# 認知組織編譯論：全域狀態如何生成動態 Agent 組織 ## Cognitive Organization Compilation Theory: How Global Cognitive State Generates Dynamic Agent Organizations **系列：** Global AI Duality Supplement Series **系列中文名：** 全域智能對偶補篇系列 **篇次：** Supplement 02 / 03 **作者：** Neo.K with Aletheia **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-09-11 **文件性質：** Global AI Architecture / Dynamic Multi-Agent Systems / Cognitive Runtime / Organizational Compilation --- ## 摘要 前篇提出「全域—局部對偶智能循環」（Global–Local Dual Intelligence Loop, GLDIL），將成熟類全域 AI 的操作核心寫為： $$ G_t \xrightarrow{\mathsf P_{\downarrow}^{AI}} \mathcal O_t \xrightarrow{\mathsf{Explore}} E_t \xrightarrow{\mathsf I_{\uparrow}^{AI}} G_{t+1}. $$ 其中， $G_t$ 為全域認知狀態， $\mathcal O_t$ 為局部智能組織， $E_t$ 為局部 evidence。前篇已指出，若全域狀態更新卻無法改變下一輪局部組織，則系統仍缺少真正的組織可塑性。 本文進一步處理其中尚未展開的關鍵問題： > **全域認知狀態究竟如何被轉換成一個具體可執行的多 Agent 組織？** 本文提出「認知組織編譯論」（Cognitive Organization Compilation Theory, COCT）。其核心主張為：未來成熟 Global AI 不應維持一組固定 Agent 組織，再將所有問題塞進固定角色；更合理的架構是將當前世界狀態、任務、因果圖、未知區、風險、資源、方法庫、模型能力與權限條件視為一份「認知原始碼」，再由高階 Strategy / Organization Compiler 動態生成當前任務所需的臨時智能組織。 本文定義： $$ \boxed{ \mathcal O_t = \mathsf{OrgCompile} ( G_t, \mathcal C_t, \mathcal M_t, \mathcal T_t, \mathcal P_t, \mathcal B_t ) } $$ 其中： - $G_t$：global cognitive state； - $\mathcal C_t$：causal / dependency structure； - $\mathcal M_t$：可用模型與智能能力池； - $\mathcal T_t$：工具與 execution substrate； - $\mathcal P_t$：policy / authority / privacy constraints； - $\mathcal B_t$：budget / latency / compute envelope。 輸出不是單一 model name，而是一個完整的 **Cognitive Organization Plan**： $$ \boxed{ \Pi_t^{Org} = ( \Theta_t, R_t, B_t, X_t, V_t, S_t, F_t ) } $$ 其中包含： - coordination topology； - role set； - role-to-model bindings； - context projections； - verification topology； - stop conditions； - fallback / recompile rules。 本文承接 GIRA-A05 的 Global Cognitive Operating Architecture。該文已指出 intelligence、method availability、method selection 與 method orchestration 不能混為一談，且一次完整認知策略本身就應包含 representation、method、Agent role、tool、verifier、budget、stop condition 與 fallback。 本文進一步提出： > **下一代多 Agent 系統的核心單位，不應只是 Agent，而應是可被編譯、解散、重編譯的臨時認知組織。** --- # 1. 固定多 Agent 組織的根本限制 傳統 multi-agent architecture 常見： ```text Planner Worker Reviewer Judge ``` 或： ```text Researcher Coder Tester Critic ``` 這些角色可能有用。 但如果任何任務都固定走： $$ \mathcal O_{\mathrm{fixed}}, $$ 則系統隱含假設： $$ \forall T_i,T_j, \quad \mathcal O(T_i) = \mathcal O(T_j). $$ 這通常不成立。 一個： $$ \text{JSON schema transformation} $$ 與： $$ \text{大型跨模組架構遷移} $$ 不應需要相同組織。 一個： $$ \text{數值搜尋} $$ 與： $$ \text{形式證明} $$ 也不應使用相同角色拓撲。 因此： $$ \boxed{ \text{Fixed Agent Team} \neq \text{Adaptive Cognitive Organization}. } $$ --- # 2. GIRA 已經指出：多 Agent 不等於 Orchestration GIRA-A05 直接提出： $$ \boxed{ \text{Multi-Agent Architecture} \neq \text{Adaptive Agent Allocation}. } $$ 因為同時調用更多 Agent 可能增加 duplicated work、consensus echo、coordination overhead 與 state contamination。 