# AI 組織吸收與耦合拓撲 04
# 多主體 AI 耦合拓撲：人類、影子 AI、異質 Agent 與共享狀態

**English Title:**  
**Multi-Actor AI Coupling Topology: Humans, Shadow AI, Heterogeneous Agents, and Shared State**

**系列：** AI Organizational Absorption & Coupling Topology  
**系列編號：** 04 / 06  
**版本：** v0.1  
**日期：** 2026-09-18  
**作者：** Neo.K  
**協作：** Aletheia（GPT-5.6 Sol）  
**機構：** EveMissLab / 一言諾科技有限公司  
**文件性質：** Multi-Agent 理論／組織協作拓撲／AI 工程治理  
**前置母文：**
- Paper 00《軟體時代鑲嵌與 AI 組織拓撲》
- Paper 01《有效問題覆蓋論》
- Paper 02《企業 AI 吸收論》
- Paper 03《重構權限與相容性債務》

**主要前置研究：**
- 《跨對話智能協作與共享認知空間》5 篇系列
- Persistent Multi-Agent Workspace（PMW）
- SCDT：Shared Cognitive Domain Theory / Protocol
- 《個人認知空間與介面智能：異質主體之間的動態共享世界建構》
- Interaction-Time Runtime / Agent Temporal Ledger

---

## 摘要

企業 AI 的下一階段不再只是「一個人使用一個 AI」，而 increasingly 呈現：

$$
\boxed{
\text{Humans}
+
\text{AI Assistants}
+
\text{Agents}
+
\text{Tools}
+
\text{Databases}
+
\text{ExternalServices}
}
$$

共同工作的多主體系統。

當多個人類各自使用不同模型、不同 prompt、不同 memory、不同 Agent 與不同工具時，組織表面上的「人類團隊」會逐步變成：

$$
\boxed{
\text{Human–AI Composite Organization}.
}
$$

例如原本四名工程師：

$$
H_1,H_2,H_3,H_4
$$

可能實際運作為：

$$
(H_1+A_1),
(H_2+A_2),
(H_3+A_3),
H_4.
$$

如果這些 AI 使用未進入正式組織治理，本文稱之為：

$$
\boxed{
\text{Shadow AI Coupling}.
}
$$

Shadow AI 不只是 security / compliance 問題。它也會增加組織內部的：

- 模型異質性；
- context 異質性；
- coding / reasoning style 異質性；
- 隱性 dependency；
- 不可見 decision provenance；
- handoff cost。

本文因此將多主體協作的核心問題重新表述為：

$$
\boxed{
\text{More Intelligence}
\not\Rightarrow
\text{More Coordinated Intelligence}.
}
$$

既有《跨對話智能協作與共享認知空間》系列已建立：

$$
\boxed{
\text{SharedConversation}\neq\text{SharedWorld},
}
$$

$$
\boxed{
\text{ContinuousCollaboration}\neq\text{ContinuousInference},
}
$$

$$
\boxed{
\text{SharedWorld}\neq\text{SharedCognition},
}
$$

並以：

$$
\boxed{
\mathcal I=\operatorname{Isolate},
\quad
\mathcal S=\operatorname{Share},
\quad
\mathcal J=\operatorname{Join}
}
$$

描述動態協作拓撲，最後形成 Persistent Multi-Agent Workspace：

$$
\boxed{
PMW
=
\text{SharedWorld}
+
\text{PersistentExecution}
+
\text{ScopedMemory}
+
\text{AdaptiveTopology}
+
\text{Governance}.
}
$$

本文不重寫該系列，而是在其上新增企業與多 AI 的 **Coupling Layer**。本文主張：

$$
\boxed{
\text{SharedWorkspace}
\neq
\text{SharedCanonicalState}
\neq
\text{SharedObservation}
\neq
\text{SharedCognition}
\neq
\text{SharedClosureAuthority}.
}
$$

也就是：大家能看到同一專案，不代表大家持有同一狀態；共享狀態不代表看到同一現場；看到同一證據不代表有相同理解；理解接近也不代表每個參與者都有資格宣告「完成」。

本文將多主體系統表示為動態圖：

$$
\boxed{
G_t
=
(V_t,E_t,\Lambda_t),
}
$$

其中：

- $V_t$：人類、Agent、session、tool、database、organization role；
- $E_t$：handoff、authority、dependency、message、state-sync、verification 關係；
- $\Lambda_t$：關係型別與條件。

總協作成本不應只表示為每個 Agent 的執行成本：

$$
\sum_i C_i,
$$

而至少包含：

$$
\boxed{
C_{\mathrm{total}}
=
\sum_i C_i
+
\sum_{(i,j)\in E}
C_{ij}^{\mathrm{pair}}
+
\sum_{h\in\mathcal H}
C_h^{\mathrm{higher}}
+
C_{\mathrm{governance}}.
}
$$

其中 $\mathcal H$ 表示三個以上 participant 才會出現的高階協作關係，例如多方 approval、共同 merge、跨團隊共識或多 Agent conflict resolution。

因此，pairwise relation 最壞可隨完整圖接近：

$$
\frac{N(N-1)}{2},
$$

但本文不主張 multi-agent 系統必然具有 $O(N^2)$ 實際成本；適當的 hierarchy、hub、shared state、protocol 與 topology control 可以顯著降低實際有效邊數與同步頻率。

本文提出 **Coupling Cost Vector**：

$$
\boxed{
\mathbf C_{ij}
=
(
C_{\mathrm{state}},
C_{\mathrm{semantic}},
C_{\mathrm{translation}},
C_{\mathrm{temporal}},
C_{\mathrm{authority}},
C_{\mathrm{provenance}},
C_{\mathrm{handoff}}
).
}
$$

