# HACTS-04｜代理並行與認知待命：當 AI 持續工作，人類為何仍難以真正休息

## 從委任執行、未結監督、警報治理到可操作的認知退出權——人機耦合系統的雙佇列與時間主權模型

**English title:** *Agent Parallelism and Cognitive Standby: Delegated Execution, Supervisory Queues, Vigilance, and the Effective Right to Disconnect in Human–AI Systems*  
**系列：**《人機耦合時代的時間主權與創造自由》（Human–AI Coupling, Temporal Sovereignty, and Creative Freedom；HACTS）  
**篇次：** 04／10（第一卷第四篇；承接 HACTS-00～03）  
**文件編號：** EML-HACTS-2026-04-v0.1  
**版本：** v0.1  
**日期：** 2026-10-16（Asia/Taipei）  
**思想提出與研究策劃：** Neo.K  
**AI 協作研究與論文初稿整理：** GPT-6  
**研究場域：** EveMissLab／無界智庫  
**文件性質：** 理論論文、條件性數學模型、AI 組織設計、可否證研究計畫  
**狀態：** 詳細理論初稿；具有可查核外部文獻對照，尚無本研究自行採集的人類受試資料、也尚未同儕審查  
**Canonical source：** 本 UTF-8 Markdown 檔；所有正式 LaTeX 僅採 ` $...$ ` 與 `$$...$$` 分隔符  
**研究邊界：** 非臨床診斷、非個人健康評估、非 AI 自動化安全保證、非特定軟體平台的內部事實宣告  

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

持續性 AI Agent 的基本承諾，是讓人類不必在每一步作業中親自操作：Agent 可以自行搜尋、撰寫程式、呼叫工具、測試、重試、整理、交接，甚至在創作者吃飯、遊戲、睡覺或離開電腦時繼續推進任務。然而，委任執行與取得休息並不是同一件事。多個 Agent 所產生的報告、警報、待決問題、程式變更及尚待確認的結果，仍可能回到人類工作者。即使當下沒有任何訊息，行動者也可能因為預期將有結果需要審查、擔憂錯誤、或感覺自己隨時有責任接管，而無法完全從工作切換出來。這種現象在高自願性研究者、創作者與小型 AI 原生創業組織中尤其值得獨立研究，因為持續活動不必由外部主管強制，也可能出自本人對研究成果的興趣、未來窗口判斷及責任認同。

本文提出「代理並行—認知待命—有效退出」的條件性整合模型（Agent Parallelism–Cognitive Standby–Effective Disconnection，簡稱 **APCS-ED**）。首先區分五種不能混為一談的事件：**Agent 正在執行**、**人類需要完成審查**、**人類預期可能需要審查**、**有真正不可延後的風險**、以及**人類具備合法且可實行的離線選擇**。本文以委任任務流、監督事件分類、雙佇列動力學、風險閘門與潛在認知待命狀態建模，指出提高 Agent 數量或吞吐量可能增加人類監督需求，也可能在良好組織設計下降低人類總負擔；**「並行必然導致焦慮」不是本篇的結論**。真正相關的是哪些輸出被轉換成需要人類即時處理的義務，以及其訊號、權限、可逆性、時限和機器驗證品質。

本文明確對接既有自動化反諷（Bainbridge, 1983）、人類自動化監督、注意力殘留、工作心理抽離、通訊即時回應壓力與 2026 年 AI Process Vigilance 實證研究。特別注意，2026 年針對 642 名混合辦公員工的兩波問卷已提出 AI 委任後持續牽掛與較差恢復之間的關聯，故本篇**不將該現象宣稱為首次發現**。本文的新增研究位置在於：由 AI Agent 的事件流與治理權限出發，建立可以區分「需處置事件」「可延後事件」「非必要可見訊號」「主觀認知待命」的形式模型，分析審查佇列何時失穩、何種通知政策可以降低人類打斷頻率、以及在固定安全約束下能否增加個體實際可支配的生活時間。

本文提出十二組可否證命題，設計分層隨機交叉實驗、事件追蹤及日常經驗抽樣，並建立面向 HDUS／ANDO 類 AI 原生組織的最小人類回交契約。核心結論是：**Agent 可以持續工作，而人類不必持續待命；但這項自由不是由「自主 Agent」這個名稱保證，而須由權限、停止、事件分流、機器驗證、應急責任及可恢復的人類節奏共同實現。**

**關鍵詞：** Agent 並行、認知待命、AI Process Vigilance、自動化監督、心理抽離、操作員退出、委任時間、人類介入密度、雙佇列、通知批次、風險分流、可逆性、停止權、時間主權、HDUS、ANDO、可否證研究。

---

## 0. 問題提出：人類沒有在操作，為何工作還沒有結束？

在傳統工作中，完成一項工作往往要求工作者持續操作。當個體停止操作，至少一部分工作會隨之停止。在持續性 AI Agent 中，這個關係被拆開：

$$
\mathrm{HumanExecution}(t)=0
$$

並不意味：

$$
\mathrm{AgentExecution}(t)=0.
$$

但反過來也必須注意，Agent 正在運行並不意味人類必然需要即時監督：

$$
\mathrm{AgentExecution}(t)>0
\not\Rightarrow
\mathrm{HumanDutyNow}(t)>0.
$$

例如某位創作者晚上打開遊戲，六個 Agent 同時進行單元測試、建立文檔索引、蒐集公開資料、評估 UI、比對基準測試與生成影音草稿。就技術形式而言，操作者已經退出直接執行；但若每十五分鐘都會出現「請確認下一步」「請審核變更」「是否要繼續」等通知，原本的休閒時間仍被切割。

另一種情況甚至沒有實際通知。創作者只知道 Agent 仍在執行，便不自覺想像：「不知道有沒有失敗？」「是不是已經完成下一階段？」「會不會又要我修正？」「如果現在不看，明天會不會積更多？」這種心理現象不必然發生，也不應被推斷為生理或臨床狀態；它是需要被直接測量的認知經驗。

再有第三種情況：Agent 處理涉及真實交易、安全權限、不可逆發佈或重要外部承諾。此時負責人確實可能需要及時監控，不能把「想休息」誤作取消法律、契約或安全責任的理由。適當的解法可能是安全停止任務、將值守交給有能力的其他人，或事先限制 Agent 不可進入需即時人類值守的操作域。

由此產生本篇主問題：

> 當 AI 把執行時間從人類身上移開以後，什麼因素仍然把人的注意力留在工作裡？在保留必要安全與責任的條件下，哪些治理結構能使委任真正轉化為可支配生活時間？

本篇不以增加 Agent 數量作為目標，也不鼓勵將所有風險自動化；相反地，研究重點是**減少不具有必要治理價值的人類介入**。

---

## 1. 文獻與原創邊界：現象不新，問題結構可以更精確

### 1.1 自動化反諷早已指出監督沒有因自動化消失

Bainbridge（1983）《Ironies of Automation》說明，自動化可能移走日常操作，卻將少數例外狀況、異常辨識與處理責任留下給人類 [E1]。這對今天的 Agent 同樣重要。機器執行大量可預測步驟，人類只在困難條件下被要求介入，並不保證人類在出現異常時仍維持足夠的脈絡與情境認知。故無條件追求「人類永不介入」並非成熟自動化。

Parasuraman 與 Riley（1997）區分 automation 的 use、misuse、disuse、abuse，強調過度信任、無效警報與自動化職務設計可能同時影響使用者 [E2]。Parasuraman、Sheridan 與 Wickens（2000）則區分資訊取得、分析、決策選擇與行動實施等不同自動化功能 [E3]。這提示我們：Agent 的「自主等級」不是單一純量；系統可以高度自動執行，但對某些不可逆決策仍保留人類的最終授權。

