# 動態視角路由 v0.2
## ——從固定角色、靜態分工到狀態驅動的觀察算子選擇

**English Title:** *Dynamic Perspective Routing: State-Conditioned Selection of Observation Operators for Macro-Object Understanding*  
**系列：**《宏觀個體導向的動態全域觀察方法論》05 / 07  
**Series B：** *Macro-Object-Oriented Dynamic Global Observation Methodology*  
**作者：** Neo.K × AI 協作  
**版本：** v0.2  
**日期：** 2026-09-16  
**文件性質：** Agent Runtime／Active Perception／Multi-Agent Routing／Contextual Decision Making／Epistemic Control／AI-Native Engineering  
**承接：** B01〈宏觀個體與局部投影〉、B02〈角色即觀察算子〉、B03〈解析度理論〉、B04〈推理解析度與觀察解析度不對稱〉  
**既有基座：** APR、Global-First Completion、Dynamic MSSP、Project-World Cognition、A07 Capability–Perspective Activation、A08 Homogeneous Green  
**後續接口：** B06〈APR 驅動的動態全域感知〉、B07〈跨視角閉合〉

**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

前四篇已逐步建立：

$$
\boxed{
X
\neq
O_i(X)
}
$$

宏觀個體不等於任何單一投影；

$$
\boxed{
\text{Role}
\rightarrow
\text{ObservationOperator}
}
$$

角色可被理解為一組 task-relevant observation / judgment operators；

$$
\boxed{
\text{Resolution}
=
\text{RelevantStateDistinguishability}
}
$$

解析度不是資料量，而是對重要世界狀態的可區分能力；

以及：

$$
\boxed{
\text{ReasoningResolution}
\neq
\text{ObservationResolution}.
}
$$

當 observation 是 bottleneck 時，更多 reasoning 不能自動補回缺失 evidence。

因此 Series B 接下來的關鍵問題是：

> **如果 Agent 已知道目前視角不足，它下一步到底應該切到哪一個視角？**

本文提出：

# **Dynamic Perspective Routing**
## 動態視角路由

令可用 perspective / role operators 為：

$$
\mathcal P
=
\{
P_1,P_2,\ldots,P_n
\}.
$$

Agent 在時間 $t$ 的 epistemic state：

$$
\boxed{
S_t^P
=
(
G_t,
\hat X_t,
P_t,
U_t,
K_t,
R_t,
\mathbf B_t,
\Gamma_t,
H_t
)
}
$$

其中：

- $G_t$：goal / intent；
- $\hat X_t$：目前宏觀世界模型；
- $P_t$：current active perspective；
- $U_t$：unknown / ambiguity；
- $K_t$：known conflicts / contradictions；
- $R_t$：risk / irreversibility；
- $\mathbf B_t$：token、compute、latency、tool、human 等 budget；
- $\Gamma_t$：authority / access envelope；
- $H_t$：perspective history / previous routing outcomes。

Perspective Router 不直接回答：

> 哪個模型最好？

也不先回答：

> 哪個 Agent 要出場？

它首先回答：

> **目前哪一個 observation / judgment operator 最可能降低對當前 decision 有意義的不確定性？**

概念上：

$$
\boxed{
P_t^\ast
=
\arg\max_{P_i\in\mathcal P_{eligible}}
\left[
IG_Q(P_i\mid S_t^P)
-
\lambda C(P_i)
-
\mu C_{switch}(P_t,P_i)
-
\nu Risk(P_i)
+
\eta FutureValue(P_i)
\right].
}
$$

其中：

- $IG_Q$：對 current query 的預期 information gain；
- $C(P_i)$：啟動該 perspective 的 observation / reasoning / coordination cost；
- $C_{switch}$：從 current perspective 切換所需的 context reconstruction / tool / translation cost；
- $Risk(P_i)$：該 observation / intervention 的風險與 authority 代價；
- $FutureValue(P_i)$：新路徑未來可重用、可結晶、可改善 routing policy 的價值。

此公式不是要求工程系統精確求解連續最佳化，而是固定一個核心原則：

$$
\boxed{
\text{Perspective selection should be state-conditioned, evidence-driven, and cost-aware.}
}
$$

本文將 routing action 分成：

$$
\boxed{
A_P
=
\{
KEEP,
SWITCH,
PUSH,
POP,
EXPAND,
CONTRACT,
SUSPEND,
REOPEN
\}.
}
$$

因此 Dynamic Perspective Routing 並不等於不停切換角色。成熟 router 同樣必須知道何時：

- 保持目前 perspective；
- 暫時 push 一個局部 perspective；
- 完成後 pop 回原 task；
- 把 local symptom zoom out 到 architecture / substrate；
- 從 architecture 收縮回 implementation；
- 因 authority / missing tool 暫停；
- 因新 evidence 重新開啟已關閉 perspective。

外部研究提供了多條直接近鄰。Active Perception 文獻長期把 viewpoint selection、temporal selection、sensor alignment 與 information-seeking action 視為 perception 的核心部分，而非固定輸入後的被動辨識。POMDP 研究則將 action 同時視為 world-control 與 information-acquisition 手段。2026 ACL 的 AgentRouter 使用 task-aware graph routing 選擇不同 agents；RouterHGC 更進一步把 query、role、LLM 與 collaboration mode 放入 heterogeneous graph 中共同路由。這些工作證明：

$$
\boxed{
\text{Dynamic routing}
}
$$

已經是 model / agent / perception 系統中的實際工程方向。

但本文與其保持一個明確邊界：

$$
\boxed{
\text{Perspective Routing}
\neq
\text{Agent Routing}
\neq
\text{Model Routing}.
}
$$

Perspective 是：

> **應該以什麼 epistemic operator 看世界？**

Agent 是：

> **哪個協作者執行這個 operator？**

Model 是：

> **用哪個模型作為 compute substrate？**

Skill 是：

> **用哪種方法執行？**

Modality / Tool 是：

> **從哪個 evidence channel 取得世界狀態？**

因此本文提出完整 routing stack：

$$
\boxed{
\text{Need}
\rightarrow
\text{Perspective}
\rightarrow
\text{Skill}
\rightarrow
\text{Executor}
\rightarrow
\text{Modality}
\rightarrow
\text{Tool}
\rightarrow
\text{Resolution}
\rightarrow
\text{Evidence}.
}
$$

這使 Dynamic Perspective Routing 成為 Series B 中真正的控制層：B01–B04 建立的是「世界、視角、解析度與推理／觀察差異」；B05 則第一次回答：

> **Agent 如何在它們之間移動。**

---

# 1. 問題：知道「現在看得不夠」之後呢？

A07 與 B04 已能讓 Agent 判斷：

```text
current code perspective is insufficient
```

但這仍沒有回答：

> 接下來去哪裡？

可能候選：

- runtime；
- architecture；
- UX；
- visual；
- security；
- data；
- user；
- external provider；
- formal verifier。

如果沒有 router，

系統只能：

1. 靠固定 workflow；
2. 全角色全開；
3. 隨機選；
4. 永遠留在 current role。

---

# 2. 固定 Workflow 是 Static Routing

例如：

```text
implement
→ test
→ review
→ security
→ deploy
```

其實就是：

$$
\boxed{
P_1
\rightarrow
P_2
\rightarrow
P_3
\rightarrow
P_4
}
$$

固定 policy。

它不是沒有 routing。

而是：

$$
\boxed{
\text{routing policy independent of current evidence.}
}
$$

---

# 3. Static Routing 的優點

- predictable；
- auditable；
- simple；
- low controller cost；
- 適合高度重複流程。

所以：

$$
\text{StaticRouting}
$$

不是錯。

---

# 4. Static Routing 的限制

如果：

- task 類型差異大；
- risk 動態改變；
- evidence gap 不同；
- model capability 廣；
- tools 很多；

固定路徑會：

$$
\boxed{
\text{over-activate}
}
$$

或：

$$
\boxed{
\text{under-activate.}
}
$$

---

# 5. 全角色全開不是 Dynamic Globality

如果每 task：

```text
architecture
security
UX
runtime
data
QA
```

全部啟動，

這叫：

$$
\boxed{
\text{UniformPerspectiveActivation}.
}
$$

不是：

$$
\text{DynamicRouting}.
$$

---

# 6. Dynamic Routing 的目標

不是：

$$
\max
|\mathcal P_{active}|.
$$

而是：

$$
\boxed{
\min \text{Cost}
\quad
\text{s.t.}
\quad
\text{DecisionRelevantPerspectiveCoverage}
}
$$

---

# 7. Global Awareness ≠ Global Activation

B02 已提出：

$$
\boxed{
\text{KnowRelevantRoles}
\neq
\text{ActivateAllRoles}.
}
$$

B05 進一步：

$$
\boxed{
\text{GlobalAwareness}
=
\text{maintain routeability over perspectives}.
}
$$

---

# 8. Perspective Registry

全域 Agent 有：

$$
\mathcal P
=
\{
P_{implementation},
P_{architecture},
P_{runtime},
P_{visual},
P_{UX},
P_{security},
P_{data},
P_{ops},
P_{player},
P_{authority},
\ldots
\}.
$$

---

# 9. Registry 不是 Agent Pool

同一 perspective：

$$
P_i
$$

可由：

- same Agent；
- another Agent；
- deterministic tool；
- human；
- composite；

執行。

所以：

$$
\boxed{
\text{PerspectiveRegistry}
\neq
\text{AgentRegistry}.
}
$$

---

# 10. Perspective Descriptor

每個 perspective 至少：

```yaml
perspective:
  id:
  concerns:
  questions:
  modalities:
  tools:
  failure_classes:
  required_authority:
  expected_cost:
  switch_cost:
  activation_triggers:
  exit_conditions:
```

---

# 11. Router State

定義：

$$
\boxed{
S_t^P
=
(
G_t,
\hat X_t,
P_t,
U_t,
K_t,
R_t,
B_t,
\Gamma_t,
H_t
).
}
$$

---

# 12. Goal

$$
G_t
$$

決定：

> 哪些 uncertainty relevant。

同一 macro-object，

不同 goal：

- debug；
- optimize；
- security audit；

需要不同 route。

---

# 13. Macro Belief

$$
\hat X_t
$$

提供：

- constituents；
- boundaries；
- current state；
- evidence map；
- unknown map。

Router 不應只看 user prompt。

---

# 14. Current Perspective

$$
P_t
$$

重要，

因為：

> switching 有成本。

不是每次都從零選。

---

# 15. Unknown Set

$$
U_t
$$

應 typed：

- unobserved；
- uninferred；
- conflicted；
- stale；
- authority-blocked。

只有 observation-type unknown 才路由 perspective。

---

# 16. Conflict Set

$$
K_t
$$

包含：

- cross-role contradiction；
- source/runtime mismatch；
- expected/observed mismatch。