其中最重要的新問題之一是異質 AI 之間的 **Inter-Agent State Translation**：

$$
\boxed{
T_{i\rightarrow j}:
S_i
\rightarrow
\hat S_j.
}
$$

Agent A 的：

$$
\text{Done}_A
$$

並不自動推出：

$$
\text{Ready}_B.
$$

因為 B 可能缺少 A 的：

- assumptions；
- unresolved issues；
- evidence；
- tool state；
- branch state；
- authority state；
- uncertainty；
- rationale。

因此本文提出：

$$
\boxed{
\text{Completion}
\neq
\text{Handoff Readiness}.
}
$$

真正可靠的 multi-agent system 需要一個 **Shared Canonical Operational State**：

$$
\boxed{
S_G(t),
}
$$

但這不要求所有 participant 共享完整 cognition。每個 participant 仍可保有：

$$
S_i^{\mathrm{private}},
$$

只將協作必要資訊投影為：

$$
\tilde S_i.
$$

所以：

$$
\boxed{
S_i
=
S_i^{\mathrm{private}}
+
\pi_i(S_G,Q_i).
}
$$

這延續既有 SCDT 的最小 semantic-operational state 原則。

外部產業與研究也已明確碰到相同問題。Google A2A 將跨 vendor Agent 的 capability discovery、task delegation、task state updates 與 multimodal exchange 視為多 Agent 生態的基礎；MCP 2026 則持續強化工具、context、authorization 與 enterprise-ready protocol substrate。然而，協議互通只解決「怎麼連」，不自動解決「什麼是 canonical state、誰能寫、誰能宣告完成、如何處理衝突」。2026 年 multi-agent software engineering 經驗研究亦指出 MAS 開發仍需要明確 coordination rules、agent roles，而 advanced telemetry 仍存在不足。Stack Overflow 2025 更顯示：69% 的 Agent 使用者認為個人生產力提升，但只有 17% 認為團隊 collaboration 改善。

本文因此提出：

$$
\boxed{
\text{Protocol Interoperability}
\neq
\text{Collaborative Closure}.
}
$$

並把多 AI 未來真正需要解決的問題定位為：

$$
\boxed{
\text{Identity}
+
\text{Shared State}
+
\text{Selective Cognition}
+
\text{Translation}
+
\text{Authority}
+
\text{Provenance}
+
\text{Conflict Resolution}
+
\text{Topology Control}.
}
$$

---

# 0. 問題：一個團隊到底有多少參與者？

傳統組織圖可能寫：

```text
Engineer A
Engineer B
Engineer C
Engineer D
```

AI 時代後可能實際是：

```text
Engineer A + Copilot + private Chat agent
Engineer B + coding agent
Engineer C + local model + test agent
Engineer D
```

因此：

$$
\boxed{
\text{Human Headcount}
\neq
\text{Effective Cognitive Participant Count}.
}
$$

---

# 1. Composite Participant

令人類 $H_i$ 使用一組 AI：

$$
\mathcal A_i
=
\{A_{i1},A_{i2},\ldots\}.
$$

則其工作節點可表示為：

$$
\boxed{
P_i
=
H_i
\oplus
\mathcal A_i.
}
$$

此處 $\oplus$ 表示組合工作單元，不表示人格、本體或責任融合。

---

# 2. Coupled ≠ Fused

因此：

$$
\boxed{
\text{Coupled}
\neq
\text{Fused}.
}
$$

人類與 AI 形成工作耦合，

不代表：

- 法律主體融合；
- cognition 完全共享；
- responsibility 自動平分。

---

# 3. Shadow AI Coupling

若組織不知道：

- 哪些員工在使用 AI；
- 用哪個 model；
- 傳了哪些 context；
- AI 改了哪些 artifact；

則形成：

$$
\boxed{
\text{Shadow AI Coupling}.
}
$$

---

# 4. Shadow AI 不只是一個 security 問題

它還造成：

$$
\boxed{
\text{Coordination Opacity}.
}
$$

因為其他 participant 看到：

> Engineer A 改了 code。

但實際 provenance 是：

$$
H_A
\rightarrow
A_x
\rightarrow
\text{tool}_y
\rightarrow
\text{artifact}.
$$

---

# 5. Hidden Participant Problem

令正式 participant set：

$$
V_{\mathrm{declared}}.
$$

真實 participant set：

$$
V_{\mathrm{actual}}.
$$

若：

$$
\boxed{
V_{\mathrm{declared}}
\subset
V_{\mathrm{actual}},
}
$$

則組織的 coordination graph 是不完整的。

---

# 6. 不完整圖的治理風險

缺失節點會使：

- provenance incomplete；
- authority unclear；
- risk attribution wrong；
- handoff assumptions wrong。

因此：

$$
\boxed{
\text{Unknown Agent}
=
\text{Unknown Dependency}.
}
$$

---

# 7. 既有跨對話系列的基礎

既有系列已建立：

$$
\boxed{
\text{SharedConversation}\neq\text{SharedWorld}.
}
$$

多個 Agent 不需要永遠待在同一 chat。

---

# 8. Continuous Collaboration ≠ Continuous Inference

Agent 可以：

- 被喚醒；
- 執行；
- commit state；
- 休眠。

所以：

$$
\boxed{
\text{ContinuousCollaboration}
\neq
\text{ContinuousInference}.
}
$$

---

# 9. Shared World ≠ Shared Cognition

即使大家操作同一專案：

$$
W,
$$

每個 Agent 仍有：

$$
\text{Context}_i
=
\text{Local}_i
+
\pi_i(W,Q_i).
$$

所以：

$$
\boxed{
\text{SharedWorld}
\neq
\text{SharedCognition}.
}
$$

---

# 10. 動態拓撲

既有系列定義：

$$
\boxed{
\mathcal I=\operatorname{Isolate},
\quad
\mathcal S=\operatorname{Share},
\quad
\mathcal J=\operatorname{Join}.
}
$$

participant 不需要永遠 fully connected。

---

# 11. PMW 是 substrate，不是完整答案

Persistent Multi-Agent Workspace 提供：

$$
\boxed{
\text{SharedWorld}
+
\text{PersistentExecution}
+
\text{ScopedMemory}
+
\text{AdaptiveTopology}
+
\text{Governance}.
}
$$