所以真正需要最佳化的不是： $$ N_{\mathrm{agents}}\rightarrow\max. $$ 而是： $$ \boxed{ U(\mathcal O_t\mid G_t)\rightarrow\max. } $$ 其中 $\mathcal O_t$ 是整個認知組織。 --- # 3. 組織本身成為可計算對象 傳統上，我們常把 Agent 當計算單位： $$ A_i:T_i\rightarrow R_i. $$ 本文改成： $$ \boxed{ \mathcal O_t = \text{computable organizational object}. } $$ 它具有： - topology； - roles； - capability distribution； - communication edges； - authority structure； - context distribution； - verification paths； - budget allocation； - termination semantics。 所以可以： $$ \operatorname{Generate}(\mathcal O_t), $$ 也可以： $$ \operatorname{Modify}(\mathcal O_t), $$ 甚至： $$ \operatorname{Destroy}(\mathcal O_t). $$ --- # 4. 組織不是身份集合，而是功能結構 假設可用模型： $$ \mathcal M = \{M_1,\ldots,M_n\}. $$ 傳統方式容易變成： ```text GPT = architect Claude = reviewer GLM = worker ``` 但真正成熟架構應該先建立： $$ R_t = \{r_1,\ldots,r_k\}, $$ 再做： $$ r_i \mapsto M_j. $$ 因此： $$ \boxed{ \text{Role} \rightarrow \text{Model} } $$ 而非： $$ \text{Model} \rightarrow \text{Permanent Role}. $$ 這與 MACR 既有的 role-specific qualification 完全一致：模型不應只被記錄為「GOOD」，而應分別判斷 bounded worker、code worker、architecture reviewer、cross-file worker 等角色資格。 --- # 5. 認知組織編譯器 本文正式定義： $$ \boxed{ \mathsf{OrgCompile} : \mathcal S_G \rightarrow \Pi^{Org}. } $$ 其中： $$ \mathcal S_G = ( G, C, K, U, M, T, P, B ). $$ 輸出： $$ \Pi^{Org} = ( \Theta, R, \beta, X, V, S, F ). $$ --- # 6. 編譯輸入一：Global State $$ G_t $$ 至少需要知道： - 目標； - 當前世界狀態； - 已解問題； - 未解問題； - hypotheses； - relevant history； - canonical state； - completion state。 如果沒有： $$ G_t, $$ 組織編譯就會退化成： > 看 prompt 猜要叫幾個 Agent。 --- # 7. 編譯輸入二：Causal Structure 設： $$ \mathcal C_t = (V,E,w). $$ Organization Compiler 需要知道： - 哪些問題是 root cause； - 哪些工作可平行； - 哪些工作具有順序依賴； - 哪些節點跨域； - 哪些結果會污染 downstream； - 哪些局部失敗不影響整體。 所以： $$ \boxed{ \text{Task Decomposition} \neq \text{Bullet Splitting}. } $$ 真正 task decomposition 應受因果圖約束。 --- # 8. 編譯輸入三：Unknown State 成熟系統不能只儲存： $$ \text{Known}. $$ 還必須保存： $$ U_t. $$ 也就是： - unknown； - unresolved； - ambiguous； - contradictory； - unobserved； - inaccessible。 如果不知道未知在哪裡， 系統只能對： $$ \text{Known} $$ 重新排列。 而不能自主生成高價值探索。 --- # 9. 編譯輸入四：Capability Pool 可用能力不是只有模型。 定義： $$ \mathcal K_t = \{ \text{LLMs}, \text{specialists}, \text{search}, \text{solvers}, \text{formal tools}, \text{simulators}, \text{databases}, \text{deterministic algorithms} \}. $$ 所以一個 role 不一定需要 Agent。 可能： $$ r_i \rightarrow \text{Compiler}. $$ 或： $$ r_j \rightarrow \text{SAT Solver}. $$ 甚至： $$ r_k \rightarrow \text{No execution required}. $$ --- # 10. 不需要 Agent 也是合法編譯結果 非常重要的一點是： $$ \boxed{ \mathsf{OrgCompile} \not\Rightarrow N_{\mathrm{agents}}>1. } $$ 有些任務最佳組織就是： ```text Main AI → deterministic tool → done ``` 甚至： ```text Main AI → direct answer ``` 因此： > **能建立 swarm，不代表應建立 swarm。