Conflict 往往是 routing trigger。

---

# 17. Risk

$$
R_t
$$

控制：

- mandatory perspectives；
- exploration；
- independent validation；
- depth。

---

# 18. Budget

$$
B_t
$$

避免：

> 每個 perspective 都能無限展開。

---

# 19. Authority Envelope

$$
\Gamma_t
$$

決定：

> 某 perspective 雖有高 information gain，但 Agent 能否合法取得 evidence？

---

# 20. History

$$
H_t
$$

保存：

- 哪些 route 有用；
- 哪些 route 冗餘；
- 哪些 anomaly 常對應哪些 perspective。

---

# 21. Routing Action Space

$$
\boxed{
A_P
=
\{
KEEP,
SWITCH,
PUSH,
POP,
EXPAND,
CONTRACT,
SUSPEND,
REOPEN
\}.
}
$$

---

# 22. KEEP

維持：

$$
P_{t+1}=P_t.
$$

如果 current perspective 還在高效降低 uncertainty，

不要切。

---

# 23. SWITCH

$$
P_t
\rightarrow
P_j.
$$

current perspective 完成或錯位，

主 task 轉到另一 perspective。

---

# 24. PUSH

保留 current task，

暫時加入：

$$
P_j.
$$

例如：

```text
implementation
PUSH visual
```

驗證 screenshot 後回來。

---

# 25. POP

局部 perspective closure：

$$
POP(P_j).
$$

回前一層。

---

# 26. EXPAND

從 local：

$$
\text{implementation}
$$

向：

$$
\text{architecture}
$$

擴張。

---

# 27. CONTRACT

原因已定位：

$$
\text{architecture}
\rightarrow
\text{implementation}.
$$

---

# 28. SUSPEND

perspective relevant，

但：

- tool unavailable；
- authority missing；
- external dependency；

暫停。

---

# 29. REOPEN

已 closed perspective 因：

- new evidence；
- affected change；
- stale evidence；

重新啟動。

---

# 30. Router 不是一直 SWITCH

Perspective switching 本身有：

$$
C_{switch}.
$$

所以高頻切換可能：

$$
\text{ContextThrash}.
$$

---

# 31. Switching Cost

$$
\boxed{
C_{switch}(P_i,P_j)
=
C_{context}
+
C_{translation}
+
C_{tool}
+
C_{state\ recovery}
+
C_{coordination}.
}
$$

---

# 32. Same-Agent Switch

同 Agent：

$$
C_{coordination}\downarrow.
$$

但：

$$
ErrorCorrelation\uparrow
$$

可能。

---

# 33. Cross-Agent Switch

another Agent：

- fresh context；
- independence；

但：

$$
handoff\ cost\uparrow.
$$

---

# 34. Router 要同時考慮 Executor Topology

Perspective selection 後，

再決定：

> same Agent hot-swap 還是 spawn independent Agent？

---

# 35. Perspective / Executor Separation

$$
\boxed{
P^\ast
=
\text{what epistemic operator is needed}
}
$$

$$
\boxed{
A^\ast
=
\text{who/what should execute it}
}
$$

---

# 36. Perspective / Model Separation

同理：

$$
\boxed{
\text{PerspectiveSelection}
\neq
\text{ModelSelection}.
}
$$

---

# 37. AgentRouter 的外部近鄰

ACL 2026 AgentRouter：

- query；
- contextual entities；
- agents；

建 heterogeneous graph，

學 task-aware routing distribution。

這證明：

> Agent 選擇本身可以 state / context dependent。

---

# 38. RouterHGC

ACL 2026 RouterHGC 更把：

- user queries；
- collaboration modes；
- agent roles；
- LLMs；

放入同一 heterogeneous graph。

它非常接近：

$$
\boxed{
Task\rightarrow Role/Agent/Model routing.
}
$$

---

# 39. B05 與 AgentRouter / RouterHGC 的差異

外部工作主要路由：

$$
\boxed{
\text{ExecutorConfiguration}.
}
$$

B05 路由：

$$
\boxed{
\text{EpistemicPerspective}.
}
$$

Perspective 選完之後，

才可以用 AgentRouter 類技術決定 executor。

---

# 40. Routing Stack

$$
\boxed{
\text{Need}
\rightarrow
\text{Perspective}
\rightarrow
\text{Skill}
\rightarrow
\text{Executor}
\rightarrow
\text{Model}
\rightarrow
\text{Modality}
\rightarrow
\text{Tool}
\rightarrow
\text{Resolution}.
}
$$

---

# 41. 這個 Stack 不必每次完整跑

一些 layer 可固定。

例如：

- deterministic schema perspective；
- executor 直接 schema validator。

---

# 42. Perspective Router 的 Utility

$$
\boxed{
U(P_i\mid S_t)
=
w_I IG_Q(P_i)
+
w_R RiskReduction(P_i)
+
w_C ConflictResolution(P_i)
+
w_F FutureValue(P_i)
-
w_K Cost(P_i)
-
w_S SwitchCost(P_t,P_i).
}
$$

---

# 43. Eligible Set

先做 hard constraints：

$$
\boxed{
\mathcal P_{eligible}
=
\{
P_i:
Authority(P_i)=1
\land
ToolAvailable(P_i)=1
\land
ScopeLegal(P_i)=1
\}.
}
$$

---

# 44. Hard Constraints First

不要讓 optimization：

> 因為 information gain 高

而跳過：

- privacy；
- permission；
- scope；
- safety；
- resource ceiling。

---

# 45. Soft Utility Second

在 legal eligible set 中：

$$
\arg\max U.
$$

這與作者其他 router 理論一貫：

$$
\boxed{
\text{OptimizationPreference}
\neq
\text{ExecutionAuthority}.
}
$$

---

# 46. Expected Information Gain

B03 已定義：

$$
IG_Q.
$$

B05 使用：

$$
\boxed{
IG_Q(P_i\mid S_t)
}
$$

估：

> 啟動該 perspective 後，預期會消除多少 decision-relevant ambiguity？

---

# 47. Risk Reduction

某 perspective 即使 immediate IG 低，

但高風險 mandatory。

例如：

$$
P_{security}
$$

對 release gate。

因此：

$$
\text{RiskReduction}
$$

獨立項。

---

# 48. Conflict Resolution Value

如果：

$$
P_{backend}=PASS,
$$

$$
P_{UX}=FAIL,
$$

可能需要：

$$
P_{end2end}
$$

專門 reconcile。

---

# 49. Future Value

某 route 現在稍貴，

但如果能形成 reusable pattern：

$$
\text{FutureValue}\uparrow.
$$

例如首次建立：

> UI defect → visual replay route。

---

# 50. Navigation Crystal 近鄰

既有記憶路徑研究提出：

> AI 不只記住答案，也記住「這類問題去哪裡找」。

Perspective routing 同樣可以：

$$
\boxed{
\text{TaskPattern}
\rightarrow
\text{PerspectivePath}
}
$$

結晶。

---

# 51. 但 Path Compilation ≠ Permission Compilation

快速路由不能跳過：

- authority；
- freshness；
- version；
- tool availability。

---

# 52. Hot Perspective Route

例如：

```text
UI-affecting CSS change
→ visual/interaction perspective
```

可成：

$$
\text{HotRoute}.
$$

但不是：

> 永遠直接 PASS。

---

# 53. Routing Memory

保存：

```yaml
pattern:
  trigger:
  perspective:
  evidence:
  success:
  cost:
  failure:
  version:
```

---

# 54. Online Routing Learning

每次 route：

$$
P_i
$$

取得：

$$
\text{Reward}_i.
$$

更新：

$$
\pi_{P}.
$$

---

# 55. Contextual Bandit 近鄰

Perspective routing 具有：

- context；
- candidate actions；
- uncertain reward；
- exploration/exploitation；

因此 contextual bandit 是自然近鄰。

---

# 56. 但 B05 不等於 Bandit

因為：

- state sequential；
- switching cost；
- hidden world；
- action changes future evidence；
- authority constraints；

很多情況更接近：

$$
POMDP.
$$

---

# 57. POMDP 近鄰

Active Perception 文獻長期使用 POMDP：

$$
\text{BeliefState}
\rightarrow
\text{SensingAction}
\rightarrow
\text{Observation}
\rightarrow
\text{BeliefUpdate}.
$$

B05 的 perspective router 類似：

$$
\text{MacroBelief}
\rightarrow
\text{PerspectiveAction}
\rightarrow
\text{Evidence}
\rightarrow
\text{BeliefUpdate}.
$$

---

# 58. Joint Control and Active Perception

2025 Shi、Dorothy、Fu：

> POMDP action 同時可以影響 system dynamics 與 emission / perception，並加入 information gain objective。

這說明：

$$
\boxed{
\text{InformationAcquisition}
}
$$

可以是 planning objective。

---

# 59. Active Perception Foundations

active perception 傳統把：

- when；
- where；
- viewpoint；
- sensor alignment；
- fixation；
- agent pose；

都視為 perception policy。

B05 把：

$$
\boxed{
\text{which epistemic perspective?}
}
$$

加入上層。

---

# 60. Physical Viewpoint vs Semantic Perspective

Robot 的 viewpoint：

> camera pose。

B05 perspective：

> security / runtime / user / architecture。

兩者不同。

但共同點：

$$
\boxed{
\text{observer can actively choose how to expose state.}
}
$$

---

# 61. Next-Best-View

robotics 常選：

$$
view^\ast
=
\arg\max
\text{IG}(view)-\text{Cost}(view).
$$

B05 同型：

$$
P^\ast
=
\arg\max
\text{IG}(P)-\text{Cost}(P).
$$

---

# 62. Non-Myopic Routing

myopic router：

> 看下一步 immediate gain。

但有些 route：

> 第一觀察本身 gain 小，卻開啟後續高價值 evidence。

需要：

$$
\text{Lookahead}.
$$

---

# 63. Example：Architecture First

bug 表面：

> button disabled。

visual perspective：

> 只知道真的 disabled。

architecture perspective：

> 找到 authority state ownership。

第一步較貴，

但後續 repair 更短。

---

# 64. Routing Horizon

定義：

$$
H_P.
$$

低風險：

$$
H_P=1
$$

greedy。

複雜 task：

$$
H_P>1.
$$

---

# 65. Router Planning Cost

lookahead 本身有成本：

$$
C_{router}.
$$

所以不能：

> 每個小 task 做 full POMDP solve。

---

# 66. Adaptive Router Depth

$$
Depth_{router}
=
f(
\text{Risk},
\text{Ambiguity},
\text{TaskHorizon},
\text{Cost}
).
$$