但本文指出：

> 有 workspace，不代表 coordination 已閉包。

---

# 12. Shared Workspace ≠ Shared Canonical State

例如：

所有 Agent 都能看到 GitHub repo。

但：

- A 認為 branch X 是 canonical；
- B 認為 branch Y；
- C 還在看昨天 snapshot。

因此：

$$
\boxed{
\text{SharedWorkspace}
\neq
\text{SharedCanonicalState}.
}
$$

---

# 13. Shared Canonical State

本文定義：

$$
\boxed{
S_G(t)
=
\text{Shared Canonical Operational State}.
}
$$

它至少包含：

- object identity；
- current version；
- task status；
- ownership；
- active constraints；
- decisions；
- unresolved conflicts；
- validation state；
- provenance。

---

# 14. Canonical State 不等於完整世界

$$
S_G
$$

不是：

> 把所有 Agent 的全部 context 集中保存。

而只是：

$$
\boxed{
\text{Minimum shared state needed for coordination}.
}
$$

---

# 15. Private State

每個 participant 保留：

$$
\boxed{
S_i^{private}.
}
$$

例如：

- scratch reasoning；
- temporary hypothesis；
- private memory；
- role-specific data。

---

# 16. Exposed State

透過 projection：

$$
\boxed{
\tilde S_i
=
\text{Expose}(S_i).
}
$$

只共享協作必要資訊。

---

# 17. SCDT 的直接接口

SCDT 已將 participant 定義為：

- human；
- AI Agent；
- model session；
- tool；
- database；
- sensor；
- organization role；
- external service。

並要求的是：

$$
\boxed{
\text{minimal semantic-operational state},
}
$$

而不是 mind transparency。

本文直接繼承此原則。

---

# 18. Shared State ≠ Shared Observation

即使：

$$
S_G^A=S_G^B,
$$

A 與 B 可能正在看：

- 不同 runtime；
- 不同 screenshot；
- 不同 machine；
- 不同 timestamp。

所以：

$$
\boxed{
\text{SharedState}
\neq
\text{SharedObservation}.
}
$$

此問題將由 Paper 05 深入處理。

---

# 19. Shared Observation ≠ Shared Cognition

即使看到相同 evidence：

$$
O_A=O_B,
$$

仍可能：

$$
B_A\neq B_B.
$$

因為：

- ontology；
- role；
- experience；
- objective；
- uncertainty policy；

不同。

---

# 20. Shared Cognition ≠ Shared Closure Authority

即使兩者都認為：

> work done。

A 可能只有：

$$
\text{CAN\_PROPOSE},
$$

B 才有：

$$
\text{CAN\_CERTIFY}.
$$

因此：

$$
\boxed{
\text{SharedCognition}
\neq
\text{SharedClosureAuthority}.
}
$$

---

# 21. 五層共享分離

本文因此正式建立：

$$
\boxed{
\begin{aligned}
\text{SharedWorkspace}
&\neq \text{SharedState}\\
&\neq \text{SharedObservation}\\
&\neq \text{SharedCognition}\\
&\neq \text{SharedClosureAuthority}.
\end{aligned}
}
$$

---

# 22. Multi-Actor Graph

令：

$$
\boxed{
G_t
=
(V_t,E_t,\Lambda_t).
}
$$

 $V_t$ 可以包含：

- humans；
- AI models；
- agents；
- tools；
- databases；
- roles。

---

# 23. Edge Types

 $\Lambda_t$ 可包含：

```text
message
handoff
read
write
approve
verify
depend_on
delegate
observe
translate
merge
```

所以：

$$
\boxed{
E
}
$$

不是單一 communication edge。

---

# 24. Relation Density

對簡單無向近似：

$$
\boxed{
\rho_R
=
\frac{2|E|}{N(N-1)}.
}
$$

實際 multi-agent graph 可能有：

- directed；
- typed；
- temporal；
- hyperedge。

所以此式只作簡化觀測量。

---

# 25. 為什麼 N 增加不必然導致 $O(N^2)$ 成本

如果所有 participant 都彼此同步，

完整 pairwise relation 數量為：

$$
\frac{N(N-1)}{2}.
$$

但成熟架構可以用：

- hierarchy；
- broker；
- canonical state；
- selective sharing；

降低：

$$
|E_{\mathrm{active}}|.
$$

所以真正重要的是：

$$
\boxed{
\text{Effective Coupling Topology},
}
$$

而不是 N 單獨。

---

# 26. Total Coordination Cost

本文提出：

$$
\boxed{
C_{\mathrm{total}}
=
\sum_i C_i
+
\sum_{(i,j)\in E}
C_{ij}^{\mathrm{pair}}
+
\sum_{h\in\mathcal H}
C_h^{\mathrm{higher}}
+
C_G.
}
$$

---

# 27. Higher-Order Coupling

 $\mathcal H$ 表示：

> 兩兩關係不足以描述的多方協作。

例如：

- three-way merge；
- committee approval；
- multi-Agent consensus；
- human + Agent + compliance joint closure。

