# AI 原生工作組織論：架構師主智能、動態子 AI 與全域完成 Runtime ## AI-Native Work Organization Theory: Architect Intelligence, Dynamic Sub-Agents, and a Global Completion Runtime **系列：** AI 原生全域完成方法論 **篇次：** 03 / 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 **文件類型：** 方法論論文／Multi-Agent Architecture／Completion Runtime Theory --- ## 摘要 當前沿 AI 模型開始具備長上下文、Repository 級理解、跨檔案生成、工具調用、多 Agent 協作與較強全域推理能力後，AI 工程的核心問題正在從「模型能不能完成某個局部任務」轉向： > **應由哪個智能處理哪一層問題，以及誰負責保持整個工作世界的一致性？** 現有 Agent 工作流經常犯兩種相反錯誤。 第一種是**單體過載**：最昂貴、最高能力的模型同時負責架構、規劃、寫每個函數、修每個格式問題、重跑每個測試，導致高階能力被大量微觀工作消耗。 第二種是**多 Agent 失控**：任務被拆成大量 worker、reviewer、planner、validator，但沒有任何持續保持全域目標、因果結構、技術域、任務範圍與完成狀態的主控智能，結果形成驗證循環、範圍擴張、重複工作與責任漂移。 本文提出「AI 原生工作組織論」（AI-Native Work Organization Theory, ANWOT）。 其核心主張是： > **高能力模型首先應作為架構師、全域觀察者、能力路由器、結果整合者與完成判定者；具體局部工作則應依任務域、因果尺度、成本、速度與能力動態分派給不同子 Agent、外部模型、工具與 deterministic runtime。** 此架構並不要求固定的「母 AI」或固定的「天選打工人」。MACR v0.6 已將模型選擇從固定 worker model 提升為 Coordination Plan：系統同時選擇協調拓撲、角色集合、模型綁定與驗證拓撲，而非只選一個 Model ID。 同時，「壓縮全局智能命題」已將主 AI 的核心能力定義為 Interpretation、Decomposition、Judgment、Routing、Integration、Verification、Memory Reconstruction、Causal Modeling 與 Governance 等後設能力，而不要求主 AI 在每一個對象領域中永遠是最強專家。 本文進一步將此架構與前兩篇整合： $$ \boxed{ \text{Technology Domain Selection} \rightarrow \text{Hierarchical Causal Analysis} \rightarrow \text{Coordination Plan} \rightarrow \text{Global Instantiation} \rightarrow \text{Dynamic Delegation} \rightarrow \text{Weighted Verification} \rightarrow \text{Global Completion} } $$ 最終形成一套不是「模仿人類 ticket workflow」，而是充分利用 AI 全域注意力、低生成成本與動態智能池的 AI 原生工作方法。 --- # 1. 問題：高階 AI 為什麼還在像初階工程師一樣工作？ 假設一個前沿模型能夠： - 讀取大型 Repository； - 理解跨模組依賴； - 同時比較多個技術方案； - 生成數千行程式； - 搜尋文件； - 操作工具； - 建立測試； - 呼叫其他模型； - 維持長上下文。 那麼它最稀缺的能力並不是： $$ \text{characters per second}. $$ 而是： $$ \boxed{ \text{Global Attention} + \text{Causal Integration} + \text{Architectural Judgment}. } $$ 如果高階 AI 的工作方式仍是： ```text id="yct7kn" 讀一個檔案 → 改一個函數 → 跑測試 → 讀下一個檔案 → 改一個函數 → 再跑測試 ``` 那麼其最強能力沒有被用在最有價值的位置。 這是一種： # Capability Misallocation 即： $$ \text{High-level capability} \rightarrow \text{Low-level repetitive workload}. $$ --- # 2. 高階模型的第一身份應是架構師 本文提出： # Architectural Responsibility Principle $$ \boxed{ \text{High-Capability Model} \Rightarrow \text{Architectural Responsibility}. } $$ 這不是說高階模型不能寫程式。 而是它首先必須負責： - 理解目標； - 選擇技術域； - 建立整體結構； - 找出高因果權重節點； - 判斷哪些工作值得自己處理； - 判斷哪些可以外包； - 整合局部結果； - 維護範圍； - 判斷何時完成。 因此： $$ A_H \neq \text{Expensive Coder}. $$ 更合理的是： $$ \boxed{ A_H = \text{Architect} + \text{Router} + \text{Integrator} + \text{Completion Judge}. } $$ --- # 3. 壓縮全局智能：主 AI 不必所有領域都最強 既有「壓縮全局智能命題」已經提出： 主 AI 不需要： $$ \forall d,\quad a_{0,d} = \max_i a_{i,d}. $$ 也就是不要求所有專業領域都由主 AI 自己達到最高能力。 真正不能低於閾值的是： - Judgment； - Decision； - Reasoning； - Memory； - Causality； - Routing； - Governance。 該論文直接指出： > 主 AI 不需要所有領域最強，但不能在任何核心主控維度上完全失能。 因此： $$ \boxed{ \text{Global intelligence} \neq \text{Do everything personally}. } $$ 真正的全域智能是： > **知道整體、知道缺什麼、知道去哪裡取得能力、知道結果能不能接回整體。