# 03｜關係狀態、共享歷史與溝通壓縮：為什麼一個眼神也可能成為完整指令

**系列：**《適應關係智能與人類社會隱知顯化》  
**英文系列名：** *Adaptive Relational Intelligence and Tacit-Knowledge Externalization*  
**篇次：** 03  
**狀態：** Working Paper  
**日期：** 2026-09-19

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  
**版本：** 原稿未標註（本次整理版）  

---

## 摘要

人類高效協作經常建立在極低資訊量的表面訊號之上。一句「照之前的」、一個眼神、一個停頓，甚至一個未完成的句子，都可能在高度熟悉的關係中觸發複雜而準確的行動。若只從訊號本身分析，這些交流似乎資訊不足；但若將共享歷史、角色關係、組織情境、先前決策與信任狀態視為長期累積的外部狀態，則這類現象可以被理解為「共享狀態引用」。

本篇提出：關係不是純粹社交背景，而是一種可降低顯式符號傳輸成本的狀態結構。當兩個或多個智能體累積足夠共享歷史後，新的訊息不必重新攜帶全部任務資訊，而只需指向既有狀態。這使關係耦合具有近似「通訊壓縮」的功能。

本文進一步區分「共享歷史」、「共享狀態」、「共享理解」與「共享意圖」，並指出它們並不等價。高耦合關係雖可顯著降低協作成本，也會產生過時模型、錯誤默契、局部文化鎖定與關係內偏誤。真正成熟的適應關係智能，因此不只是擁有更多記憶，而是能夠將記憶組織成可引用、可更新、可失效的關係狀態。

---

## 1. 從「訊息不足」到「共享狀態引用」

假設某人只說：

> 那個先處理一下。

若沒有任何上下文，訊息幾乎不可解。

但在長期合作中，接收者可能立即知道：

- 「那個」指的是哪一份文件；
- 「先」代表優先級提高；
- 「處理」不是只打開，而是修正、整理並回報；
- 哪些部分可以自行決定；
- 哪些部分不能動。

這說明表面訊息：

$$
M_t
$$

並不是完整意義來源。

真正參與解碼的是：

$$
S_t^{\mathrm{shared}}
$$

即共享狀態。

因此：

$$
\hat{G}_t
=
D(M_t,S_t^{\mathrm{shared}})
$$

其中：

$$
\hat{G}_t
$$

為接收者重建的目標。

---

## 2. 關係狀態不是單純記憶

可將關係狀態記為：

$$
R_{ij}(t)
$$

表示主體 $$i$$ 與主體 $$j$$ 在時間 $$t$$ 的關係狀態。

它可能包含：

$$
R_{ij}(t)
=
\{
H_{ij},
P_{ij},
B_{ij},
T_{ij},
A_{ij},
N_{ij}
\}
$$

其中：

- $$H_{ij}$$：互動歷史；
- $$P_{ij}$$：偏好與習慣模型；
- $$B_{ij}$$：邊界與禁止事項；
- $$T_{ij}$$：信任狀態；
- $$A_{ij}$$：授權與自主程度；
- $$N_{ij}$$：共享規範與默契。

因此：

$$
R_{ij}(t)
\neq
H_{ij}
$$

歷史只是關係狀態的來源之一。

---

## 3. 共享歷史、共享狀態、共享理解並不等價

本篇區分：

$$
H_{\mathrm{shared}}
$$

$$
S_{\mathrm{shared}}
$$

$$
U_{\mathrm{shared}}
$$

$$
G_{\mathrm{shared}}
$$

分別表示：

- 共享歷史；
- 共享狀態；
- 共享理解；
- 共享目標。

它們之間沒有必然等價：

$$
H_{\mathrm{shared}}
\not\Rightarrow
U_{\mathrm{shared}}
$$

兩人可以共同經歷同一件事，卻形成完全不同理解。

同樣：

$$
U_{\mathrm{shared}}
\not\Rightarrow
G_{\mathrm{shared}}
$$

兩人可以理解彼此，但目標仍不同。

因此：

$$
\boxed{
\text{shared exposure}
\neq
\text{shared interpretation}
\neq
\text{shared intent}
}
$$

