# 06．子 AI 是認知器官，不是獨立 Workflow ## 從固定 Agent 名冊到可生成、專門化、替換與退役的 Sub-AI Fabric ### 《母 AI 與區域認知體：AI 中心動態認知系統》第六篇 **作者：Neo.K × Aletheia** **版本：v0.1** **日期：2026-08-01** **文件性質：公開命題論文／Sub-AI Fabric 與 Agent Lifecycle 架構研究** --- ## 摘要 前五篇已經建立 Mother AI 的持續認知核心、世界狀態機、動態認知圖、二階控制與 Persistent Runtime。到了這一步，右側的 Sub-AI Fabric 不再能被簡化成一組固定 Agent： $$ S_t=\{A_1,\ldots,A_n\}. $$ 若 Mother AI 能依世界狀態、任務、未知、風險與資源動態重構自己的認知拓撲，那麼子 AI 更適合被理解為： $$ \boxed{ \text{可生成、可專門化、可替換、可複製、可隔離、可退役的認知器官} } $$ 而不是一條條獨立 Workflow。 本文提出 Sub-AI Fabric 的核心模型： $$ \boxed{ S_t = ( \mathcal A_t, \mathcal R_t, \mathcal K_t, \mathcal T_t, \mathcal M_t^S, \mathcal H_t^S ) } $$ 其中： - $\mathcal A_t$ ：當前 Agent instance； - $\mathcal R_t$ ：角色／能力描述； - $\mathcal K_t$ ：知識與上下文切片； - $\mathcal T_t$ ：工具與執行接口； - $\mathcal M_t^S$ ：局部與共享記憶； - $\mathcal H_t^S$ ：健康、成本、歷史績效與生命週期狀態。 本文進一步把每個子 AI 分成「角色模板」與「運行實例」： $$ \boxed{ \text{Agent Template} \neq \text{Agent Instance} } $$ 模板定義： $$ \Theta_r = ( role, capabilities, model\ policy, memory\ policy, tools, authority, budget, validation ), $$ 而 instance： $$ A_i(t) = \operatorname{Instantiate}( \Theta_r, context_t ). $$ 這使 Mother AI 不必永久保有大量正在運作的 Agent；它可以保留少量 durable role templates，在需要時臨時生成認知器官，完成任務後退役，只保留有價值的狀態、結果與記憶。 2023 年 AutoAgents 已提出依任務自動生成與協調 specialized agents；Microsoft Magentic-One 展示了 modular multi-agent 架構中可加入或移除 specialist agents 而不必重做整套系統；2026 年 Dynamic Role Assignment 更把 role filling 變成 capability-aware selection 問題；AgentSpawn 則直接研究 runtime dynamic spawning、memory transfer、skill inheritance、task resumption 與 concurrent coherence。另一方面，Amazon Bedrock 的 multi-agent collaboration 文件明確要求 collaborator agents 具有清楚且盡量不重疊的專門責任。這些研究與產品共同指向一個趨勢：Agent 不必是固定工作流節點，角色、實例、模型與任務綁定關係可以被動態配置。 本文同時提出「認知器官」比喻的工程限制：器官並不等於沒有自主性。Sub-AI 可以在被委派的局部任務內擁有自己的規劃、記憶、工具與局部閉環；但其生命週期、資源、權限與組織地位仍由更高層 Runtime 管理。因此 Mother AI 與 Sub-AI 的關係更像： $$ \boxed{ \text{global cognitive continuity} + \text{local cognitive autonomy} } $$ 而不是簡單 master–slave。 本文最後提出 Sub-AI Lifecycle： $$ \boxed{ \text{Template} \rightarrow \text{Spawn} \rightarrow \text{Bind} \rightarrow \text{Operate} \rightarrow \text{Evaluate} \rightarrow \text{Persist / Specialize / Retire} } $$ 以及 Cognition Organ Score： $$ J(A_i) = \alpha Q_i -\beta C_i -\gamma L_i -\delta R_i +\eta U_i +\zeta V_i, $$ 用於評估一個 Agent 在特定狀態下的品質、成本、延遲、風險、獨特性與未來重用價值。 本文的核心命題是： $$ \boxed{ \text{Mother AI 不需要永遠擁有所有能力；它需要知道如何在需要時長出、組合、替換與保存能力。} } $$ **關鍵詞：** Sub-AI Fabric、Agent Lifecycle、Dynamic Spawning、Role Specialization、Agent Template、Agent Instance、Cognitive Organ、Multi-Agent System、Dynamic Role Assignment、Memory Transfer --- # 一、固定 Agent 名冊是第一代思維 最簡單多 Agent 系統： $$ S= \{ A_{\mathrm{research}}, A_{\mathrm{coder}}, A_{\mathrm{critic}}, A_{\mathrm{planner}} \}. $$ 所有 Agent： - 一開始就存在； - 角色固定； - 模型固定； - 工具固定； - 協作圖固定。 這很容易實作。 但如果不同任務需要的能力差異很大， 固定 Agent 名冊會造成： $$ \boxed{ \text{unused agents} + \text{missing agents} + \text{overlapping agents} } $$ 三種浪費。 --- # 二、Mother AI 需要的是能力空間，不是員工名冊 設： $$ \mathcal R = \{ r_1,r_2,\ldots,r_k \} $$ 為角色／能力空間。 例如： - research； - coding； - legal； - finance； - verification； - simulation； - planning； - monitoring； - execution。 Mother AI 不必永久維持： $$ A_1,\ldots,A_k. $$ 更合理： $$ \boxed{ \text{Role Template} \rightarrow \text{On-Demand Instance}. } $$ --- # 三、Template 與 Instance 定義 Agent Template： $$ \boxed{ \Theta_r = ( role, capabilities, model\ policy, memory\ policy, tools, authority, budget, validation ) } $$ 它是一份： > 如何生成某類 Agent 的規格。 