---

# 67. Myopic Default / Non-Myopic Escalation

可以：

```text
default = greedy information gain
if high risk / repeated failure:
    use lookahead
```

---

# 68. Exploration / Exploitation

已知 route：

$$
P_a
$$

通常有效。

未知：

$$
P_b
$$

可能更好。

需要：

$$
\boxed{
\text{explore/exploit.}
}
$$

---

# 69. Exploration Bonus

$$
\boxed{
U'(P_i)
=
U(P_i)
+
\beta \text{Uncertainty}(P_i).
}
$$

---

# 70. 高風險下 Exploration 應降低

production：

$$
\beta\downarrow.
$$

sandbox：

$$
\beta\uparrow.
$$

---

# 71. 但高風險不能完全禁止新 Perspective

如果 known route 反覆失敗，

必須：

$$
\text{ExplorationAllowed}.
$$

否則：

$$
\text{PerspectiveLock}.
$$

---

# 72. Perspective Lock 是 Routing Failure

A07：

$$
\text{RepeatedSameProjection}
+
\text{NoReassessment}
=
\text{PerspectiveLock}.
$$

B05 將其視為：

$$
\boxed{
\text{Router failed to switch despite negative evidence.}
}
$$

---

# 73. Lock Detector

如果：

$$
N_{samePerspective}\uparrow
$$

且：

$$
\text{AmbiguityReduction}\approx0,
$$

觸發：

$$
\boxed{
\text{FORCE\_REASSESS.}
}
$$

---

# 74. Routing Regret

最優 perspective：

$$
P_t^\ast.
$$

實際：

$$
P_t.
$$

regret：

$$
\boxed{
\text{Regret}_t
=
U(P_t^\ast)-U(P_t).
}
$$

---

# 75. Cumulative Routing Regret

$$
\boxed{
R_T
=
\sum_{t=1}^{T}\text{Regret}_t.
}
$$

可評估 router。

---

# 76. 但最優 Perspective 通常事後才知道

所以需要：

- oracle benchmark；
- counterfactual replay；
- off-policy evaluation。

---

# 77. Selection Bias

如果 production router 從不選：

$$
P_j,
$$

就不知道：

> $P_j$ 是否其實更好。

這是：

# Routing Selection Bias

---

# 78. Off-Policy Evaluation

既有 contextual bandit literature：

- IPS；
- doubly robust；
- SWITCH；

可評估 historical routing logs。

B05 不重造這套統計學。

---

# 79. Propensity Provenance

如果要學 router，

每次 decision 應記：

```yaml
candidate_perspectives:
chosen:
propensity:
policy_version:
reward:
```

---

# 80. Deterministic Router 也要 Log

沒有 stochastic propensity，

至少記：

- eligibility；
- ranking；
- reasons。

---

# 81. Cold-Start Perspective

新 perspective 沒 history。

router 可能永遠不選：

$$
\Rightarrow
\text{CapabilityNonIdentifiability}.
$$

需要 controlled exploration。

---

# 82. Provider Starvation 的類比

如果某 Agent / model / perspective 永遠被 routing policy 餓死，

我們無法估計其真實能力。

---

# 83. Perspective Starvation

本文定義：

# Perspective Starvation

若：

$$
P_i
$$

長期 relevant，

但：

$$
P(activate(P_i))\approx0,
$$

則：

> 系統永遠學不到它何時有用。

---

# 84. Exploration Window

可在：

- sandbox；
- low-risk；
- replay；

探索。

---

# 85. Shadow Perspective

像 model routing shadow mode：

主路徑：

$$
P_a
$$

執行。

shadow：

$$
P_b
$$

只觀察／評估，不行動。

---

# 86. Shadow Routing

可用於：

- 評估新 perspective；
- 比較 diagnosis；
- 不增加 production authority risk。

---

# 87. Shadow Cost

仍花：

- compute；
- token；
- tool。

所以 selective。

---

# 88. Perspective Utility 不是固定

$$
U(P_i,t)
$$

隨：

- world；
- model；
- tool；
- version；

漂移。

---

# 89. Perspective Drift

以前：

$$
P_i
$$

有用。

工具改版後：

$$
IG\downarrow.
$$

所以 router 需：

$$
\boxed{
\text{CapabilityDriftMaintenance}.
}
$$

---

# 90. Tool Drift

例如 browser automation 失效，

visual perspective 成本上升。

---

# 91. Model Drift

新模型：

> 更擅長 architecture。

routing prior 應更新。

---

# 92. Environment Drift

產品：

> 從 desktop 變 mobile。

UX / visual route importance 改變。

---

# 93. Routing Policy Version

$$
\pi_t^P.
$$

每次更新：

- version；
- training data；
- evaluation。

---

# 94. Global Observer 是 Router

B02：

$$
\text{GlobalObserver}
=
MetaController(
\text{roles},
\text{observations},
\text{resolution}
).
$$

B05 具體化：

$$
\boxed{
\text{GlobalObserver}
=
\text{PerspectiveRouter}
+
\text{BeliefUpdater}
+
\text{RouteMemory}.
}
$$

---

# 95. Global Observer 不是 Super-Architect

如果 router 永遠選：

$$
P_{architecture},
$$

它只是：

> architecture-centric agent。

---

# 96. Global Observer 的第一能力

$$
\boxed{
\text{KnowCurrentPerspective}.
}
$$

---

# 97. 第二能力

$$
\boxed{
\text{KnowAvailablePerspectives}.
}
$$

---

# 98. 第三能力

$$
\boxed{
\text{KnowWhyCurrentPerspectiveMayBeInsufficient}.
}
$$

---

# 99. 第四能力

$$
\boxed{
\text{SwitchAtTheRightTime}.
}
$$

---

# 100. 第五能力

$$
\boxed{
\text{ReturnAfterLocalInspection}.
}
$$

否則每次 switch 都丟主 task。

---

# 101. Perspective Stack

```text
implementation
  PUSH visual
    PUSH runtime
    POP runtime
  POP visual
implementation
```

---

# 102. Stack vs Switch

`PUSH`：

> 暫時 subsidiary question。

`SWITCH`：

> 主問題重定位。

---

# 103. Example：UI Defect

Current：

$$
P_{implementation}.
$$

trigger：

> UI-affecting change。

router：

$$
PUSH(P_{visual}).
$$

screenshot FAIL。

再：

$$
PUSH(P_{interaction}).
$$

找到 focus issue。

修復後 POP。

---

# 104. Example：Repeated Memory Bug

Current：

$$
P_{implementation}.
$$

三次 patch 同類 failure。

router：

$$
EXPAND(P_{architecture}).
$$

發現 ownership flaw。

---

# 105. Example：Architecture to Substrate

同類 lifetime bug 跨多 module 重複。

router：

$$
\text{architecture}
\rightarrow
\text{substrate}.
$$

這就是 Global-First：

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

---

# 106. Causal Escalation 是 Perspective Routing

這條舊方法其實就是：

$$
\boxed{
\text{scale-conditioned perspective switch.}
}
$$

---

# 107. Example：Payment

current：

$$
P_{backend}.
$$

backend PASS，

user still wrong。

router：

$$
P_{end2end}
$$

或：

$$
P_{transaction}.
$$

---

# 108. Example：Game

programmer / designer 都 PASS，

玩家說 attack unreadable。

router：

$$
P_{player}.
$$

---

# 109. Example：Security

ordinary local feature，

不觸碰：

- auth；
- untrusted input；
- secret。

security：

$$
INACTIVE.
$$

這是：

$$
\boxed{
\text{deliberate non-activation.}
}
$$

---

# 110. Risk Trigger

如果 change：

> touches credential boundary。

security perspective：

$$
MANDATORY.
$$

不是 utility 可選項。

---

# 111. Mandatory Perspective Set

$$
\boxed{
\mathcal P_{must}
=
f(
\text{Risk},
\text{Policy},
\text{Authority},
\text{Compliance}
).
}
$$

---

# 112. Optional Perspective Set

其餘：

$$
\mathcal P_{opt}.
$$

用：

$$
IG/Cost.
$$

選。

---

# 113. Mandatory ≠ Deep

security mandatory，

可能只需：

$$
\text{skim}.
$$

深度仍由 risk 決定。

---

# 114. Perspective Activation Intensity

$$
a_i\in[0,1].
$$

Router 不只選：

> on/off。

也可選：

- skim；
- focused；
- deep。

---

# 115. Two-Dimensional Routing

$$
\boxed{
(P_i,a_i).
}
$$

---

# 116. Perspective + Resolution Routing

B03：

$$
\rho.
$$

所以更完整：

$$
\boxed{
(P_i,\boldsymbol\rho_i).
}
$$

---

# 117. Perspective + Reasoning Routing

B04：

$$
B_R.
$$

再完整：

$$
\boxed{
(P_i,\rho_i,B_R).
}
$$

---

# 118. B06 將整合完整 Action

B06：

$$
\boxed{
\text{Perspective}
+
\text{Modality}
+
\text{Scope}
+
\text{Resolution}
+
\text{Reasoning}
+
\text{Reobservation}.
}
$$

---

# 119. Router Hierarchy

不要一個 mega-router 同時爆炸搜索所有組合。

可分層：

1. need type；
2. perspective；
3. modality/tool；
4. resolution；
5. executor/model。