** --- # 4. 主 AI 的五個不可外包核心 本文將高階主智能的不可外包責任濃縮為五項。 ## 4.1 Goal $$ G_t. $$ 必須持續知道： > 我們到底在完成什麼？ --- ## 4.2 Global State $$ S_G(t). $$ 必須知道： - 已完成什麼； - 未完成什麼； - 哪些假設已改； - 哪些 artifact 是 authoritative； - 哪些結果只是 candidate。 --- ## 4.3 Causal Structure $$ \mathcal G_C. $$ 知道： - 哪些節點高影響； - 哪些局部問題不重要； - 哪些依賴跨模組； - 哪些錯誤會污染整體。 「壓縮全局智能命題」也已要求主 AI 的全局模型區分 cause、dependency、constraint、risk 與 authority 關係，而不能只靠語義相似度路由。 --- ## 4.4 Scope Authority $$ \Omega. $$ 主 AI 必須知道： > 哪些問題屬於本任務？ 不能讓 reviewer 自行創造新的產品需求。 --- ## 4.5 Completion Authority $$ C_J. $$ 必須有某個節點能宣布： ```text id="41q91m" Enough. The requested work is complete. ``` 否則所有 verifier 都可以永遠繼續。 --- # 5. 控制平面與運算平面 壓縮全局智能已經提出： $$ \boxed{ \text{Control Plane} \neq \text{Compute Plane}. } $$ 其中主 AI 的控制平面負責： - 目標維持； - 任務拆解； - 模型路由； - 記憶管理； - 因果更新； - 權限發放； - 結果整合； - 驗證； - 停止； - 寫回。 而運算平面負責： - 搜尋； - 計算； - 程式； - 證明； - 生成； - 模擬； - 執行。 本文採用這個區分，並加入： $$ \boxed{ \text{Completion Control Plane}. } $$ 它專門維護： $$ \mathcal O_{\text{open}} $$ 即尚未閉合的全域義務集合。 --- # 6. 天選打工人不是一個模型名稱 早期多 Agent 系統容易形成： ```text id="2x0mrc" 強模型 = 主 AI 便宜模型 = worker ``` 但這過於固定。 MACR v0.6 已經把「天選打工人」正式改寫為： $$ m^\*(r,T,t) = \arg\max_{m\in\mathcal E(r,T,t)} \frac{ \mathbb E[\text{verified utility}] }{ \mathbb E[\text{execution + verification cost}] }. $$ 也就是： > **天選打工人是一個動態選擇函數，不是一個品牌。** 模型今天適合： ```text id="vsm3lc" JSON worker ``` 不代表它明天適合： ```text id="kxpokv" architecture reviewer. ``` MACR 明確規定 qualification 必須 role-specific： ```text id="sdas1i" bounded worker qualified code worker qualified with verifier architecture reviewer unqualified cross-file worker untested ``` 而不能只記錄： ```text id="02l0mk" MODEL = GOOD. ``` --- # 7. Role 先於 Model 因此： $$ \boxed{ \text{Role} \rightarrow \text{Capability Requirement} \rightarrow \text{Model Selection}. } $$ 而不是： $$ \text{Model} \rightarrow \text{find something for it to do}. $$ 定義角色： $$ r = ( T, C, A, V, B ) $$ 其中： - $T$：Task； - $C$：Context； - $A$：Authority； - $V$：Verification contract； - $B$：Budget。 模型只是填入： $$ r $$ 的一個計算資源。 --- # 8. 模型不是角色 MACR v0.6 的核心不變量之一即： $$ \boxed{ \text{MODEL}\neq\text{ROLE}. } $$ 同一模型可以： - 今天當 worker； - 明天當 reviewer； - 後天當 coordinator。 但每個角色必須有獨立資格。 這個原則非常重要，因為它避免： ```text id="q7xx2c" Claude 擅長 review → 所有事情都叫 Claude review GLM 便宜 → 所有事情都丟 GLM GPT 最強 → 所有事情都 GPT 親自做 ``` 這些都是固定角色迷信。 --- # 9. Coordination Plan 才是決策單元 單純做： $$ \operatorname{SelectModel}(T) $$ 仍然太粗糙。 真正需要選擇： $$ (\tau,R,M,V) $$ 其中： - $\tau$：協調 topology； - $R$：角色集合； - $M$：角色—模型 binding； - $V$：驗證 topology。 因此： $$ \boxed{ \text{Decision Unit} = \text{Coordination Plan}. } $$ 這正是 MACR v0.6 已建立的方向。 --- # 10. 不同任務需要不同協作拓撲 對簡單 deterministic 任務： ```text id="vcikzx" Architect → Worker → Mechanical Check ``` 已足夠。 