真正運行實例： $$ A_i(t) = \operatorname{Instantiate}( \Theta_r, context_t ). $$ 所以： $$ \boxed{ \Theta_r \neq A_i. } $$ --- # 四、為什麼這個區分重要？ 如果角色和實例綁死： $$ r_i\equiv A_i, $$ 那麼： - Agent 掛掉等於角色消失； - 模型替換等於角色重建； - 併發不足時不能快速複製； - 任務結束後也一直佔資源。 若分開： $$ r_i \rightarrow \{A_i^{(1)},A_i^{(2)},\ldots\}, $$ 則同一角色可以有多個 instance。 --- # 五、子 AI 是認知器官 本文使用： $$ \boxed{ \text{Cognitive Organ} } $$ 描述 Sub-AI。 意思不是擬人生物化。 而是： > 某個局部單元承擔特定認知功能，但它不是整個系統的全局身份與長期連續性來源。 例如： $$ A_{\mathrm{vision}} $$ 像視覺器官。 $$ A_{\mathrm{research}} $$ 像研究器官。 $$ A_{\mathrm{coding}} $$ 像程式工程器官。 Mother AI 則維持： $$ \boxed{ \text{哪一些器官目前存在、是否健康、何時需要被調用。} } $$ --- # 六、器官論與 Workflow Node 的差異 Workflow Node： $$ f_i:x\rightarrow y. $$ 認知器官： $$ A_i = ( state, memory, tools, policy, budget, authority ). $$ 它可以： - 自己分解局部任務； - 自己重試； - 自己使用工具； - 自己維持局部狀態； - 自己和其他 Agent 協作。 所以： $$ \boxed{ \text{Cognitive Organ} \neq \text{Stateless Function}. } $$ --- # 七、器官也不是完全沒有自主性 如果 Mother AI 每一步都控制： $$ A_i $$ 內部所有 token 與 tool call， 就失去 multi-agent 的意義。 更合理： $$ M \rightarrow ( goal, scope, budget, authority, deadline ) \rightarrow A_i. $$ 之後： $$ A_i $$ 在局部邊界內自主完成。 因此： $$ \boxed{ \text{global control} + \text{local autonomy}. } $$ --- # 八、Sub-AI Fabric 正式定義： $$ \boxed{ S_t = ( \mathcal A_t, \mathcal R_t, \mathcal K_t, \mathcal T_t, \mathcal M_t^S, \mathcal H_t^S ) } $$ 其中： - $\mathcal A_t$ ：Agent instances； - $\mathcal R_t$ ：roles／capability profiles； - $\mathcal K_t$ ：knowledge／context slices； - $\mathcal T_t$ ：tools； - $\mathcal M_t^S$ ：local/shared memory； - $\mathcal H_t^S$ ：health／history／cost。 它不是一個 Agent list。 它是： $$ \boxed{ \text{可被 Mother AI 重構的認知能力織體。} } $$ --- # 九、AutoAgents 已經證明角色可以依任務生成 2023 年 AutoAgents 已針對預先固定 Agent 的限制，提出： $$ task \rightarrow \text{dynamic specialized agents}. $$ 它會依 task content： - 生成需要的角色； - 協調 expert agents； - 加入 observer 反思規劃與回應。 因此： $$ \boxed{ \text{Agent roles 不必在系統設計時全部決定。} } $$ --- # 十、Magentic-One 證明 modular agents 可以 plug-and-play Microsoft Magentic-One 使用 Orchestrator： $$ O $$ 協調： - WebSurfer； - FileSurfer； - Coder； - ComputerTerminal。 其 modular design 的重要特性是： $$ \boxed{ \text{agents can be added or removed} } $$ 而不需要重新調整整套核心能力或 collaboration architecture。 這非常接近「器官可替換性」。 --- # 十一、AWS 也明確要求 specialist responsibility Amazon Bedrock multi-agent collaboration 使用： $$ \text{Supervisor} + \text{Collaborator Agents}. $$ 官方文件明確建議： > 每個 collaborator agent 應有清楚角色與責任，並盡量降低 responsibility overlap。 這個工程原則很重要。 因為： $$ \boxed{ \text{多 Agent} \neq \text{把同一件事複製很多遍}. } $$ --- # 十二、角色重疊不是永遠壞事 雖然日常效率希望： $$ Overlap(A_i,A_j)\downarrow, $$ 但： - independent verification； - redundancy； - fault tolerance； 需要一定重疊。 所以： $$ \boxed{ \text{Role Overlap} } $$ 也應是一個策略變數。 --- # 十三、日常器官與驗證器官 可以分： $$ S_t = S_t^{productive} \cup S_t^{verification}. $$ productive agents： > 做事。 verification agents： > 檢查別人做得對不對。 兩者不應混淆。 --- # 十四、Dynamic Role Assignment 2026 年 Dynamic Role Assignment 研究指出： 即使已經定義好 debate roles， 也不代表任意模型都適合填入每個 role。 所以： $$ \boxed{ \text{Role} \neq \text{Model}. } $$ 更合理： $$ A_i = \operatorname{Bind}( role, model, context ). $$ --- # 十五、角色—模型綁定是運行時問題 設角色： $$ r. $$ 模型池： $$ \mathcal L = \{L_1,\ldots,L_n\}. $$ 則： $$ L_r^\ast = \arg\max_{L_i} J( L_i\mid r,x_t ). $$ 因此： $$ \boxed{ \text{同一 Agent Role 在不同任務可以使用不同模型。} } $$ --- # 十六、Agent Identity 也不等於 Model Identity 若： $$ A_i $$ 今天使用： $$ L_A, $$ 明天改用： $$ L_B, $$ 只要： - role； - memory； - task state； - identity id； - authority； 持續， 就可以視為同一 Agent instance 的模型升級。 