---

# 28. Pairwise Coupling Vector

定義：

$$
\boxed{
\mathbf C_{ij}
=
(
C_S,
C_\Sigma,
C_T,
C_\tau,
C_A,
C_P,
C_H
).
}
$$

分別為：

- state sync；
- semantic alignment；
- translation；
- temporal alignment；
- authority alignment；
- provenance；
- handoff。

---

# 29. State Synchronization Cost

若：

$$
S_i(t)\neq S_j(t),
$$

必須做：

$$
\boxed{
\text{Sync}_{i\rightarrow j}.
}
$$

---

# 30. State Divergence

定義：

$$
\boxed{
\Delta S_{ij}(t)
=
d(
\pi_i(S),
\pi_j(S)
).
}
$$

 $d$ 不要求是歐氏距離。

可依：

- version；
- task state；
- decision set；
- unresolved conflicts；

定義。

---

# 31. State Drift

若長時間不同步：

$$
\boxed{
\Delta S_{ij}(t)\uparrow.
}
$$

可能導致：

- duplicated work；
- conflicting edits；
- stale decisions。

---

# 32. Semantic Alignment Cost

兩個 Agent 可以共享文字，

卻對：

```text
done
stable
canonical
safe
release-ready
```

有不同定義。

因此：

$$
\boxed{
\text{Shared Vocabulary}
\neq
\text{Shared Semantics}.
}
$$

---

# 33. Ontology Version Problem

令：

$$
\mathcal O_i
$$

為 participant 使用的 ontology / schema。

若：

$$
\mathcal O_i\neq\mathcal O_j,
$$

相同 state description 可能有不同解讀。

---

# 34. Semantic Translation

所以需要：

$$
\boxed{
T_{i\rightarrow j}^{sem}.
}
$$

此轉譯應標記：

- exact；
- approximate；
- lossy；
- unresolved。

---

# 35. Inter-Agent State Translation

更廣義：

$$
\boxed{
T_{i\rightarrow j}:
S_i
\rightarrow
\hat S_j.
}
$$

其中：

$$
\hat S_j
$$

是 B 能使用的投影，不必完整複製 A。

---

# 36. Done $_A$ ≠ Ready $_B$

Agent A 完成：

$$
\text{Done}_A.
$$

不能推出：

$$
\boxed{
\text{Ready}_B.
}
$$

因為 B 可能不知道：

- rationale；
- caveat；
- failed attempt；
- pending test；
- required tool；
- branch；
- unresolved ambiguity。

---

# 37. Completion ≠ Handoff Readiness

因此：

$$
\boxed{
\text{Completion}
\neq
\text{HandoffReadiness}.
}
$$

這是本文的重要新命題。

---

# 38. Handoff Contract

可靠 handoff 至少可包含：

```yaml
handoff:
  source:
  target:
  object_ids:
  canonical_version:
  completed:
  unresolved:
  assumptions:
  evidence:
  verification:
  authority:
  next_allowed_actions:
  rollback:
```

---

# 39. Handoff Compression

不必把整個對話塞給下一個 Agent。

而應：

$$
\boxed{
\text{Full History}
\rightarrow
\text{Minimal Sufficient Handoff State}.
}
$$

---

# 40. Handoff Sufficiency

令：

$$
I_H
$$

為 handoff information。

目標是：

$$
\boxed{
I_H
\text{ minimal}
}
$$

但仍滿足：

$$
\boxed{
\text{TaskContinuation}
+
\text{StateConsistency}
+
\text{Auditability}.
}
$$

---

# 41. Context Dump 不是共享認知

把 200k token 丟給下一個 Agent：

$$
\boxed{
\text{Context Dump}
\neq
\text{State Alignment}.
}
$$

因為大量 history 可能：

- contradictory；
- outdated；
- unranked；
- unresolved。

---

# 42. Canonical State 的必要性

因此需區分：

$$
\text{History}
$$

與：

$$
\text{CanonicalState}.
$$

也就是：

$$
\boxed{
\text{Conversation}
\neq
\text{Canonical State}.
}
$$

---

# 43. Protocol Interoperability

外部 agent ecosystem 已開始標準化。

Google A2A 提供：

- capability discovery；
- task delegation；
- task state updates；
- secure communication；
- multimodal payload。

---

# 44. A2A 的重要性

A2A 直接承認：

> Agent 可能由不同 vendor / framework 建立。

所以：

$$
\boxed{
\text{Heterogeneous Agent Interoperability}
}
$$

已成為現實工程問題。

---

# 45. 但 A2A ≠ Shared Cognition

A2A 解決：

> 怎麼交換 task / state / messages。

不能自動決定：

- 哪個 state canonical；
- 哪個 claim 已驗證；
- 哪個 ontology 正確；
- 誰有 closure authority。

因此：

$$
\boxed{
A2A
\neq
\text{CollaborativeClosure}.
}
$$

---

# 46. MCP 的角色

MCP 主要處理：

- tools；
- resources；
- prompts/context；
- authorization；
- host/client/server boundaries。

2026-07-28 版本進一步採用 stateless core、capability / identity metadata、authorization hardening 與 extensions。

---

# 47. MCP ≠ Shared Project State

因此：

$$
\boxed{
\text{Tool/Context Interoperability}
\neq
\text{Shared Canonical Project State}.
}
$$

MCP 是 substrate。

上層仍需要：

- project semantics；
- ownership；
- state governance；
- conflict resolution。

---

# 48. Protocol Stack

可表示：

$$
\boxed{
\begin{array}{c}
CollaborativeClosure\\
\uparrow\\
SharedCanonicalState\\
\uparrow\\
AgentCoordinationProtocol\\
\uparrow\\
Tool/ContextProtocol\\
\uparrow\\
\text{Transport}
\end{array}
}
$$