** 這也是 Global AI 的選擇能力。 --- # 11. 編譯輸入五：Method Library 設： $$ \mathcal M_{\mathrm{method}} = \{ m_1,\ldots,m_k \}. $$ 例如： - 搜尋； - 統計； - 因果推論； - 模擬； - 形式證明； - numerical exploration； - code execution； - debate； - counterexample search。 GIRA-A05 已指出： $$ \boxed{ \text{Method Knowledge} \neq \text{Method Selection}. } $$ Organization Compiler 因此不能只選： > 誰做？ 還要選： > **怎麼做？** --- # 12. 編譯輸入六：Resource Envelope 任何組織都有： $$ B_t = ( C_{\$}, C_{\text{token}}, C_{\text{time}}, C_{\text{compute}}, C_{\text{human}} ). $$ 若忽略 budget， Agent 系統很容易變成： $$ \text{Maximum exploration everywhere}. $$ 這不是智能。 只是： $$ \text{unbounded expenditure}. $$ --- # 13. 編譯輸入七：Authority Envelope 每個 role 應有： $$ A_i = ( \text{scope}, \text{actions}, \text{resources}, \text{expiry}, \text{delegation} ). $$ 而不是： > Agent 能做什麼工具，就全部能做。 因此： $$ \boxed{ \text{Capability} \neq \text{Authority}. } $$ 這與既有 Global AI 對認知、行動、控制與主權的分離相容；GIRA-A09 已明確指出 Global Cognition、Coordination、Agency、Control 與 Sovereignty 是不同操作層。 --- # 14. Organization Plan 本文建議組織 plan 至少包含： $$ \boxed{ \Pi_t^{Org} = ( \Theta_t, R_t, \beta_t, X_t, V_t, S_t, F_t ). } $$ 其中： $\Theta_t$：coordination topology； $R_t$：role set； $\beta_t$：role binding； $X_t$：context projection； $V_t$：verification topology； $S_t$：stop conditions； $F_t$：fallback / recompile policy。 --- # 15. Topology 是一級決策 不同問題可能需要： $$ \Theta_1 = \text{Direct}. $$ 也可能： $$ \Theta_2 = \text{Fan-out}. $$ 或者： $$ \Theta_3 = \text{Supervisor-Worker}. $$ 或者： $$ \Theta_4 = \text{Parallel Specialists + Integration}. $$ 甚至： $$ \Theta_5 = \text{Competitive Hypothesis Search}. $$ 所以： $$ \boxed{ \text{Topology Selection} } $$ 本身就是 intelligence。 --- # 16. 一個任務不應天然需要 Reviewer 傳統 Agent workflow 很容易固定： $$ \text{Worker} \rightarrow \text{Reviewer}. $$ 但如果： $$ V_{\mathrm{deterministic}}=1, $$ 例如： - exact parser； - compiler； - schema； - theorem checker； - deterministic unit suite； 那麼： $$ \text{Reviewer}_{\mathrm{LLM}} $$ 可能沒有必要。 因此： $$ \boxed{ \text{Verification need} \rightarrow \text{Verifier selection}. } $$ 而不是： $$ \text{Every task} \rightarrow \text{Reviewer}. $$ --- # 17. Context 也必須被編譯 子 Agent 不應自動取得全部： $$ G_t. $$ 而應得到： $$ X_i = \pi_i(G_t). $$ 其中： $$ \pi_i $$ 是 context projection。 這樣可以降低： - context bloat； - irrelevant history； - conflicting instructions； - unnecessary authority leakage。 所以： $$ \boxed{ \text{Global Awareness} \neq \text{Every Agent Sees Everything}. } $$ --- # 18. Local Context Projection 對角色： $$ r_i, $$ 建立： $$ X_i = ( Goal_i, Dependencies_i, Constraints_i, RelevantState_i, Evidence_i, OutputContract_i ). $$ 而不是： $$ X_i=G_t. $$ 這其實也是一種認知壓縮。 --- # 19. Local Autonomy 是全域壓縮的一部分 PAIS-05 曾提出： $$ \boxed{ \text{Local Autonomy} = \text{Distributed Computation} + \text{Information Compression}. } $$ 這表示 Global AI 不必 materialize 所有局部狀態。 