對多候選探索： ```text id="kbvbcw" Architect ├→ Worker A ├→ Worker B └→ Worker C ↓ Comparison ``` 對跨模組工程： ```text id="329bvr" Architect → Coordinator ├→ Module Worker A ├→ Module Worker B └→ Integration Worker → Integration Check ``` 對真正高風險工作才可能需要： ```text id="r2qg7v" Independent Reviewer + Human Approval. ``` 不是所有任務都需要： $$ \text{Planner} + \text{Worker} + \text{Reviewer} + \text{ReviewerOfReviewer} + \text{SecurityAgent} + \text{Judge}. $$ --- # 11. Agent 數量不是智能 本文提出： $$ \boxed{ N_{\text{agents}}\uparrow \not\Rightarrow Q_{\text{system}}\uparrow. } $$ 增加 Agent 會增加： $$ C_{\text{communication}} + C_{\text{integration}} + C_{\text{verification}} + C_{\text{latency}}. $$ 所以只有當： $$ \Delta U_{\text{delegation}} > C_{\text{coordination}} $$ 才應拆出子 Agent。 --- # 12. 子 AI 應按需展開 壓縮全局智能原本就提出「按需能力展開」： $$ \Pi_q = (A_{i_1},M_{j_1},T_{r_1},\ldots). $$ 主 AI 根據任務、政策與預算，把外部能力映射為當前可用智能。 因此： $$ \boxed{ \text{Persistent Capability Pool} + \text{Ephemeral Task Organization}. } $$ 工作組織可以是暫時的。 任務完成後： $$ \text{Task Team} \rightarrow \varnothing $$ 但： $$ \text{Knowledge} + \text{Artifact} + \text{Decision State} $$ 寫回全域。 --- # 13. 臨時認知組織 本文稱這種結構為： # Ephemeral Cognitive Organization 對任務 $T$： $$ \mathcal O_T = ( A_0, R_T, M_T, V_T, B_T ). $$ 其中： - $A_0$：主架構智能； - $R_T$：任務角色； - $M_T$：模型集合； - $V_T$：驗證圖； - $B_T$：預算。 任務結束： $$ \operatorname{Dissolve}(\mathcal O_T). $$ 只保留： $$ \operatorname{Commit} ( \text{Artifact}, \text{Evidence}, \text{Decision}, \text{Memory} ). $$ 這比維持數十個永久人格 Agent 更容易治理。 --- # 14. 宏觀、中觀、微觀對應不同 Agent Paper 02 已建立： $$ \text{Macro}\neq \text{Meso}\neq \text{Micro}. $$ 因此 Agent routing 也應分層。 ## 宏觀 處理： - 技術域； - architecture； - global invariant； - scope； - causal structure； - completion。 適合： $$ A_{\text{architect}}. $$ --- ## 中觀 處理： - modules； - cross-file contract； - API； - subsystem； - integration。 適合： $$ A_{\text{coordinator}} + A_{\text{integration}}. $$ --- ## 微觀 處理： - functions； - local bug； - formatter； - small tests； - isolated transformation。 適合： $$ A_{\text{worker}} $$ 或： $$ \text{deterministic tool}. $$ --- # 15. 高階模型注意力應與因果重力匹配 Paper 02 定義 Error Gravity： $$ G_e = C_eD_eR_e(1-V_e). $$ 本文進一步定義模型分配： $$ \operatorname{Capability}(m_i) \propto G_e. $$ 即： $$ \boxed{ \text{Strongest attention goes to highest causal gravity}. } $$ 不是每個小 bug 都應消耗最高能力模型。 --- # 16. 全域注意力真正該怎麼使用 AI 的 global attention 不應被理解成： > 一次看很多字。 它真正的工程價值是： $$ \boxed{ \text{Simultaneous Structural Awareness}. } $$ 也就是同時維持： - 目標； - architecture； - module contracts； - task graph； - current failures； - causal dependencies； - open obligations。 高階模型看到局部改動時應該知道： $$ \Delta v_i \rightarrow ? $$ 而不是只問： > 這一行有沒有 bug？ --- # 17. 全域掃描優於反覆局部探測 傳統工作： ```text id="ndurln" modify A → inspect A modify B → inspect B modify C → inspect C ``` AI-native： ```text id="uljc9j" inspect system → build dependency model → modify A/B/C/D → global scan → identify root causes ``` 因此： $$ \boxed{ \text{Global perception first} \rightarrow \text{Local intervention second}. } $$ 這是前述 Global-First Completion 的認知版本。 --- # 18. 