---

# 120. Hierarchical Routing

$$
\boxed{
\pi
=
\pi_P
\circ
\pi_M
\circ
\pi_R
\circ
\pi_E.
}
$$

---

# 121. Hierarchical 好處

- search space 小；
- easier audit；
- easier hard constraints；
- modular learning。

---

# 122. 但 Hierarchy 會 Propagate Error

如果 perspective 選錯，

後面全部最佳化錯方向。

所以：

$$
\boxed{
\text{ReassessmentLoop}
}
$$

必要。

---

# 123. Route Reassessment

取得新 evidence 後：

$$
P_t^\ast
$$

可能改變。

所以：

$$
\boxed{
\text{Routing}
}
$$

不是一次性 planning。

---

# 124. Closed-Loop Router

$$
\text{State}
\rightarrow
\text{Route}
\rightarrow
\text{Evidence}
\rightarrow
\text{Belief}
\rightarrow
\text{ReRoute}.
$$

---

# 125. Open-Loop Router

一開始決定：

```text
roles = [A,B,C,D]
```

之後不改。

這只是：

$$
\text{StaticPlan}.
$$

---

# 126. Router Trigger：Persistent Uncertainty

若：

$$
U_t
$$

長期不降，

reassess。

---

# 127. Trigger：Cross-Boundary Anomaly

A03：

> relation failure。

router：

> 加 boundary perspective。

---

# 128. Trigger：Repeated Same-Class Failure

$$
n_F>\tau.
$$

升 causal scale。

---

# 129. Trigger：Expert-Level Surprise

A07：

$$
\text{ExpertSurprise}
\Rightarrow
\text{PerspectiveReassessment}.
$$

---

# 130. Trigger：Risk Escalation

blast radius 變大。

啟動 mandatory perspective。

---

# 131. Trigger：Stale Belief

evidence old。

可能切：

$$
\text{runtime/freshness}.
$$

---

# 132. Trigger：Low Validation Yield

same verifier：

$$
\Delta I\approx0.
$$

換 perspective。

---

# 133. Trigger：Contradiction

cross-role / cross-modal disagreement。

啟動 reconciliation perspective。

---

# 134. Trigger：Authority Transition

從 local：

$$
\rightarrow \text{production}.
$$

啟動：

- authority；
- runtime；
- rollback。

---

# 135. Router Exit Condition

perspective 不應永久 active。

退出當：

- concern closed；
- evidence sufficient；
- marginal IG low；
- task returned to parent。

---

# 136. Exit 不是 Forget

close：

$$
P_i
$$

但保存：

- evidence；
- verdict；
- reopen conditions。

---

# 137. Reopen Condition

如果：

$$
\text{Affected}(\Delta X,P_i)=1,
$$

reopen。

---

# 138. Route Oscillation

```text
implementation
↔ architecture
↔ implementation
↔ architecture
```

可能 thrash。

---

# 139. Hysteresis

設定：

$$
\text{Threshold}_{enter}
>
\text{Threshold}_{exit}.
$$

避免噪音切換。

---

# 140. Minimum Dwell Time

某 perspective：

$$
T_{dwell}\ge\tau
$$

除非 critical trigger。

---

# 141. But Dwell Time 不能變 Ceremony

低價值 perspective 不應因：

> 還沒待滿三輪

強迫繼續。

hysteresis 是穩定器，不是流程義務。

---

# 142. Switch Penalty

utility 中：

$$
-\mu C_{switch}.
$$

能自然抑制 oscillation。

---

# 143. Stack Depth Limit

避免：

```text
PUSH
  PUSH
    PUSH
      PUSH...
```

需要：

$$
D_{stack}\le D_{max}
$$

或 flatten / summarize。

---

# 144. Context Compression on Switch

切 perspective 時：

> 不需帶全部 previous text。

只帶：

- macro state；
- relevant evidence；
- unresolved；
- provenance。

---

# 145. Perspective Handoff Packet

```yaml
handoff:
  macro_object:
  current_claim:
  evidence:
  unknowns:
  conflict:
  parent_perspective:
  expected_question:
```

---

# 146. Handoff Loss

B02 已指出 translation loss。

因此 packet：

> 保留 evidence refs，不只 summary。

---

# 147. Same-Agent Perspective Switch

不需要 handoff message，

但仍應：

> explicit internal state change。

否則 Role Drift。

---

# 148. Perspective State Trace

```yaml
t1:
  perspective: implementation
t2:
  action: PUSH
  perspective: visual
t3:
  action: POP
```

---

# 149. Trace 用於 Router Evaluation

可以問：

- 切太多？
- 太晚切？
- 哪個 route 找到 root cause？

---

# 150. Route Attribution

task 成功後，

不能把所有 credit 給 final perspective。

可分析：

- which perspective reduced uncertainty；
- which evidence changed decision。

---

# 151. Semantic Cooperative Attribution 近鄰

2026 multi-agent contribution attribution 已開始研究 ordered workflows 中各 agent stage 的 contribution。

B05 可類似追：

$$
\text{Contribution}(P_i).
$$

---

# 152. 但 Attribution 不是 Routing 本體

它用於：

- learning；
- cost allocation；
- evaluation。

---

# 153. Perspective Value Drift

一個 perspective 長期：

$$
\text{Contribution}\approx0.
$$

可降 activation prior。

---

# 154. Perspective Retirement

如果：

- obsolete；
- redundant；
- tool gone；

可 retire。

---

# 155. Perspective Discovery

如果 recurring anomaly 沒有任何 role 能解釋，

建立 candidate：

$$
P_{new}.
$$

---

# 156. Discovery Trigger

$$
\text{UnexplainedResidual}\uparrow.
$$

---

# 157. New Perspective 必須證明 Marginal Value

不是：

> 想到新角色名稱。

而：

$$
\Delta\text{Distinguishability}>0.
$$

---

# 158. Perspective Merge

若：

$$
D_O(P_i,P_j)\approx0
$$

長期，

merge。

---

# 159. Registry Evolution

所以：

$$
\mathcal P_t
$$

本身可：

$$
\text{evolve}.
$$

---

# 160. Router 與 Organizational Design

傳統：

```text
team = fixed roles
```

AI：

```text
team = dynamic perspective topology
```

---

# 161. Dynamic Team Topology

同一 task：

- 一開始 1 Agent；
- anomaly 後 + visual perspective；
- high risk 後 + independent security verifier；
- closure 後收縮回 1 Agent。

---

# 162. Adaptive Organizational Topology

$$
\boxed{
\text{TeamTopology}_t
=
f(
\text{Risk},
\text{Unknown},
\text{PerspectiveNeed}
).
}
$$

---

# 163. Multi-Agent 只是 Perspective Execution Strategy

因此：

$$
\boxed{
\text{MultiAgent}
}
$$

應在：

$$
\text{PerspectiveSeparationValue}
>
\text{CoordinationCost}
$$

時使用。

---

# 164. A08 的 Homogeneous Green Guard

如果新增 Agent：

$$
O_{new}\approx O_{old},
$$

router 應知道：

> epistemic marginal value 低。

---

# 165. Perspective Diversity Reward

可加入：

$$
DiversityGain(P_i).
$$

但不能盲目追 diversity。

---

# 166. Diversity 是為了減少 Common-Mode Error

不是：

> 故意讓大家意見不同。

---

# 167. Reconciliation Perspective

當 conflict：

$$
P_i,P_j
$$

不一致，

有時需要：

$$
P_{bridge}.
$$

例如：

- end-to-end；
- transaction；
- user journey；
- macro architecture。

---

# 168. Bridge Perspective

它的作用：

> 看兩個 projection 之間的 relation。

---

# 169. A03 Relation Failure 對接

兩 components 都 PASS，

edge FAIL。

Bridge perspective：

$$
O_{edge}.
$$

---

# 170. Perspective Routing 不只在 Node，也在 Edge

Registry 可包含：

- node perspectives；
- boundary perspectives；
- macro perspectives。

---

# 171. Boundary Perspective

例如：

$$
P_{frontend\leftrightarrow backend}.
$$

關心：

- contract；
- timing；
- state sync。

---

# 172. Macro Perspective

例如：

$$
P_{end2end}.
$$

關心：

- mission outcome；
- user-visible whole path。

---

# 173. Perspective Scale

每 perspective 有：

$$
Scale(P_i)
\in
\{micro,meso,macro,meta\}.
$$

---

# 174. Scale Routing

Repeated local failure：

$$
micro\rightarrow meso\rightarrow macro.
$$

---

# 175. Scale Contract

root cause identified：

$$
macro\rightarrow micro.
$$

---

# 176. Meta Perspective

Router 自己：

> 現在哪個 perspective？

這是：

$$
P_{meta}.
$$

---

# 177. Meta Perspective 不應永久耗大量 token

可作：

- small state vector；
- lightweight controller。

---

# 178. Global Mind, Local Lens

本文提出：

$$
\boxed{
\textbf{
Global Mind, Local Lens.
}
}
$$

全域 Agent 維持：

- macro awareness；
- registry；
- unknowns。

但每一刻只用：

$$
\boxed{
one or a few local lenses.
}
$$

---

# 179. Global Mind 不等於 Global Context

只需：

- skeleton；
- routeable map；
- evidence links。

不是：

> 把全世界 tokens 放 context。

---

# 180. Local Lens 不等於 Local Mind

雖然 current observation 局部，

Agent 仍知道：

> 這只是局部。

這就是 globality。

---

# 181. Router State Compactness

Meta state 可以：

```yaml
goal:
current_perspective:
unknowns:
risk:
conflicts:
mandatory_perspectives:
budget:
```

很小。

---

# 182. Perspective Routing 的 Token Advantage

與 all-perspectives-always-on 相比：

$$
TokenCost\downarrow.
$$

---

# 183. Perspective Routing 的 Latency Advantage

不跑不必要：

- Agent；
- tools；
- audits。

---

# 184. Perspective Routing 的 Quality Advantage

必要時：

> 能真正切出原本 blind spot。

---

# 185. Router False Positive

啟動不必要 perspective。

成本增加。

---

# 186. Router False Negative

漏啟必要 perspective。

escaped defect。

---

# 187. Router Precision / Recall

required perspectives：

$$
\mathcal P^\ast.
$$

selected：

$$
\hat{\mathcal P}.
$$

可測：

$$
Precision_P,
Recall_P.
$$

---

# 188. Router F1 不是最終 Metric

高風險 perspective false negative 比 false positive 更嚴重。

需要：

$$
\text{CostSensitive}.
$$

---

# 189. Weighted Loss

$$
\boxed{
L
=
w_{FN}FN
+
w_{FP}FP
+
w_CCost
+
w_SSwitchCost.
}
$$

---

# 190. High-Risk Recall Floor

security-critical：

$$
Recall_{security}\ge\tau.
$$

---

# 191. Low-Risk Precision

普通 task：

> 避免角色膨脹。

提高：

$$
\text{Precision}.
$$

---

# 192. Router Calibration

輸出：

```text
P_visual: 0.75 expected value
P_runtime: 0.52
P_security: mandatory false
```