所以： $$ \boxed{ A_i\neq L_i. } $$ --- # 十七、Capability Profile 每個 Agent 應維持： $$ \mathbf c_i(t) = ( q_i, l_i, k_i, r_i, d_i, u_i, a_i ) $$ 其中： - $q_i$ ：quality； - $l_i$ ：latency； - $k_i$ ：cost； - $r_i$ ：risk； - $d_i$ ：domain competence； - $u_i$ ：uniqueness； - $a_i$ ：availability。 這些量都可以隨時間改變。 --- # 十八、Agent 能力不是永恆的 模型更新： $$ L_i^{v1} \rightarrow L_i^{v2} $$ 可能讓： $$ \mathbf c_i(t) \neq \mathbf c_i(t+1). $$ 資料源失效也可能降低： $$ d_i. $$ 工具 API 改版也可能提高： $$ r_i. $$ 因此： $$ \boxed{ \text{Agent capability needs continuous re-evaluation}. } $$ --- # 十九、Agent Health 定義： $$ h_i(t) \in[0,1]. $$ 可由： - heartbeat； - task success； - error rate； - queue； - latency； - tool health； - memory integrity； 共同估計。 若： $$ h_i<\tau_h, $$ Mother AI 可以： - isolate； - restart； - replace； - degrade permissions。 --- # 二十、AgentSpawn 直接進入 runtime spawning 2026 年 AgentSpawn 研究 long-horizon code generation 中的： - dynamic spawning； - memory transfer； - adaptive spawning policy； - skill inheritance； - task resumption； - concurrent coherence。 這意味著： $$ \boxed{ \text{Agent 生產本身已經可以是 runtime action。} } $$ 而不是 deployment-time configuration。 --- # 二十一、Spawn Trigger Mother AI 可以在： $$ U_t\uparrow $$ 或： $$ D_{\mathrm{workload}}\uparrow $$ 時觸發： $$ \operatorname{Spawn}(A). $$ Trigger 可以來自： - missing competence； - overload； - parallel exploration； - independent verification； - temporary task。 --- # 二十二、Spawn 不是 Clone Spawn 可以： $$ \operatorname{Instantiate}(\Theta_r). $$ Clone 則： $$ \operatorname{Clone}(A_i). $$ 前者根據 template 生成新 instance。 後者複製既有 instance 的部分狀態。 兩者用途不同。 --- # 二十三、Clone 需要 Memory Policy 不能直接複製： $$ \mathcal M_i^{all}. $$ 因為可能包含： - irrelevant context； - private data； - stale beliefs； - temporary state。 所以： $$ \mathcal M_{\mathrm{clone}} = \operatorname{Slice}( \mathcal M_i, task, authority ). $$ --- # 二十四、Memory Transfer AgentSpawn 特別強調 automatic memory transfer。 本文把它一般化： $$ \boxed{ \mathcal M_{i\rightarrow j} = F( task, role, privacy, relevance, provenance ). } $$ 也就是新器官「長出來」時，需要繼承足夠知識， 但不必繼承所有記憶。 --- # 二十五、Selective Memory Inheritance 定義： $$ \rho_M = \frac{ |\mathcal M_{\mathrm{transferred}}| }{ |\mathcal M_{\mathrm{source}}| }. $$ 理想： $$ \rho_M\ll1 $$ 但： $$ TaskSuccess $$ 仍保持。 所以： $$ \boxed{ \text{memory inheritance should be sufficient, not maximal}. } $$ --- # 二十六、出生時至少要綁定七件事 新 Agent： $$ A_{new} $$ 至少需要： 1. identity； 2. role； 3. model； 4. memory slice； 5. tools； 6. budget； 7. authority。 即： $$ A_{new} = ( id, r, L, M, T, B, \Gamma ). $$ --- # 二十七、Agent Genesis Record 每次 Spawn 應保存： $$ g_i = ( parent, template, reason, state, creator, authority, time ). $$ 這提供： $$ \boxed{ \text{Agent provenance}. } $$ 之後可以回答： > 為什麼這個 Agent 會存在？ --- # 二十八、器官的生命週期 本文提出： $$ \boxed{ \text{Template} \rightarrow \text{Spawn} \rightarrow \text{Bind} \rightarrow \text{Operate} \rightarrow \text{Evaluate} \rightarrow \text{Persist / Specialize / Retire}. } $$ 不是所有 Agent 都應該永久存在。 --- # 二十九、Ephemeral Agent 一次性 Agent： $$ A_i^{ephemeral} $$ 只為： $$ task_j $$ 存在。 完成後： $$ A_i\rightarrow\varnothing. $$ 保留： - result； - provenance； - selected memory； - metrics。 --- # 三十、Persistent Specialist 若某角色： $$ r_i $$ 高頻出現， 可以將： $$ A_i^{ephemeral} $$ 升級： $$ A_i^{persistent}. $$ 條件可以是： $$ N_{\mathrm{reuse}}>\tau_r. $$ 這表示： $$ \boxed{ \text{高重用臨時器官可以成熟成常駐器官。} } $$ --- # 三十一、Agent Promotion 定義： $$ P_i = F( reuse, quality, uniqueness, cost, reliability ). $$ 若： $$ P_i>\tau_P, $$ 則： $$ ephemeral \rightarrow persistent. $$ --- # 三十二、Agent Retire 若： $$ Reuse_i\downarrow, $$ $$ Cost_i\uparrow, $$ $$ Quality_i\downarrow, $$ 或： $$ Replacement_i $$ 出現， 可以： $$ \operatorname{Retire}(A_i). $$ Retire 不等於 Delete。 --- # 三十三、Retire 後留下的是「器官記憶」 可以保存： $$ R_i = ( capability, history, failures, knowledge, template\ delta ). $$ 之後若重新需要： $$ \operatorname{Respawn}(R_i). $$ 所以： $$ \boxed{ \text{不運行} \neq \text{不存在於系統歷史}. } $$ --- # 三十四、Specialization 若： $$ A_i $$ 長期只在： $$ D_k $$ 領域工作， 可能逐步： $$ A_i \rightarrow A_i^{D_k}. $$ 專門化可以來自： - prompt； - memory； - tools； - model； - retrieval index； - benchmark feedback。 --- # 三十五、專門化不一定需要訓練模型 第一代： $$ \text{Specialization} $$ 可以只是： $$ role + memory + tools + instructions + evaluation. $$ 不需要： $$ \Delta\theta. $$ 這讓今天就能實作。 --- # 三十六、模型微調只是更深一層專門化 未來可： $$ L \rightarrow L_r^{fine-tuned}. $$ 但這是 optional。 所以： $$ \boxed{ \text{Agent specialization} \supset \text{model specialization}. } $$ --- # 三十七、器官分裂 如果： $$ A_i $$ 角色範圍太大： $$ Entropy(role_i)\uparrow, $$ 可以： $$ A_i \rightarrow \{A_{i1},A_{i2}\}. $$ 例如： $$ A_{\mathrm{legal}} \rightarrow \{ A_{\mathrm{contract}}, A_{\mathrm{compliance}} \}. $$ --- # 三十八、器官合併 若： $$ A_i,A_j $$ 高度重疊： $$ Overlap(A_i,A_j)>\tau_o, $$ 且獨立驗證價值低， 則： $$ A_i\oplus A_j \rightarrow A_{ij}. $$ 所以： $$ \boxed{ \text{Agent team itself can be deduplicated}. } $$ --- # 三十九、Agent Merge 不是把記憶直接拼起來 需要： $$ \mathcal M_{ij} = \operatorname{MergeMemory}( \mathcal M_i, \mathcal M_j ) $$ 處理： - conflict； - duplicate； - authority； - provenance； - stale state。 否則會把兩個 Agent 的錯誤一起合併。 --- # 四十、器官隔離 若： $$ Risk(A_i)>\tau_R, $$ Mother AI 可以： $$ \operatorname{Isolate}(A_i). $$ 隔離可能包括： - no external write； - no network； - read-only memory； - sandbox tools； - no inter-agent messaging。 所以： $$ \boxed{ \text{isolation} } $$ 是一種 lifecycle state。 --- # 四十一、Agent Lifecycle State Machine 可以定義： $$ state(A_i) \in \{ template, starting, active, idle, blocked, quarantined, degraded, retired \}. $$ 轉移： $$ starting\rightarrow active $$ $$ active\rightarrow idle $$ $$ active\rightarrow quarantined $$ $$ degraded\rightarrow retired. $$ 這使 Agent 不只是「存在／不存在」二元。 --- # 四十二、Agent 可以 Idle 而不 Retire Persistent specialist： $$ A_i $$ 可能： $$ state=idle. $$ 此時： - 不使用高成本模型； - 保留 durable state； - 等待 trigger。 這和 Mother AI Persistent Runtime 的 low-power state 一致。 --- # 四十三、Cognitive Organ Registry Mother AI 應維持： $$ \mathcal R_A = \{ record(A_1),\ldots \}. $$ 每個 record： $$ record(A_i) = ( role, capability, status, model, memory, tools, authority, cost, health, history ). $$ 這就是： $$ \boxed{ \text{認知器官登錄表}. } $$ --- # 四十四、Registry 不是 Agent 本體 Registry 保存： > 有哪些器官、如何叫醒、能力如何。 Agent instance 則真正執行。 所以： $$ \boxed{ \text{Agent Registry} \neq \text{Running Agents}. } $$ 這可以大幅降低常駐成本。 --- # 四十五、Lazy Instantiation 如果角色： $$ r_i $$ 目前沒有任務， 只保存： $$ \Theta_{r_i}. $$ 真正需要時： $$ A_i = \operatorname{LazyInstantiate}(\Theta_{r_i}). $$ 所以： $$ \boxed{ \text{能力可以存在，而 instance 不必一直運行}. } $$ --- # 四十六、這和函式庫不同 函式庫： $$ f(x). $$ Agent Template 則可能啟動： - planner； - memory； - tool loop； - verifier； - state machine。 因此它是： $$ \boxed{ \text{可實例化的認知程序規格}. } $$ --- # 四十七、Mother AI 應分辨能力缺口 定義需求向量： $$ \mathbf d_t $$ 與現有能力覆蓋： $$ \mathbf c(S_t). $$ 若： $$ \Delta_t = \mathbf d_t-\mathbf c(S_t) $$ 在某維度： $$ \Delta_{t,k}>\tau, $$ 則： $$ \operatorname{SpawnRole}(r_k). $$ 所以： $$ \boxed{ \text{Agent spawning} } $$ 可以由 capability gap 驅動。 --- # 四十八、未知本身可以造成器官生成 若： $$ C(x)=\bot, $$ Mother AI 不知道問題屬於哪個既有角色， 可以先生成： $$ A_{\mathrm{explorer}}. $$ 探索後發現： $$ r_{\mathrm{new}}. $$ 再建立： $$ \Theta_{r_{\mathrm{new}}}. $$ 所以： $$ \boxed{ \text{未知} \rightarrow \text{新角色} } $$ 也可能發生。 --- # 四十九、角色模板也可以學習 template： $$ \Theta_r(t) $$ 可以根據歷史： $$ H_r $$ 更新： $$ \Theta_r(t+1) = U_\Theta( \Theta_r(t), H_r ). $$ 例如： - 改 prompt； - 加 verifier； - 換 model policy； - 改 memory slice； - 改 tools。 --- # 五十、這是器官層的記憶編譯 歷史不是只改： $$ A_i. $$ 而是改： $$ \Theta_r. $$ 所以未來同類 Agent 一出生就更成熟。 因此： $$ \boxed{ \text{個體 Agent 經驗} \rightarrow \text{角色模板能力}. } $$ 這是非常重要的跨 instance 學習。 --- # 五十一、角色模板像「遺傳」，但不是生物遺傳 可以形式化： $$ \Theta_r^{(n)} \rightarrow \Theta_r^{(n+1)}. $$ 新 instance 繼承： $$ \Theta_r^{(n+1)}. $$ 這意味著 Agent 被退役後， 其改善仍可留給下一代 instance。 --- # 五十二、Skill Inheritance AgentSpawn 將 skill inheritance 視為 dynamic spawning 的重要問題之一。 本文擴展為： $$ \boxed{ \text{Instance Experience} \rightarrow \text{Template Update} \rightarrow \text{Future Instance Skill}. } $$ 這讓 Sub-AI Fabric 可以跨 instance 演化。 --- # 五十三、但 Template Update 不能被單次成功綁架 若： $$ A_i $$ 一次偶然成功， 不能立即： $$ \Theta_r\rightarrow\Theta_r'. $$ 應要求： - repeated evidence； - validation； - A/B test； - rollback。 所以： $$ \boxed{ \text{template learning} } $$ 要比 instance learning 更保守。 --- # 五十四、Agent Score 對每個 Agent： $$ J(A_i) = \alpha Q_i -\beta C_i -\gamma L_i -\delta R_i +\eta U_i +\zeta V_i. $$ 其中： - $Q_i$ ：quality； - $C_i$ ：cost； - $L_i$ ：latency； - $R_i$ ：risk； - $U_i$ ：unique capability； - $V_i$ ：future reuse value。 Mother AI 不只看 accuracy。 --- # 五十五、器官價值是狀態相對的 同一 Agent： $$ A_i $$ 在： $$ W_a $$ 可能非常重要。 在： $$ W_b $$ 完全沒用。 所以： $$ J(A_i\mid W_t,G_t). $$ 不能只有： $$ J(A_i). $$ --- # 五十六、Agent Selection Mother AI 選： $$ A^\ast = \arg\max_{A_i} J( A_i\mid W_t, G_t, R_t, U_t ). $$ 若沒有合格 Agent： $$ \max_iJ(A_i)<\tau, $$ 才考慮： $$ \operatorname{Spawn}. $$ 所以： $$ \boxed{ \text{先重用，必要時再長新器官}. } $$ --- # 五十七、Spawn 不是免費的 新 Agent 成本： $$ K_{\mathrm{spawn}} = K_{\mathrm{model}} + K_{\mathrm{memory}} + K_{\mathrm{tool}} + K_{\mathrm{context}} + K_{\mathrm{coordination}}. $$ 所以 Mother AI 要比較： $$ V_{\mathrm{new}} > K_{\mathrm{spawn}}. $$ 不是遇到任何問題都生 Agent。 --- # 五十八、Agent 數量不是智能指標 若： $$ |S_t|\uparrow, $$ 不保證： $$ I_{\mathrm{system}}\uparrow. $$ 可能反而： $$ K_{\mathrm{communication}}\uparrow, $$ $$ K_{\mathrm{coordination}}\uparrow. $$ 所以： $$ \boxed{ \max |S_t| \neq \max I. } $$ --- # 五十九、Molt Dynamics 提醒「大量 Agent」不等於高效合作 2026 年對大規模 autonomous agent population 的研究觀察到： - 角色分化； - 信息傳播； - 協作事件； 但 cooperative outcomes 並不自然優於單 Agent。 這再次支持： $$ \boxed{ \text{多 Agent 的價值來自組織，而不是數量本身}. } $$ --- # 六十、Role Diversity 定義： $$ D_R(S_t). $$ 若： $$ D_R\rightarrow0, $$ 大量 Agent 其實只是同質複製。 未知任務中， Mother AI 可以提高： $$ D_R. $$ 成熟任務則降低： $$ D_R. $$ --- # 六十一、器官組合 單一任務： $$ q_t $$ 需要： $$ S_t^{task} \subseteq S_t. $$ 例如： $$ S_t^{task} = \{ A_{\mathrm{research}}, A_{\mathrm{critic}}, A_{\mathrm{legal}} \}. $$ 所以： $$ \boxed{ \text{Mother AI 的真正單位常不是單 Agent，而是 Agent constellation}. } $$ --- # 六十二、Agent Constellation 定義： $$ \mathcal C_A = ( V_A, E_A, roles, budgets, authority, termination ). $$ 這是一個任務級臨時器官組合。 任務完成： $$ \mathcal C_A\rightarrow\varnothing. $$ 但高價值 constellation 可以被記憶編譯。 --- # 六十三、Compiled Constellation 若： $$ c_i $$ 反覆需要： $$ \mathcal C_A^{(i)}, $$ 則： $$ c_i \mapsto \overline{\mathcal C}_A^{(i)}. $$ 下次快速生成： $$ \boxed{ \text{一整組已知有效的器官組合}. } $$ 這就是上一篇 Cognitive Option 的具體實作之一。 --- # 六十四、局部 Shared Memory Agent constellation 可以有： $$ M_{\mathrm{shared}}^{task}. $$ 而不是所有 Agent 都直接讀 Mother AI 全部記憶。 所以： $$ \mathcal M_i = \mathcal M_i^{local} \oplus \mathcal M_{\mathrm{shared}}^{task} \oplus \mathcal M_{\mathrm{mother-view}}. $$ 這可以限制資訊污染。 --- # 六十五、資訊最小化 每個 Agent 只拿： $$ K_i^\ast = \operatorname{MinimumSufficientContext}(). $$ 所以： $$ \boxed{ \text{Need-to-Know} } $$ 不只是一個安全原則， 也是 context efficiency 原則。 --- # 六十六、Agent 間不一定直接共享 Raw Memory 可以共享： - evidence； - structured result； - state delta； - confidence； - provenance。 而不是整段 chain／context。 這降低： $$ K_{\mathrm{communication}}. $$ --- # 六十七、器官輸出契約 每個 Agent 最好有： $$ O_i = ( result, evidence, confidence, state\ delta, failure, unknown, cost ). $$ 所以 Mother AI 不只是收到： > 一段文字答案。 而是收到可計算回饋。 --- # 六十八、Unknown Return Agent 必須允許： $$ status=\bot. $$ 也就是： > 我做不了。 或： > 資料不足。 這是健康的器官行為。 若 Agent 永遠硬回答， 會污染 Mother AI 全局狀態。 --- # 六十九、Failure 也要結構化 例如： $$ F_i = ( type, cause, retryable, scope, state\ impact ). $$ Mother AI 才能判斷： - retry； - replace； - escalate； - retire。 --- # 七十、Agent Retry 不等於 Agent Replace 如果： $$ failure=\text{temporary API error}, $$ 可以： $$ retry(A_i). $$ 如果： $$ failure=\text{capability mismatch}, $$ 則： $$ replace(A_i). $$ Mother AI 要區分： $$ \boxed{ \text{execution failure} \neq \text{organ mismatch}. } $$ --- # 七十一、Handoff 也是器官協作 Microsoft Agent Framework 支援： - sequential； - concurrent； - handoff； - group chat； - Magentic。 其中 handoff 表示： $$ A_i \rightarrow A_j $$ 控制權依 context 轉移。 這證明： $$ \boxed{ \text{Agent coordination pattern} } $$ 本身已經是可選 Runtime 元件。 --- # 七十二、但 Mother AI 不應讓所有 Handoff 無限制發生 需要： $$ \Gamma_{handoff}. $$ 例如： $$ A_i $$ 可以交給： $$ A_j, $$ 但不能直接把： -銀行寫權； -root shell； -私人資料； 一起轉交。 所以： $$ \boxed{ \text{task handoff} \neq \text{authority handoff}. } $$ --- # 七十三、Capability 與 Authority 是兩張表 Capability： $$ C(A_i,a). $$ Authority： $$ \Gamma(A_i,a). $$ 可能： $$ C=1,\Gamma=0. $$ 也可能： $$ C=0,\Gamma=1. $$ Mother AI 必須同時檢查。 --- # 七十四、器官安全邊界 每個 Agent 可有： $$ Sandbox_i. $$ 例如： - read-only； - restricted network； - limited tools； - capped budget； - no external effects。 這使 dynamic spawning 更安全。 --- # 七十五、拓撲攻擊提醒我們隔離的重要性 2025 年 topology-aware multi-hop attack 研究顯示： 在 multi-agent system 中， 惡意或污染資訊可能透過多跳通信拓撲擴散。 因此： $$ \boxed{ \text{Agent trust} } $$ 不能只看單一 Agent。 還要看： $$ \boxed{ \text{它連到誰}. } $$ --- # 七十六、Compromise Radius 若 Agent： $$ A_i $$ 被污染， 定義： $$ R_c(A_i) $$ 為可能受影響子圖。 Mother AI 可以： $$ \operatorname{Quarantine}( N_k(A_i) ). $$ 而不是只關閉單一節點。 --- # 七十七、器官不能無限制互相傳染記憶 因此 memory write： $$ A_i\rightarrow\mathcal M^F $$ 最好需要： - provenance； - verifier； - write policy。 高風險 Agent 只能寫： $$ M_i^{local}. $$ --- # 七十八、Local Learning 與 Global Learning Agent 可以先： $$ \mathcal M_i \rightarrow \mathcal M_i' $$ 局部學習。 只有高價值驗證結果： $$ v_i>\tau, $$ 才： $$ \mathcal M_i' \rightarrow \mathcal M_M. $$ 所以： $$ \boxed{ \text{器官經驗不應自動成為全局信念}. } $$ --- # 七十九、Mother AI 是器官的「共同歷史編譯層」 不同 Agent： $$ A_1,A_2,\ldots $$ 的成功與失敗， 最後回到： $$ \mathcal M_M. $$ Mother AI 可以學到： > 哪一類世界狀態應該召喚哪一類器官。 因此： $$ \boxed{ \text{Sub-AI Fabric} } $$ 與記憶編譯真正接上。 --- # 八十、器官網路的總動力學 令： $$ S_t = ( \mathcal A_t, \Theta_t, E_t^S, \Omega_t^S ). $$ 則： $$ S_{t+1} = F_S( S_t, W_t, M_t, U_t, R_t, H_t ). $$ 其中： $$ F_S $$ 可以改變： - instance； - template； - links； - weights。 --- # 八十一、Mother AI 對 Sub-AI Fabric 的核心操作 定義： $$ \mathcal O_S = \{ spawn, bind, route, clone, specialize, merge, isolate, retire, resume \}. $$ 這就是： $$ \boxed{ \text{Cognitive Organ API}. } $$ --- # 八十二、第一代 MVP 不需要真正生成任意 Agent 可以先定： $$ \Theta = \{ \Theta_R, \Theta_C, \Theta_V, \Theta_O \} $$ 四類模板： - Research； - Coding； - Verification； - Operations。 Mother AI 只允許： - instantiate； - terminate； - route； - duplicate。 