只需要： $$ \pi_i(W_i) $$ 達到全域協調所需程度。 --- # 20. 認知組織的編譯目標 本文定義： $$ U_{Org} = Q - \lambda C - \mu L - \nu R - \xi O. $$ 其中： - $Q$：expected task / epistemic quality； - $C$：compute / monetary cost； - $L$：latency； - $R$：risk； - $O$：coordination overhead。 尋找： $$ \boxed{ \Pi_t^{Org*} = \arg\max U_{Org}. } $$ --- # 21. 最強模型全包不一定最優 假設： $$ M_H $$ 是最強模型。 仍不代表： $$ \forall r_i, \quad \beta(r_i)=M_H. $$ 因為： $$ C(M_H)\gg C(M_L) $$ 而某些 bounded task： $$ Q(M_H,r_i) - Q(M_L,r_i) \approx0. $$ 這時高階模型親自執行沒有必要。 --- # 22. 最便宜模型也不一定最優 反過來： $$ C_{\text{generation}}(M_L) \ll C_{\text{generation}}(M_H) $$ 仍可能： $$ C_{\text{total}}(M_L) > C_{\text{total}}(M_H) $$ 因為還有： $$ C_{\text{verify}} + C_{\text{retry}} + C_{\text{integration}}. $$ MACR 已經把 execution cost、verification cost、latency、risk 與 task-fit 一起放入模型 routing。 因此 Organization Compiler 應最佳化： $$ \boxed{ \text{Verified Completion Cost}. } $$ --- # 23. Coordination Overhead 令組織中： $$ N $$ 個角色， communication graph： $$ \mathcal G_O=(V,E). $$ 則 coordination cost： $$ C_{\text{coord}} = f(|V|,|E|,\text{message size},\text{sync}). $$ Agent 越多， $$ C_{\text{coord}} $$ 通常不會下降。 PAIS-05 也指出 global reasoning cost 取決於 interaction topology，而不只是 Agent 數量。 --- # 24. 因此需要 Minimal Sufficient Organization 本文提出： # Minimal Sufficient Cognitive Organization 即尋找： $$ \boxed{ \mathcal O^* = \arg\min_{\mathcal O} C(\mathcal O) } $$ subject to： $$ Q(\mathcal O) \geq Q_{\min}. $$ 換句話說： > **不是用最多 Agent 得到最好答案，而是用足夠小的組織完成所需認知閉環。** --- # 25. 高階 Agent 的真正工作是編譯組織 高階主智能不應預設： > 我自己做。 更合理的是先問： $$ \boxed{ \text{What cognitive organization should exist for this problem?} } $$ 因此 high-level intelligence 的輸出可以不是答案， 而是： $$ \Pi^{Org}. $$ 這是一個非常不同的智能觀。 --- # 26. 組織編譯的三個階段 可以寫成： $$ \boxed{ \text{Analyze} \rightarrow \text{Compile} \rightarrow \text{Instantiate}. } $$ Analyze： 理解任務、因果、未知、能力與風險。 Compile： 生成拓撲、角色、模型、工具、context、verifier。 Instantiate： 真正啟動局部認知組織。 --- # 27. 不是每個 role 都需要人格 Agent role 可以是： $$ r_i = \text{function}. $$ 例如： ```text CounterexampleSearch ``` 可以由： - LLM； - SAT solver； - symbolic engine； - brute-force program； 其中任一實作。 因此： $$ \boxed{ \text{Role} \neq \text{Persona}. } $$ 未來多 Agent 系統不必是很多「人物」。 --- # 28. Agent Persona 是可選 projection 如果某些任務需要： - persistent identity； - trust history； - specialist memory； - social negotiation； 可以建立： $$ A_i^{persistent}. $$ 但大量 bounded work 只需要： $$ \text{RoleSlot}. $$ 這與 MACR 從固定子 AI 轉向 Worker Slot / Role Slot 的方向一致。 --- # 29. 組織應該是暫時的 對任務： $$ T, $$ 生成： $$ \mathcal O_T. $$ 完成後： $$ \operatorname{Dissolve}(\mathcal O_T). $$ 只留下： $$ \text{Artifact} + \text{Evidence} + \text{Decision} + \text{Memory}. $$ 因此： $$ \boxed{ \text{Persistent System} + \text{Ephemeral Organization}. } $$ 可能是高效率架構。 --- # 30. Persistent State 與 Temporary Organization 必須分離 若： $$ \mathcal O_t $$ 同時持有 canonical knowledge， 解散 Agent 就會丟失： $$ \text{state}. $$ 因此全域狀態必須存在於： $$ S_G $$ 而不是某個臨時 Agent 的聊天歷史。 這與既有壓縮全局智能對主 AI 常駐狀態、全局因果圖、Agent capability directory 與治理政策的設計一致。 --- # 31. Organization Recompilation 如果局部 evidence 使： $$ G_{t+1}\neq G_t, $$ 則重新執行： $$ \boxed{ \Pi_{t+1}^{Org} = \mathsf{OrgCompile}(G_{t+1}). } $$ 這叫： # Organization Recompilation 可能： - 移除角色； - 新增角色； - 換模型； - 改 representation； - 改 topology； - 改 verification； - 改 budget； - 完全停止。 --- # 32. Recompile 不等於 Reset 重編譯不能： $$ \text{forget everything}. $$ 必須保留： $$ H_t = \text{organizational history}. $$ 其中包含： - previous plans； - failure reasons； - cost； - model performance； - unnecessary branches； - integration debt。 因此： $$ \boxed{ \text{Recompile} \neq \text{Start Over}. } $$ --- # 33. 組織歷史也是學習資料 如果某 topology： $$ \Theta_a $$ 在同類 task 上多次： $$ \text{Cost}\uparrow $$ 且： $$ \text{Quality}\downarrow, $$ 則未來： $$ P(\Theta_a\mid T)\downarrow. $$ 所以組織本身可以學習。 --- # 34. 新概念：Organization Memory 本文定義： $$ \boxed{ M_O = \{ \text{Task}, \text{Plan}, \text{Bindings}, \text{Cost}, \text{Failures}, \text{Outcome}, \text{Revisions} \}. } $$ 這不是普通 episodic memory。 它記錄： > **什麼樣的認知組織，在什麼問題上有效。** --- # 35. Organization Memory 可以形成 Meta-Architecture 長期累積： $$ M_O^{(1)}, M_O^{(2)},\ldots $$ 後，可以學習： $$ \boxed{ \mathsf{MetaOrgPolicy}. } $$ 也就是： > 看到某種問題結構時，什麼組織通常最有效？ 這使 Agent orchestration 從 prompt engineering 走向： $$ \boxed{ \text{Organizational Meta-Learning}. } $$ --- # 36. 但歷史不能變成新的固定模板 如果學到： ```text 這種 task 都用 5-agent swarm ``` 然後永久固定， 又回到： $$ \mathcal O_{\mathrm{fixed}}. $$ 所以歷史只能形成 prior： $$ P(\mathcal O\mid T), $$ 不能形成絕對規則。 --- # 37. 全域狀態需要知道「是否值得成立一個組織」 有時： $$ VOI(T) 建立多 Agent 組織本身就不划算。 此時正確輸出是： $$ \boxed{ \text{Do Not Spawn}. } $$ 這是高階 orchestration 很重要的能力。 --- # 38. Agent Spawn 需要經濟性 定義： $$ \operatorname{Gain}(A_i) = \Delta U_i - C_i. $$ 只有： $$ \operatorname{Gain}(A_i)>0 $$ 才值得 instantiate。 所以： $$ \boxed{ \text{Available Agent} \not\Rightarrow \text{Useful Agent}. } $$ --- # 39. 組織膨脹失敗 本文稱： $$ N_t\uparrow $$ 但： $$ \Delta U_t\downarrow $$ 為： # Cognitive Organization Bloat 症狀包括： - reviewer of reviewer； - duplicated specialist； - consensus loops； - repeated planning； - redundant validation； - recursive delegation。 --- # 40. 組織編譯需要停止條件 Organization Plan 必須自帶： $$ S_t. $$ 例如： $$ S_t = \{ \text{goal satisfied}, \text{critical uncertainty}<\epsilon, VOI<\text{cost}, \text{budget exhausted} \}. $$ 沒有 stop semantics 的組織： $$ \boxed{ \text{cannot be considered fully compiled}. } $$ --- # 41. Stop Condition 也是 role-level 不同 role 可以有不同： $$ S_i. $$ 例如： Counterexample Agent： $$ S_c = \text{found witness OR exhausted search budget}. $$ Literature Agent： $$ S_l = \text{marginal novel source gain}<\epsilon. $$ 所以不需要整個組織一起無限跑。 --- # 42. Dynamic Scale Allocation 上一系列已建立： $$ \text{Macro} \neq \text{Meso} \neq \text{Micro}. $$ Organization Compiler 可把： $$ \operatorname{Scale}(T_i) $$ 映射至不同能力。 例如： $$ \text{Macro} \rightarrow \text{ArchitectModel}. $$ $$ \text{Meso} \rightarrow \text{Coordinator/Specialist}. $$ $$ \text{Micro} \rightarrow \text{CheapWorker/Tool}. $$ 所以： $$ \boxed{ \text{Capability Allocation} \propto \text{Causal Scale}. } $$ --- # 43. 全域模型不必執行所有 Macro 以下工作 Global AI 的優勢是： $$ \text{global judgment}. $$ 若它把全部 token 花在 micro execution， 會出現： $$ C_{\text{opportunity}}\uparrow. $$ 所以強 Global AI 應更擅長： $$ \boxed{ \text{preserve global attention}. } $$ --- # 44. 認知組織的雙向接口 每個局部 role 不只需要： $$ \text{InputContract}_i. $$ 也需要： $$ \text{ReturnContract}_i. $$ Return contract 應包含： $$ R_i = ( \text{Result}, \text{Evidence}, \text{Confidence}, \text{Failure}, \text{Anomaly}, \text{GlobalImpact}. ) $$ 因此局部輸出天然適合： $$ \mathsf I_{\uparrow}^{AI}. $$ --- # 45. 「答案」不是完整回傳格式 如果 worker 只說： > 完成了。 這對 global integration 幾乎沒有價值。 更成熟輸出應能回答： - 做了什麼； - 改變什麼； - 哪些假設成立； - 哪些假設失敗； - 是否發現新問題； - 是否建議改變全域策略。 --- # 46. Local Agent 可以要求 Recompile 本文提出： # Recompile Signal $$ \boxed{ \sigma_R^{(i)} } $$ 若局部 Agent 發現： - task definition invalid； - representation mismatch； - architecture flaw； - substrate mismatch； - unexpected cross-domain dependency； 它不應只是： $$ \text{FAIL}. $$ 而應回傳： $$ \boxed{ \text{RECOMPILE\_REQUEST}. } $$ --- # 47. 這使局部 Agent 擁有有限的結構反證權 局部 Agent 不能自行重寫整個全域。 但可以說： > **目前分派給我的局部問題，本身可能來自錯誤全域假設。** 這就是前篇所說的： $$ \boxed{ \text{Local Evidence Rights}. } $$ --- # 48. Global Compiler 也不能無條件接受 Recompile Request 否則任一 Agent 都能造成全域震盪。 所以： $$ \sigma_R \rightarrow \mathsf{RecompileGate}. $$ 評估： - evidence； - causal reach； - reproduction； - confidence； - global consequence。 --- # 49. Partial Recompilation 重編譯不必整個組織重建。 可以只有： $$ \Delta\mathcal O. $$ 例如： ```text 保留 A/B/C 移除 D 加入 E 調高 B budget 更換 C verifier ``` 所以： $$ \boxed{ \text{Organization Recompilation} } $$ 也可 incremental。 --- # 50. Hot-Swappable Cognition 如果 role contract 與 model identity 分離， 就可以： $$ M_a \rightsquigarrow M_b $$ 而不重建整個組織。 這形成： # Hot-Swappable Cognition 即： > 組織角色持續，但智能載體可以替換。 --- # 51. 新模型出現不必重寫組織架構 只要新模型： $$ M_{new} $$ 取得： $$ \mathsf{Qualification}(M_{new},r_i)\geq\theta, $$ 便可加入候選池。 這是 future-proof AI organization 的關鍵。 --- # 52. 組織不是只在模型之間編譯 未來甚至可以： $$ r_i \rightarrow \text{Human}. $$ 如果某 task： - 需要法律責任； - 需要價值判斷； - 需要外部授權； - 高度模糊； 則： $$ \text{Human} $$ 也是能力池的一部分。 --- # 53. Human 應是 Boundary Resource 但不是每一步： $$ \text{AI}\rightarrow\text{Human}\rightarrow\text{AI}. $$ 而是在真正邊界： $$ \boxed{ \text{Human-at-the-Boundary}. } $$ 這與 AI 原生工作組織論的方向一致。 --- # 54. 認知組織也可以是跨域聯邦 對： $$ \Omega_1,\Omega_2,\ldots,\Omega_n, $$ 可建立： $$ \mathcal O_i. $$ 再建立： $$ \mathcal O_X $$ 負責 cross-domain integration。 