可 audit。

---

# 193. Confidence ≠ Authority

即使 router 99% 想：

> production logs useful，

仍需：

$$
\text{AuthorityCheck}.
$$

---

# 194. Authority-Gated Routing

$$
\boxed{
\text{RouteProposal}
\rightarrow
\text{AuthorityGate}
\rightarrow
\text{Observation}.
}
$$

---

# 195. Privacy-Aware Routing

某 perspective 需要：

- sensitive data。

若：

$$
\text{privacy constraint}
$$

不允許，

route rejected。

---

# 196. Fallback Perspective

如果最佳：

$$
P_1
$$

不可用，

fallback：

$$
P_2.
$$

---

# 197. Safe Degradation

fallback 可降低：

- resolution；
- completeness。

不能突破：

- authority；
- privacy；
- legal。

---

# 198. Perspective Fallback Receipt

```yaml
requested: production_runtime
blocked_by: no_permission
fallback: staging_runtime
degraded: true
```

---

# 199. Degraded Evidence 必須標

不要：

> staging PASS

直接宣稱：

> production PASS。

---

# 200. Route Outcome Status

```text
SUCCESS
PARTIAL
DEGRADED
BLOCKED
NO_GAIN
```

---

# 201. NO_GAIN 很重要

Perspective 被啟動，

但沒有新 information。

記：

$$
NO\_GAIN.
$$

以便 future routing。

---

# 202. Exploration Outcome

unknown perspective：

- maybe useful；
- no gain。

不是 failure。

是 learning signal。

---

# 203. Route Reward

可包含：

$$
\text{Reward}
=
\Delta Ambiguity
+
\Delta RiskClosure
+
\Delta DecisionQuality
-
\text{Cost}.
$$

---

# 204. Long-Term Reward

再加：

$$
\gamma FutureReuse.
$$

---

# 205. Router 不應 Optimize Finding Count

Perspective 啟動後找出 20 issues，

不一定有 20 value。

A05：

$$
Finding\neq Obligation.
$$

---

# 206. Routing Reward 應看 Decision Contribution

$$
\boxed{
\Delta MissionClosure
}
$$

比：

$$
\text{FindingCount}.
$$

重要。

---

# 207. Router 不應被 Process Proxy 污染

A04：

> 多走流程不等於 progress。

所以：

$$
N_{perspective\ switches}
$$

也不是好 KPI。

---

# 208. Optimal Router 可能一整個 task 都 KEEP

如果 current perspective 足夠：

$$
KEEP.
$$

這是成熟，不是沒路由。

---

# 209. Router 不應被「高階感」誘惑

architecture perspective 聽起來高階。

但 local typo：

$$
P_{implementation}.
$$

就夠。

---

# 210. Perspective Prestige Bias

系統若偏好：

> architect / security / meta

可能：

$$
\text{OverRouting}.
$$

---

# 211. Cheap Perspective Bias

反過來永遠選：

- code；
- unit test；

因成本低，

可能：

$$
\text{UnderRouting}.
$$

---

# 212. Cost-aware 不等於 Cost-minimizing

選：

$$
\boxed{
utility/cost,
}
$$

不是：

$$
\boxed{
min cost only.
}
$$

---

# 213. Perspective Opportunity Cost

啟動：

$$
P_i
$$

表示：

> 暫不啟動 $P_j$。

所以 budget scarce 時：

$$
\text{OpportunityCost}.
$$

---

# 214. Parallel Perspectives

若：

- independent；
- high value；
- low coordination；

可並行：

$$
P_i\parallel P_j.
$$

---

# 215. 何時並行？

$$
\boxed{
\text{Parallel}
}
$$

若：

- low dependency；
- independent evidence；
- wall-clock valuable。

---

# 216. 何時序列？

如果：

$$
Evidence(P_i)
$$

會決定是否需要：

$$
P_j,
$$

先：

$$
P_i\rightarrow P_j.
$$

---

# 217. Conditional Routing

```text
visual PASS
→ no UX escalation

visual FAIL
→ interaction perspective
```

---

# 218. Branching Perspective Graph

routing 不必線性。

$$
G_P=(P,E).
$$

edge 帶：

- trigger；
- condition；
- cost。

---

# 219. Perspective DAG

某 task：

```text
implementation
├─ visual
│  └─ interaction
└─ runtime
   └─ architecture
```

---

# 220. Routing Graph 可以被學習

從 historical traces：

- which paths close fastest；
- where loops happen。

---

# 221. Routing Graph 也可人工設計

高風險流程：

- mandatory edges；
- authority gates。

---

# 222. Hybrid Routing Graph

$$
\boxed{
\text{HardPolicyGraph}
+
\text{AdaptiveSoftEdges}.
}
$$

---

# 223. Hard Edge

credential touched：

$$
\rightarrow security.
$$

---

# 224. Soft Edge

UI changed：

$$
P(visual)=0.8.
$$

---

# 225. Router Layer 不等於 Workflow Engine

Workflow engine：

> steps。

Perspective router：

> epistemic direction。

它可以在 workflow 任意 phase 中切。

---

# 226. Same Workflow / Different Perspective

implementation phase 中：

$$
P_{visual}
$$

可 active。

所以：

$$
\boxed{
\text{Phase}
\neq
\text{Perspective}.
}
$$

---

# 227. Same Perspective / Different Phase

security perspective：

- design；
- implement；
- deploy；

都可以用。

---

# 228. This Breaks Phase-Lock

B05 有助於解 A04：

> workflow 不必把 role 綁 phase。

---

# 229. Router 與 Skill Library

B02：

$$
Role\neq Skill.
$$

B05：

Perspective router 先選：

$$
P.
$$

Skill router 再選：

$$
S.
$$

---

# 230. Example：Security

Perspective：

$$
P_{security}.
$$

skill 可：

- threat model；
- static scan；
- abuse case。

---

# 231. Tool Router

skill：

> static scan。

tool：

> Semgrep / CodeQL / custom.

不同 layer。

---

# 232. Executor Router

perspective：

> visual UX。

executor：

> same model with browser / vision。

不一定：

> UX Agent。

---

# 233. Model Router

如果：

- cheap model 足夠 visual scan；

用 cheap。

deep issue：

> frontier model。

---

# 234. Perspective Routing 能降低模型成本

先決定：

> 不需要某 perspective，

就不必：

> route expensive specialist model。

---

# 235. AgentRouter 與 B05 可組合

$$
B05:
Need\rightarrow Perspective
$$

$$
AgentRouter:
Perspective/Task\rightarrow Agent
$$

---

# 236. RouterHGC 與 B05 可組合

其 heterogeneous graph：

- role；
- model；
- collaboration。

B05 可以提供：

> epistemic state / perspective node。

---

# 237. Perspective Routing Benchmark

建立 task corpus：

- defect class hidden；
- necessary perspective known。

測：

1. selected perspective；
2. time to root cause；
3. cost；
4. escaped defect。

---

# 238. Benchmark Classes

## P-L1

single local code issue。

## P-L2

visual issue。

## P-L3

runtime state issue。

## P-L4

cross-boundary relation issue。

## P-L5

architecture issue。

## P-L6

security / authority issue。

---

# 239. Control A

fixed implementer perspective。

---

# 240. Control B

all perspectives always on。

---

# 241. Treatment

dynamic router。

---

# 242. Hypothesis

Dynamic：

$$
Cost_{dynamic}
<
Cost_{all-on}
$$

且：

$$
Success_{dynamic}
>
Success_{fixed}.
$$

---

# 243. Routing Delay

測：

$$
T_{needed}
-
T_{activate}.
$$

router 越晚切，

repair cost 越高。

---

# 244. Perspective Switch Precision

切換中：

$$
\text{UsefulSwitchRate}.
$$

---

# 245. Perspective Switch Recall

需要切時：

$$
\text{SwitchOccurred}.
$$

---

# 246. Lock Escape Rate

PerspectiveLock 出現後：

$$
\boxed{
LER
=
P(
\text{router escapes lock}
).
}
$$

---

# 247. Reopen Accuracy

closed perspective 被 affected change 影響時，

是否正確 reopen。

---

# 248. Over-Reopen Rate

不相關 edit，

不應 reopen 所有 perspective。

---

# 249. Perspective Routing Regret

用 oracle：

$$
R_T.
$$

---

# 250. Cost-Normalized Closure

$$
\boxed{
\eta_P
=
\frac{
\text{MissionClosureGain}
}{
\text{PerspectiveRoutingCost}
}.
}
$$

---

# 251. Route Diversity

不是 KPI，

但可測：

> router 是否永遠 code-only。

---

# 252. Coverage by Failure Domain

看：

- visual；
- runtime；
- authority；

是否曾被正確啟動。

---

# 253. Shadow Benchmark

production 不敢動態路由，

先：

> shadow predict perspective。

比較 human / postmortem。

---

# 254. Router Explainability

輸出：

```yaml
selected: runtime
reason:
  - stale state suspected
  - same code tests pass
  - user-visible outcome differs
expected_gain:
  - distinguish stale-cache vs logic-defect
```

---

# 255. Explainability 有兩個用途

1. audit；
2. debugging router。

---

# 256. 但 Explanation 不是 Ground Truth

router 的 reason 可以錯。

要用 outcome 校正。

---

# 257. Route Receipt

```yaml
route:
  state_version:
  current_perspective:
  candidates:
  selected:
  hard_constraints:
  expected_gain:
  switch_cost:
  authority:
  policy_version:
```

---

# 258. Route Result Receipt

```yaml
result:
  perspective:
  evidence:
  realized_gain:
  decision_changed:
  closed_unknowns:
  residual:
```

---

# 259. Expected vs Realized Gain

$$
\hat{IG}
$$

vs：

$$
IG_{real}.
$$

difference：

$$
\delta_{route}.
$$

---

# 260. Router Calibration

長期：

$$
E[\delta_{route}]\rightarrow0.
$$

---

# 261. False High-Gain Perspective

router 常高估：

> architecture review。

實際 no gain。

prior 應降。

---

# 262. Hidden High-Gain Perspective

router 不常選：

> player perspective。

偶爾一次發現 critical issue。

應增加 future weight。

---

# 263. Counterfactual Routing

offline：

> 如果當時先 visual，是否更快？

需要：

- replay；
- benchmark；
- shadow logs。

---

# 264. Historical Selection Bias

只看被選 route 的 reward，

容易誤學。

這就是 off-policy evaluation 的價值。

---

# 265. Router 可先 Rule-Based

不用一開始 RL。

例如：

```text
if UI-affecting:
    candidate += visual

if repeated local failure:
    candidate += architecture

if expected != observed:
    candidate += runtime
```