### 1.2 心理抽離與恢復研究提供測量基礎

Sonnentag 與 Fritz（2007）提出的 Recovery Experience Questionnaire 區分心理抽離、放鬆、精熟及控制四種恢復經驗 [E4]；2015 年的 stressor–detachment model 也指出工作壓力與心理抽離困難、疲勞及福祉指標之間的經驗關聯 [E5]。本篇因此不能把「離開電腦」當成「已經心理抽離」，也不應反過來要求「休閒時間絕對不能想到工作」。後者可能把自然的自發靈感誤判為有害待命。

Leroy（2009）關於 attention residue 的研究則說明，轉向新任務後注意力仍可能停留在前一項未結工作，進而影響下一項任務的表現 [E6]。Agent 的待審查結果可能形成同類干擾，但這不是直接等同：本篇必須另外證明「未結工作仍由機器推進」是否增加不同於一般未完成任務的額外效果。

### 1.3 通訊壓力與自主悖論是重要的相鄰解釋

Barber 與 Santuzzi（2015）提出 workplace telepressure，說明即時回應工作訊息的主觀急迫感可以妨礙恢復 [E7]。Mazmanian、Orlikowski 與 Yates（2013）在行動電子郵件研究中提出 autonomy paradox：員工為了方便與自主使用隨時連線的工具，卻逐漸形成持續可聯絡的規範，使實際離線能力下降 [E8]。

Agent 的特色不只是傳送更多訊息，而是：**訊息背後可能有一個在使用者不在線時持續改變結果的執行流程**。因此它可能形成額外的進度與責任牽掛；但我們不能在未測量之前，假定其影響必然大於一般工作訊息。

### 1.4 2026 年 AI Process Vigilance：直接相關但不是因果定論

Zhang、Li 與 Chen（2026）於 2026 年 9 月 24 日發表《When AI Works, Employees Worry: The Vigilance Cost of AI Delegation in Hybrid Work》，提出 AI process vigilance（AIPV）概念，以進度監控、品質疑慮、錯誤預期與失去控制感描述委任後心理持續附著 [E9]。

研究採兩波問卷，間隔七週，最終分析 642 名至少每週使用一次 AI 的混合辦公員工。報告顯示，AI delegation dependence 與 AIPV 呈正向關聯，AIPV 與工作反芻正向關聯，反芻與心理抽離呈負向關聯。作者原先預期的「邊界管理偏好會削弱 AIPV 與反芻的關係」交互作用並未獲支持。這項陰性結果也必須如實保留。部分直接路徑不顯著，而兩波觀察性自陳資料無法單獨確立完整因果方向：初始工作壓力、組織文化、個人責任感、睡眠品質、模型可靠度與樣本選擇都可能影響估計。

本文不重新宣稱「AI 委任後可能持續擔心」是新的心理學發現。本篇相對 AIPV 的研究增量在於：

1. 將心理潛在狀態連接到可稽核的 Agent 事件、監督事件與權限邊界。
2. 分辨客觀必須處理的義務、可以延後的工作，以及沒有必要通知的人類可見訊號。
3. 研究在**相同任務量與安全條件**下，事件分流／通知批次能否降低心理待命。
4. 將「人類真的有離線權」建立為可以測試的組織屬性，而非僅是工作者的主觀偏好。

### 1.5 2026 年 Coding Agent 監督研究

Park 等人（2026）《The Work Behind Delegation》透過 19 名具經驗開發者的觀察與工作流程圖，整理監督 AI coding agents 的連續活動階段與迴路 [E10]。其研究提醒我們，委任不只是交付 prompt 和等待答案；規劃、上下文交接、驗證、修正以及將反覆指引轉成資產，都是監督工作的一部分。但此樣本與研究設計尚不足以代表所有產業或推算平均監督工時。

### 1.6 本篇的嚴格貢獻聲明

本研究提出的是一組**待驗證的工程—心理—時間治理連結模型**，並非宣稱發現人類自動化監督、恢復壓力或注意力殘留。形式上的創新候選包括「雙佇列與責任分類」「最低必要介入密度」「認知待命—客觀義務分離」「有效退出可行性判準」以及「有風險上界的通知治理」。是否真正具有相對於既有文獻的理論創新性，仍須接受進一步文獻系統整理與實證比較。

---

## 2. 研究對象：人、Agent、任務與制度，而不是單純聊天紀錄

### 2.1 分析單位

令系統由人類委任者 $H$ 、Agent 集合 $\mathcal A$ 、任務集合 $\mathcal T$ 、授權與風險政策 $\mathcal P$ 、可用資源 $\mathcal B$ 與時間區間 $[0,T]$ 組成：

$$
\mathcal S = (H,\mathcal A,\mathcal T,\mathcal P,\mathcal B,[0,T]).
$$

Agent 集合可含多模型、多工具與子代理，但不能把 Agent 的輸出文字數量等同有效工作量。某個 Agent 完成一百次循環、卻從未通過真實驗證，不能計作已完成一百件有價值成果。

### 2.2 五類事件的最小區分

對每一事件 $e$，將其分類為：

| 類型 | 記號 | 定義 | 是否必須立即打斷人類 |
|---|---|---|---|
| 機器內部執行 | $E_M$ | 搜尋、運算、草稿、重試與可回退處理 | 通常否 |
| 機器可驗證完成 | $E_V$ | 已經通過預設檢驗、可安全暫存的成果 | 通常否 |
| 人類延後審查 | $E_D$ | 需要人類判斷但無即時期限的事件 | 不一定 |
| 人類限期治理 | $E_G$ | 權限、風險或外部承諾要求在期限內介入 | 依期限 |
| 必須立即應變 | $E_C$ | 真正無法容忍等待的安全／法律／外部高風險事件 | 是，或原任務必須安全停止 |

這個表不是宣稱 AI 有能力完美識別所有風險，而是提出研究及工程系統必須提供的事件語義。分類錯誤本身就是需要審核和量測的主要風險。

### 2.3 任務結果與人類義務不能互相代替

一個 Agent 完成任務可能有三種後果：

- 已通過標準、可以直接保留或安全提交，無須現在叫醒人類。
- 需要人類作出質量判斷、產品方向或公開發布選擇，但可以等到預設治理時段。
- 進入事先未授權的風險區域，必須暫停、回滾或緊急通知具責任的值守者。

因此：

$$
N_{\mathrm{completed}}
\neq
N_{\mathrm{human\ review\ now}}.
$$

如果一個系統把這兩個數量預設成相等，Agent 的成功便會持續產生人類通知。這是**設計選擇**，並非自主 Agent 的必然技術要求。

---

## 3. 重要概念與操作定義

### 3.1 委任執行（Delegated Execution）

人類給出高階目標、限制、驗收與授權，Agent 在一定範圍內自行產生中間行動，不必逐步請求人工輸入。委任執行不是交出一切權限，也不是完全無人監督。

### 3.2 認知待命（Cognitive Standby）

本文將認知待命定義為：在沒有正在執行必要工作、沒有真正需要當下介入的客觀事件時，個體仍因預期受委任流程需要自己介入，而維持對該流程的注意、監控意圖或持續牽掛的狀態。

此定義包含**三個邊界**：第一，主觀狀態需由經驗抽樣或問卷量測，不可單憑 AI 運行紀錄推定；第二，偶然想到工作的靈感不必然是認知待命；第三，必要且已同意的值守並非無效治理，但它仍可能限制真正的休閒時間。