---

## 4. 關係耦合作為溝通壓縮

若沒有共享狀態，完整任務需要傳輸：

$$
I_{\mathrm{full}}
$$

的資訊量。

在高耦合關係中，新訊息可能只需：

$$
I_{\mathrm{signal}}
$$

並滿足：

$$
I_{\mathrm{signal}}
\ll
I_{\mathrm{full}}
$$

缺失部分由：

$$
R_{ij}(t)
$$

補全。

因此可提出：

$$
\boxed{
\text{Relation Coupling}
\Rightarrow
\text{Communication Compression}
}
$$

壓縮比可以粗略表示為：

$$
\rho_{ij}
=
\frac{I_{\mathrm{full}}}{I_{\mathrm{signal}}}
$$

當：

$$
\rho_{ij}
$$

高時，少量訊號即可觸發大量共享狀態。

---

## 5. 一個眼神為什麼可能有效

「一個眼神」本身資訊量很低。

若記為：

$$
m_{\mathrm{eye}}
$$

則：

$$
I(m_{\mathrm{eye}})
$$

通常很小。

但如果雙方共享：

$$
K_{\mathrm{shared}}
$$

則：

$$
m_{\mathrm{eye}}
+
K_{\mathrm{shared}}
\rightarrow
A
$$

其中：

$$
A
$$

可以是一組複雜行動。

因此真正起作用的不是：

$$
m_{\mathrm{eye}}
$$

本身攜帶完整內容，而是：

$$
\boxed{
\text{signal activates shared state}
}
$$

這近似於以低成本訊號引用既有狀態。

---

## 6. 指標式溝通

可將這種現象稱為：

$$
\text{Pointer-like Communication}
$$

其結構為：

$$
p
\rightarrow
S_{\mathrm{stored}}
$$

而不是：

$$
S_{\mathrm{stored}}
\rightarrow
\text{retransmit every time}
$$

例如：

- 「照之前的」；
- 「老樣子」；
- 「那個先處理」；
- 「你懂我的意思」；
- 「就跟上次一樣，但再保守一點」。

這些語句本身不是完整規格。

它們是：

$$
\boxed{
\text{state references}
}
$$

---

## 7. 為什麼熟悉的老手顯得不可替代

假設新手與老手純技能分別為：

$$
K_N
$$

與：

$$
K_V
$$

甚至可能：

$$
K_N > K_V
$$

但老手擁有較高：

$$
R_V
$$

與：

$$
H_V
$$

因此：

$$
P(G\mid M,R,H)_V
>
P(G\mid M)_N
$$

長期協作效用便可能：

$$
U_V > U_N
$$

因此不可替代性不必只來自專業技能。

還可能來自：

$$
\boxed{
\text{Relationship State Capital}
}
$$

---

## 8. 關係狀態資本

本篇定義：

$$
C_R
$$

為關係狀態資本。

它描述某個協作者因長期參與而持有、可降低未來溝通與決策成本的狀態資產。

可以粗略寫成：

$$
C_R
=
f(
H,
T,
P,
B,
N,
E
)
$$

其中：

- $$H$$：共享歷史；
- $$T$$：信任；
- $$P$$：偏好模型；
- $$B$$：邊界知識；
- $$N$$：規範與默契；
- $$E$$：例外處理經驗。

若一名老手離職，組織失去的不只是：

$$
\text{Skill}
$$

也可能失去：

$$
C_R
$$

---

## 9. 管理層為什麼需要高關係壓縮

若管理者每次都必須完整傳達：

$$
G
+
P
+
B
+
E
+
R
+
C
$$

其中：

- $$G$$：目標；
- $$P$$：方法；
- $$B$$：邊界；
- $$E$$：例外；
- $$R$$：風險；
- $$C$$：情境；

則管理成本將快速上升。

可表示為：

$$
C_{\mathrm{management}}
=
C_{\mathrm{planning}}
+
C_{\mathrm{specification}}
+
C_{\mathrm{monitoring}}
+
C_{\mathrm{correction}}
$$