這與 GIRA-A08 的： $$ \text{Domain Global AI} \rightarrow \text{Multi-Domain Federation} \rightarrow \text{Cross-Domain Global AI} $$ 相容。 --- # 55. 全域組織不必中央化 可以有： $$ \mathcal O = \bigoplus_i \mathcal O_i. $$ Global layer 只管理： - inter-domain dependencies； - shared state； - conflict； - resource allocation； - global constraints。 局部 domain 保留： $$ \mathsf{LocalState}_i. $$ 所以： $$ \boxed{ \text{Organization Compilation} \neq \text{Centralized Execution}. } $$ --- # 56. 新概念：Cognitive ABI 若不同 Agent / models 要被動態替換， 需要一個穩定接口。 本文稱： # Cognitive ABI 其至少描述： $$ \boxed{ ( \text{Input}, \text{Output}, \text{Evidence}, \text{Authority}, \text{Failure}, \text{Escalation} ). } $$ 模型可以改， 但 role contract 不必改。 --- # 57. Cognitive ABI 使模型市場可插拔 未來： $$ M_1,M_2,M_3,\ldots $$ 快速更新。 如果組織綁死 vendor， 架構很快老化。 Cognitive ABI 則允許： $$ \text{Role} \rightarrow \text{Qualified Capability} $$ 再： $$ \text{Capability} \rightarrow \text{Current Best Provider}. $$ --- # 58. 認知組織編譯的真正產物不是 Agent list 最終輸出不是： ```text Use 5 agents. ``` 而是： $$ \boxed{ \text{Executable Cognitive Organization}. } $$ 其包含： - what； - who； - how； - with what； - under which authority； - with what evidence； - until when。 --- # 59. 完整編譯流程 本文提出： $$ \boxed{ \begin{aligned} G_t &\rightarrow \mathsf{AnalyzeState}\\ &\rightarrow \mathsf{LocateUnknowns}\\ &\rightarrow \mathsf{EstimateCausalStructure}\\ &\rightarrow \mathsf{GenerateStrategies}\\ &\rightarrow \mathsf{SelectTopology}\\ &\rightarrow \mathsf{CreateRoles}\\ &\rightarrow \mathsf{BindCapabilities}\\ &\rightarrow \mathsf{ProjectContexts}\\ &\rightarrow \mathsf{AttachVerification}\\ &\rightarrow \mathsf{AttachStopConditions}\\ &\rightarrow \mathcal O_t. \end{aligned} } $$ --- # 60. 組織執行後 產生： $$ E_t. $$ 然後： $$ E_t \rightarrow \mathsf I_{\uparrow}^{AI} \rightarrow G_{t+1}. $$ 再重新： $$ \boxed{ \mathcal O_{t+1} = \mathsf{OrgCompile}(G_{t+1}). } $$ 這就是完整雙向架構。 --- # 61. 成熟 Global AI 的組織不應「存在」，而應「生成」 傳統企業問： > 我們有幾個團隊？ AI-native system 更可能問： > **現在這個世界狀態需要什麼團隊？** 因此： $$ \boxed{ \text{Organization} \rightarrow \text{State-Dependent Generated Structure}. } $$ --- # 62. 這可能比「更多 Agent」更重要 當 Agent 越便宜， 大家很容易追求： $$ N\rightarrow\infty. $$ 但本文提出另一條進步路線： $$ \boxed{ \text{Better Organization Compiler} > \text{More Unstructured Agents}. } $$ 因為一個優秀 compiler 可能讓： $$ 100 \rightarrow 12 $$ 個 Agent， 仍然得到更好結果。 --- # 63. 認知組織壓縮率 定義： $$ CCR = 1- \frac{ C(\mathcal O^*) }{ C(\mathcal O_{\mathrm{naive}}) }. $$ 其中： $$ C $$ 可包含： - agents； - tokens； - compute； - verification； - human intervention； - coordination。 若： $$ CCR\uparrow $$ 而品質不降， 表示全域 intelligence 正在真正消除無效工作。 --- # 64. Global AI 越成熟，可能反而越安靜 這是一個有趣推論。 弱 orchestration： ```text 大量 Agent 大量 messages 大量 review 大量 retries ``` 強 orchestration 可能： ```text 少量高價值 Agent 清楚 task contracts 局部 autonomy 必要 integration 快速 stop ``` 所以： $$ \boxed{ \text{Visible Activity} \neq \text{Intelligence}. } $$ --- # 65. 