這不是宣稱 A2A/MCP 必須固定占某一層，而是概念分離。

---

# 49. Multi-Agent Software Engineering Evidence

2026 Multi-Agent Software Engineering experience report 指出：

MAS 工程需要：

- framework selection；
- proper coordination rules；
- role design。

並指出某些 advanced telemetry 能力仍不足。

因此：

$$
\boxed{
\text{MultiAgent}
\neq
\text{AutomaticCoordination}.
}
$$

---

# 50. Telemetry 是 Shared-State 基礎

如果不知道：

- Agent 正在做什麼；
- 用了什麼 tool；
- state changed how；

就難以：

$$
\boxed{
\text{coordinate}
+
\text{audit}
+
\text{recover}.
}
$$

---

# 51. Stack Overflow：個人增益與團隊增益差

2025 Developer Survey：

- 約 69% Agent users 認為 productivity 增加；
- 約 70% 認為特定 task 時間下降；
- 只有 17% 認為 Agents 改善團隊 collaboration。

因此：

$$
\boxed{
\text{IndividualAgentGain}
\gg
\text{PerceivedTeamCollaborationGain}
}
$$

至少在該調查受訪者中如此。

---

# 52. 這支持耦合成本問題

如果 AI 只提高：

$$
C_i,
$$

但：

$$
C_{ij}^{\mathrm{pair}}
$$

沒有下降，

系統總效率不會線性增加。

---

# 53. Shadow AI 再進一步

正式組織可能給大家相同：

$$
A_{\mathrm{official}}.
$$

但個人又私下使用：

$$
A_i^{\mathrm{shadow}}.
$$

所以 participant graph 出現：

$$
\boxed{
\text{Declared Layer}
+
\text{Shadow Layer}.
}
$$

---

# 54. Shadow Layer 的三種效應

### 正效應

- faster local work；
- experimentation；
- innovation。

### 負效應

- invisible provenance；
- security；
- heterogeneity；
- inconsistent outputs。

### 診斷效應

它顯示：

$$
\boxed{
\text{Official Absorbability}
<
\text{Employee Demand / Capability}.
}
$$

---

# 55. Same Model ≠ Same Agent

即使 underlying model 相同：

$$
M_i=M_j,
$$

若：

- system prompt；
- memory；
- tools；
- permissions；
- role；

不同：

$$
\boxed{
Agent_i
\neq
Agent_j.
}
$$

---

# 56. Agent Identity

因此 Agent identity 不應只用：

```text
model = X
```

而至少：

$$
\boxed{
ID_A
=
(
\text{Model},
\text{Role},
\text{Policy},
\text{Memory},
\text{Tools},
\text{Authority},
\text{Version}
).
}
$$

---

# 57. Session Identity ≠ Agent Identity

同一 Agent 可以有多 session。

不同 session 也可以共享 role / memory。

所以：

$$
\boxed{
\text{SessionID}
\neq
\text{AgentID}.
}
$$

---

# 58. Human–AI Composite Identity

一個工程師 + Agent 形成：

$$
P_i.
$$

但 artifact provenance 應仍保留：

```text
human
agent
model
tool
reviewer
```

而不是只寫：

> author = Alice。

---

# 59. Provenance Graph

定義：

$$
\boxed{
G_P
}
$$

記錄：

$$
\text{Human}
\rightarrow
\text{Agent}
\rightarrow
\text{Tool}
\rightarrow
\text{Artifact}
\rightarrow
\text{Review}
\rightarrow
\text{Commit}.
$$

---

# 60. Provenance 不等於責任

即使 AI 產生：

$$
80\%
$$

的 code，

責任也不必按 token 百分比分配。

因此：

$$
\boxed{
\text{Provenance}
\neq
\text{Accountability}.
}
$$

---

# 61. Authority Graph

令：

$$
\boxed{
G_A
}
$$

表示：

- who may read；
- who may write；
- who may approve；
- who may certify；
- who may deploy。

---

# 62. Collaboration 需要雙圖

至少：

$$
\boxed{
G_C
=
\text{Collaboration Graph}
}
$$

和：

$$
\boxed{
G_A
=
\text{Authority Graph}.
}
$$

一個人能協作，

不代表有批准權。

---

# 63. Authority Mismatch

如果 Agent A 完成工作，

但 Agent B 誤以為 A 已有 deploy authority：

$$
\boxed{
\text{Authority Mismatch}.
}
$$

這是一種 multi-agent failure。

---

# 64. Temporal Skew

Agent A：

$$
S(t_1).
$$

Agent B：

$$
S(t_2).
$$

若：

$$
t_1<t_2,
$$

卻都宣稱：

> current state。

就形成：

$$
\boxed{
\text{Temporal State Skew}.
}
$$

---

# 65. Versioned State

所以 canonical state 應至少具有：

$$
\boxed{
(
\text{StateID},
\text{Version},
\text{Timestamp},
\text{Provenance}
).
}
$$

---

# 66. Optimistic Collaboration

participant 可以先獨立工作：

$$
\mathcal I.
$$

最後再 reconcile。

適合：

- low conflict；
- separable tasks。

---

# 67. Pessimistic Collaboration

高衝突區可以：

- lock；
- ownership；
- serialized update。

這是：

$$
\boxed{
\text{Coordination Policy}.
}
$$

---

# 68. Adaptive Topology

最合理不一定永遠全共享。

既有動態拓撲可根據：

$$
\boxed{
\text{Task},
\text{Conflict},
\text{Cost},
\text{Telemetry}
}
$$

調整：

$$
G_t\rightarrow G_{t+1}.
$$

---

# 69. Isolate

當：

- task independent；
- privacy high；
- exploration needed；

使用：

$$
\mathcal I.
$$

---

# 70. Share

當只需：

- result；
- evidence；
- state update；

使用：

$$
\mathcal S.
$$

---

# 71. Join

當：

- shared reasoning；
- conflict resolution；
- high coupling；

才：

$$
\mathcal J.
$$

---

# 72. Always-On Sharing 是錯誤預設

全量同步會增加：

- bandwidth；
- cognitive noise；
- privacy exposure；
- context contamination。

因此：

$$
\boxed{
\text{More Sharing}
\not\Rightarrow
\text{Better Coordination}.
}
$$

---

# 73. Selective Coordination

本文採納：

$$
\boxed{
\text{Share What the Collaboration Requires}.
}
$$

而不是：

> Share everything.