### 3.3 監督需求（Supervisory Demand）

要求人類因解釋、判準、風險、權限或外部責任而採取認知或操作行動的事件集合。工作尚未完成與審查尚未完成應分帳；「有新成果可看」不是「有新責任必須立即做」。

### 3.4 有效退出（Effective Disconnection）

有效退出不等於將裝置設定為勿擾，而是符合一組可操作條件：人類暫停工作後，系統能在事先定義的安全約束下繼續低風險活動或安全停止；非必要事件不會迫使其返回；必要的不可延後事件有明確值守安排；退出者可在稍後取得可重建的摘要、證據與狀態，不因暫時離線喪失基本決策能力。

### 3.5 監督稀疏化（Oversight Sparsification）

在不提高不可接受風險的前提下，降低需要人類即時參與的事件密度。它並不等於「更少看見壞消息」。若降低通知數量只是隱藏風險，則不是有效監督稀疏化。

### 3.6 可回交性（Returnability）

人類在離線後可以重新進入狀態，理解重要變更、已核對的證據、未決承諾與當前風險，不必重新閱讀所有 Agent trace 才能恢復必要控制。

---

## 4. 為何 Agent 並行度與人類工作強度沒有簡單線性關係

### 4.1 並行 Agent 數量不是有效產能

令 $n$ 為同時運作的 Agent 數量， $P_A(n)$ 為其有效驗證後成果率。一般無法假定：

$$
P_A(n)=nP_A(1).
$$

原因包括共用工具壅塞、相依任務、重複工作、相互衝突、共享資源失效、品質不均、錯誤重試與非平行關鍵路徑。即使某些情況可接近線性加速，也不保證相同幅度降低人類工作時間。

### 4.2 人類審查需求具有篩選比例

令 Agent 在特定時間區間產生的候選交付率為 $\lambda_A(t)$ ；其中有比例 $p_D(t)$ 需要延後人工審查、比例 $p_G(t)$ 需要限期人工治理、比例 $p_C(t)$ 為必須立即應變的事件。這三類應在可驗證的互斥分類下定義，並使：

$$
0\le p_D+p_G+p_C\le 1.
$$

名義上的人工事件到達率近似：

$$
\lambda_H(t)=\lambda_A(t)\left(p_D(t)+p_G(t)+p_C(t)\right)+\lambda_{\mathrm{external}}(t),
$$

其中 $\lambda_{\mathrm{external}}$ 是不直接來自 Agent 交付、但仍需人類處理的外部事件。這只是聚合近似，實際可採離散事件計數而不假定比例恆定。

人類審查是否增加，至少取決於 Agent 輸出率與分類政策兩個因素；單純增加 Agent 並行度既可能提高 $\lambda_H$，也可能透過更可靠的機器驗證降低相應比例。

### 4.3 低通知不等於低風險

如果降低 $p_C$ 的方式只是把緊急事件誤判為「可自行完成」，那麼人類通知確實減少，但安全性下降。理想政策必須同時報告召回率、誤報率、未發現事件的後果，以及必要人工回應是否能在風險窗口內完成。不能只用「訊息少了多少」作為治理成功判準。

### 4.4 加速 Agent 可能出現三種分歧

情境 A：機器任務成功率提高、人工必要檢查比例下降、總價值增加，人類監督時數下降。這是理想的委任時間紅利。

情境 B：機器成果增長很快、人工檢查比例近似不變，人類審查佇列累積。工作壓力可能轉移到人類判準層。

情境 C：機器成果增加，但成果多為可推遲或可驗證項目；若通知政策不良，手機或桌面不斷發出非必要打斷。這是**介面／治理政策造成的負荷**，不一定是必要的客觀工作量。

三種情境可以在相同模型能力、不同 Agent 編排與不同授權下同時存在。

---

## 5. 雙佇列模型：機器結果與人類責任必須分帳

### 5.1 機器結果佇列

令 $Q_A(t)$ 為等待機器內部完成後續步驟、驗證或歸檔的候選結果存量；機器新增率為 $\lambda_A(t)$，自動處理與合法移出率為 $\nu_A(t)$。在連續近似下：

$$
\frac{dQ_A}{dt}=\lambda_A(t)-\nu_A(t).
$$

 $Q_A$ 本身不是需要人類即時處理的事項數。

### 5.2 人類行動佇列

令 $Q_H(t)$ 為已經正當轉移給人類、但尚未處理的必要人工行動存量；加入率為 $\lambda_H(t)$，實際處理率為 $\mu_H(t)$，合法撤銷或自動完成率為 $\chi_H(t)$：

$$
\frac{dQ_H}{dt}=\lambda_H(t)-\mu_H(t)-\chi_H(t).
$$

在離散任務計數中，實際 $Q_H$ 必須非負；若流量形式導致右式使存量低於零，應以可供處理的存量上限限制出佇列率。對應的離散式更適合事件系統：

$$
Q_{H,t+1}=\max\left\{0,Q_{H,t}+A_{H,t}-S_{H,t}-R_{H,t}\right\}.
$$

其中 $A_{H,t}$ 是加入事件數、 $S_{H,t}$ 是實際完成人工事件數、 $R_{H,t}$ 是在合法驗證下取消人工介入要求的事件數。

必須強調： $R_{H,t}$ 不得包括掩蓋風險、未授權提交或僅僅刪除提醒的事件。

### 5.3 事件速率、服務速率與穩定條件

若人工事件到達與處置具有某種穩定統計結構，則在平均意義下希望：

$$
\overline\lambda_H < \overline\mu_H+\overline\chi_H.
$$

但這個條件只是必要的穩定性直覺，不能在有強烈時間波動、優先序、批次到達、共用資源或不可中斷工作的情況下保證所有延遲都有限。少量緊急事件可能與大量非緊急事件混在同一佇列中，因此即使總負載低，也可能因優先級錯誤而違反時限。

若在教科書式的單一服務者 M/M/1 模型下，非空狀態且滿足 Poisson 到達、指數服務時間、先來先服務、無批次與穩態等限制，令事件到達率為 $\lambda$ 、服務率為 $\mu$，且 $0<\lambda<\mu$，則總系統平均逗留時間：

$$
\mathbb E[W]=\frac{1}{\mu-\lambda}.
$$

這是一個**特定排隊模型的解析結果**，不是「人的注意力服從指數分布」的科學宣告。它只提供一個可計算的機制示意：當人工審查需求接近可提供的審查容量時，等待時間可能呈現明顯非線性上升。

### 5.4 有佇列不等於有焦慮，沒有佇列也不等於沒有焦慮

一個受信任、可觀測且可延後的審查佇列即使存量大，也可能不影響休閒；反之，一個低事件量但可能引發不可逆損失的 Agent，即使完全沒有待審查訊息，也可能讓某些人保持注意。故不能直接定義：

$$
\mathrm{CognitiveStandby}(t)=Q_H(t).
$$

二者必須獨立測量，才能檢驗它們的關係是否存在及其強度。

---

## 6. 認知待命的條件性動力學

### 6.1 從事件事實到主觀心理狀態的因果邊界

可觀察的 Agent 執行記錄，並不直接證明人的注意力何時轉移，也不直接顯示神經資源如何消耗。本篇把認知待命視為可透過多題項、經驗抽樣和自我報告估計的**潛在狀態**。其形成機制是研究假說，而不是已證明生理法則。

設 $S_t\ge0$ 為時段 $t$ 的主觀認知待命程度； $N_t$ 為打斷通知量； $U_t$ 為未解決品質／風險不確定性； $A_t$ 為行動者認為自己即將被要求介入的預期強度； $J_t$ 為個人承擔的未結責任顯著性； $C_t$ 為能夠確信任務安全暫停與關閉的可見性； $\delta$ 為上一期狀態自然衰退係數。