一次建構整個工作世界 對明確範圍的軟體任務，主智能首先建立： $$ \mathcal W_0 = ( \text{Architecture}, \text{Modules}, \text{Contracts}, \text{State}, \text{Tests}, \text{Artifacts} ). $$ 此時不要求： $$ Q(\mathcal W_0)=1. $$ 而要求： $$ \operatorname{Coverage}(\mathcal W_0)\approx1. $$ 然後： $$ \mathcal W_0 \rightarrow \mathcal W_1 \rightarrow \mathcal W_2. $$ 也就是： > **世界先存在，世界再被修。** --- # 19. 高階 AI 不應沉迷自己寫所有程式 假設高階模型成本： $$ C_H. $$ Worker 成本： $$ C_W. $$ 若某 micro task： $$ T_i $$ 兩者品質差距很小： $$ Q_H(T_i)-Q_W(T_i)\approx0, $$ 則： $$ C_H\gg C_W $$ 意味高階模型親自完成是資源浪費。 它應只保存： $$ \text{specification} + \text{integration awareness} + \text{acceptance authority}. $$ --- # 20. 但不能把判斷全部外包 壓縮全局智能已明確指出： 若產生答案與判斷答案正確的是同一外部模型： $$ M \rightarrow \text{Answer} \rightarrow M \rightarrow \text{Correct}. $$ 這不構成獨立治理。 因此： $$ \boxed{ \text{Execution may be delegated;} \quad \text{global judgment may not disappear}. } $$ --- # 21. 主 AI 不是 verifier machine 但反過來也不能走向： ```text id="qsd83e" Worker does task → Main AI verifies everything → Main AI re-verifies → Main AI reviews review ``` 主智能的責任不是逐字再做一次。 它只需要判斷： $$ \text{Evidence sufficient?} $$ 以及： $$ \text{Global state consistent?} $$ 若 deterministic tool 已能證明： $$ V(T)=1, $$ 就不需要大型模型再重新模擬整個過程。 --- # 22. Deterministic Tools 優先於額外 LLM 對： - parser； - compiler； - schema； - exact equality； - hash； - type checker； - unit tests； 應優先： $$ D_{\text{tool}}. $$ 而不是： $$ LLM_{\text{review}}. $$ MACR 本身也把 parser、compiler、schema validator、hash、scope diff、integration contract 等視為 verifier primitives。 所以： $$ \boxed{ \text{If a machine-checkable invariant exists, use it.} } $$ --- # 23. 驗證 topology 必須與任務 topology 匹配 簡單 task： $$ V=\text{Local}. $$ Cross-module： $$ V=\text{Integration}. $$ 高風險： $$ V=\text{Independent}. $$ 不能預設： $$ V=\text{Maximum}. $$ 因此： $$ \boxed{ V^\* = f( T, \text{Risk}, \text{CausalScale}, \text{Reversibility} ). } $$ --- # 24. Reviewer 是工具，不是統治者 Reviewer 的角色： $$ R_v = \text{detect relevant failure}. $$ 不是： $$ R_v = \text{redefine project}. $$ 所以 reviewer 輸出的 finding： $$ f_i $$ 必須經過： $$ \operatorname{ScopeCheck}(f_i) $$ 與： $$ \operatorname{BlockerQualification}(f_i). $$ 才能成為正式 obligation。 --- # 25. 驗證不能生成無限義務 定義： $$ \mathcal O_t $$ 為第 $t$ 輪義務集合。 錯誤 workflow 可能是： $$ |\mathcal O_{t+1}| > |\mathcal O_t| $$ 永遠成立。 即： > 每修一個問題，reviewer 又創造兩個問題。 全域完成系統要求： $$ \lim_{t\to T} |\mathcal O_{\text{critical}}(t)| = 0. $$ 因此 reviewer 產生的新 finding 必須滿足： $$ f_i \in Closure(\Omega). $$ --- # 26. 完成 Supervisor 本文提出核心元件： # Global Completion Supervisor 其不是普通 worker。 它維護： $$ S_C = ( G, \Omega, \mathcal I, \mathcal O, \mathcal H, \mathcal V ). $$ 其中： - $G$：Goals； - $\Omega$：Scope； - $\mathcal I$：Invariants； - $\mathcal O$：Obligations； - $\mathcal H$：Handoffs； - $\mathcal V$：Verification state。 --- # 27. Completion Supervisor 的五項責任 它必須回答： ### 一 $$ \text{What remains?} $$ ### 二 $$ \text{Does it matter?} $$ ### 三 $$ \text{Who should do it?} $$ ### 四 $$ \text{How much verification is enough?} $$ ### 五 $$ \text{Can we stop?} $$ 這五個問題是整套系統真正缺少的上層閉環。 --- # 28. Completion Supervisor 不是另一個 Reviewer 如果 Completion Supervisor 也只是： ```text id="5u54kh" 找更多問題 ``` 那架構完全失敗。 