---

# 74. Coordination Gain

令：

$$
V_{\mathrm{multi}}
$$

為 multi-actor 產生的價值。

若：

$$
V_{\mathrm{multi}}
>
\sum_iV_i,
$$

存在：

$$
\boxed{
\text{Positive Coordination Gain}.
}
$$

---

# 75. Coordination Loss

若：

$$
C_{\mathrm{coupling}}
>
V_{\mathrm{synergy}},
$$

則多 Agent 反而：

$$
\boxed{
\text{Net Negative}.
}
$$

---

# 76. More Agents ≠ Better

因此：

$$
\boxed{
N\uparrow
\not\Rightarrow
\text{Performance}\uparrow.
}
$$

最優 participant count 是 task-dependent。

---

# 77. Agent Selection

與其：

> 全部 Agent 都參加。

應：

$$
\boxed{
V^\*
=
\arg\max_{V'}
\left(
\text{ExpectedGain}
-
\text{CouplingCost}
\right).
}
$$

---

# 78. Capability Discovery

A2A 的 Agent Card 等 capability discovery 機制提供實際近鄰：

> 先知道誰能做什麼，再決定 delegate。

本文將其視為：

$$
\boxed{
\text{Topology Formation Primitive}.
}
$$

---

# 79. Capability Discovery ≠ Trust

Agent 宣告：

> 我能做 X。

還需要：

- validation；
- reputation；
- policy；
- scope。

所以：

$$
\boxed{
\text{CapabilityDeclaration}
\neq
\text{CapabilityTrust}.
}
$$

---

# 80. Handoff Failure Taxonomy

本文提出：

$$
\boxed{
F_H
\in
\{
\text{StateLoss},
\text{SemanticLoss},
\text{TemporalSkew},
\text{AuthorityMismatch},
\text{ProvenanceLoss},
\text{UnresolvedConflict},
\text{VersionConflict}
\}.
}
$$

---

# 81. StateLoss

必要 state 未傳遞。

---

# 82. SemanticLoss

state 傳了，但對方理解不同。

---

# 83. TemporalSkew

對方拿到舊 state。

---

# 84. AuthorityMismatch

對方誤判 source authority。

---

# 85. ProvenanceLoss

不知道 decision / artifact 從哪來。

---

# 86. UnresolvedConflict

source 把：

> 尚未解決。

壓縮成：

> done。

---

# 87. VersionConflict

兩個合法 state 同時存在。

---

# 88. Conflict Is First-Class

系統不應把 conflict：

> silently overwrite。

而應建立：

$$
\boxed{
\text{ConflictRecord}.
}
$$

---

# 89. Disagreement ≠ Failure

兩個 Agent 判斷不同：

$$
B_i\neq B_j
$$

首先表示：

$$
\boxed{
\text{Epistemic Fork}.
}
$$

而不是立即判其中一個壞掉。

---

# 90. Reconciliation

需要判斷 disagreement 來源：

- state；
- observation；
- semantics；
- goal；
- authority；
- evidence。

然後：

$$
\boxed{
\text{Reconcile}(B_i,B_j).
}
$$

---

# 91. Canonical State Commit

只有經過合法 reconciliation：

$$
S_G(t)
\rightarrow
S_G(t+1).
$$

不應讓任何 Agent 單方面：

> overwrite truth。

---

# 92. Writer Authority

可定義：

```text
CAN_PROPOSE
CAN_WRITE_DRAFT
CAN_COMMIT_STATE
CAN_RESOLVE_CONFLICT
CAN_CERTIFY
```

---

# 93. Shared State Runtime

最低限度需要：

- object identity；
- version；
- lock / conflict；
- provenance；
- task state；
- handoff；
- validation；
- authority。

這與 PMW、SEDB 等研究線自然相接。

---

# 94. 但本篇不把所有東西塞進 SEDB

本文只建立接口：

$$
\boxed{
\text{Coupling Runtime}
\leftrightarrow
\text{Canonical State Store}.
}
$$

底層可由：

- SEDB；
- database；
- graph store；
- project runtime；

實現。

---

# 95. Coupling Efficiency

定義候選：

$$
\boxed{
\eta_C
=
\frac{
\text{Value}_{\mathrm{coordinated}}
-
\sum_i\text{Value}_i^{\mathrm{isolated}}
}{
C_{\mathrm{coupling}}
}.
}
$$

只作研究指標候選。

---

# 96. Coordination Debt

本文提出：

$$
\boxed{
D_C
}
$$

表示：

> 參與者與 Agent 增加，但 canonical state、handoff、provenance 與 authority mechanism 沒同步成長所累積的結構債務。

---

# 97. Coordination Debt 動態

概念上：

$$
\boxed{
D_{C,t+1}
=
\rho D_{C,t}
+
\alpha H_t
+
\beta S_t
+
\gamma V_t
+
\eta A_t
-
\delta R_t.
}
$$