一個可估計的離散模型是：

$$
S_{t+1}=\max\left\{0,(1-\delta)S_t+\alpha N_t+\beta U_t+\gamma A_t+\eta J_t-\omega C_t+\varepsilon_t\right\}.
$$

這裡 $0<\delta\le1$，係數是待估的條件模型， $\varepsilon_t$ 為未觀察因素；其符號、非線性、個體差異與交互作用都必須由資料決定。不同人甚至可能在收到適量通知後更加安心，亦即 $\alpha$ 可能為負，或呈倒 U 形，而不是一律正向。

### 6.2 監督信任與資訊品質的非單調關係

對部分使用者，完全沒有系統狀態資訊會增加不確定性；顯示簡單、可靠的「安全暫停」「所有活動只讀」「無緊急事項」可能降低擔心。但當狀態介面以分鐘級細節不斷更新時，資訊過量又可能鼓勵查看。

因此預期存在一條待驗證的非單調函數：

$$
S=f(I_{\mathrm{status}},R_{\mathrm{trust}},N_{\mathrm{interrupt}},K_{\mathrm{responsibility}},Z_{\mathrm{personal}}).
$$

其中 $I_{\mathrm{status}}$ 為有意義的狀態資訊品質， $R_{\mathrm{trust}}$ 為有根據的可校準信任， $K_{\mathrm{responsibility}}$ 為責任知覺， $Z_{\mathrm{personal}}$ 是個體條件。研究應測試：透明度上升是否可能先降低、再提高認知待命，而非一味假設愈透明愈好。

### 6.3 待命與工作反芻並不相同

- **認知待命：** 預期自己可能需要介入，因此保持對受委任流程的注意。
- **工作反芻：** 在工作外重複思考任務、疑慮或情緒，可能帶有無法中止性。
- **注意力殘留：** 轉換任務後先前任務對後續認知處理的干擾。
- **通訊回應壓力：** 面對訊息或同事期待時主觀需要快速回應。
- **必要值守：** 出於已授權、安全、合約或職務要求而有實質回應義務。

上述變項可以相關，但其時間次序與機制不同；混在一份「過勞量表」會使研究無法辨識真正可透過組織設計改變的部分。

### 6.4 認知待命何時不應被視為負面？

存在至少四種不能病理化的情況：一是創作者自願期待作品完成的喜悅；二是休閒中自然湧現的研究靈感；三是可選擇、不妨礙活動的低強度關注；四是本人自願承擔且具明確界線的必要值守。若上述狀態沒有干擾恢復、睡眠、關係或自我安排，它們不必然構成問題。

真正值得研究的是**在行動者希望暫時退出時，是否仍然無法退出**，以及這項限制有多少來自可更改的技術與制度安排。

---

## 7. 有效退出：從「裝置勿擾」到「組織承認不在場」

### 7.1 三種形式上看似相同、實質卻不同的離線

**類型 I：畫面離線。** 人類關閉視窗，但 Agent 可隨時傳訊要求確認；工作仍可能回到人身上。

**類型 II：執行離線。** 人類不操作，Agent 繼續低風險任務；必要決策集中至預設檢視時段。若系統有良好風險閘門，這可能是有效退出。

**類型 III：治理離線。** 人類不僅不操作，也不承擔該時段的即時值守；系統要麼進入安全暫停狀態，要麼由明確授權且能回應的其他人或制度接管不可延後風險。這最接近實質時間主權。

### 7.2 四個必要條件

對時間區間 $[t_0,t_1]$，若人類欲真正離線，至少需要：

1. **權限相容性：** Agent 的持續行動在已授權且風險可承受的範圍內；超界自動暫停或有明確值守者。
2. **時間相容性：** 非緊急事件不要求人類在離線期間回覆；必要回覆時限可被明確滿足。
3. **資訊相容性：** 回來以後有品質可信、可追溯的差異摘要與證據，不必靠無限閱讀對話補課。
4. **退出可行性：** 人類可以拒絕下一輪新增任務，且系統不因此對其施加預設的無限工作義務。

### 7.3 一個可檢驗的有效退出判準

定義 $D_{[t_0,t_1]}=1$ 表示離線期間所有關鍵權限／期限／安全條件均獲得合法處理， $U_H$ 為期間非必要人工回應量， $I_H$ 為必要時限違約次數。可以設定一個**規範性而非自然定律**的判準：

$$
\mathrm{EffectiveExit}=1
\quad\text{if}\quad
D_{[t_0,t_1]}=1,\ U_H=0,\ I_H=0.
$$

這只是「組織已允許有效退出」的事件層判準；它不意味人的主觀心理抽離必然達成。心理抽離仍須另外量測。由此得到：

$$
\mathrm{OperationalExit}
\not\Rightarrow
\mathrm{PsychologicalDetachment}.
$$

反過來，心理抽離良好亦不表示系統治理安全。兩者必須共同觀測，不能互相替代。

---

## 8. 機器驗證與人類治理的分層：哪一些事情真的需要我？

### 8.1 不同的驗證層不得混用

軟體單元測試通過，可能支持某程式行為符合有限規格；它並不等於產品策略正確、部署風險可接受、所有安全問題已被排除，更不等於合約或財務判斷可以交給 Agent 自行處理。

本文區分：

- **語法／格式檢查：** 確保資料結構合法。
- **功能／測試檢查：** 確保可重現的驗收條件通過。
- **語義／證據檢查：** 確保內容有可追溯來源、重要主張有相應支持。
- **風險／授權檢查：** 確保外部動作符合政策、權限與可逆性條件。
- **價值／方向判斷：** 涉及最終選擇、品牌、商業承諾與創作者自身意圖，未必能以機器測試完全決定。

這些層級可以由不同檢查器／Agent 協助，但各層證據不可無條件升格為另一層的通過證明。

### 8.2 最低必要回交策略

對事件 $e$ 定義：

$$
G(e)=g(R(e),I(e),A(e),D(e),V(e)),
$$

其中 $R$ 為風險、 $I$ 為不可逆程度、 $A$ 為授權範圍、 $D$ 為決策期限、 $V$ 為驗證證據完整度。函數 $g$ 的輸出是：機器繼續、機器暫存、預定人工審查、限期治理、或立即安全停止並通知值守者。

系統應以最小必要的人工介入達到安全、權利與承諾要求；但**不是最小化風險訊息本身**。這與 AI 原生組織的 Operator Exit 原則相容：人類退出重複作業，不代表退出其有權且必須承擔的治理決策。

### 8.3 讓 Agent 自己產生下個 Phase 並不總是好事

一個 Agent 完成測試後，若自動提出十個值得做的新功能，並把每個新功能寫進需要人類回覆的清單，就可能把「探索選項」偷偷轉成「工作義務」。這會與 HACTS-01 的內生工作擴張耦合。

一項可用治理約束是：**在沒有新增授權的情況下，Agent 可以歸檔後續機會，但不得將其自動提升為即時人工承諾。** 除非存在事先明定的必要安全、合約或時限規則。

---

## 9. 通知不是中立介面：頻率、可信度、打斷成本與治理時限

### 9.1 相同內容可以製造不同的人類時間成本

假設一個 Agent 在一天中產生十份需人工審查、且沒有即時期限的報告。若每份完成便彈出通知，使用者可能在不同活動中被打斷十次；若一天固定一個時間窗口集中審查，事件數仍然是十件，但注意力切換次數可以大幅下降。

