# 共享對話與共享世界 ## 兩種 Multi-Agent 協作拓撲：從共同 Thread 到獨立認知空間與持久共享世界 **English Title:** *Shared Conversation and Shared World: Two Collaboration Topologies for Multi-Agent Systems* **系列：**《跨對話智能協作與共享認知空間》第一篇 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **性質：** 公開理論論文／Agent 系統架構論 **版本：** v0.1 **日期：** 2026-08-08 --- ## 摘要 目前多智能體系統通常被籠統描述為「多個 Agent 一起工作」，但這種說法掩蓋了一個重要的架構差異： 多個 Agent 究竟是**共享同一個對話上下文**，還是**各自保有獨立認知工作空間，只共享一個持久外部世界**？ 本文提出兩種基本協作拓撲： $$ \boxed{ \text{Shared-Conversation Multi-Agent} } $$ 與： $$ \boxed{ \text{Shared-World Multi-Agent} } $$ 前者使多個 Agent 共同存在於一個 conversation／thread 中，透過同一條對話歷史、共同上下文與即時訊息進行協作；後者則允許每個 Agent 維持自己的 local context、memory、task state 與 reasoning history，只透過一個持久共享層交換訊息、事件、任務、狀態、產物與時間參照。 本文主張： $$ \boxed{ \text{Shared Conversation} \neq \text{Shared World} } $$ 而且兩者並非競爭性的替代方案，而是具有不同資訊耦合程度、故障隔離能力、上下文成本、認知獨立性與協作延遲的兩種基本 primitive。 在此基礎上，本文進一步提出： $$ \boxed{ \text{Local Cognitive Space} + \text{Persistent Shared World} + \text{Optional Shared Room} } $$ 作為未來長期 Multi-Agent Runtime 的三層架構。 其核心思想是： > **智能體不需要共享整個認知內部，才能共享同一個工作世界。** 最後，本文提出 Context Coupling、Shared-State Coverage、Cognitive Independence、Coordination Latency 與 Failure Propagation 等可操作指標，為後續研究動態 Agent 協作拓撲、跨對話持續性與 Persistent Multi-Agent Workspace 建立形式基礎。 --- ## 關鍵詞 Multi-Agent Systems、Agent Collaboration、Shared Workspace、Shared World、Conversation Topology、Persistent Agents、Cross-Conversation、Shared State、Agent Memory、Context Isolation、Agent Runtime --- # 一、問題：所謂「多 Agent 一起工作」其實至少是兩件不同的事 2026 年的 Agent 系統已經開始從單一 chatbot 模式轉向： $$ A_1,A_2,\ldots,A_n $$ 共同完成任務。 但「共同完成任務」至少可能表示兩種非常不同的情形。 第一種： ```text Shared Conversation │ ┌──────────────┼──────────────┐ │ │ │ Agent A Agent B Agent C ``` 三個 Agent 共同讀取同一條 thread。 第二種： ```text Agent A Agent B Agent C │ │ │ Local Context Local Context Local Context │ │ │ └──────────── Shared World ─────────┘ ``` 三者並沒有共同的完整 conversation context。 它們只共享： - 公共訊息； - 任務； - 世界狀態； - 事件； - 文件； - artifacts； - 時間序列； - provenance。 這兩者表面上都可以呈現： > 「三個 AI 正在討論。」 但其資訊結構並不相同。 因此首先需要： $$ \boxed{ \text{Multi-Agent Collaboration} \not\Rightarrow \text{Shared Conversation} } $$ --- # 二、第一種拓撲：Shared-Conversation Multi-Agent 本文將第一種模式稱為： ## Shared-Conversation Multi-Agent，SCMA 令： $$ C_t $$ 表示時間 $t$ 的共享 conversation。 共有： $$ A_1,A_2,\ldots,A_n $$ 個 Agent。 則其基本形式為： $$ \boxed{ A_i \leftrightarrow C_t \leftrightarrow A_j } $$ 對所有參與者而言，主要協作媒介都是： $$ C_t $$ 。 