其中：

- $H_t$：heterogeneity；
- $S_t$：state drift；
- $V_t$：version conflict；
- $A_t$：authority ambiguity；
- $R_t$：coordination repair。

---

# 98. Multi-Agent Scalability Boundary

多 Agent 真正的 scalability boundary 不只是：

- tokens；
- compute。

還包括：

$$
\boxed{
\text{Coordination Bandwidth}.
}
$$

---

# 99. Coordination Bandwidth

定義：

$$
\boxed{
B_C
=
\text{amount of state change that can be synchronized,
interpreted, validated, and committed per unit time}.
}
$$

---

# 100. 如果 Agent 產生速度高於 Coordination Bandwidth

若：

$$
\text{GenerationRate}
>
B_C,
$$

則：

$$
\boxed{
\text{CoordinationBacklog}\uparrow.
}
$$

---

# 101. AI 團隊可能出現「寫太快」

這和 Paper 03 相接：

> code generation 已經不是主要瓶頸。

下一個瓶頸可能變成：

- review；
- merge；
- state sync；
- decision；
- verification。

---

# 102. Multi-Human + Multi-AI

未來真正系統可能是：

$$
\boxed{
\mathcal O
=
\{H_1,\ldots,H_m,A_1,\ldots,A_n,T_1,\ldots,T_k\}.
}
$$

其中工具本身也可能改變 state。

---

# 103. Organization as Heterogeneous Cognitive Network

因此企業不再只是：

$$
\boxed{
\text{Human Organization}.
}
$$

更接近：

$$
\boxed{
\text{Heterogeneous Cognitive-Operational Network}.
}
$$

---

# 104. 不應強迫同一化

理想系統不是：

> 所有 Agent 都使用同一 cognition。

而是：

$$
\boxed{
\text{Sufficient Interoperability}
+
\text{Controlled Heterogeneity}.
}
$$

---

# 105. Heterogeneity 也有價值

不同 Agent 可能提供：

- different priors；
- different models；
- different perspectives；
- independent verification。

所以：

$$
\boxed{
\text{Heterogeneity}
\neq
\text{Pure Cost}.
}
$$

---

# 106. Diversity–Coordination Tradeoff

太低異質性：

$$
\rightarrow
\text{redundancy}.
$$

太高異質性：

$$
\rightarrow
\text{translation cost}.
$$

所以可能存在：

$$
\boxed{
H^\*
}
$$

使多樣性與可協作性平衡。

這是可檢驗假說，不宣稱普遍單峰。

---

# 107. 可反駁假說 H1

在控制單 Agent 能力後：

> shared canonical state 應降低 duplicated work、version conflict 與 contradictory edits。

---

# 108. 可反駁假說 H2

explicit handoff contract 應降低：

$$
\text{ContextRecoveryCost}.
$$

---

# 109. 可反駁假說 H3

Agent 數量增加時，如果 active edge density 未受控制：

$$
C_{\mathrm{coupling}}
$$

會快速增加。

---

# 110. 可反駁假說 H4

Shadow AI prevalence 與：

$$
\text{Individual–Organization Epoch Gap}
$$

存在正相關候選。

---

# 111. 可反駁假說 H5

適度異質 Agent ensemble 在部分 complex tasks 上可能優於同質 Agent，但高 semantic / state divergence 會抵消其收益。

---

# 112. 可反駁假說 H6

Protocol interoperability（如 A2A / MCP）可以降低 integration cost，但若缺少 canonical-state governance，仍無法充分降低 coordination debt。

---

# 113. 最小資料模型

```yaml
participant_id:
participant_type:
  - human
  - agent
  - model_session
  - tool
  - role
model:
role:
capabilities:
authority:
private_state_ref:
exposed_state:
canonical_state_version:
active_task:
dependencies:
handoffs:
provenance:
conflicts:
verification:
last_sync:
```

---

# 114. Coupling Ledger

未來可以建立：

$$
\boxed{
\text{Multi-Agent Coupling Ledger}.
}
$$

記錄：

- participant joins；
- state reads；
- state commits；
- handoffs；
- conflicts；
- translation；
- authority changes；
- closures。

---

# 115. 耦合可視化

未來可視化：

```text
Human A ─ Agent A ─ Repo
   │          │
   │       Tool X
   │
Canonical State
   │
Human B ─ Agent B ─ DB
```

並標：

- stale edge；
- high-cost edge；
- authority conflict；
- unresolved handoff。

---

# 116. 與 Paper 05 的接口

Paper 04 已回答：

> 多主體如何共享狀態、轉譯、交接與協調？

但仍留下：

> 如果不同 participant 根本沒有看到同一個世界，怎麼辦？

因此 Paper 05 將進入：

$$
\boxed{
\text{Multi-Modal Observation Closure}.
}
$$

也就是：

- required modality；
- observation sufficiency；
- green-light misplacement；
- multimodal state skew；
- Shared Observation Fabric；
- closure certification。

---

# 117. Claim Boundary

## $K$ ｜已有支持

已有內外部研究支持：

- Shared conversation、shared world、shared cognition 可以被分離；
- multi-agent system 需要 explicit roles / coordination rules；
- agent protocols 正在處理 heterogeneous-agent interoperability；
- tool/context protocol 與 agent-to-agent communication 已成重要 infrastructure；
- Agent 個人生產力收益並不自動轉化為 team collaboration 收益。

## $E$ ｜本文新推導

本文提出：

- Human–AI Composite Participant；
- Shadow AI Coupling；
- Hidden Participant Problem；
- Shared Workspace / State / Observation / Cognition / Closure Authority 五層分離；
- Inter-Agent State Translation；
- Completion ≠ Handoff Readiness；
- Handoff Contract；
- Coupling Cost Vector；
- Higher-Order Coupling；
- Coordination Debt；
- Coordination Bandwidth；
- Diversity–Coordination Tradeoff。