高價值協作者會吸收部分：

$$
C_{\mathrm{specification}}
$$

與：

$$
C_{\mathrm{monitoring}}
$$

因此：

$$
\boxed{
\text{Good subordinates reduce upstream cognitive load.}
}
$$

這不是要求下游盲目猜測，而是要求其具備足夠的共享狀態與邊界判斷。

---

## 10. 「那我為什麼要你？」的結構

若管理者必須產生接近完整規格：

$$
S_{\mathrm{complete}}
$$

而下游只做：

$$
\operatorname{Execute}(S_{\mathrm{complete}})
$$

則下游的價值逐漸收斂於：

$$
V_{\mathrm{execution}}
$$

一旦自動化系統也能執行：

$$
S_{\mathrm{complete}}
$$

則可替代性提高。

反之，若下游能處理：

$$
M_{\mathrm{partial}}
$$

並恢復：

$$
\hat{G}
$$

則其價值包含：

$$
V
=
V_{\mathrm{execution}}
+
V_{\mathrm{compression}}
+
V_{\mathrm{intent}}
+
V_{\mathrm{initiative}}
$$

這就是高階協作者不可替代性的主要來源之一。

---

## 11. 溝通成本的時空性

符號交流不只消耗認知，也消耗時間與空間。

設一個任務完整描述需要：

$$
L
$$

個符號。

產生、傳輸、讀取、理解與確認的總成本為：

$$
C_{\mathrm{symbol}}
=
C_{\mathrm{encode}}
+
C_{\mathrm{transmit}}
+
C_{\mathrm{decode}}
+
C_{\mathrm{confirm}}
$$

若每次協作都從零開始：

$$
C_{\mathrm{symbol}}
$$

將不斷重複。

關係狀態的價值之一，就是將部分資訊轉為：

$$
\text{persistent state}
$$

使未來只需傳輸差分：

$$
\Delta S_t
$$

因此：

$$
\boxed{
\text{Relationship enables delta communication.}
}
$$

---

## 12. 全量同步與差分同步

可將人類協作類比為兩種模式。

### 全量同步

每次重新傳送全部狀態：

$$
S_t
$$

### 差分同步

只傳：

$$
\Delta S_t
=
S_t-S_{t-1}
$$

當共享狀態穩定時：

$$
|\Delta S_t|
\ll
|S_t|
$$

因此長期合作本質上大量依賴：

$$
\boxed{
\text{delta-based coordination}
}
$$

---

## 13. 關係耦合的收益

高度關係耦合可能帶來：

### 13.1 更低規格成本

$$
C_{\mathrm{spec}}\downarrow
$$

### 13.2 更快任務啟動

$$
T_{\mathrm{start}}\downarrow
$$

### 13.3 更少誤解修正

理想情況：

$$
F_{\mathrm{correct}}\downarrow
$$

### 13.4 更高主動性

$$
A_{\mathrm{safe}}\uparrow
$$

### 13.5 更高組織吞吐量

$$
Q_{\mathrm{organization}}\uparrow
$$

因此關係不是單純情感因素，也具有直接生產力。

---

## 14. 關係耦合的風險

但高耦合並非永遠有利。

### 14.1 過時模型

$$
R_{t-1}
$$

可能不再描述：

$$
R_t
$$

### 14.2 錯誤默契

雙方都以為彼此理解，但實際上：

$$
\hat{G}_i
\neq
\hat{G}_j
$$

### 14.3 封閉文化

局部共享規則可能阻礙外部新資訊。

### 14.4 新人排斥

高壓縮內部語言可能增加：

$$
C_{\mathrm{onboarding}}
$$

### 14.5 權力不透明

「大家都知道」可能掩蓋未被明示的權力結構。

因此：

$$
\boxed{
\text{high compression can hide structural opacity}
}
$$

---

## 15. 關係狀態與隱式知識

當一個組織大量依賴：

$$
R_{ij}
$$

完成協作時，組織運作規則可能不再主要存在於文件裡。

它們存在於：

$$
\mathcal{R}
=
\{R_{ij}\}
$$

這個關係網路。

因此：

$$
K_{\mathrm{organization}}
=
K_{\mathrm{explicit}}
+
K_{\mathrm{relational}}
$$