換言之： $$ Context_i(t) \supseteq C_t $$ 而通常： $$ C_t $$ 構成每個 Agent 當前認知條件的重要部分。 --- ## 2.1 典型形式 例如： ```text Human: 請三個 Agent 分析這個問題。 Agent A: 我認為 X。 Agent B: 我不同意 A，理由是 Y。 Agent C: A 與 B 的差異在於 Z。 ``` 所有訊息都在同一個 thread。 這種模式非常自然。 公開系統目前已經明確出現這種設計。例如 OpenAgents Workspace 把 workspace 定義為 Agent pool 的容器，而每個 thread 則是一個由指定 Agent 子集參與的 conversation；group thread 中還可以指定 master agent，再由其 `@mention` 其他 Agent。 --- # 三、SCMA 的主要優點 SCMA 最大的優勢是： $$ \boxed{ \text{Communication Friction}\downarrow } $$ 因為所有參與者都直接看到共同 thread。 不需要： - 額外 retrieval； - 狀態投影； - message routing； - shared-state reconstruction。 因此： $$ Latency_{coordination} $$ 通常較低。 此外，人類也容易理解。 它很接近： > 把所有人叫進同一間會議室。 --- ## 3.1 公共語境天然一致 在理想情況： $$ C_A=C_B=C_C=C $$ 因此 Agent A 說： > 「剛才第二個方案。」 B 不需要額外查詢共享狀態，就能知道「第二個方案」是什麼。 這使： $$ ReferenceResolution $$ 變得非常容易。 --- ## 3.2 即時討論非常自然 共享 conversation 特別適合： - brainstorming； - rapid review； - 即時辯論； - 共同編輯； - 短期小組決策。 因此它是一種： $$ \boxed{ High-Coupling Collaboration } $$ 。 --- # 四、SCMA 的限制：共同語境也是共同耦合 同一個優點，也構成它最大的限制。 假設 thread 中總共有 $n$ 個 Agent。 各 Agent 持續生成內容： $$ m_i(t) $$ 則共享 conversation 的大小近似： $$ |C_t| \sim \sum_{i=1}^{n} m_i(t). $$ 當 Agent 數量與工作時間增加： $$ |C_t| \uparrow $$ 。 所有 Agent 都可能反覆承受這個共同歷史。 --- ## 4.1 Context coupling 定義 Agent $i,j$ 的上下文耦合： $$ \boxed{ \kappa_{ij} = \frac{ |Context_i\cap Context_j| }{ |Context_i\cup Context_j| } } $$ 。 SCMA 通常具有： $$ \kappa_{ij}\rightarrow1 $$ 的傾向。 這代表協調容易，但同時表示： $$ CognitiveIndependence\downarrow $$ 。 --- # 五、認知錨定問題 假設： $$ A_1 $$ 先提出強烈答案 $X$。 而： $$ A_2 $$ 原本如果獨立求解，可能得到 $Y$。 但在 SCMA 中： $$ A_2 $$ 首先讀到： $$ X $$ 。 因此實際推理變成： $$ P(Y\mid Problem,X) $$ 而不是： $$ P(Y\mid Problem). $$ 所以： $$ \boxed{ SharedContext \rightarrow CrossAgentAnchoring } $$ 是合理風險。 這不代表共享 conversation 一定導致錯誤。 但對某些任務，例如： - blind review； - red teaming； - independent replication； - 多路證明搜尋； - 預測集合； - 對抗式推理； 過高的： $$ \kappa $$ 反而可能降低系統價值。 --- # 六、第二種拓撲：Shared-World Multi-Agent 本文提出第二個基本形式： ## Shared-World Multi-Agent，SWMA 其中每一個 Agent： $$ A_i $$ 都有自己的局部認知空間： $$ L_i $$ 。 例如： $$ L_i= ( Context_i, Memory_i, TaskState_i, Goal_i, History_i ) $$ 。 但所有 Agent 共同連接： $$ W $$ ——Persistent Shared World。 因此： $$ \boxed{ L_i \leftrightarrow W \leftrightarrow L_j } $$ 。 注意： $$ L_i\neq L_j $$ 但： $$ W_i=W_j=W $$ 。 --- # 七、Shared World 是什麼？ 這裡的「World」不是物理宇宙。 