## $S$ ｜需要 simulation / benchmark

- graph density vs coordination cost；
- topology control；
- handoff compression；
- state-sync intervals；
- heterogeneous-agent translation。

## $X$ ｜需要企業 field study

- Shadow AI actual prevalence；
- hidden participant impact；
- coordination debt；
- multi-human + multi-AI productivity；
- authority mismatch incidents。

## $F$ ｜工程化

- Multi-Agent Coupling Ledger；
- Canonical State Runtime；
- Handoff Compiler；
- Agent Identity Registry；
- Conflict / Reconciliation Runtime；
- Dynamic Topology Controller。

---

# 118. 結論

AI 時代的企業不會只是：

$$
\boxed{
\text{Humans using tools}.
}
$$

它正在逐漸變成：

$$
\boxed{
\text{Humans}
+
\text{AI}
+
\text{Agents}
+
\text{Tools}
+
\text{Shared State}.
}
$$

但增加 Agent 數量本身不會自動增加組織智能。

因為：

$$
\boxed{
\text{More Intelligence}
\neq
\text{More Coordinated Intelligence}.
}
$$

真正的問題是：

- 誰知道什麼；
- 誰看到什麼；
- 誰能改什麼；
- 誰完成了什麼；
- 誰能宣告完成；
- 誰的 state 最新；
- 誰需要接手；
- disagreement 應如何解決。

因此：

$$
\boxed{
\text{SharedWorkspace}
\neq
\text{SharedCanonicalState}
\neq
\text{SharedObservation}
\neq
\text{SharedCognition}
\neq
\text{SharedClosureAuthority}.
}
$$

這五個層次不應被任何單一「共享空間」概念壓平。

同樣，A2A、MCP 等 protocol 的快速發展非常重要，因為它們降低：

$$
\boxed{
\text{Interoperability Cost}.
}
$$

但：

$$
\boxed{
\text{Protocol Interoperability}
\neq
\text{Collaborative Closure}.
}
$$

真正成熟的 multi-AI organization 仍需要：

$$
\boxed{
\text{Identity}
+
\text{CanonicalState}
+
\text{SelectiveCognition}
+
\text{Translation}
+
\text{Authority}
+
\text{Provenance}
+
\text{ConflictResolution}
+
\text{AdaptiveTopology}.
}
$$

所以未來企業 AI 的問題，不再只是：

> 要不要多開幾個 Agent？

而是：

> **這些人類與 Agent 應該在什麼時候 isolate、什麼時候 share、什麼時候 join；交換多少 state；誰能 commit；誰能 verify；誰能 certify；以及如何讓異質智能保持差異而仍能共同作用於同一世界。**

這就是：

$$
\boxed{
\text{Multi-Actor AI Coupling Topology}.
}
$$

---

# 參考文獻與研究錨點

### 內部前置研究

[INT-01] Neo.K. 《AI 組織吸收與耦合拓撲 00：軟體時代鑲嵌與 AI 組織拓撲》v0.2. EveMissLab, 2026.

[INT-02] Neo.K. 《AI 組織吸收與耦合拓撲 01：有效問題覆蓋論》v0.1. EveMissLab, 2026.

[INT-03] Neo.K. 《AI 組織吸收與耦合拓撲 02：企業 AI 吸收論》v0.1. EveMissLab, 2026.

[INT-04] Neo.K. 《AI 組織吸收與耦合拓撲 03：重構權限與相容性債務》v0.1. EveMissLab, 2026.

[INT-05] Neo.K. 《跨對話智能協作與共享認知空間》Series 1–5. EveMissLab, 2026.

[INT-06] Neo.K. 《Persistent Multi-Agent Workspace：跨對話共享世界 Runtime、持久協作協定與 MVP》. EveMissLab, 2026.

[INT-07] Neo.K. SCDT-VI《共享認知域協議：人類、AI 與多智能體語義系統》v0.1. EveMissLab, 2026.

[INT-08] Neo.K. 《個人認知空間與介面智能：異質主體之間的動態共享世界建構》v1.0. EveMissLab, 2026.

### 外部研究與協議

[R1] Google. **Announcing the Agent2Agent Protocol (A2A): A New Era of Agent Interoperability.** 2025-04-09.  
https://developers.googleblog.com/a2a-a-new-era-of-agent-interoperability/

[R2] Google. **How A2A is Building a World of Collaborative Agents.** 2026-06-18.  
https://developers.googleblog.com/how-a2a-is-building-a-world-of-collaborative-agents/

[R3] Google. **Developer’s Guide to AI Agent Protocols.** 2026-03-18.  
https://developers.googleblog.com/developers-guide-to-ai-agent-protocols/

[R4] Model Context Protocol. **The 2026-07-28 Specification.** 2026-07-28.  
https://blog.modelcontextprotocol.io/posts/2026-07-28/

[R5] Model Context Protocol. **The New MCP Roadmap.** 2026-08-22.  
https://blog.modelcontextprotocol.io/posts/mcp-roadmap/

[R6] de Oliveira, M. C. S., Ibiyo, M. O., Gianrusso, M., et al. **Developing LLM-based Multi-Agent Systems in Software Engineering: A Mixed-Method Experience Report.** arXiv:2608.11965, 2026.

[R7] Stack Overflow. **2025 Developer Survey — AI Agents.**  
https://survey.stackoverflow.co/2025/ai

---

*AI Organizational Absorption & Coupling Topology — Paper 04 v0.1*  
*EveMissLab — Boundless Knowledge. One Promise Forward.*