其中：

$$
K_{\mathrm{relational}}
$$

就是分散在關係結構中的隱式知識。

---

## 16. 關係拓撲

若組織具有：

$$
n
$$

個主體，

則可定義關係圖：

$$
G_R
=
(V,E_R)
$$

其中：

$$
V
$$

為主體集合，

$$
E_R
$$

為有效關係邊。

每條邊可攜帶：

$$
R_{ij}
$$

狀態。

因此組織不是只有：

$$
\text{org chart}
$$

還有：

$$
\boxed{
\text{relational topology}
}
$$

真正的資訊流、信任流、授權流與隱式規則可能沿：

$$
E_R
$$

傳遞，而不是沿正式組織圖。

---

## 17. 正式組織與實際組織的差異

正式組織圖可記為：

$$
G_F
$$

實際關係圖可記為：

$$
G_R
$$

通常：

$$
G_F
\neq
G_R
$$

例如：

正式上：

$$
A\rightarrow B\rightarrow C
$$

實際上：

$$
A\leftrightarrow C
$$

可能存在高頻直接協作。

因此：

$$
\boxed{
\text{formal authority graph}
\neq
\text{operational relation graph}
}
$$

這也是 AI 未來理解組織時必須辨識的差異。

---

## 18. AI 的關係模型不能只是 user profile

一個簡單 user profile 可能記錄：

- 喜歡簡短回答；
- 使用繁體中文；
- 偏好 Markdown；
- 常做研究。

但這仍不是：

$$
R_{ij}
$$

真正的關係模型需要額外理解：

- 哪些事情可以直接推進；
- 哪些事情要先問；
- 哪些過去決策仍有效；
- 哪些詞語在此關係中有特殊含義；
- 哪些任務可以延伸；
- 哪些偏好只是暫時性的；
- 哪些錯誤曾經造成重大摩擦。

因此：

$$
\boxed{
\text{Profile}
\subset
\text{Relation Model}
}
$$

---

## 19. 關係記憶的層次

可將關係記憶分為：

### 19.1 事實記憶

$$
M_F
$$

記得發生過什麼。

### 19.2 決策記憶

$$
M_D
$$

記得曾經做過什麼決定。

### 19.3 理由記憶

$$
M_R
$$

記得為什麼做那個決定。

### 19.4 邊界記憶

$$
M_B
$$

記得哪些不能自動推進。

### 19.5 關係記憶

$$
M_{\mathrm{Rel}}
$$

記得彼此如何合作。

若只保留：

$$
M_F
$$

而缺乏：

$$
M_R
$$

與：

$$
M_{\mathrm{Rel}}
$$

則 AI 仍可能「記很多，但不懂」。

---

## 20. 為什麼理由記憶比結果記憶重要

假設歷史決策為：

$$
D_t = A
$$

AI 若只記得：

> 上次選 A。

未來可能機械地重複 A。

但如果保留：

$$
\operatorname{Reason}(D_t=A)
$$

則當條件變化時可以判斷：

$$
\operatorname{Reason}_t
\neq
\operatorname{Reason}_{t+1}
$$

因此：

$$
A
$$

不必再成立。

所以：

$$
\boxed{
\text{remembering why}
>
\text{remembering what}
}
$$

對動態關係智能尤其重要。

---

## 21. 關係壓縮與錯誤累積

壓縮的危險是：

$$
\text{small signal}
$$

可能錯誤觸發：

$$
\text{large stored state}
$$

因此錯誤放大因子可能很高。

設：

$$
e_m
$$

為訊號誤解，

$$
A_s
$$

為共享狀態放大量。

則：

$$
e_{\mathrm{final}}
\approx
e_m
\cdot
A_s
$$

關係越熟，若模型過時，錯誤可能越大。

因此：

$$
\boxed{
\text{compression efficiency}
\leftrightarrow
\text{misactivation risk}
}
$$