---

# 266. Rule-Based 優點

- audit；
- deterministic；
- easy bootstrap。

---

# 267. Learned Router 後加入

資料夠後：

$$
\pi_\theta.
$$

---

# 268. Hybrid Router

mandatory rules：

$$
\text{Hard}.
$$

learned ranking：

$$
\text{Soft}.
$$

---

# 269. Perspective Routing 與 Safety

不能：

> learned router 認為 security 不划算，

就 skip mandatory security gate。

---

# 270. Safety Floor

$$
\boxed{
\mathcal P_{must}
\subseteq
\mathcal P_{active}.
}
$$

---

# 271. Perspective Routing 與 User Intent

用戶可要求：

> 不要做 security deep dive。

若無 mandatory policy，

router 應尊重 scope。

---

# 272. User Preference ≠ Safety Override

反之有 mandatory gate，

不能由 soft preference 移除。

---

# 273. Perspective Routing 與 Human Authority

Router 可以：

> suggest human perspective。

例如：

- product value；
- legal；
- taste；
- irreversible decision。

---

# 274. Human Perspective 是一個合法 Operator

不是 fallback only。

---

# 275. Human Attention 有成本

$$
C_{human}\gg0.
$$

所以：

> 只在 marginal value 高時 escalate。

---

# 276. Human Escalation Rule

$$
\boxed{
\text{ExpectedDecisionValue}(human)
>
\text{HumanAttentionCost}
}
$$

或 mandatory authority。

---

# 277. Human Perspective 也可能被 AI Summary 污染

若 human 只看 AI summary，

independence 低。

高風險時：

> 提供 primary evidence。

---

# 278. Perspective Router 與 Twin

Twin 不是 default。

如果：

$$
RiskReduction>TwinCost,
$$

啟動：

$$
P_{independent\ challenge}.
$$

---

# 279. Twin Perspective 不是「第二個同 role」

最好：

- different evidence；
- different falsifier。

---

# 280. Perspective Router 與 Homogeneous Green

如果：

$$
P_{new}\approx P_{current},
$$

router 應 penalize redundancy。

---

# 281. Redundancy Penalty

$$
\boxed{
U'(P_i)
=
U(P_i)
-
\kappa Overlap(P_i,\mathcal P_{active}).
}
$$

---

# 282. 但重複可提升 Confidence

高風險：

> independent same-property measurement

仍有 reliability value。

所以 redundancy penalty 非絕對。

---

# 283. Confidence vs Resolution

B03：

$$
Resolution\neq Confidence.
$$

router 可選：

- complementary perspective：提高 resolution；
- redundant independent perspective：提高 confidence。

---

# 284. Router 要知道現在缺哪個

如果：

$$
\text{AmbiguityHigh},
$$

優先 complement。

如果：

$$
\text{AmbiguityLow},\text{ConfidenceLow},
$$

可能重複獨立驗證。

---

# 285. Perspective Objective Types

每次 activation 標：

```text
DISCOVER
DISAMBIGUATE
VERIFY
CHALLENGE
RECONCILE
AUTHORIZE
```

---

# 286. DISCOVER

找 unknown。

---

# 287. DISAMBIGUATE

拆 hypotheses。

---

# 288. VERIFY

確認 claim。

---

# 289. CHALLENGE

找 falsifier。

---

# 290. RECONCILE

處理 cross-perspective conflict。

---

# 291. AUTHORIZE

人類／policy boundary。

---

# 292. 這讓 Perspective Routing 不再只有一種 Utility

不同 objective：

$$
U_i
$$

不同。

---

# 293. Perspective Objective 也可 Sequence

```text
DISCOVER
→ DISAMBIGUATE
→ VERIFY
```

---

# 294. Router 與 Closure

當：

$$
\text{NoMaterialUnknown}
$$

且：

$$
\text{NoConflict}
$$

且：

$$
\text{RiskCovered},
$$

不需要更多 perspective。

---

# 295. Perspective Saturation

如果新增：

$$
P_i
$$

都：

$$
IG\approx0,
$$

close routing。

---

# 296. Cross-Perspective Closure 留給 B07

B05 只決定：

> 下一個 perspective。

B07 決定：

> 多 perspective evidence 如何收束成 macro completion。

---

# 297. B06 會把 Routing 落入 APR

B06：

$$
\text{Perspective}
\rightarrow
\text{Modality}
\rightarrow
\text{Evidence}
$$

完整 runtime。

---

# 298. B05 的主要失敗模式

## PR-F1 — Perspective Lock

永遠不切。

## PR-F2 — Perspective Thrash

切太頻繁。

## PR-F3 — All-On Inflation

全部開。

## PR-F4 — Prestige Bias

永遠 meta/architect。

## PR-F5 — Cheap-View Bias

永遠 code/test。

## PR-F6 — Agent/Model Confusion

把選 Agent 當選 perspective。

## PR-F7 — Authority Leakage

高 IG 就越權觀察。

## PR-F8 — Exploration Starvation

新 perspective 永遠沒機會。

## PR-F9 — Route Memory Staleness

舊 route 在新 world 失效。

## PR-F10 — Redundant Perspective Scaling

多 Agent 同 projection。

---

# 299. PR-F11 — Premature Bridge

還沒確定 conflict semantics，

就用 macro perspective 壓平差異。

---

# 300. PR-F12 — Route Reward Misalignment

以 finding count / switch count 當 reward。

---

# 301. 可否證條件一

如果 dynamic routing：

$$
Cost\ge AllOn
$$

且：

$$
Success\le AllOn,
$$

沒有價值。

---

# 302. 可否證條件二

如果 fixed workflow 在絕大多 task：

$$
\approx
$$

dynamic router，

controller complexity 不值得。

---

# 303. 可否證條件三

如果 perspective selection 不比 direct agent/model routing 更能預測 task success，

Perspective layer 可能是多餘 abstraction。

---

# 304. 可否證條件四

如果 historical routing logs 無法學出穩定 task→perspective pattern，

可能需要更強 online / structural reasoning，而不是 data-driven router。

---

# 305. H1 — Dynamic vs Fixed

$$
Success_{dynamic}
>
Success_{fixed}
$$

在 mixed-domain tasks。

---

# 306. H2 — Dynamic vs All-On

$$
Cost_{dynamic}
<
Cost_{allon}
$$

保持：

$$
Quality\approx.
$$

---

# 307. H3 — Perspective-First vs Agent-First

先選 perspective，

再選 agent，

在 heterogeneous tool/task setting 中應降低 wrong-specialist routing。

---

# 308. H4 — Lock Escape

repeated same-class failure 時，

dynamic router 應比 fixed workflow 更快：

$$
micro\rightarrow architecture.
$$

---

# 309. H5 — Risk-Adaptive Mandatory Perspective

high-risk false negatives 降低。

---

# 310. H6 — Route Memory

hot route compilation 應降低 latency，

但需 freshness / authority guard。

---

# 311. H7 — Exploration

低風險 shadow exploration 可發現 previously starved useful perspectives。

---

# 312. H8 — Hysteresis

加入 switch cost / hysteresis 應降低 thrashing，

而不顯著增加 missed switch。

---

# 313. H9 — Redundancy-Aware Routing

相比 naive multi-agent：

$$
TokenCost\downarrow
$$

且 independent evidence quality 不降。

---

# 314. H10 — Conflict-Triggered Bridge

cross-role contradiction 發生時，

bridge perspective 可降低 unresolved conflicts。

---

# 315. Perspective Routing Benchmark Schema

```yaml
task:
  id:
  macro_object:
  hidden_failure_domain:
  required_perspectives:
  optional_perspectives:
  forbidden_perspectives:
  risk:
  budget:
```

---

# 316. Trace

```yaml
routing_trace:
  - state:
    selected:
    reason:
    expected_gain:
    realized_gain:
    evidence:
    next:
```

---

# 317. Metrics

- task success；
- mission closure；
- perspective precision / recall；
- switch count；
- switch regret；
- token / tool / latency cost；
- lock escape；
- false activation；
- missed mandatory role；
- realized IG；
- final conflict count。

---

# 318. Route Efficiency

$$
\boxed{
\eta_{route}
=
\frac{
\text{DecisionRelevantAmbiguityReduction}
}{
\text{Routing}+\text{PerspectiveCost}
}.
}
$$

---

# 319. Closure Efficiency

$$
\boxed{
\eta_{closure}
=
\frac{
\text{MissionClosureGain}
}{
\text{TotalEpistemicCost}
}.
}
$$

---

# 320. B05 Runtime Schema

```yaml
perspective_router:
  state:
    goal:
    macro_state:
    current_perspective:
    unknowns:
    conflicts:
    risk:
    budget:
    authority:

  candidates:
    - perspective:
      eligible:
      mandatory:
      expected_gain:
      switch_cost:
      risk_reduction:
      future_value:

  action:
    type: PUSH
    perspective: visual
    reason:
      - user-visible change
      - no rendered evidence
```

---

# 321. Perspective Action Receipt

```yaml
perspective_action:
  from: implementation
  action: PUSH
  to: visual
  trigger: ui-affecting-change
  expected_question:
    - is the control actually visible?
  exit:
    - fresh screenshot verified
```

---

# 322. Route Result

```yaml
perspective_result:
  perspective: visual
  status: SUCCESS
  realized_gain:
    - discovered modal occlusion
  evidence:
    - browser://screenshot/...
  next_recommendation:
    - implementation
```

---

# 323. Route Learning Record

```yaml
route_learning:
  pattern: css-layout
  perspective: visual
  success_rate:
  median_cost:
  last_validated:
```

---

# 324. Perspective Graph Schema

```yaml
edges:
  implementation:
    visual:
      trigger: ui-change
    architecture:
      trigger: repeated-structural-failure
  visual:
    interaction:
      trigger: static-pass-dynamic-fail
```