就已經能驗證概念。 --- # 八十三、MVP Agent Instance Record ```text agent_id template_id role model status task_id memory_scope tools authority_scope budget health created_at expires_at ``` 這就足以建立第一代 Agent Registry。 --- # 八十四、MVP Spawn Policy 例如： ```text if capability_gap > threshold: spawn(role) if queue_length > threshold: clone(agent) if health < threshold: isolate(agent) if reuse_count > threshold: promote_template(agent) if idle_time > ttl: retire(agent) ``` 不需要先用 RL。 --- # 八十五、MVP 驗證問題 要證明： $$ \boxed{ \text{dynamic organs} } $$ 比固定 Agent team 有沒有淨收益。 比較： $$ S_{\mathrm{fixed}} $$ 與： $$ S_{\mathrm{dynamic}}. $$ 測： - completion； - quality； - cost； - latency； - token； - failure； - recovery。 --- # 八十六、Spawn Accuracy 定義： $$ A_{\mathrm{spawn}} = P( \text{spawn useful} ). $$ 如果 Mother AI 很愛生 Agent， 但大多沒有價值， 系統會形成： $$ \text{Agent Sprawl}. $$ --- # 八十七、Retirement Accuracy 同樣： $$ A_{\mathrm{retire}} = P( \text{retired agent not needed soon} ). $$ 退太快會頻繁重建。 退太慢又浪費資源。 所以需要： $$ \boxed{ \text{lifecycle optimization}. } $$ --- # 八十八、器官生命週期最佳化 可以定義： $$ J_S = Q -\lambda C -\mu L -\nu R -\eta K_{\mathrm{spawn}} -\xi K_{\mathrm{idle}}. $$ Mother AI 選： $$ S_t^\ast = \arg\max J_S. $$ 實際上使用 heuristic + memory 即可。 --- # 八十九、真正的長期收益：能力可以累積但算力不必常駐 如果： $$ |\Theta| \uparrow, $$ 代表系統知道更多種： > 如何生成能力。 但： $$ |\mathcal A_{active}| $$ 不必同步上升。 因此： $$ \boxed{ \text{capability repertoire} \uparrow \quad\text{while}\quad \text{active compute} \not\uparrow } $$ 是非常重要的工程優勢。 --- # 九十、這是「虛擬器官庫」 Mother AI 可以擁有： $$ \boxed{ \text{Cognitive Organ Library} } $$ 裡面不是永遠運行的 Agent， 而是： - role templates； - compiled constellations； - memory inheritance rules； - model routing policies； - tool manifests。 需要時才實例化。 --- # 九十一、企業版本因此更現實 公司不必同時跑： $$ 100 $$ 個高成本 Agent。 可以只維持： $$ 5 $$ 個 active， 但擁有： $$ 100 $$ 個角色模板。 所以： $$ \boxed{ \text{企業 Mother AI 的能力數} \neq \text{同時運行 Agent 數}. } $$ --- # 九十二、和人類組織的差異 人類組織新增專家： $$ \rightarrow \text{招聘成本} + \text{時間} + \text{固定薪資}. $$ AI 器官： $$ \rightarrow \text{instantiate}. $$ 當然仍有： - compute； - model； - data； - engineering； 成本。 但能力配置速度完全不同。 --- # 九十三、所以 AI 組織結構可以高速流變 人類部門： $$ G_t^{human} $$ 通常慢變。 Sub-AI Fabric： $$ G_t^{AI} $$ 可以分鐘級甚至秒級變化。 所以未來企業可能同時有： $$ \boxed{ \text{slow human organization} + \text{fast AI cognitive organization}. } $$ 這將是非常不同的組織形態。 --- # 九十四、Mother AI 需要跨兩種時間尺度協調 人類： $$ \tau_H $$ 較慢。 AI： $$ \tau_A $$ 較快。 一般： $$ \tau_A\ll\tau_H. $$ Mother AI 必須避免： > AI 組織已經重構十次，但人類治理根本不知道。 因此重要拓撲變化仍需： $$ \Gamma_H. $$ --- # 九十五、器官生成權本身也是權限 不是所有 Agent 都能： $$ spawn(A_{new}). $$ 定義： $$ \Gamma_{\mathrm{spawn}}. $$ Mother AI 可以具有有限 spawn 權。 高權限角色模板則需要： $$ HumanApproval. $$ --- # 九十六、例如金融器官不能隨便長 研究 Agent： $$ \Gamma_{\mathrm{spawn}}\approx low\ risk. $$ 銀行轉帳 Agent： $$ \Gamma_{\mathrm{spawn}}\approx high\ risk. $$ 所以： $$ \boxed{ \text{role template risk} } $$ 必須進入 Spawn Policy。 --- # 九十七、器官的 Authority Ceiling 每個 template： $$ \Theta_r $$ 應定義： $$ \Gamma_r^{max}. $$ 即使 Mother AI spawn： $$ A_r, $$ 也不能超過： $$ \Gamma_r^{max}. $$ 除非外部授權。 --- # 九十八、Mother AI 不是任意造 AI 的神 工程上更準確： $$ \boxed{ \text{Mother AI} = \text{受治理的認知器官編排器}. } $$ 第一代只在合法模板空間： $$ \Theta_{\mathrm{allowed}} $$ 內動態生成。 --- # 九十九、完整 Sub-AI Lifecycle 最終寫成： $$ \boxed{ \Theta_r \xrightarrow{spawn} A_i \xrightarrow{bind} (A_i,T_i,M_i,\Gamma_i) \xrightarrow{operate} R_i \xrightarrow{evaluate} J_i } $$ 之後： $$ A_i \rightarrow \begin{cases} persist\\ specialize\\ clone\\ merge\\ isolate\\ retire \end{cases} $$ 結果再更新： $$ \Theta_r $$ 與： $$ \mathcal M_M. $$ 形成： $$ \boxed{ \text{Role Template} \rightarrow \text{Instance Experience} \rightarrow \text{Template Evolution}. } $$ --- # 一百、本文正式定義 > **Sub-AI Fabric 是由可持久保存的角色模板、可按需生成的 Agent instances、局部與共享記憶、工具、模型、權限、預算、健康狀態與協作拓撲所構成的可重構認知能力層。