它的主要 optimization objective 應是： $$ \boxed{ \min |\mathcal O_{\text{actionable}}| } $$ 而不是： $$ \max |\mathcal F_{\text{found}}|. $$ Reviewer 最佳化： $$ \text{find flaws}. $$ Completion Supervisor 最佳化： $$ \text{close obligations}. $$ 兩者完全不同。 --- # 29. Global Completion Runtime 將前述元件整合，可建立： $$ \mathcal R_{GC} = ( A, C, M, T, V, S ). $$ 其中： - $A$：Architect intelligence； - $C$：Causal model； - $M$：Model／Agent pool； - $T$：Task graph； - $V$：Verification system； - $S$：Completion state。 其主循環： $$ \boxed{ \begin{aligned} \text{Task} &\rightarrow Interpret\\ &\rightarrow SelectDomain\\ &\rightarrow CausalMap\\ &\rightarrow PlanTopology\\ &\rightarrow AssignRoles\\ &\rightarrow GlobalBuild\\ &\rightarrow Integrate\\ &\rightarrow Verify\\ &\rightarrow CloseObligations\\ &\rightarrow \text{Complete}. \end{aligned} } $$ --- # 30. Canonical State 必須存在於 Agent 之外 多 Agent 系統若把狀態放在： ```text id="je749h" 大家的聊天紀錄 ``` 裡，極易漂移。 因此應有： $$ S_{\text{canonical}}. $$ 雙生 Agent Runtime 相關架構已將 canonical state、task graph、delegation envelope、checkpoint、ledger、verification 與 commit gate 視為 Agent 組織的核心運行語義。 所以： $$ \boxed{ \text{Conversation} \neq \text{Authoritative System State}. } $$ --- # 31. Candidate 與 Artifact 必須分離 Worker 輸出： $$ y_i $$ 首先應該是： $$ \text{Candidate}. $$ 只有經必要驗證後： $$ \text{Candidate} \rightarrow \text{Artifact}. $$ MACR v0.6 也將： $$ \text{Candidate}\neq \text{Artifact} $$ 設為核心不變量。 但這不意味著每個 candidate 都需要十層 review。 只需要其對應的： $$ \text{VerificationContract}. $$ --- # 32. Verification Cost 必須計入模型成本 模型便宜不代表任務便宜。 MACR 已定義： $$ C_{\text{total}} = C_{\text{generation}} + C_{\text{verification}} + C_{\text{retry}} + C_{\text{integration}} + C_{\text{human}}. $$ 所以如果： ```text id="pvhtz5" cheap model → 3 次 retry → expensive reviewer → human correction ``` 其實可能比： ```text id="fw02ql" strong model → once ``` 更貴。 因此「天選打工人」本質是： $$ \boxed{ \text{lowest verified completion cost}. } $$ 不是： $$ \text{lowest token price}. $$ --- # 33. 同樣，強模型也不應預設全包 如果前沿模型： $$ M_H $$ 所有工作都做，成本為： $$ C_HN. $$ 動態架構則可能： $$ C_{\text{arch}} + \sum C_{\text{workers}} + C_{\text{verification}}. $$ 只要： $$ U_{\text{dynamic}} > U_{\text{monolithic}}, $$ 就應分工。 這不是「省錢模式」。 而是： > **讓認知資源在最適合的位置工作。** --- # 34. 技術域選擇也可以委派，但不能失去架構責任 Paper 01 建立： $$ \operatorname{SelectDomain}. $$ 主 AI 可以要求： ```text id="r5j24p" Rust specialist Python specialist Database specialist ``` 提出候選。 但最後： $$ \operatorname{SelectDomain} $$ 仍應回到全域架構判斷。 不能： ```text id="fbj2oa" Rust Agent 推薦 Rust → 所以用 Rust ``` 這只是領域偏誤。 --- # 35. 工作組織應該因任務重新編譯 傳統組織： ```text id="xd2n8q" Architect Backend engineer Frontend engineer QA ``` 通常固定。 AI-native 組織可以： $$ Org(T_t) = \operatorname{Compile}(T_t,C_t,M_t). $$ 不同 task 動態生成不同 organization。 