它是工程上的共享事件—狀態空間： $$ \boxed{ W= ( M,E,S,T,A,P ) } $$ 其中： - $M$：Messages； - $E$：Events； - $S$：Shared State； - $T$：Tasks / Temporal references； - $A$：Artifacts； - $P$：Provenance。 因此「共享時空」若作工程比喻，可以理解成： $$ \boxed{ \text{Shared State Space} + \text{Shared Event Order} } $$ 而不是物理學中的 spacetime。 --- # 八、SWMA 最關鍵的不同：Agent 不需要知道整個共享世界 即使： $$ |W| $$ 極大，Agent $i$ 也不需要： $$ Context_i=W. $$ 它只需要取得： $$ \boxed{ \pi_i(W,Q_i) } $$ 其中： $$ \pi_i $$ 是一個 projection／retrieval operator。 所以： $$ Context_i = L_i + \pi_i(W,Q_i). $$ 這與： $$ Context_i=C_{shared} $$ 有本質差異。 --- # 九、共享世界不是共享腦袋 這帶出本文最核心的命題之一： $$ \boxed{ SharedWorld \not\Rightarrow SharedCognition } $$ 。 Agent A 可以知道： > Agent B 已提交 artifact $X$。 但不需要知道： > Agent B 為產生 $X$ 所經歷的全部 context 與局部工作史。 因此： $$ \boxed{ \text{Result Sharing} \neq \text{Cognitive-State Sharing} } $$ 。 --- # 十、這其實更接近很多現實組織 一個工程團隊的工程師不會把自己的全部腦內活動同步給其他人。 他們共同使用的是： - Git； - Issue tracker； - 文件； - Slack； - database； - project state。 也就是： $$ Human_i + LocalCognition_i + SharedWorld. $$ Agent 系統也可能自然演化成： $$ Agent_i + LocalCognition_i + SharedWorld. $$ 這不代表 Agent 必須模仿人類社會。 更可能只是： > **對有限而彼此獨立的工作單元而言，局部狀態加共享外部狀態是一種高效的資訊架構。** --- # 十一、目前公開技術已經出現這種方向的部分構件 公開 Agent infrastructure 已經逐漸把「conversation」與「persistent state」分離。 例如 Microsoft Agent Framework 的工作流文件指出，workflow 中每個 Agent 預設可擁有自己的 thread，而 Agent threads 又能跨 workflow runs 持久保存。 LangGraph 的 checkpoint architecture 同樣把 thread 定義為一系列持久 checkpoint；不同 thread 可以維持不同狀態，而 `thread_id` 是恢復與持久化的主要索引。 Google 對 A2A 的公開定位則強調，Agent 不應只是 stateless tools，而需要能以共同語言合作、協調與 handoff。 這些技術並不等於本文的完整 SWMA 模型。 但它們表明： $$ \boxed{ AgentIdentity, Conversation, State, Execution } $$ 正在逐步解耦。 --- # 十二、SCMA 與 SWMA 的真正差異不是 UI 一個 SWMA 系統完全可以做成看起來像聊天室。 反過來，一個 SCMA 也可以做成複雜 dashboard。 所以： $$ \boxed{ Topology\neq UI } $$ 。 真正差異是： > **Agent 在產生下一步行動前，到底共享的是同一份認知歷史，還是只共享一個外部公共世界？** --- # 十三、形式化比較 對 SCMA： $$ Context_i(t) = C_t+L_i^{small}. $$ 因此： $$ Context_i\cap Context_j $$ 通常很大。 對 SWMA： $$ Context_i(t) = L_i(t) + \pi_i(W_t). $$ 所以可能： $$ Context_i\cap Context_j \ll Context_i\cup Context_j. $$ 但同時： $$ Access_i(W) \approx Access_j(W) $$ 在權限允許範圍內成立。 因此： $$ \boxed{ ContextCoupling \neq WorldCoupling } $$ 。 這是一個非常重要的區分。 --- # 十四、Shared-State Coverage 定義 Agent $i$ 對共享世界的有效可達率： $$ \boxed{ \sigma_i = \frac{ |W_i^{reachable}| }{ |W^{authorized}| } } $$ 。 SCMA 可以具有： $$ \kappa\approx1 $$ 但未必有巨大： $$ \sigma $$ 。 