---

## 22. 高耦合不等於永遠不問

當：

$$
R_{ij}
$$

高時，

AI 可以減少不必要詢問。

但如果：

$$
P(\Delta R_t\neq0)
$$

升高，

則應重新確認。

因此：

$$
\text{High Relationship Coupling}
\not\Rightarrow
\text{Zero Clarification}
$$

更合理的是：

$$
\boxed{
\text{clarification frequency should adapt to relation uncertainty}
}
$$

---

## 23. 新人與老手的資訊需求差異

新人因缺少：

$$
R_{ij}
$$

需要更多顯式資訊：

$$
I_N
$$

老手需要：

$$
I_V
$$

通常：

$$
I_N>I_V
$$

但組織若因此責怪新人「怎麼連這都不知道」，可能忽略：

$$
R_N\approx0
$$

的事實。

因此 onboarding 的本質之一是：

$$
\boxed{
\text{relationship-state transfer}
}
$$

而不只是技能訓練。

---

## 24. 組織 onboarding 作為狀態同步

新人加入時，需要獲得：

$$
K_{\mathrm{explicit}}
$$

也需要逐步重建：

$$
K_{\mathrm{relational}}
$$

理想 onboarding 可表示為：

$$
O_{\mathrm{onboard}}
=
K_{\mathrm{explicit}}
+
K_{\mathrm{relational}}
+
K_{\mathrm{exception}}
$$

如果只傳 SOP，則：

$$
O_{\mathrm{onboard}}
$$

是不完整的。

這解釋為什麼「跟著老手做一段時間」長期存在於許多行業。

---

## 25. AI 作為關係狀態保存器

AI 未來可能具有一個新角色：

$$
\boxed{
\text{Relational State Preserver}
}
$$

它可以幫助組織保存：

- 決策原因；
- 角色慣例；
- 例外歷史；
- 實際協作路徑；
- 過去失敗模式；
- 非正式但重要的流程。

這可降低：

$$
C_{\mathrm{turnover}}
$$

但也需要治理，以避免：

- 隱私侵入；
- 對人的僵化標籤；
- 權力監控；
- 錯誤記憶永久化。

---

## 26. 關係狀態的失效

可為每個關係狀態引入有效性：

$$
V(R_t)
$$

其值取決於：

$$
V(R_t)
=
f(
\text{recency},
\text{consistency},
\text{context similarity},
\text{explicit revision}
)
$$