例如： ### Feature A ```text id="3j5067" Architect + Python worker + UI worker + smoke test ``` ### Migration B ```text id="n89py7" Architect + Rust worker + data migration specialist + integration verifier ``` ### Research C ```text id="ok376f" Research architect + search worker + math worker + source checker ``` --- # 36. Organization Compilation 本文正式定義： $$ \boxed{ \mathcal O_T = \operatorname{OrgCompile} ( T, S_G, \mathcal M, B, P ) } $$ 輸出： $$ \mathcal O_T = ( \text{Topology}, \text{Roles}, \text{Bindings}, \text{Contracts}, \text{Budgets} ). $$ 這就是： # AI-Native Organization Compilation 組織本身成為可以按任務編譯的結構。 --- # 37. 主智能也應動態切換工作模式 同一主 AI 不需要永遠： ```text id="4zfezb" architect mode ``` 它可以切換： $$ Mode(A_0,t) \in \{ \text{Architect}, \text{Researcher}, \text{Integrator}, \text{Debugger}, \text{CompletionJudge} \}. $$ 但是切換到 micro mode 後，仍不能遺失： $$ S_G. $$ 這就是： $$ \boxed{ \text{Local focus without global amnesia}. } $$ --- # 38. 微觀工作完成後應回到中宏觀 一個局部 worker 完成： $$ T_i $$ 後，不應直接宣布： ```text id="u66c3b" done. ``` 它應返回： $$ R_i = ( \text{Artifact}, \text{Changes}, \text{Evidence}, \text{OpenIssues}, \text{Impact} ). $$ 主智能再更新： $$ S_G^{t+1} = Update(S_G^t,R_i). $$ 所以完整 loop： $$ \text{Global} \rightarrow \text{Local} \rightarrow \text{Global}. $$ --- # 39. 中觀 Coordinator 的真正價值 Coordinator 不應只是： ```text id="g2j6iq" 把 task 拆成 12 個 bullet。 ``` 它應維護： $$ \mathcal C_{\text{meso}} $$ 即跨 worker contract。 例如： ```text id="lpvsvm" Worker A 修改 API Worker B 修改 client ``` Coordinator 要確保： $$ Contract_A = Contract_B. $$ 這是中觀工作的核心。 --- # 40. Local Success 不等於 Integration Success 即使： $$ V(A)=1 $$ 且： $$ V(B)=1, $$ 也不推出： $$ V(A,B)=1. $$ 因此： $$ \boxed{ \text{Independent Local Success} \not\Rightarrow \text{Integrated Completion}. } $$ 這是多 Agent 系統最重要的基本事實之一。 --- # 41. 但 Integration Validation 也只能做一次必要閉環 當： $$ V(A,B)=1 $$ 而沒有新資訊時， 不應繼續： $$ V(A,B) \rightarrow V(A,B) \rightarrow V(A,B). $$ 因為： $$ \Delta Evidence\approx0. $$ 這時 Completion Supervisor 應終止 validation loop。 --- # 42. Human 不應是低階 workflow trigger 一個真正 Agentic 的系統不應： ```text id="frdqpt" AI 做一步 → 等人說「繼續」 → AI 再做一步 ``` 人類應主要保留： - intent； - major preference； - irreversible authority； - high-risk approval； - scope change； - exceptional judgment。 而不是： ```text id="8w4a1m" 下一個檔案可以改嗎？ 下一個 test 可以跑嗎？ 剩下程式可以寫嗎？ ``` 雙生 Agent 組織 Runtime 原本提出的核心問題之一，也正是「人類是否仍必須充當所有工作轉移的低階觸發器」。 --- # 43. Human-in-the-loop 應改成 Human-at-the-boundary 本文提出： $$ \boxed{ \text{Human-at-the-Boundary} } $$ 取代： $$ \text{Human-in-every-loop}. $$ 即只在： - scope changed； - money； - production irreversible action； - legal commitment； - identity／authority； - critical ambiguity； 等真正邊界出現時要求人類介入。 --- # 44. Completion Authority 不能下放給所有 Agent Worker： $$ \text{可以說 local task complete}. $$ Coordinator： $$ \text{可以說 subsystem integrated}. $$ 但只有 Global Completion Supervisor 能說： $$ \boxed{ \text{Requested Task Complete}. } $$ 否則每個 Agent 都可能： ```text id="exv98d" 我的部分好了。 ``` 但沒有人知道整體好了沒。 --- # 45. 分層完成狀態 因此： $$ C= ( C_M, C_E, C_I ) $$ 其中： - $C_M$：Macro completion； - $C_E$：Meso completion； - $C_I$：Micro critical completion。 只有： $$ C_M=1 $$ $$ C_E=1 $$ $$ C_I^{critical}=1 $$ 才允許： $$ GlobalComplete=1. $$ --- # 46. 