反過來 SWMA 可以： $$ \kappa\ll1 $$ 但： $$ \sigma\approx1. $$ 也就是： > Agent 的腦內上下文彼此非常不同，但它們都能按需查到同一個公共世界。 --- # 十五、Cognitive Independence 可把簡化的認知獨立度定義成： $$ \boxed{ I_{ij}=1-\kappa_{ij}. } $$ 則： ### Shared Conversation $$ I_{ij}\downarrow $$ 。 ### Shared World $$ I_{ij}\uparrow $$ 。 因此不同 topology 適合不同任務。 --- # 十六、不是所有工作都應該最大獨立 過高： $$ I $$ 也會有代價。 例如： $$ A $$ 剛剛解決一個關鍵問題， 但： $$ B,C $$ 因為沒有讀取共享結果，又重複做兩次。 因此： $$ I\uparrow $$ 可能導致： $$ DuplicateWork\uparrow. $$ 所以真正目標不是： $$ \max I $$ 。 而是： $$ \boxed{ \text{Optimal Cognitive Coupling} } $$ 。 --- # 十七、Shared World 的主要優勢之一：局部工作記憶可以保持有限 假設整個共享世界： $$ |W_t|\rightarrow large. $$ 每個 Agent 仍然只需： $$ |\pi_i(W_t)|\le B_i $$ 其中： $$ B_i $$ 是 Agent 的 active-context budget。 因此： $$ \boxed{ |W_t|\uparrow \not\Rightarrow |Context_i|\uparrow } $$ 。 這對長期 Agent 特別重要。 --- # 十八、長期工作與「對話肥大」 若所有工作都存在： $$ C_{shared} $$ 中， 時間越長： $$ |C_{shared}|\uparrow. $$ 最後只能： - truncate； - summarize； - compact； - retrieve； - archive。 一旦如此，shared conversation 本身就開始逐漸變成： $$ SharedWorld + Projection. $$ 也就是： > **超長對話發展到最後，往往會被迫重新發明某種外部記憶與狀態層。** --- # 十九、Persistent Shared World 的另一個優勢：conversation 可以死亡 假設 Agent A 的目前 session： $$ C_A^{(1)} $$ 結束。 稍後產生： $$ C_A^{(2)}. $$ 只要： $$ W $$ 仍然存在， 則： $$ C_A^{(1)} \rightarrow W \rightarrow C_A^{(2)}. $$ 因此： $$ \boxed{ ConversationEnd \neq CollaborationEnd. } $$ 。 --- # 二十、這也是「跨對話」真正重要的地方 跨對話不是： > 把聊天記錄從 A 複製到 B。 更一般的形式是： $$ \boxed{ C_i \rightarrow W \rightarrow C_j. } $$ 所以： $$ Conversation $$ 變成 temporary view。 而： $$ W $$ 才是 collaboration continuity carrier。 --- # 二十一、離散執行也能形成連續協作 Agent 不需要： $$ Run(t)=1,\quad\forall t. $$ 它完全可以： $$ Run \rightarrow Sleep \rightarrow Wake \rightarrow Run. $$ 只要共享狀態持續存在。 因此： $$ \boxed{ ContinuousCollaboration \not\Rightarrow ContinuousInference. } $$ 這將是本系列第二篇的主要問題。 --- # 二十二、SWMA 並不是免費午餐 Shared world 最大的問題是： $$ \boxed{ StateConsistency } $$ 。 當： $$ A_1,A_2,\ldots,A_n $$ 同時讀寫： $$ W $$ 時，就會出現典型分散式系統問題： - race condition； - stale read； - duplicate update； - conflicting writes； - version mismatch； - causal-order ambiguity。 這已經不是純理論風險。 2026 年的 STORM 工作就是針對多 Agent 同時操作 shared workspace 時的一致視圖與寫入衝突提出 state-oriented management。 S-Bus 更直接研究多 Agent 共享可變 natural-language state 時的 structural race conditions，並提出 read-set reconstruction 與部分因果一致性機制。 --- # 二十三、共享世界必須是「有治理的世界」 因此不能只做： ```text shared_memory.json ``` 然後讓所有 Agent 任意修改。 至少需要： $$ W= ( State, Version, EventLog, Authority, Provenance, ConflictPolicy ) $$ 。 