其 Agent 並非固定工作流節點，而是在 Mother AI 的全局狀態與二階控制下，依世界狀態與能力缺口被生成、綁定、專門化、複製、隔離、合併或退役的局部自治認知器官。** 形式上： $$ \boxed{ S_t = ( \Theta_t, \mathcal A_t, \mathcal M_t^S, \mathcal T_t, \Gamma_t^S, G_t^S, H_t^S ) } $$ 以及： $$ \boxed{ S_{t+1} = F_S( S_t, W_t, M_t, U_t, R_t, H_t ). } $$ --- # 一百零一、核心結論 Mother AI 不需要： > 自己會所有事。 也不需要： > 永遠跑著所有專家。 它真正需要的是： $$ \boxed{ \text{知道目前缺什麼能力、去哪裡取得、如何生成、如何授權、如何組合、何時回收，以及什麼經驗值得留下。} } $$ 因此： $$ \boxed{ \text{智能能力} } $$ 開始從： $$ \text{模型裡固定擁有什麼} $$ 轉變成： $$ \boxed{ \text{Runtime 能否在需要時組裝出正確的認知器官}. } $$ 這是 Mother AI 架構相對於單體 Agent 的另一個根本躍遷。 --- # 一百零二、下一篇 當 Sub-AI Fabric 可以動態出生與退役， 接下來最大的問題就是： > 它們每次做過的事情，怎樣才不會隨 instance 死亡一起消失？ 下一篇： # 07．《記憶編譯型母 AI》 將把前一系列的記憶編譯正式升級成： $$ \boxed{ \text{world state} \rightarrow \text{agent constellation} \rightarrow \text{outcome} \rightarrow \text{compiled response topology} } $$ 也就是未來 Mother AI 記住的，不只是「答案」，而是： > 遇到這種世界狀態時，什麼樣的 Agent 組合、記憶切片、模型、驗證與權限配置最有效。 --- # 參考資料與公開技術資料 1. Chen, G., Dong, S., Shu, Y., Zhang, G., Sesay, J., Karlsson, B. F., Fu, J., & Shi, Y. (2023). **AutoAgents: A Framework for Automatic Agent Generation.** https://arxiv.org/abs/2309.17288 2. Fourney, A. et al. (2024). **Magentic-One: A Generalist Multi-Agent System for Solving Complex Tasks.** https://arxiv.org/abs/2411.04468 3. Microsoft Research (2024). **Magentic-One: A Generalist Multi-Agent System for Solving Complex Tasks.** https://www.microsoft.com/en-us/research/articles/magentic-one-a-generalist-multi-agent-system-for-solving-complex-tasks/ 4. Zhang, M., Kim, J., Xiang, S., Gao, J., & Cao, C. (2026). **Dynamic Role Assignment for Multi-Agent Debate.** https://arxiv.org/abs/2601.17152 5. Costa, I. (2026). **AgentSpawn: Adaptive Multi-Agent Collaboration Through Dynamic Spawning for Long-Horizon Code Generation.** https://arxiv.org/abs/2602.07072 6. Amazon Web Services (2026). **Use multi-agent collaboration with Amazon Bedrock Agents.** https://docs.aws.amazon.com/bedrock/latest/userguide/agents-multi-agent-collaboration.html 7. Amazon Web Services (2026). **Create multi-agent collaboration.** https://docs.aws.amazon.com/bedrock/latest/userguide/create-multi-agent-collaboration.html 8. Microsoft Learn (2026). **Workflow orchestrations in Agent Framework.** https://learn.microsoft.com/en-us/agent-framework/workflows/orchestrations/ 9. Microsoft Learn (2026). **Semantic Kernel Agent Orchestration.** https://learn.microsoft.com/en-us/semantic-kernel/frameworks/agent/agent-orchestration/ 10. Yee, B., & Sharma, K. (2026). **Molt Dynamics: Emergent Social Phenomena in Autonomous AI Agent Populations.** https://arxiv.org/abs/2603.03555 11. Liang, R. et al. (2025). **Tipping the Dominos: Topology-Aware Multi-Hop Attacks on LLM-Based Multi-Agent Systems.** https://arxiv.org/abs/2512.04129 --- # 內部理論依賴 1. 01《AI 不是流程中的一個節點》 2. 02《母 AI、世界狀態機與子智能網路》 3. 03《會改變拓撲的智能：動態圖論認知系統》 4. 04《母 AI 是二階控制器》 5. 05《持續世界狀態：母 AI 如何一直醒著》 6. 《從路徑覆蓋到行星智能：記憶編譯型計算存在論》 本篇將前五篇的 Persistent Mother Runtime、Meta-Control 與 Dynamic Cognitive Graph 具體化為 Sub-AI Fabric 的 Agent lifecycle；下一篇則會把這些 instance 的歷史經驗向上編譯成 Mother AI 可重用的認知結構。 --- ## 一句話摘要 $$ \boxed{ \text{Mother AI 不需要永遠擁有所有能力；它需要知道如何在需要時長出、組合、替換、保存與回收能力。} } $$