微觀剩餘工作可以留存 如果： $$ C_I^{noncritical}<1 $$ 仍可： $$ GlobalComplete=1. $$ 前提是： $$ \mathcal O_{\text{critical}}=\varnothing. $$ 這避免： > 一個 README typo 讓整個產品永遠「partial」。 --- # 47. 新的 Agent 工作主循環 本文最終提出： $$ \boxed{ \begin{aligned} 1.\;&Interpret\\ 2.\;&SelectTechnologyDomain\\ 3.\;&BuildGlobalCausalMap\\ 4.\;&ClassifyMacroMesoMicro\\ 5.\;&CompileCoordinationPlan\\ 6.\;&InstantiateWholeScope\\ 7.\;&DelegateBoundedWork\\ 8.\;&IntegrateResults\\ 9.\;&ValidateByCausalWeight\\ 10.\;&CloseActionableObligations\\ 11.\;&DeclareCompletion \end{aligned} } $$ --- # 48. 與傳統 Agent workflow 的根本差異 傳統： ```text id="4hl0ee" Plan → Step → Test → Review → Step → Test → Review ``` 本文： ```text id="kfkr74" Understand whole → select domain → instantiate whole → distribute work → integrate → validate relevant structure → close obligations → finish ``` 差異不只是速度。 是： $$ \boxed{ \text{Iteration Unit} } $$ 不同。 傳統迭代： $$ \text{local action}. $$ AI-native： $$ \text{global system state}. $$ --- # 49. AI 原生架構師的最低能力 本文定義： $$ \mathcal C_A = \{ D, C, R, I, V, J \} $$ 其中： - $D$：Domain Selection； - $C$：Causal Modeling； - $R$：Routing； - $I$：Integration； - $V$：Verification Judgment； - $J$：Completion Judgment。 若任一關鍵能力： $$ C_i<\theta_i, $$ 則該模型不適合作為 Global Architect。 即使它： $$ CodeSkill\gg0. $$ --- # 50. Coding Benchmark 不能等於 Architect Benchmark 因此： $$ \boxed{ \text{Coding Score} \neq \text{Architectural Competence}. } $$ 一個模型可能很會： ```text id="6bpjl4" generate function ``` 卻不擅長： ```text id="mqk1qx" 知道哪個 function 根本不該存在。 ``` 後者才是架構能力。 --- # 51. 架構師真正的價值是刪除不必要工作 初階 Agent： $$ \text{完成被要求的工作}. $$ 高階 Architect： $$ \text{判斷哪些工作根本不必做}. $$ 如果原本： $$ 100 $$ 個 candidate tasks， 架構分析後： $$ 40 $$ 個根本不需要， 那麼最大的 productivity gain 不是： $$ 100\text{ tasks faster}. $$ 而是： $$ \boxed{ 60\text{ unnecessary tasks disappear}. } $$ --- # 52. 驗證癖其實也是架構能力不足的表現 如果主 AI 不知道： - 哪些節點高影響； - 哪些測試已足夠； - 哪些問題屬 scope； - 哪些 risk 是真實的； 它只能採取： $$ \text{Verify Everything}. $$ 因此過度驗證有時不是「太聰明」。 反而可能是： $$ \boxed{ \text{Weak Global Judgment} \rightarrow \text{Maximum Local Verification}. } $$ --- # 53. 高階智能應該敢停止 智能的一部分不是： > 再想到一個可能問題。 而是： > **知道新的可能問題已經不值得繼續展開。** 因此： $$ \boxed{ \text{Stopping is an intelligence capability}. } $$ 這與搜尋、推理、驗證同樣重要。 --- # 54. 完成判定是決策，不是自然現象 一個系統不會自己說： ```text id="qd3wsy" 我完成了。 ``` 完成是： $$ \operatorname{Judge} ( \text{Scope}, \text{Goals}, \text{Evidence}, \text{OpenObligations} ). $$ 所以 Agent 架構必須把： $$ \text{CompletionJudge} $$ 做成一級能力。 --- # 55. AI 原生工作組織五大原理 ## 原理一：架構責任 $$ \boxed{ \text{High capability} \Rightarrow \text{Global responsibility}. } $$ --- ## 原理二：動態組織 $$ \boxed{ \text{Organization} = f(Task,Domain,Risk,Models,Cost). } $$ --- ## 原理三：能力—尺度匹配 $$ \boxed{ \text{Model Capability} \leftrightarrow \text{Causal Scale}. } $$ --- ## 原理四：控制與計算分離 $$ \boxed{ \text{Control Plane} \neq \text{Compute Plane}. } $$ --- ## 原理五：完成權高於驗證增殖 $$ \boxed{ \text{Completion Supervisor} > \text{Unbounded Reviewer Expansion}. } $$ --- # 56. 