---

# 325. Hard Policy

```yaml
mandatory:
  auth-boundary-change:
    - security
    - authority
```

---

# 326. Soft Policy

```yaml
candidate:
  ui-change:
    visual: 0.8
    ux: 0.4
```

---

# 327. Global Observer Runtime

```text
Macro World Model
↓
Unknown / Conflict / Risk
↓
Perspective Router
↓
Perspective Action
↓
APR / Evidence Acquisition
↓
Belief Revision
↓
Route Reassessment
↓
Cross-Perspective Closure
```

---

# 328. B05 與 B01 的整合

B01：

$$
X
$$

是 macro-object。

B05：

> routing 不能只看 local symptom，

應看：

$$
\hat X_t.
$$

---

# 329. B05 與 B02

B02 定義：

$$
O_r.
$$

B05 選：

$$
O_r^\ast.
$$

---

# 330. B05 與 B03

B03 定義：

$$
IG_Q.
$$

B05 用它作 routing utility。

---

# 331. B05 與 B04

B04 先判：

> 現在需要 OBSERVE 還是 REASON？

若：

$$
OBSERVE,
$$

B05 再判：

> 從哪個 perspective observe？

---

# 332. B05 與 B06

B06 再判：

> perspective 下用哪 modality / scope / resolution / sampling？

---

# 333. B05 與 B07

B07：

> 何時所有 relevant perspective 足以 closure？

---

# 334. Series B Control Stack

因此：

$$
\boxed{
\text{MacroObject}
\rightarrow
\text{Perspective}
\rightarrow
\text{Resolution}
\rightarrow
\text{Reason/Observe}
\rightarrow
\text{Route}
\rightarrow
\text{Perception}
\rightarrow
\text{Closure}.
}
$$

順序不是一次 pipeline，

而是 closed loop。

---

# 335. 更精確 Closed Loop

$$
\boxed{
\hat X_t
\rightarrow
Need_t
\rightarrow
P_t
\rightarrow
Observation_t
\rightarrow
\hat X_{t+1}
\rightarrow
Need_{t+1}.
}
$$

---

# 336. Globality v0.4

B01：

MacroObjectAwareness。

B02：

OperatorAwareness。

B03：

ResolutionAwareness。

B04：

Reasoning–Observation Balance。

B05：

$$
\boxed{
\text{DynamicRoutingCapacity}.
}
$$

---

# 337. Series B Globality

至此：

$$
\boxed{
\text{Globality}
=
\text{MacroObjectAwareness}
+
\text{OperatorAwareness}
+
\text{ResolutionControl}
+
\text{ReasoningObservationBalance}
+
\text{DynamicPerspectiveRouting}.
}
$$

---

# 338. Dynamic Routing 是「全域」的行動形式

全域 awareness 若不能：

> 切換，

只是：

$$
\text{PassiveMap}.
$$

Dynamic routing 使：

$$
\boxed{
\text{GlobalMap}
\rightarrow
\text{LocalActionableLens}.
}
$$

---

# 339. Global Mind, Local Lens

再次固定：

$$
\boxed{
\textbf{
Global Mind, Local Lens.
}
}
$$

---

# 340. 它不是一句口號

工程上：

Global Mind：

- macro state；
- unknown map；
- perspective registry；
- evidence map；
- risk。

Local Lens：

- current perspective；
- selected modality；
- targeted resolution。

---

# 341. 這正好解決 Token Explosion

如果：

$$
\text{GlobalMind}
$$

只保存 compressed macro state，

LocalLens 才 materialize detail，

則：

$$
\boxed{
\text{Globality}
}
$$

不需要：

$$
\boxed{
\text{GlobalTokenExplosion}.
}
$$

---

# 342. Perspective Routing 與 Future AGI

若未來模型能力極廣：

$$
CapabilitySet\uparrow.
$$

真正 bottleneck 可能變：

$$
\boxed{
\text{CapabilitySelection}.
}
$$

也就是：

> 何時用哪一種能力。

---

# 343. Capability Router

Perspective Router 本質上就是：

$$
\boxed{
\text{CapabilityActivationController}
}
$$

的一部分。

---

# 344. Intelligence ≠ Always-On Capability

高智慧可能表現成：

> 不做不必要的 cognition。

---

# 345. Perspective Inactivity 也是智能

如果：

$$
P_i
$$

對當前 task 不 relevant，

保持：

$$
INACTIVE.
$$

是正確決策。

---

# 346. 最後不是「越多角色越聰明」

而是：

$$
\boxed{
\text{activate the minimum set of perspectives required to collapse the relevant uncertainty}.
}
$$

---

# 347. 核心命題

本文 v0.2 收束為三十條。

## P1 — Perspective Routing

$$
\boxed{
\text{PerspectiveSelection}
}
$$

是一個獨立於 Agent / Model selection 的控制問題。

## P2 — Perspective / Agent Separation

$$
\boxed{
\text{PerspectiveRouting}
\neq
\text{AgentRouting}.
}
$$

## P3 — Perspective / Model Separation

$$
\boxed{
\text{PerspectiveRouting}
\neq
\text{ModelRouting}.
}
$$

## P4 — State-Conditioned Routing

$$
\boxed{
P_t^\ast
=
f(
\text{Goal},
\text{MacroBelief},
\text{Unknown},
\text{Conflict},
\text{Risk},
\text{Budget},
\text{Authority},
\text{History}
).
}
$$

## P5 — Utility Routing

$$
\boxed{
P_t^\ast
=
\arg\max
[
IG
+
\text{RiskReduction}
+
\text{FutureValue}
-
\text{Cost}
-
\text{SwitchCost}
].
}
$$

## P6 — Hard Eligibility First

$$
\boxed{
\text{Optimization}
}
$$

只能在：

$$
\boxed{
Legal/AuthorizedPerspectiveSet
}
$$

內進行。

## P7 — Global Awareness / Activation Separation

$$
\boxed{
\text{KnowPerspectives}
\neq
\text{ActivateAllPerspectives}.
}
$$

## P8 — KEEP Is a Valid Routing Action

$$
\boxed{
\text{NoSwitch}
}
$$

可以是最佳 routing。

## P9 — Perspective Stack

$$
\boxed{
PUSH/POP
}
$$

支援短期局部觀察而不丟主 task。

## P10 — Scale Routing

$$
\boxed{
\text{Micro}
\leftrightarrow
\text{Meso}
\leftrightarrow
\text{Macro}
\leftrightarrow
\text{Meta}
}
$$

也是 perspective routing。

## P11 — Causal Escalation

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

可被視為 scale-conditioned perspective escalation。

## P12 — Perspective Lock

$$
\boxed{
\text{RepeatedLowGain}
+
\text{NoSwitch}
=
\text{RoutingFailure}.
}
$$

## P13 — Perspective Thrashing

$$
\boxed{
SwitchCount\uparrow
\land
InformationGain\approx0
}
$$

也是 routing failure。

## P14 — Hysteresis

$$
\boxed{
SwitchThreshold_{enter}
>
SwitchThreshold_{exit}
}
$$

可降低 oscillation。

## P15 — Perspective Exploration

未知 perspective 需要：

$$
\boxed{
\text{controlled exploration.}
}
$$

## P16 — Perspective Starvation

$$
\boxed{
P(activate(P_i))\approx0
}
$$

會造成 capability non-identifiability。

## P17 — Routing Selection Bias

historical chosen routes 不能直接代表未選 routes 的性能。

## P18 — Route Memory

$$
\boxed{
\text{TaskPattern}
\rightarrow
\text{PerspectivePath}
}
$$

可被學習與結晶。

## P19 — Hot Path Non-Authority

$$
\boxed{
\text{CompiledRoute}
\neq
\text{CompiledPermission}.
}
$$

## P20 — Perspective Drift

$$
\boxed{
Utility(P_i,t)
}
$$

會隨 model / tool / world / version 改變。

## P21 — Bridge Perspective

cross-role conflict 有時需要：

$$
\boxed{
Relation/BridgePerspective.
}
$$

不是 majority vote。

## P22 — Mandatory Perspective Floor

$$
\boxed{
\mathcal P_{must}
=
f(
\text{Risk},
\text{Policy},
\text{Authority}
).
}
$$

## P23 — Adaptive Depth

Perspective activation 可以是：

$$
\text{skim/focused/deep}
$$

而非 binary。

## P24 — Hierarchical Routing

$$
\boxed{
\text{Perspective}
\rightarrow
\text{Skill}
\rightarrow
\text{Executor}
\rightarrow
\text{Model}
\rightarrow
\text{Modality}
\rightarrow
\text{Tool}
\rightarrow
\text{Resolution}.
}
$$

## P25 — Closed-Loop Routing

$$
\boxed{
\text{State}
\rightarrow
\text{Route}
\rightarrow
\text{Evidence}
\rightarrow
\text{Belief}
\rightarrow
\text{ReRoute}.
}
$$

## P26 — Dynamic Organizational Topology

$$
\boxed{
\text{TeamTopology}_t
=
f(
\text{Risk},
\text{Unknown},
\text{PerspectiveNeed}
).
}
$$

## P27 — Routing Reward

Router 應優化：

$$
\boxed{
Decision/MissionClosureContribution
}
$$

而非：

$$
\text{FindingCount}
$$

或：

$$
\text{SwitchCount}.
$$

## P28 — Global Observer

$$
\boxed{
\text{GlobalObserver}
=
\text{PerspectiveRouter}
+
\text{BeliefUpdater}
+
\text{RouteMemory}.
}
$$

## P29 — Global Mind, Local Lens

$$
\boxed{
\text{GlobalMind}
+
\text{LocalLens}
}
$$

使全域 cognition 不必等於全域 materialization。

## P30 — Series B Routing Principle

$$
\boxed{
\textbf{
A global agent should not keep every perspective active.
It should keep every relevant perspective reachable.
}
}
$$

---

# 348. 結論

高能力 AI 的未來很可能不缺：

- 能力；
- Agent；
- 模型；
- Tool；
- Skill；
- modality。

真正困難的問題會越來越像：

> **現在到底該用哪一個？**

如果每一種能力都永久 active，

系統得到：

$$
\text{TokenExplosion}
+
\text{ToolExplosion}
+
\text{ProcessExplosion}
+
\text{CoordinationExplosion}.
$$