組織效率不能只看 throughput 若： $$ 1000 $$ agents 產生大量內容， 但大部分被丟棄， 不代表系統優秀。 應看： $$ \boxed{ \text{Accepted Global Information Gain} /\text{Total Cognitive Cost}. } $$ --- # 66. 新指標：Organizational Epistemic Efficiency 定義： $$ \boxed{ \eta_O = \frac{ \Delta U_G }{ C_{\mathrm{compute}} + C_{\mathrm{coord}} + C_{\mathrm{verify}} }. } $$ 其中： $$ \Delta U_G $$ 是對全域認知狀態的有效提升。 --- # 67. 組織的目標不是讓每個 Agent 有事做 成熟組織不追求： $$ \text{Utilization}=100\%. $$ 而追求： $$ \boxed{ \text{Global Objective Closure}. } $$ 所以 idle Agent 並不是浪費。 不需要被啟動才是正確行為。 --- # 68. 這也是 Global Completion 的組織版本 Global Completion Theory 已經提出： > 先讓整體存在，再讓整體收斂。 在 multi-agent 層可以改寫： $$ \boxed{ \text{Compile the whole cognitive organization} \rightarrow \text{execute} \rightarrow \text{recompile only where needed}. } $$ 而不是： ```text 想到一個小任務 → spawn agent → 再想到一個 → 再 spawn agent ``` --- # 69. 組織本身也有 Global-First 初始： $$ \mathcal O^{(0)} $$ 先覆蓋完整任務必要角色。 不要求每個 role 完美。 再依 evidence： $$ \mathcal O^{(0)} \rightarrow \mathcal O^{(1)} \rightarrow \cdots. $$ 所以： $$ \boxed{ \text{Global Organization Sketch} \rightarrow \text{Organizational Refinement}. } $$ --- # 70. 最終命題一：Organization Compilation Principle $$ \boxed{ \text{The optimal intelligent organization should be compiled from the current global state, not permanently predefined.} } $$ --- # 71. 最終命題二：Role-before-Model Principle $$ \boxed{ \text{Role} \rightarrow \text{Capability} \rightarrow \text{Model}. } $$ 而不是先決定 model，再替它找工作。 --- # 72. 最終命題三：Minimal Sufficient Organization $$ \boxed{ \min C(\mathcal O) \quad \text{s.t.} \quad Q(\mathcal O)\geq Q_{\min}. } $$ --- # 73. 最終命題四：Organizational Plasticity 若： $$ G_t\rightarrow G_{t+1}, $$ 則： $$ \mathcal O_t $$ 必須具有改變可能。 即： $$ \boxed{ \Delta G \Rightarrow \Delta\mathcal O \text{ may occur}. } $$ --- # 74. 最終命題五：Cognitive ABI $$ \boxed{ \text{Role Contract} \neq \text{Model Identity}. } $$ 這使能力池可以長期演化而不破壞組織語義。 --- # 75. 與前篇的統一 Supplement 01 定義： $$ G_t \rightleftarrows \mathcal O_t. $$ 本文解釋其中： $$ G_t \rightarrow \mathcal O_t $$ 究竟如何成立。 下一篇則會處理： $$ \boxed{ \text{何時我們能說這個雙向循環真的具有「完備性」？} } $$ 以及如何測量： - $D_{\downarrow}$ ； - $D_{\uparrow}$ ； - organization plasticity； - causal gluing； - recompile quality； - global closure。 --- # 結論 未來多 Agent AI 的競爭，不一定只是： > **誰能同時跑更多 Agent？** 真正重要的問題可能逐漸變成： > **誰知道現在根本需要哪些 Agent？** 一個真正成熟的全域智能系統，應該能從自己的當前世界模型、未知區、因果結構、方法空間、模型能力池與資源條件中，編譯出一個最適臨時認知組織。 當世界理解改變： > 組織也改變。 當方法失敗： > 組織重新編譯。 當某條研究路徑失去價值： > Agent 消失。 當新的高價值問題出現： > 新角色被生成。 當 deterministic tool 足夠： > 不生成額外 Agent。 因此： $$ \boxed{ \text{AI-Native Organization} \neq \text{Fixed Team of Agents}. } $$ 更接近： $$ \boxed{ \text{AI-Native Organization} = \text{Continuously Compiled Cognitive Structure}. } $$ 而真正成熟的 Global AI，不只是擁有一群智能。 它還應該知道： > **在這一刻，究竟應該讓什麼樣的智能組織存在。**