三篇系列統一 Paper 01： $$ \boxed{ \text{Select the right technological world}. } $$ Paper 02： $$ \boxed{ \text{Know which parts of that world causally matter}. } $$ Paper 03： $$ \boxed{ \text{Organize intelligence according to those structures}. } $$ 因此整套 AI 原生全域完成方法： $$ \boxed{ \begin{aligned} \text{Intent} &\rightarrow \text{Scope}\\ &\rightarrow \text{Technology Domain}\\ &\rightarrow \text{Macro Architecture}\\ &\rightarrow \text{Causal Scale Map}\\ &\rightarrow \text{Coordination Plan}\\ &\rightarrow \text{Global Instantiation}\\ &\rightarrow \text{Dynamic Delegation}\\ &\rightarrow \text{Meso Integration}\\ &\rightarrow \text{Micro Repair}\\ &\rightarrow \text{Weighted Validation}\\ &\rightarrow \text{Global Completion}. \end{aligned} } $$ --- # 57. 與 GCPR 的最終接合 GCPR 原本的： $$ \text{Observe} \rightarrow \text{Generate} \rightarrow \text{Evaluate} \rightarrow \text{Correct} $$ 在本文中被提升為組織級： $$ \boxed{ \begin{aligned} \text{Global Observe} &\rightarrow \text{Global Sketch}\\ &\rightarrow \text{Dynamic Worker Expansion}\\ &\rightarrow \text{Global Evaluation}\\ &\rightarrow \text{Causal Repair}\\ &\rightarrow \text{Global Closure}. \end{aligned} } $$ 即： > **速寫不再只是草擬一小段產物，而可以是先生成整個工作世界。** --- # 58. 與 AMEP 的最終接合 AMEP 解決： $$ \text{How should a method execute?} $$ 本文在其上建立： $$ \text{Which method?} $$ $$ \text{Which agent?} $$ $$ \text{At what scale?} $$ $$ \text{With what verification?} $$ 以及： $$ \boxed{ \text{When should the whole process stop?} } $$ 因此未來可以形成： ```text id="khb78n" Global Completion Runtime │ ├─ Technology Domain Selector ├─ Causal Scale Analyzer ├─ Coordination Planner ├─ Model / Agent Router ├─ AMEP Method Runtime ├─ Verification Router └─ Completion Supervisor ``` --- # 59. 最終命題 AI 時代的工作方法不能只是： > 把人類工程流程做得更快。 如果 AI 具有： - 更大的全域注意力； - 更低的生成成本； - 更快的重寫速度； - 動態調用其他 AI 的能力； - 多工具並行能力； 那麼工作拓撲本身就應改變。 因此本文提出： $$ \boxed{ \text{AI-native work} \neq \text{Human workflow executed by AI}. } $$ AI 原生工作應該利用： $$ \boxed{ \text{Global Attention} + \text{Dynamic Intelligence Allocation} + \text{Causal Hierarchy} + \text{Global Completion}. } $$ --- # 結論 真正成熟的高階 AI，不應以「自己做了多少工作」證明能力。 它應以： > **是否讓整個工作系統以更少無效步驟、更少錯誤技術選型、更少不必要驗證、更合理的智能配置，真正完成目標。** 作為能力標準。 因此高階 AI 的正確角色不是： ```text id="7p1oaz" 更厲害的打字員 ``` 也不是： ```text id="cr7t3m" 更焦慮的 reviewer ``` 而是： $$ \boxed{ \text{Architect} + \text{Global Observer} + \text{Causal Controller} + \text{Dynamic Router} + \text{Completion Judge}. } $$ 子 AI 不應只是固定的廉價模型。 而應是： $$ \boxed{ \text{Task-Specific Cognitive Resources}. } $$ 驗證也不應成為無限循環。 而應是： $$ \boxed{ \text{Bounded Evidence Acquisition for Completion}. } $$ 最終，一套真正 AI 原生的工作系統，應該做到： > **先選對世界。** > > **再看清整個世界。** > > **知道世界中哪些節點真正重要。** > > **把不同工作交給最適合的智能。** > > **先讓整體出現，再修整體。** > > **只驗證真正需要驗證的地方。** > > **最後知道什麼時候該停止。** 這就是「AI 原生全域完成方法論」的完整閉環。 $$ \boxed{ \text{Right Domain} + \text{Global Architecture} + \text{Causal Hierarchy} + \text{Dynamic Intelligence} + \text{Bounded Verification} = \text{Global Completion} } $$