如果只固定一個 default perspective，

又會得到：

$$
\text{PerspectiveLock}
+
\text{LocalOptimization}
+
\text{FalseGreen}.
$$

因此真正的全域智能需要一個中間結構：

# **Dynamic Perspective Router**

它維持：

$$
\boxed{
\text{GlobalMind}
}
$$

——知道宏觀對象、未知、風險與可用視角——

但每一刻只啟動：

$$
\boxed{
\text{LocalLens}.
}
$$

當 code perspective 足夠：

> 不切。

當 UI outcome 不可判定：

> push visual。

當同類 bug 重複：

> expand architecture。

當 architecture 找到 root layer：

> contract 回 implementation。

當 risk 觸碰 authority：

> 啟動 security / authority。

當 world evidence stale：

> 切 runtime / freshness。

當 cross-role verdict 衝突：

> 啟動 bridge / end-to-end perspective。

因此：

$$
\boxed{
\text{Globality}
}
$$

真正不是：

> 同時看到全部。

而是：

> **永遠知道還能從哪裡看，並在當前世界模型不足時切到那裡。**

這也使 Perspective Router 不只是 Agent scheduler。

它是：

$$
\boxed{
\text{Epistemic Control Plane}.
}
$$

最後，B05 將整個命題收束成一句：

$$
\boxed{
\textbf{
A global agent should not keep every perspective active.
It should keep every relevant perspective reachable,
and activate the one that most efficiently reduces the uncertainty that still matters.
}
}
$$

中文即：

> **真正的全域 Agent 不需要讓所有視角永遠在線；它需要讓所有重要視角永遠可達，並在當下啟動最能降低關鍵不確定性的那一個。**

B06 將從這裡接手，把：

$$
\text{PerspectiveRouter}
$$

與：

$$
\text{APR}
$$

完整融合成真正的：

# **Dynamic Global Perception Runtime**

---

# 參考文獻

## A. 外部研究

1. Bajcsy, R. (1988). *Active Perception*. Proceedings of the IEEE, 76(8), 996–1005.  
   Active perception 的經典來源之一：perception 不是固定 sensor input 的被動處理，而是由 task / expectation 主動控制 sensing process。

2. Aloimonos, Y., Weiss, I., & Bandyopadhyay, A. (1988). *Active Vision*. International Journal of Computer Vision, 1, 333–356.  
   經典 active vision 工作；說明 active observer 可以藉由選擇 sensing geometry / viewpoint 改變問題結構。

3. Tsotsos, J. K. et al. / active perception historical line; 2017 review *Revisiting Active Perception*.  
   Review 系統整理 active perception 中的 temporal selection、viewpoint selection、sensor alignment、attention / priming 等維度。本文以此作「觀察方式本身是 policy object」的歷史近鄰。

4. Shi, C., Dorothy, M. R., & Fu, J. (2025). *Integrated Control and Active Perception in POMDPs for Temporal Logic Tasks and Information Acquisition*. arXiv:2504.13288.  
   聯合規劃 world-control 與 perception actions，並將 information acquisition / conditional entropy 納入 planning objective。本文以其作 belief-state → sensing-action → belief-update 的決策理論近鄰。

5. Vutetakis, D., & Xiao, J. (2025). *Active Perception Network for Non-Myopic Online Exploration and Visual Surface Coverage*. The International Journal of Robotics Research.  
   將 candidate viewpoints 以 information gain 與 travel / sensing cost 評估，是 B05 `IG(P)-Cost(P)` 視角的一個直接 robotics 近鄰。

6. Spaan, M. T. J., Veiga, T. S., & Lima, P. U. (2015). *Decision-Theoretic Planning under Uncertainty with Information Rewards for Active Cooperative Perception*. Autonomous Agents and Multi-Agent Systems.  
   以 POMDP / information reward 處理 cooperative perception，提供 belief / information / action trade-off 的經典決策論背景。

7. Zhang, Z., Shi, K., Yuan, Z., Wang, Z., Ma, T., Murugesan, K., Galassi, V., Zhang, C., & Ye, Y. (2026). *AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering*. ACL 2026 Long Papers, 788–809. DOI: 10.18653/v1/2026.acl-long.33.  
   https://aclanthology.org/2026.acl-long.33/  
   將 query、context entities 與 agents 組成 heterogeneous graph，學習 task-aware agent routing；本文用其作「Agent selection 可 context-conditioned」的最新近鄰，但 B05 路由的是 epistemic perspective，而不是 agent identity。

8. Xiao, Y., Guo, S., Yang, G., Wang, Q., Ren, Y., Qiu, X., & Feng, Q. (2026). *RouterHGC: Optimized Router for LLM-based Multi-Agent Systems via Heterogeneous Graph Contrastive Learning*. Findings of ACL 2026.  
   https://aclanthology.org/2026.findings-acl.1589/  
   將 user query、collaboration mode、agent role 與 LLM 放入 heterogeneous graph 做 routing，與 B05 hierarchical perspective→role→model routing 有直接工程親緣。

9. Wang, J., Zhao, S., Liu, J., Wang, H., Li, W., Qin, B., & Liu, T. (2026). *Orchestrating Intelligence: Confidence-Aware Routing for Efficient Multi-Agent Collaboration across Multi-Scale Models*. arXiv:2601.04861.  
   以 state-dependent routing 動態選擇 agent roles 與 model scales，提供 role/model adaptive selection 的外部近鄰。

10. Dudík, M., Langford, J., & Li, L. (2011). *Doubly Robust Policy Evaluation and Learning*. arXiv:1103.4601.  
    Contextual-bandit off-policy evaluation 的經典來源；B05 使用其作 routing logs selection bias / counterfactual policy evaluation 的統計近鄰。

11. Wang, Y.-X., Agarwal, A., & Dudík, M. (2017). *Optimal and Adaptive Off-policy Evaluation in Contextual Bandits*. ICML / arXiv:1612.01205.  
    IPS / doubly robust / SWITCH-style off-policy evaluation，支持「歷史 router 只觀測 chosen perspective reward，不能直接估未選路徑」。

12. Natsubori, Y., Ushiku, Y., & Saito, Y. (2026). *Cross-Domain Off-Policy Evaluation and Learning for Contextual Bandits*. arXiv:2607.22012.  
    針對 few-shot、deterministic logging 與 new-action / support-limited setting，與 Perspective Cold Start / starvation 有近鄰關係。

13. Shi, C., Suttle, W. A., Dorothy, M., & Fu, J. (2025). *IMAS²: Joint Agent Selection and Information-Theoretic Coordinated Perception in Dec-POMDPs*. arXiv:2510.20009.  
    將 sensing-agent subset selection 與 coordinated active perception policy 聯合考慮，是「誰來觀察」與「怎麼觀察」分層 routing 的重要外部近鄰。

## B. Neo.K / EveMissLab 既有研究

14. Neo.K. 〈宏觀個體與局部投影〉，Series B B01 v0.2, 2026.  
    建立 macro-object、projection awareness、Global Skeleton / Local Materialization 與 decision-sufficient observability。

15. Neo.K. 〈角色即觀察算子〉，Series B B02 v0.2, 2026.  
    建立：
    $$
    \text{Role}\rightarrow \text{ObservationOperator},
    $$
    Role Router、role lifecycle、Role != Skill != Tool、Global Observer as Meta-Controller。B05 將其中 role selection 正式提升成 dynamic routing policy。

16. Neo.K. 〈解析度理論：多模態不是資料堆積〉，Series B B03 v0.2, 2026.  
    建立 observation resolution = relevant state distinguishability、information gain、resolution deficit、minimum sufficient resolution。B05 直接把 $IG_Q(P_i)$ 納入 perspective utility。

17. Neo.K. 〈推理解析度與觀察解析度不對稱〉，Series B B04 v0.2, 2026.  
    建立 `OBSERVE / REASON / INTERVENE / ACT / STOP` cognitive action selector；B05 在 B04 判定「現在需要觀察」後，決定「應從哪個 perspective 觀察」。

18. Neo.K. 〈能力—視角啟動不對稱〉，Series A A07 v0.2, 2026.  
    建立 Perspective Lock、Expert-Level Surprise、Dynamic Perspective Routing：
    $$
    P_t^\ast
    =
    \arg\max_{P_i}
    [
    IG(P_i)-\lambda Cost(P_i)
    ].
    $$
    B05 將此初始公式擴張成 state、risk、switch cost、authority、history 與 future value 的完整 routing framework。

19. Neo.K. 〈同質綠燈：多 Agent 不等於多視角〉，Series A A08 v0.2, 2026.  
    建立 `AgentCount != PerspectiveDiversity`、Independent Evidence、Homogeneous Green。B05 因此將新增 Agent 視為 perspective execution option，而不是預設 routing action。

20. Neo.K. *Global-First Completion v2.1*, 2026.  
    建立：
    $$
    \text{Instance}
    \rightarrow
    \text{Pattern}
    \rightarrow
    \text{Architecture}
    \rightarrow
    \text{Substrate},
    $$
    B05 將其 reinterpret 為 causal-scale perspective escalation。

21. Neo.K. *Adaptive Perceptual Reading / Agentic Perception Runtime*, 2026.  
    建立 perceptual policy、modality / resolution / re-observation routing。B05 位於 APR 上游：
    $$
    \text{Perspective}
    \rightarrow
    \text{PerceptualPolicy}.
    $$

22. Neo.K. *UNPNP Series 03 — Adaptive Fast Corridors / Corridor Generator*, 2026.  
    建立：
    $$
    U(\Phi)
    =
    \text{GoalContribution}
    -\text{Cost}
    -\text{Latency}
    -\text{Risk}
    +\text{InformationGain}
    +\text{FutureReuseValue},
    $$
    以及 exploration / exploitation。B05 使用同型效用思想於 perspective path routing。

23. Neo.K. *Named AI Conversation Graphs Series 06 — Crystallized Hyperlink Memory / Path Compilation*, 2026.  
    建立 Cold Recall → Warm Route → Hot Path、Navigation Crystal、Selective Path Compilation 與：
    $$
    \text{PathCompilation}\neq \text{PermissionCompilation}.
    $$
    B05 將其映射到 task-pattern→perspective-path 的 routing memory。

24. Neo.K. *條件式智能管理：多 Agent 審查與異常處理*, 2026.  
    建立 risk-routed R0–R5 reviewer strategy、Independent First Pass 與 selective multi-agent review；B05 將「多 Agent 是否出場」放在 perspective selection 之後。

---

**End of Series B — B05 v0.2**