我們因此區分三種成本：

$$
C_{\mathrm{human}}=C_{\mathrm{review}}+C_{\mathrm{switch}}+C_{\mathrm{standby}}.
$$

 $C_{\mathrm{review}}$ 是必要審查本身的時間， $C_{\mathrm{switch}}$ 是注意力與工作情境切換成本， $C_{\mathrm{standby}}$ 是等待與牽掛帶來的主觀機會成本。第三項必須以心理與行為資料估計，不能自行把每一次想起工作都折成固定貨幣或工時。

在事件數與審查品質不變的條件下，合理批次可能降低 $C_{\mathrm{switch}}$ ；如果可信的安全邊界亦使主觀預期更加明確，則可能降低 $C_{\mathrm{standby}}$。但過度批次也可能延誤重要問題、增加一次性審查負荷，或使需要及時反饋的 Agent 長時間卡住，因此最佳批次大小並無普遍常數。

### 9.2 通知信號品質

對某一類需即時人工注意的事件，定義：

- 真陽性（TP）：應即時處理，且通知正確觸發。
- 假陰性（FN）：應即時處理，卻沒有通知。
- 假陽性（FP）：不應即時打斷，卻觸發緊急通知。
- 真陰性（TN）：不應即時打斷，也未觸發。

則召回率與精確率分別為：

$$
\mathrm{Recall}=\frac{TP}{TP+FN},
\qquad
\mathrm{Precision}=\frac{TP}{TP+FP}.
$$

當緊急事件基率極低時，即使分類器在某些指標看來表現良好，仍可能產生大量假陽性。因此，從「增加通知讓人放心」轉向「可以信任的低誤報事件治理」，不僅是減少介面雜訊，也涉及訊號偵測與風險成本問題。對高風險場景，絕不可只為追求較少通知而容忍不可接受的假陰性。

### 9.3 通知決策的最小損失模型

在**純粹可延後、低風險**的通知類別中，若每次無必要打斷的成本為 $c_F$ 、漏報限時事件的成本為 $c_M$，某一事件真的需要通知的條件機率為 $q$，則一個簡化的二選一模型可以比較：

$$
L_{\mathrm{notify}}=(1-q)c_F,
\qquad
L_{\mathrm{silent}}=qc_M.
$$

在這個極簡損失假設下，若：

$$
q>\frac{c_F}{c_F+c_M},
$$

則通知的預期損失比較低。此推導僅作為訊息政策的決策示意：真實系統還有訊息延遲、風險尾端、法律上限、連續事件相依與多重行動選項；尤其涉及傷害風險時，硬性安全約束的優先級高於簡化期待值。

### 9.4 「安靜」應該是可驗證的狀態，而不是沒有回應

一個真正適合讓人類休息的系統，應能區分：

1. 沒有需要處理的事件。
2. 有需要處理的事件，但可待下一個約定時段。
3. 出現了異常，Agent 已安全暫停並記錄。
4. 狀態資訊缺失，不能證明安全。

第四種不應默默當成第一種。否則系統只是將不確定性藏起來，創作者回來後反而可能必須支付更大的重建與補救成本。

### 9.5 必要通知不是「應該總是在線」的藉口

高風險任務若要求即時人類應變，就必須設置能夠真正回應的值守機制。若沒有值守人員，也無自動隔離或安全停止方案，該任務不適合在委任者預計休息時繼續進入不可逆階段。這是系統准入條件，而非對使用者道德責任的空泛呼籲。

---

## 10. 代理監督的責任矩陣：誰能做、誰能判斷、誰需要被叫回來？

### 10.1 四層工作責任

可以把一項 AI 工作分成四個分層責任：

| 層次 | 核心任務 | 可常態委任程度 | 人類責任 |
|---|---|---|---|
| 作業層 | 搜尋、撰稿、計算、程式、測試、格式轉換 | 視任務可高 | 指定意圖與驗收標準 |
| 驗證層 | 測試、交叉檢查、來源比對、風險訊號檢測 | 視證據與可靠度可中高 | 決定哪些證據可被採納 |
| 治理層 | 授權、不可逆提交、重大商業與法律承諾 | 視風險而定，不可預設全交付 | 保留有權的高階決策 |
| 生活節奏層 | 何時中止、何時查看、何時不再新增工作 | 人類應保有有效主權 | 可自由調整而不受過剩產能驅迫 |

本篇特別提出第四層。既有 AI 原生組織研究已討論前三層，但當我們把時間主權納入評估，**生活節奏不應被當成作業排程的副產品**。

### 10.2 Agent 持續工作可以與人類離線共存

若 Agent 只進行只讀搜尋、草稿整理與本地測試，且無無限資源消耗與外部風險，則人類暫時離開不必阻止全部活動。理想系統在一段合法授權內完成可驗證工作後，自動停止或進入等待狀態。

若工作涉及未授權的外部 API、網站發布、資料刪除、付款、雲端成本成長，則可能需要先停在人工授權閘門。**停下來等待下一次工作時間，比半夜叫醒負責人更符合時間主權。**

### 10.3 權限不能因「協作更多」而自動擴張

一個 Agent 不能只因辨識到下一個可能的好點子，就替委任者擴大預算、授予外部發布權或開啟永久排程。Agent 自行提出候選與人類正式授權，是兩種不同事件。這與 HODR 的選擇權理論直接相連：可行路徑可以保留，不代表必須立刻消耗。

### 10.4 人類休息權不是絕對免責

某些領域存在持續性法定義務、契約服務水準、資安事故通報或他人生命財產安全。個體如果事先自願承擔值守、又尚未妥善交接，就不能把「人類優先」解釋成可以放任風險。本文所要求的是系統在設計階段就明確**不讓單一創作者默認成為 24 小時風險承擔者**，而不是取消必要責任。

---

## 11. 從 Agent 數量最適化，轉向人類治理節奏最適化

### 11.1 不宜使用單一極大化目標

若系統只最大化每小時 Agent 完成量：

$$
\max P_A,
$$

便可能忽略需審查事件、延遲風險、人類恢復與價值質量。更完整的規劃目標應同時考慮驗證後外部成果、必要人類治理時間、風險成本和真正可自主使用的休閒時間。

一個規範性、待實作與校準的目標可寫為：

$$
\max_{\pi}\; \mathbb E\left[ V_{\mathrm{verified}}(\pi)+\theta T_{\mathrm{free}}(\pi)-\alpha C_{\mathrm{human}}(\pi)-\beta C_{\mathrm{resource}}(\pi)\right]
$$

條件為：

$$
\mathrm{Risk}(\pi)\le R_{\max},
\qquad
\mathrm{Authority} (\pi)\subseteq\mathcal P,
\qquad
\mathrm{DeadlineViolations}(\pi)=0
$$

其中 $\pi$ 為 Agent 編排、通知、暫停與交付政策， $\theta$ 是對自由時間的規範性評價係數，不能宣稱為所有人的固定心理常數。某些安全條件更適合用硬性可行集合表達，不應與短期效益任意互換。

### 11.2 真正的時間紅利要看人類如何使用節省下來的時間

假設 Agent 替人節省三小時操作，卻要求新增兩小時審查、一小時修復和半小時斷續回應。雖然「直接操作時間」減少三小時，**總人工需求可能增加半小時**。若另外發生休閒期間的認知待命，狀態還可能更複雜。

因此建議至少同時報告：

$$
\Delta T_H^{\mathrm{net}}
=\Delta T_{\mathrm{direct}}-\Delta T_{\mathrm{review}}-\Delta T_{\mathrm{rework}}-\Delta T_{\mathrm{coordination}}.
$$