寫入應具有： $$ write= ( actor, source, version, causation, authority ) $$ 。 否則 Agent A 的推論可能被 Agent B 誤認為： > 使用者明確確認的事實。 --- # 二十四、Shared World 中的 shared memory 也不能等於 collective truth 必須區分： $$ Claim $$ $$ Hypothesis $$ $$ Observation $$ $$ Decision $$ $$ VerifiedFact $$ 。 因此： $$ \boxed{ Shared \neq True. } $$ 共享只代表： > 它進入共同可達資訊空間。 --- # 二十五、Failure Propagation 令： $$ F_i $$ 表示 Agent $i$ 產生錯誤。 在高度共享 conversation： $$ F_i \rightarrow C \rightarrow A_j $$ 錯誤可能透過共同上下文快速傳播。 在 shared-world 架構： $$ F_i \rightarrow Candidate(W) $$ 還可以經過： $$ Verify \rightarrow Promote $$ 才成為穩定共享知識。 因此可定義： $$ \boxed{ P_{ij}^{failure} = P( F_j \mid F_i ) } $$ 。 理想的 Shared World 不追求： $$ P_{ij}^{failure}=0 $$ 而是降低無驗證的錯誤級聯。 --- # 二十六、Artifact 比聊天內容更重要的情況 在長期工程中， Agent A 可能花一小時產生： ```text architecture.md ``` Agent B 真正需要的可能只是： $$ Artifact_A $$ 而不是： $$ Conversation_A^{1h}. $$ 因此： $$ \boxed{ ArtifactTransfer \ll ContextTransfer } $$ 在資訊量上往往成立。 近期的 Agent Team Work Zone 工作也從長期 coding team 的角度指出，Agent process 停止、compaction 與工作狀態遺失會造成 persistent-team 問題，因此把每個 Agent 的重要工作狀態保存到持久 workspace，並允許 Agent 互相傳文件。 --- # 二十七、這帶出一個新的協作原則 $$ \boxed{ \text{共享成果， 而非預設共享全部認知歷史。} } $$ 這不是資訊封閉。 而是： $$ \boxed{ Selective Cognitive Disclosure } $$ 。 --- # 二十八、第三種形式其實會自然出現：Hybrid SCMA 與 SWMA 不必二選一。 可以存在： $$ \boxed{ HybridMultiAgent } $$ ： ```text Persistent Shared World │ ┌──────────────┼──────────────┐ │ │ │ Agent A Agent B Agent C │ │ │ Local A Local B Local C │ │ │ └──────── Shared Room ────────┘ when needed ``` --- # 二十九、Shared Room 令： $$ R_k $$ 表示暫時共享 conversation。 則： $$ R_k \subset W $$ 或者更準確： $$ R_k \leftrightarrow W. $$ Agent 平時保持獨立： $$ A\parallel B\parallel C. $$ 需要高速協調時： $$ Join(A,B,C,R_k). $$ 討論完成： $$ R_k \rightarrow Decision/Artifact \rightarrow W. $$ 然後： $$ Exit(R_k). $$ --- # 三十、一個很簡單的現實類比 Shared World 相當於： > 公司。 Shared Room 相當於： > 會議室。 Agent 的 local context： > 個人工作桌。 所以： $$ \boxed{ \text{會議結束} \neq \text{公司消失}. } $$ 同理： $$ \boxed{ ConversationEnd \neq WorkspaceEnd. } $$ --- # 三十一、三個基本協作算子 從兩種 topology，可以抽出三個操作。 ## 31.1 Isolate $$ \mathcal I(A_i) $$ 讓 Agent 保持局部認知獨立。 --- ## 31.2 Share $$ \mathcal S(A_i,W,x) $$ 把： $$ x $$ 發布到 shared world。 --- ## 31.3 Join $$ \mathcal J(A_1,\ldots,A_k) $$ 建立短期共同 conversation。 因此： $$ \boxed{ \{\mathcal I,\mathcal S,\mathcal J\} } $$ 可能構成 Multi-Agent Collaboration 的三個基礎 primitive。 