當：

$$
V(R_t)\downarrow
$$

AI 應降低利用強度。

因此記憶不應只有：

$$
\text{stored/not stored}
$$

還應有：

$$
\text{validity}
$$

---

## 27. 關係狀態的時間衰減

某些關係知識長期穩定。

某些則快速衰減。

可以表示為：

$$
R_k(t)
=
R_k(t_0)e^{-\lambda_k(t-t_0)}
$$

其中：

$$
\lambda_k
$$

依關係資訊類型而異。

例如：

長期工作風格可能：

$$
\lambda_{\mathrm{style}}
$$

較低。

臨時專案優先級可能：

$$
\lambda_{\mathrm{priority}}
$$

較高。

這說明 AI 不應對所有記憶使用相同有效期。

---

## 28. 關係狀態不是永久人格判斷

AI 若記住：

> 某人曾經偏好 A。

不應推成：

> 某人本質上永遠是 A 型人。

因此：

$$
\text{Observed Preference}
\neq
\text{Permanent Identity}
$$

成熟關係模型應保存：

$$
\text{state}
$$

而不是過度生成：

$$
\text{essence}
$$

這對避免僵化與偏見非常重要。

---

## 29. 關係壓縮的最低條件

高效關係壓縮至少需要：

$$
\mathcal{C}_{\min}
=
\{
H,
R,
B,
U,
O
\}
$$

其中：

- $$H$$：足夠歷史；
- $$R$$：可用關係模型；
- $$B$$：邊界理解；
- $$U$$：不確定性估計；
- $$O$$：重新觀察能力。

若缺少：

$$
O
$$

則壓縮容易僵化。

若缺少：

$$
B
$$

則壓縮容易越權。

若缺少：

$$
U
$$

則系統不知道何時該解除壓縮並重新詢問。

---

## 30. 與適應關係智能的關係

上一篇提出：

$$
ARI_{\min}
$$

而本篇指出：

$$
R
$$

與：

$$
M
$$

不是附加功能，而是協作壓縮核心。

可寫為：

$$
ARI
=
F(
C,
I,
R,
M,
O,
D
)
$$

其中：

$$
R
$$

決定 AI 是否能建立持續關係，

$$
M
$$

提供歷史狀態，

$$
O
$$

確保關係模型不僵化。

因此：

$$
\boxed{
\text{Relational intelligence is a stateful intelligence problem.}
}
$$

---

## 31. 從個人關係到組織關係網

單一人機關係：

$$
R_{UH}
$$

只是最小單位。

真實組織包含：

$$
\mathcal{R}
=
\{R_{ij}\}_{i,j=1}^{n}
$$

AI 若要理解整個組織，就需要逐步辨識：

- 哪些關係是正式的；
- 哪些是非正式的；
- 哪些具有高信任；
- 哪些具有高授權；
- 哪些是資訊瓶頸；
- 哪些人是跨部門橋樑；
- 哪些知識只存在於某些關係邊上。

這將直接連接後續的隱式知識顯化問題。

---

## 32. 初步命題

### 命題 1：關係壓縮命題

共享關係狀態增加時，相同協作目標所需的顯式訊息量可以下降。

$$
R_{ij}\uparrow
\Rightarrow
I(M)\downarrow
$$

在其他條件相近時成立。

### 命題 2：共享狀態非等價命題

共享歷史不保證共享理解，共享理解不保證共享目標。

### 命題 3：關係資本命題

長期協作者的價值部分來自可降低未來溝通成本的關係狀態資本。

### 命題 4：差分協作命題

成熟協作更接近：

$$
\Delta S_t
$$

傳輸，而不是每次重傳：

$$
S_t
$$

### 命題 5：壓縮風險命題

關係壓縮效率越高，錯誤狀態引用造成的放大風險也可能越高。

### 命題 6：動態有效性命題

關係狀態必須具有可更新、可衰減、可失效的機制。

### 命題 7：組織隱知拓撲命題

部分組織知識不是存放於文件中，而是分散於關係圖：

$$
G_R
$$

的邊狀態上。

---

## 33. 結論

人類高效協作很少依賴每次完整說明全部資訊。

真正成熟的關係會把大量歷史、偏好、邊界、信任、例外與工作習慣保存成可被未來訊號引用的共享狀態。

因此：

$$
\boxed{
\text{Communication}
\rightarrow
\text{State Reference}
}
$$

是一種重要的協作演化。

所謂：

> 默契。

> 老手。

> 一個眼神就知道。

> 不用每次講那麼多。

其背後都可能共享同一個結構：

$$
\boxed{
\text{Small Signal}
+
\text{Persistent Relational State}
\rightarrow
\text{Large Coordinated Action}
}
$$

這也說明，未來 AI 若要真正融入人類社會，不能只擁有更大的語言模型。

它還需要一種能夠建立、維護、引用、衰減並重新觀察關係狀態的智能架構。

否則，每一次互動都像第一次見面。

而一個永遠需要使用者重新把全部背景說一遍的智能，再強，也很難真正成為長期協作者。

---

## 下一篇

**04｜動態意圖與關係再觀測：為什麼「我懂你」本身也可能成為錯誤**