上式中的 $\Delta T_{\mathrm{direct}}$ 代表「被省下的直接操作時數」，而其餘項代表「相較基準額外新增的人工時數」。若把剩餘認知待命再折算成時間，必須說明測量與效用假設；更穩健的做法是將其作為獨立指標報告。

### 11.3 人類治理節奏不必和機器事件節奏同步

Agent 可以每秒執行多次內部轉換；人類可能只希望每天、每週、或在某些研究階段結束後做一次決策。治理系統的設計應讓這些節奏合法共存。在安全範圍內：

$$
\mathrm{Frequency}_{\mathrm{AgentEvents}}
\gg
\mathrm{Frequency}_{\mathrm{HumanInterruptions}}
$$

不應自動被視為監督不足。真正重要的是高風險事件能否在其必要時間窗口內被處理，以及非緊急事件是否能以可靠摘要被之後的決策者吸收。

### 11.4 決策批次與機器持續工作的必要邊界

對每一工作流應事先設定：

- 何種操作可在休閒期間持續。
- 何種操作遇到界限就自動暫停。
- 何種事件可累積到下個人工決策窗口。
- 何種事件必須即刻交給有責任且有能力的值守者。
- 超過成本、時間、風險或失敗次數上限時，系統如何終止而不是繼續消耗資源。

這是約束 AI 的自由，不是把人類變成另一個必須與 AI 同速工作的元件。

---

## 12. 可重算思想實驗 I：六個 Agent 並不必然等於六倍人類負荷

### 12.1 模型設定

假設六個 Agent 在一天內總共產生 $60$ 個事件，每項工作平均需要人類四分鐘才能進行一次有效審查。若所有事件都被推送給人類，形式上的人工審查需求：

$$
60\times4=240\ \mathrm{minutes}.
$$

這相當於四小時，而且尚未計入中斷與重新進入任務的成本。

### 12.2 正當分流後的情況

假設經事先驗證和授權規則確認，其中 $42$ 件只是機器內部資訊或已完成並可安全歸檔的事項， $12$ 件能由可稽核的機器測試及證據檢查完成而無須人工決策，剩餘 $6$ 件才是真正需要人類方向選擇或審查的結果。

在這個假設中，必要人工審查時間：

$$
6\times4=24\ \mathrm{minutes}.
$$

也就是從 $240$ 分鐘下降到 $24$ 分鐘。然而這項改善成立的前提極為嚴格：被分流的 $54$ 件不可以只是被隱藏，其合法性、機器檢查品質與授權邊界都必須成立。若有高風險事件，另須遵守即時停止或值守路由，不能與一般審查合併。

### 12.3 可以觀察什麼？

在相同成果品質、相同未漏報風險及相同驗收標準下，若上述分流確實減少直接審查與打斷次數，就支持「必要介入密度可以透過治理設計下降」這項命題。但**不會直接證明**主觀認知待命一定下降；那仍須由經驗抽樣另行檢驗。

### 12.4 反例：若六件人工判斷高度複雜

若剩餘六項每項都需要一小時的策略判斷，則 $6\times60=360$ 分鐘，人類工作量可能仍很高。可見事件數下降，不等於價值加權工作量一定下降。研究應同時測量每件人工審查的時長、難度與返工率。

---

## 13. 可重算思想實驗 II：人工審查容量附近的非線性等待

### 13.1 純示意排隊條件

在上文限定的 M/M/1 假設下，設某人工審查站的平均服務率為：

$$
\mu=5\ \mathrm{events/hour}.
$$

如果人工事件到達率為：

$$
\lambda_1=4.8\ \mathrm{events/hour},
$$

則：

$$
\mathbb E[W_1]=\frac{1}{5-4.8}=5\ \mathrm{hours}.
$$

若透過機器驗證及有效分流使**需要人工審查的事件到達率**降至：

$$
\lambda_2=1.8\ \mathrm{events/hour},
$$

則：

$$
\mathbb E[W_2]=\frac{1}{5-1.8}=0.3125\ \mathrm{hours}=18.75\ \mathrm{minutes}.
$$

若 $\lambda_3=5.2$ 則模型沒有穩態 M/M/1 平均逗留時間；在沒有限流、暫停或其他出佇列機制的情況下，人工待審查工作會有長期累積壓力。

### 13.2 不能誤讀的地方

這些是教科書模型的算例，**不是人類真實注意力的測量值**，也不聲稱 Agent 事件天然遵循 Poisson 分布。現實中的人類審查是間歇性的、依任務難度而異、具有風險優先級；因此應使用事件模擬、G/G/1 或多類別隊列對照，而非直接套用 M/M/1 的結果預測團隊工時。

它所支持的最小機制是：當一個系統把太多事件轉為人工必辦事項，並把人類處理能力當成無限時，就容易在容量臨界附近失去可預期的治理節奏。

---

## 14. 可重算思想實驗 III：沒有新的工作，注意力仍可能暫時留在 Agent 上

### 14.1 單純的狀態衰退示意

取第 6 章的簡化模型，忽略隨機誤差，令每期原有認知待命保留比例為 $0.75$，外部驅動輸入為 $u_t$：

$$
S_{t+1}=0.75S_t+u_t.
$$

若長期固定輸入 $u=1.2$，穩態為：

$$
S^*=\frac{1.2}{1-0.75}=4.8.
$$

若經過可信的風險邊界、延後審查及安靜狀態設計，使驅動輸入在一個假設情境中下降到 $u=0.35$，新的穩態便是：

$$
S_{\mathrm{new}}^*=\frac{0.35}{1-0.75}=1.4.
$$

這些數值只是任意但一致的無量綱例子；不能把 $4.8$ 或 $1.4$ 當成心理量表的真實分數，也沒有資料支持所有人都會依相同衰退速度恢復。

### 14.2 心理待命可能有慣性

即使某一時點停止所有 Agent，先前的心理牽掛仍可能逐漸消退，而不是立即歸零。這意味著研究不能僅以 Agent 是否運行的單一二值變數，解釋某個時刻的放鬆狀態；必須考慮前一期經驗與其他生活因素。

### 14.3 同時容納反例

如果個體對 Agent 運行毫無牽掛、任務沒有人工回交要求、又不存在外部安全值守，那麼上式的輸入可以接近零；Agent 即使繼續工作，也不必然出現認知待命。這不是模型的例外補丁，而是應當明確容納的合法情況。

---

## 15. 可重算思想實驗 IV：低負載高風險，與高負載低風險

### 15.1 情境 A：訊息多、風險低

設一天有 $80$ 件 Agent 狀態更新，其中只有兩件確實涉及人類不可替代的方向選擇，且均可於隔日上午處理。若平台仍然每件都推送，使用者可能收到大量通知並頻繁查看。此時降低通知密度可能大幅改善生活干擾，而不增加必要治理風險。

### 15.2 情境 B：訊息少、風險高

另一個 Agent 一整天只執行一次操作，但這次操作可能會對外發布尚未審核的資訊、引發不可逆資料刪除或產生未授權成本。即使只有一則通知，責任仍可能重大。正確設計不是把這則通知也靜音，而是使工作在進入該風險動作前停止，等待預先授權或交由值守者處理。

### 15.3 研究推論

「Agent 忙不忙」「通知多不多」「人需不需要待命」不能用同一個指標代表。這三者的分離是本篇最重要的識別原理之一。低通知量若是透過關閉安全監測取得，就不構成時間主權的有效改善；高通知量若是自願即時協作，也不必然意味創作者喪失控制。