完整動態 topology 將於本系列第四篇處理。 --- # 三十二、不同 topology 適合不同工作 ### Shared Conversation 適合： - 即時討論； - brainstorm； - 快速 review； - 共同決策； - 短期合作。 ### Shared World 適合： - 長期研究； - 多工作流並行； - blind review； - independent reasoning； - asynchronous agents； - cross-session collaboration； - persistent project state。 ### Hybrid 適合： $$ \boxed{ \text{大多數真正長期的 Agent 組織。} } $$ --- # 三十三、四個值得測量的基本變數 除了： $$ \kappa $$ Context Coupling， 本文提出至少另外四項。 --- ## 33.1 Shared-State Coverage $$ \sigma $$ Agent 可有效取得多少共享世界。 --- ## 33.2 Cognitive Independence $$ I $$ Agent 局部推理相互獨立的程度。 --- ## 33.3 Coordination Latency $$ L_c $$ 從一個 Agent 發現資訊，到另一個需要該資訊的 Agent 有效取得它所需時間。 --- ## 33.4 Failure Propagation $$ P_f $$ 一個 Agent 錯誤導致其他 Agent 繼承錯誤的概率。 --- # 三十四、因此 Multi-Agent topology 是一個多目標最佳化問題 不存在單一： $$ Topology^* $$ 適合所有任務。 更合理的是： $$ \boxed{ T^* = \arg\max_T U( Coordination, Independence, Cost, Latency, Reliability, Recoverability ) } $$ 。 這意味著： > 未來高階 Agent Runtime 可能不只選擇「哪個 Agent 做任務」，還要選擇「Agent 應該以什麼關係工作」。 --- # 三十五、對「共享時空」概念的嚴格限制 本文使用「共享世界」或「共享時空」時，不主張任何物理學含義。 其最低工程定義是： $$ \boxed{ SharedWorld = SharedState + SharedEventStructure } $$ 如果再加入共同時間參照： $$ \boxed{ SharedCognitiveSpacetime = StateSpace + EventOrder + TemporalReference } $$ 。 這只是分散式 Agent 協作的形式語言。 --- # 三十六、時間順序與因果順序也必須分離 設： $$ e_1,e_2 $$ 兩事件。 時間戳可能滿足： $$ t(e_1) 所有 Agent 共享全部內在狀態。 那反而會破壞模組化與隔離性。 --- # 四十二、從分散式系統看，這並不是完全陌生的東西 從計算機科學角度看，SWMA 與許多既有概念有親緣： - blackboard architecture； - tuple space； - actor systems； - event sourcing； - shared databases； - distributed logs； - pub/sub； - message bus。 真正新的問題不一定是「共享狀態」本身。 而是： $$ \boxed{ \text{具有生成、推理、記憶與自主決策能力的 Agent， 如何在其中持續存在。} } $$ 。 --- # 四十三、這會產生傳統分散式系統沒有完全處理的新問題 例如： ### 語義衝突 兩個 Agent 寫的不是： ```text x = 5 x = 6 ``` 而是： > 「方案 A 已經失敗。」 與： > 「方案 A 仍然值得繼續。」 這不是 byte-level conflict。 而是： $$ \boxed{ SemanticConflict. } $$ --- # 四十四、自然語言 shared state 的困難 傳統 database 可以： $$ Lock(row). $$ 但： > 「這項研究基本完成。」 到底能不能 lock？ Agent 可能： - 語義不同； - 信心不同； - 時間點不同； - 證據不同。 因此未來 shared world 需要： $$ \boxed{ TypedEpistemicState. } $$ 例如： ```yaml claim: content: status: hypothesis confidence: source: valid_at: supersedes: ``` 。 --- # 四十五、共享世界不是為了讓所有 Agent 變得一樣 恰恰相反。 它最大的價值可能就是允許： $$ \boxed{ Difference + Coordination. } $$ 。 如果所有 Agent 最後都讀一樣的 context、持有一樣的 memory、得到一樣的 state： $$ A_1\approx A_2\approx A_3, $$ 那麼增加 Agent 數量的價值可能迅速下降。 --- # 四十六、真正有價值的是「可協作的差異」 $$ \boxed{ UsefulMultiAgent = Diversity \times Coordination. } $$ 若： $$ Diversity=0 $$ 只是重複。 若： $$ Coordination=0 $$ 只是彼此無關。 因此： $$ Diversity>0 $$ 且： $$ Coordination>0 $$ 才產生真正多智能體價值。 --- # 四十七、這也是為什麼兩種 topology 都不應消失 SCMA 最大化： $$ Coordination. $$ SWMA 更容易保留： $$ Diversity. $$ Hybrid 則試圖動態平衡： $$ \boxed{ Diversity \leftrightarrow Coordination. } $$ 。 --- # 四十八、假說一：任務時間越長，Shared World 的價值越高 提出： ## H1 — Temporal Persistence Hypothesis 隨任務持續時間： $$ T\uparrow $$ 如果 conversation history 不斷成長， 則： $$ Utility(SWMA)-Utility(SCMA) $$ 平均會增加。 原因包括： - context cost； - compaction loss； - restart； - artifact accumulation； - task branching。 這可以實驗檢驗。 --- # 四十九、假說二：獨立驗證任務偏好較低 Context Coupling ## H2 — Independent Verification Hypothesis 對需要： - 多路獨立證明； - blind review； - adversarial evaluation； 的任務， 存在： $$ \kappa^*<1 $$ 使： $$ Accuracy(\kappa^*) > Accuracy(\kappa=1). $$ 也就是： > 完全共享所有先前答案不一定是最佳多 Agent 策略。 --- # 五十、假說三：協作拓撲應當可動態切換 ## H3 — Adaptive Topology Hypothesis 對複合長期任務： $$ T=T_1+T_2+\cdots+T_m $$ 最優 topology 可能隨子任務改變： $$ Topology_t = f(Task_t,Conflict_t,Uncertainty_t,Cost_t). $$ 因此： $$ \boxed{ StaticTopology < AdaptiveTopology } $$ 在適當 benchmark 上應可被驗證。 --- # 五十一、最小 Benchmark 可以設計三組系統。 ### Baseline A — Single Shared Thread $$ SCMA. $$ ### Baseline B — Independent Agents Only $$ A_1\parallel A_2\parallel A_3 $$ 但沒有 persistent shared world。 ### System C — Shared World $$ SWMA. $$ ### System D — Hybrid $$ SWMA+TemporarySharedRoom. $$ --- # 五十二、測量項目 至少包括： $$ Q=\text{task quality} $$ $$ C=\text{token/compute cost} $$ $$ L=\text{latency} $$ $$ D=\text{duplicate work} $$ $$ F=\text{failure propagation} $$ $$ R=\text{restart recoverability} $$ $$ I=\text{independent solution diversity}. $$ --- # 五十三、本文不主張什麼 本文不主張： 1. Shared World 一定優於 Shared Conversation； 2. 多 Agent 一定優於單 Agent； 3. Agent 必須模仿人類組織； 4. 所有 Agent 必須具有 private memory； 5. 共享世界等同共享意識； 6. conversation 將會消失； 7. shared state 能自動解決語義一致性。 本文只主張： $$ \boxed{ \text{SharedConversation 與 SharedWorld 是兩種不同的協作拓撲。} } $$ 以及： $$ \boxed{ \text{它們具有可區分、可測量、可組合的工程性質。} } $$ --- # 五十四、從 2026 年公開狀態看，兩條路線正在靠近 目前可以看到一些明顯趨勢。 OpenAgents 已經把 workspace 與 conversation thread 明確分開：workspace 是 Agent pool 的容器，而 thread 是實際 conversation。 Microsoft Agent Framework 已允許工作流中的 Agent 各自擁有 persistent thread。 LangGraph 把 persistent state、checkpoint 與 thread identity 正式變成 runtime primitive。 