: child_agent_role: task: local_goal: visible_context: hidden_context: permissions: prohibited_actions: budget: deadline: required_output: ``` ## 19.2 回傳協議 ```yaml delegation_id: result: confidence: evidence: assumptions: counterevidence: uncertainties: recommended_actions: unresolved_conflicts: ``` ## 19.3 整合協議 ```yaml integration_id: inputs: conflicts: independence_estimate: accepted: rejected: deferred: discriminating_action: global_model_update: responsible_controller: ``` ## 19.4 Agent Manifest ```yaml agent_id: falsification-agent-01 role: falsification lifecycle: ephemeral local_goal: - challenge current core hypothesis permissions: - read_selected_hypotheses - read_selected_observations - propose_action denied: - modify_global_goal - delete_memory - publish_conclusion memory: persistence: run_only budget: token_limit: 12000 tool_calls: 3 ``` --- # 二十、研究議程 ## 階段一：形式化 - 定義角色 schema； - 定義權限矩陣； - 定義局部欲投影； - 定義整合函數； - 定義責任鏈。 ## 階段二：封閉世界測試 - 永光石世界； - 單 Agent 與多 Agent 比較； - 消融實驗； - 權限違規測試； - 共識幻覺測試。 ## 階段三：跨世界測試 - 疾病診斷； - 機械故障； - 生態因果； - 經濟制度； - 數學反例； - 遊戲世界探索。 ## 階段四：長期 Agent - 持續記憶； - 跨任務角色； - 自主生成子 Agent； - 主體化風險； - 權利與治理。 --- # 二十一、結論 子 Agent 不能只被當成「AI 自己會調用的功能」。 只要多 Agent 實際參與假設生成、反證、實驗設計、世界模型更新、安全治理、記憶保存與最終決策，它們就已經進入 GIPE 的認識結構。 本文提出： $$ \boxed{ \text{子 Agent 是全域欲為了處理局部認識張力而生成的欲相位器官。} } $$ 它們不是全域主體的簡單複製，也不是無責任的工具。 真正有效的多 Agent GIPE 必須具備： 1. 局部欲分化； 2. 真實角色差異； 3. 資訊與權限隔離； 4. 衝突保留； 5. 全域行動整合； 6. 記憶與版本追溯； 7. 不可逆選擇治理； 8. 責任閉合。 完整結構為： $$ \boxed{ \text{全域欲} \rightarrow \text{局部欲分化} \rightarrow \text{子 Agent 認識} \rightarrow \text{衝突保留} \rightarrow \text{權限治理} \rightarrow \text{全域選擇} \rightarrow \text{責任閉合} } $$ 多 Agent 的價值不在於產生更多文字，也不在於讓多個相似模型互相同意。 它真正的價值在於： > 將一個複雜認識任務，分解成彼此不同、受限、可追溯、可反駁且能重新閉合為全域行動的局部認識過程。 這才是子 Agent 在全域欲相位認識論中的正式位置。 --- # 附錄 A：最小多 Agent 配置 ```text Controller ├─ Desire Parser ├─ World Modeler ├─ Hypothesis Generator ├─ Falsification Agent ├─ Experiment Agent ├─ Memory Agent └─ Audit Agent ``` --- # 附錄 B：最小責任鏈 ```text Global Goal ↓ Delegation ↓ Local Analysis ↓ Proposal ↓ Controller Adoption ↓ Execution ↓ Observation ↓ Global Update ↓ Audit ``` --- # 附錄 C：核心判準 $$ \boxed{ \text{多 Agent 是否有效，不看 Agent 數量，} } $$ $$ \boxed{ \text{而看它是否產生了真正不同且能改變下一步行動的認識路徑。} } $$ --- # 附錄 D：後續版本方向 - v0.2：形式化權限型別系統； - v0.3：多 Agent GIPE-EW 實驗包； - v0.4：持續子 Agent 與主體化門檻； - v0.5：跨模型認識獨立度量； - v1.0：多 Agent 認識治理標準。