---

## 16. 十二組可否證命題與拒絕條件

以下命題均為本篇的條件性研究假說，不應在沒有資料前當作已驗證結論。每項皆須事先列出測量方式、主要分析規格、資料遺失處理與可接受的反例。

### H1｜人工事件到達率的中介效應

在控制任務類型、品質、緊急風險與人類服務容量後，Agent 並行度對人類人工審查存量的影響，將部分透過正當分類後的人工事件到達率中介。若 Agent 數量增加而人工事件率下降，則假說不預測佇列必然增加。

**可拒絕條件：** 事件到達率不解釋佇列變化，或作用在不同條件下呈完全相反且無法由模型解釋的模式。

### H2｜通知打斷的獨立效應

在保持同一批次工作的必要審查項數與安全時限不變時，即時推送可增加注意力切換次數；批次彙整可降低切換次數。

**可拒絕條件：** 可比的控制條件中，批次通知未降低切換次數或反而增加重新進入成本，且在重複樣本中穩定成立。

### H3｜認知待命不等於人工佇列存量

在 $Q_H$ 相近的情況下，不確定性、任務關鍵性與系統可暫停性仍可能解釋主觀認知待命差異。

**可拒絕條件：** 在有足夠統計力和信度的研究中，這些額外變項沒有任何可重現的預測增益。

### H4｜安全停止狀態的心理效應

在風險與資訊量相近的情況下，可信、已驗證的安全停止或安全隔離狀態，比狀態完全不明，更可能提高某些人的離線信心。

**可拒絕條件：** 經重複測試，安全停止狀態顯示對離線信心與待命指標毫無穩定影響。

### H5｜過度細節透明度的非單調效應

對部分使用者而言，狀態資訊的效益可能隨細節增加先改善後惡化：太少造成不確定，太多造成強迫式查看或打斷。

**可拒絕條件：** 於充分的資訊密度操弄下，效應持續單調、無個體差異，且非單調模型沒有額外預測能力。

### H6｜返工風險的治理調節

若 Agent 驗證保真降低、需人工修復的比例增加，單純減少通知未必提高有效時間主權；驗證品質可能調節通知政策的收益。

**可拒絕條件：** 在控制回應時限及成果品質後，驗證品質與通知政策之間不存在可重現的交互作用。

### H7｜無新事件的持續心理待命

對某些人而言，在沒有新通知和沒有人工必辦事件時，只要其預期 Agent 可能產生高責任結果，仍可能自陳較高的待命負荷。

**可拒絕條件：** 客觀零事件時段無法觀測到此狀態，或觀測到的差異完全由一般工作反芻而非 Agent 特有認知解釋。

### H8｜操作退出與心理抽離非同一結果

操作介入次數下降未必與心理抽離等幅上升，尤其在責任不明與品質不確定較高的情況下。

**可拒絕條件：** 跨研究情境中二者幾乎完全同構，且待命／責任變項無新增解釋力。

### H9｜人工介入稀疏化的風險條件

具備可靠驗證和風險分流的系統，可能在維持預設風險界線的同時降低非必要人類介入密度。

**可拒絕條件：** 類似安全要求下，降低人工介入必然帶來不可接受風險，且找不到可重現的可行解。

### H10｜自發創作者與受僱工作者存在條件差異

自願創作強度、成果認同與外部責任結構可能調節 Agent 對休息的影響；不能從企業員工直接推論所有獨立創作者。

**可拒絕條件：** 對相同任務條件與可比測量，相關調節因素的作用均不穩定，且不改善模型解釋或預測。

### H11｜新增任務承諾的獨立作用

Agent 產生的候選改進若被自動轉成新的人工必辦任務，將提高人工事件與未結義務存量；若僅歸檔為可選建議，效果可能顯著較低。

**可拒絕條件：** 候選—承諾轉換政策無法解釋人工必辦事項變化，或在實驗中二者沒有可辨識差異。

### H12｜有效退出權對可持續委任的影響

在控制風險與成果品質下，具有明確安全暫停、延後回交與可回返狀態的組織，比只有「關閉通知」的介面政策，更可能同時改善有效自由時間與信任。

**可拒絕條件：** 與普通通知靜音相比，具有效退出契約的系統沒有任何穩定增益，或產生無法接受的治理缺口。

---

## 17. 實證研究 I：事件帳本與自然工作時序

### 17.1 為什麼不能只發一份「使用 Agent 會不會很累」問卷？

單次問卷可以描述個體知覺，但無法區分疲憊先於 Agent 使用、工作內容變得更困難、創業壓力、平台通知方式、模型失誤率、或真正的委任後認知待命。即使觀察到 Agent 使用頻率和疲勞正相關，也可能只是**工作量較高者更需要用 AI**。因此建議使用多來源事件資料，避免只靠自陳回憶推論因果。

事件來源至少分為三本帳：

- **Agent 事件帳：** 真正運作的時間、任務類別、工具操作、結果與驗證證據。
- **人類治理帳：** 哪些時候需要人類介入、誰主動提出、是否存在期限，以及其處理結果。
- **主觀時間帳：** 人類當下是否在工作、是否有自主決定休息、是否被打斷，以及心理牽掛和恢復感受。

三者之間不能以訊息數或 token 數直接換算。相同的 Agent 交互回合，可能代表一段合法的自主作業，也可能代表多次無效重試；相同的一次人工介入，也可能只是按下接受鍵，或包含數小時無法簡化的推理。

### 17.2 最小事件單位與必要欄位

每筆 Agent 事件應含：

| 欄位 | 目的 |
|---|---|
| `event_time` | 可比較的時間戳與時區 |
| `workflow_id` | 非可識別個人資訊的工作流代號 |
| `task_class` | 任務種類，供相同任務比較 |
| `agent_role` | 設定上的 Agent 角色，而非人格身份 |
| `event_kind` | machine／verified／deferred／governance／critical |
| `authority_scope` | 已授權的操作類型 |
| `evidence_state` | 未驗證、部分驗證或通過指定檢查 |
| `reversibility` | 可回退程度與回退條件 |
| `deadline` | 真實外部／安全期限，若無則留空 |
| `human_intervention_required` | 是否真的有必要人工動作 |
| `notification_state` | 是否發送、是否即時打斷、是否延後 |
| `final_disposition` | 歸檔、人工檢視、退回、停止、提交 |

事件格式應避免收集逐字私人對話、API Key、秘密 token、個人帳戶、客戶個資或未公開原始碼。研究需保留分析足夠的品質與時序訊號，而不是因為能蒐集就毫無節制地蒐集。

### 17.3 人類時間帳的三個不同時鐘

對個體 $i$，區分：

$$
T_i^{\mathrm{operation}},\quad
T_i^{\mathrm{governance}},\quad
T_i^{\mathrm{offwork}}.
$$

其中 operation 是人類直接操作或低價值流程維持的時數，governance 是必要判斷、授權與審查的時數，offwork 是當事人自認已經退出工作並可自主選擇如何使用的時間。這三者是否互斥，必須在研究設計中先定義，避免把「休閒時短暫查看 Agent」同時計成完整休息與完整工作。

另行蒐集：

$$
S_{i,t}^{\mathrm{standby}},\quad
D_{i,t}^{\mathrm{detachment}},\quad
F_{i,t}^{\mathrm{fatigue}}.
$$

分別代表主觀待命、心理抽離及疲憊評分。它們屬於心理測量，不應由程式執行時數直接推論。

### 17.4 時序與事件的關聯

在事件層觀測是否有下列順序：

$$
\mathrm{AgentOutput}
\rightarrow
\mathrm{ReviewDemand}
\rightarrow
\mathrm{Notification}
\rightarrow
\mathrm{ReturnToWork}.
$$