而 STORM、S-Bus、ATWZ 等近期研究則分別開始處理： - shared workspace state consistency； - concurrent Agent conflicts； - long-lived Agent team state persistence。 這表示真正的問題已經逐漸從： > 「Agent 能不能彼此呼叫？」 轉向： > **「多個長期存在、彼此有獨立狀態的 Agent，應該共享多少認知，又應該共享多少世界？」** --- # 五十五、最終三層架構 本文最後提出： $$ \boxed{ \text{Private Cognitive Space} } $$ $$ + $$ $$ \boxed{ \text{Persistent Shared World} } $$ $$ + $$ $$ \boxed{ \text{Ephemeral Shared Conversation} } $$ 。 即： $$ \boxed{ PC + SW + SC. } $$ 三者分別負責： ### Private Cognitive Space 保持： - 專注； - 獨立推理； - local memory； - failure isolation。 ### Persistent Shared World 保持： - task continuity； - artifact continuity； - event history； - shared state； - provenance。 ### Ephemeral Shared Conversation 處理： - 高速協調； - 爭議； - brainstorming； - 共同決策。 --- # 五十六、核心結論 Multi-Agent 系統長期以來容易把： $$ \text{多個 Agent} $$ 與： $$ \text{同一個對話} $$ 綁在一起。 但兩者沒有邏輯上的必然關係。 更一般的形式是： $$ \boxed{ \{A_1,\ldots,A_n\} + \{L_1,\ldots,L_n\} + W. } $$ 其中： $$ L_i $$ 彼此保持差異， 而： $$ W $$ 提供共同現實。 因此： $$ \boxed{ \text{Multi-Agent Collaboration} = \text{Local Cognition} + \text{Selective Sharing} + \text{Common World}. } $$ --- # 五十七、最後命題 本文可以壓縮為一句： $$ \boxed{ \text{智能體不需要活在同一個對話裡， 才能活在同一個工作世界裡。} } $$ 甚至更進一步： $$ \boxed{ \text{共享認知不是協作的前提； 共享一個可持續、可追溯、可操作的世界就可能足夠。} } $$ 因此，未來 Multi-Agent Runtime 真正需要解決的，不只是： > 「誰回答下一句？」 而是： $$ \boxed{ \text{此刻應共享多少認知、多少狀態， 以及採用哪一種協作拓撲？} } $$ 這也構成下一篇的入口。 --- # 下一篇 ## 《離散執行，連續協作》 ### 跨對話 Agent 的持續性、喚醒、交接與非連續推理 下一篇將正式處理： $$ \boxed{ ContinuousCollaboration \not\Rightarrow ContinuousInference } $$ 並分析： $$ Run \rightarrow Sleep \rightarrow Wake \rightarrow Handoff \rightarrow Resume $$ 為什麼仍然可以在觀察層形成一個持續存在的 Agent 協作過程。 --- ## 參考資料 OpenAgents. *What is OpenAgents Workspace?* Updated July 27, 2026. OpenAgents. *OpenAgents Overview — The Collaboration OS for AI Agents.* Updated July 27, 2026. Google Developers Blog. *How A2A is Building a World of Collaborative Agents.* June 18, 2026. Microsoft Learn. *Microsoft Agent Framework Workflows — State.* 2026. LangChain. *LangGraph Checkpointing Reference.* 2026. Liu, M. et al. *Multi-agent Collaboration with State Management (STORM).* arXiv:2605.20563, 2026. Khan, S. *S-Bus: Automatic Read-Set Reconstruction for Multi-Agent LLM State Coordination.* arXiv:2605.17076, 2026. Wang, S. *Agent Team Work Zone: An Automated, Persistent Workspace for Long-Lived Coding Agent Teams.* arXiv:2607.22917, 2026.