# 動態視角路由 v0.1
## ——從固定角色到 Goal-Conditioned Perspective Switching

**English Title:** *Dynamic Perspective Routing: From Fixed Roles to Goal-Conditioned Observation Switching*  
**系列：**《宏觀個體導向的動態全域觀察方法論》05 / 07  
**作者：** Neo.K × AI 協作  
**版本：** v0.1  
**日期：** 2026-09

**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

若宏觀對象只能透過不同 observation operators 被局部看見，那麼全域 Agent 的關鍵能力不是固定扮演「架構師」或同時開啟所有角色，而是能根據任務、狀態、不確定性、風險、異常與成本，動態選擇下一個最有辨識價值的 perspective。

本文提出**動態視角路由（Dynamic Perspective Routing, DPR）**，把 perspective selection 視為 Agent 的顯式 cognition action。

---

## 1. Observation Operator Registry

令可用 operators：

$$
\mathcal O
=
\{O_1,O_2,\dots,O_n\}.
$$

每個 operator 有 metadata：

$$
Meta(O_i)
=
(
\text{Domain},
\text{Modalities},
\text{Cost},
\text{Latency},
\text{RiskCoverage},
\text{Questions},
\text{Dependencies}
).
$$

Agent 不必永久實例化所有角色，只需知道它們存在並可在需要時啟動。

---

## 2. Perspective Selection Policy

當前狀態：

$$
S_t,
$$

目標：

$$
G_t,
$$

不確定性：

$$
U_t,
$$

風險：

$$
R_t,
$$

預算：

$$
B_t.
$$

選擇：

$$
\boxed{
O_t^*
=
\arg\max_{O_i\in\mathcal O}
\left[
IG(O_i\mid G_t,S_t,U_t,R_t)
-
\lambda Cost(O_i)
\right]
}
$$

其中 $IG$ 是 task-relevant information gain。

---

## 3. 何時切換視角

典型 trigger：

### T1 — Persistent Uncertainty

$$
U_t>\tau_U.
$$

### T2 — Cross-Boundary Anomaly

某兩 projection 不一致：

$$
O_i(X)
\not\sim
O_j(X).
$$

### T3 — Repeated Same-Class Failure

$$
FailureClass_t
=
FailureClass_{t-1}
=
\cdots
$$

應從 instance 升到 pattern / architecture / substrate perspective。

### T4 — Expert-Level Surprise

出現能力與錯誤不相稱的 failure。

### T5 — Risk Escalation

action blast radius 或 irreversibility 上升。

### T6 — Stale World Belief

$$
Age(Evidence)>\tau.
$$

---

## 4. 視角切換不是 Multi-Agent Ceremony

視角路由可以由同一 Agent 內部完成：

```text
implementation view
→ visual view
→ runtime view
→ architecture view
→ back to implementation
```

只要保留 operator-specific policy 與 evidence provenance。

所以：

$$
\boxed{
\text{PerspectiveSwitching}
\neq
\text{AgentSwitching}
}
$$

多 Agent 只是其中一種實作。

---

## 5. Perspective Stack

維持：

$$
\Pi_t
=
[O_{base},O_{1},O_{2},\dots].
$$

當新 evidence 需求出現，push operator；完成其 question set 後 pop。

這避免：

- 永久 role sprawl；
- 多 Agent context duplication；
- review ceremony；
- token explosion。

---

## 6. Global Awareness 與 Local Focus

全域 Agent 不等於：

$$
O_1+O_2+\cdots+O_n
$$

全部常駐。

而是：

$$
\boxed{
\text{GlobalAwareness}
=
Knowledge(\mathcal O)
+
Knowledge(CurrentProjection)
+
Knowledge(Unknowns)
}
$$

局部 focus 則是：

$$
O_t^*.
$$

因此：

$$
\boxed{
\text{Global Mind, Local Lens}
}
$$

可以成為本方法的一句工程口號。

---

## 7. 與 Responsibility-Layer Escalation 的耦合

若 repeated repair 失敗：

$$
\text{Instance}
\rightarrow
\text{Pattern}
\rightarrow
\text{Architecture}
\rightarrow
\text{Substrate},
$$

DPR 應同步切換 observation operator。

例如：

```text
button broken
→ frontend implementation
→ recurring across pages
→ design-system operator
→ recurring across framework boundary
→ architecture/substrate operator
```

所以 causal escalation 與 perspective escalation 應協同。

---

## 8. Perspective Budget

定義：

$$
B_P
=
\text{Perspective Activation Budget}.
$$

每次 operator 啟動有：

- retrieval cost；
- context cost；
- tool cost；
- modality cost；
- reasoning cost；
- switching cost。

因此 DPR 的目標不是最大化：

$$
|\mathcal O_t^*|,
$$

而是最大化：

$$
\frac{
\Delta RelevantResolution
}{
\text{Cost}
}.
$$

---

## 9. 核心命題

$$
\boxed{
\textbf{P1: Global competence requires operator awareness, not simultaneous operator activation.}
}
$$

$$
\boxed{
\textbf{P2: Perspective selection is a cognitive action.}
}
$$

$$
\boxed{
\textbf{P3: Repeated same-class failures should escalate both causal layer and observation perspective.}
}
$$

$$
\boxed{
\textbf{P4: Perspective switching can occur within one agent if operator semantics remain explicit.}
}
$$

---

## 10. 結論

真正的全域視角不是一個固定的「上帝視角」。

它更像：

> **知道自己現在站在哪裡，也知道什麼時候必須換位置。**

下一篇將把 DPR 放進 APR：先選 perspective，再選 modality、region、resolution、history 與 reasoning depth，形成真正受預算治理的動態全域感知。