也需比較另一種可能順序：

$$
\mathrm{PreexistingConcern}
\rightarrow
\mathrm{MoreAgentMonitoring}
\rightarrow
\mathrm{MoreNotificationsSeen}.
$$

兩者在表面相關性上可能相似，但因果方向不同。以高頻事件追蹤與自述壓力建立時間順序，仍不會完全解決未測量混淆，需要進一步操弄通知及回交規則。

---

## 18. 實證研究 II：日常經驗抽樣與心理測量

### 18.1 經驗抽樣應捕捉「真的想離線」的時段

一個研究難點是，並非所有人都希望在某個時間點休息。創作者可能因為發現新的理論問題而主動返回工作；此時不能僅從重新開啟 Agent 的行為就推定被迫工作。

因此在當事人自訂的非工作時段，可以用低頻、可拒絕、事先同意的經驗抽樣問卷詢問：

- 此刻是否真的希望暫時不理會工作？
- 是否覺得有什麼 Agent 任務可能需要自己處理？
- 這種念頭是否妨礙目前想從事的活動？
- 是否存在具體的外部期限或安全事故，而不只是想查看進度？
- 若知道 Agent 已安全暫停，是否會降低此刻的牽掛？
- 如果可以重新選擇，此刻是否仍會主動啟動相同任務？

這些題目屬於本篇探索性問卷，不得自稱是已經過心理計量驗證的新量表。也不能為了量測離線品質而反覆推播問卷，造成新的通知壓力。

### 18.2 和正式量表的區分

Recovery Experience Questionnaire 可以提供心理抽離、放鬆、精熟與控制的既有量測參考 [E4]。AI Process Vigilance 的既有構念需按照原文題項與授權條件核對 [E9]。本研究新增的事件層、時間主權與有效退出契約，則屬於不同層級的客觀或主觀指標。正式研究若需使用受版權保護的量表，應依其使用規範取得必要授權，避免直接複製全文題庫。

### 18.3 心理待命的建構效度

本篇主張至少檢查以下區別效度：

1. 和一般「想再去做研究」的正向興趣有何差異？
2. 和工作反芻的反覆思考有何差異？
3. 和工作訊息的 telepressure 有何差異？
4. 和真實值班責任有何差異？
5. 和主觀責任感、完美主義及不確定性耐受度有何差異？
6. 和 Agent 可靠度、通知量、實際審查存量有何差異？

若新增構念與既有 AIPV、反芻或 telepressure 在統計及概念上無法區分，研究應縮小新概念主張，而不應只是換一個縮寫維持原創宣稱。

### 18.4 避免把生理指標當成萬能裁判

客觀睡眠量、活動時間或心率相關指標，可在合法、充分知情、自願參與的前提下作為輔助資料，但其與疲憊、投入、熱情及認知待命的關係都不是一對一。本文不以腦電、心率、穿戴裝置的單一讀值推斷「全額注意力」或確認某個人是否真的想工作。

---

## 19. 實證研究 III：固定安全界線下的通知—回交實驗

### 19.1 核心識別問題

若一個團隊改為批次通知之後比較不累，究竟是通知真的比較少、Agent 做的工作比較少，還是公司同期降低工作目標？要辨識「通知治理」的因果效應，必須盡可能固定任務種類、驗證規則、必要風險、外部承諾與成果品質。

### 19.2 建議的二因子交叉實驗

對適合研究的低風險知識工作，可以設計兩個因子：

**因子 A：非緊急資訊的呈現方式**——完成即時推送，或集中到事先同意的治理窗口。

**因子 B：人工回交分類方式**——原始逐件審查，或經預先驗證、授權的風險閘門後再轉給人類。

組合形成四個條件：

| 條件 | 通知策略 | 人工回交策略 |
|---|---|---|
| A1B1 | 非緊急即時通知 | 逐件人工處理 |
| A1B2 | 非緊急即時通知 | 可驗證事件先分流 |
| A2B1 | 非緊急批次摘要 | 逐件人工處理 |
| A2B2 | 非緊急批次摘要 | 可驗證事件先分流 |

所有條件的真正高風險事件、不可逆提交限制、合法通知要求與安全停止政策保持一致。若無法在某任務上同時滿足安全條件，該任務不得納入這個實驗，不應為了實驗操弄而讓受試者承擔額外風險。

### 19.3 主要結果與次要結果

建議預註冊的主要結果包括：

1. 非必要人工打斷次數／完整離線區間。
2. 必要人工治理時數與工作後心理抽離。
3. 未漏報緊急事件數及其嚴重度分布。
4. 驗證後有效成果量及返工率。

次要結果可以是主觀認知待命、工作喜悅、疲憊、重新進入狀態所需時間、對 Agent 的信任校準、次日主觀恢復及是否希望繼續使用該委任制度。

不能只把「關掉通知後人的回覆速度變慢」視為缺點。若原本就沒有回覆時限，這正是合法時間自主的表現之一。相反地，若原本存在真實的必要時限，實驗必須檢查它有沒有被違反。

### 19.4 隨機化與交叉效應

由於不同受試者的創業壓力、組織文化與喜好差異很大，建議採分層交叉設計，讓同一參與者在不同低風險工作週期中體驗多種政策。條件順序必須隨機化，並視必要性設置適當的熟悉期與回復期；任務難度、Agent 模型變更及不同研究階段應記錄在案。

樣本量不能從想像中直接設定為「一百人就夠」。應依預期主要效應、個體內相關、群聚結構、研究成本與容許誤差，在試驗前做 power analysis 或 simulation-based precision planning，並將所用前提公開。

### 19.5 重要倫理限制

實驗不應透過故意製造真正風險事件、安排未告知的半夜通知、剝奪受試者睡眠或強迫其保持在線來測量效果。若研究使用帶有職場上下級關係的樣本，需處理自願參與、權力不對稱與企業績效監控造成的壓力。受試者應有退出權，而退出資料的處置方式須事先說明。

---

## 20. 統計分析：如何把相關、條件與因果分開

### 20.1 多層次模型

令 $Y_{it}$ 表示個體 $i$ 於時段 $t$ 的心理抽離或認知待命結果。候選模型可包含個體固定效應、任務類型、Agent 數量、輸出量、人工回交事件量、即時通知量、風險類別、時間段及介入政策：

$$
Y_{it}=\beta_0+\beta_1N_{it}+\beta_2Q_{it}+\beta_3R_{it}+\beta_4P_{it}+\alpha_i+\tau_t+\epsilon_{it}.
$$

 $\alpha_i$ 代表個體固定效應， $\tau_t$ 代表時間固定效應。這裡係數不是預設已知；在純觀察資料中也不能直接把 $\beta_1$ 解讀為因果效果。若 $Y$ 為序位結果，則可能需要使用適合序位尺度的模型，而非不加檢查地套入普通線性迴歸。

### 20.2 事件型分析

對「在休閒期間被非必要事件打斷」可使用計數模型，但需檢查過度離散、零膨脹、個體異質性與暴露時間長度；對「多久能連續保持不受工作打斷」則可用生存分析或事件歷程模型；對重大風險違規則應採較適合稀少事件的安全評估方法，而非只看平均值。

### 20.3 因果圖上的潛在混淆

一個簡化的假想因果結構：

```text
既有工作壓力 ───────► Agent 使用強度
       │                     │
       └───────────────► 主觀疲憊
                             ▲
Agent 使用強度 ► 輸出事件 ► 人工回交 ► 通知打斷
       │                                     │
       └────► 品質不確定／責任預期 ────────► 認知待命
                                             │
                                          心理抽離
```

若既有工作壓力同時提高 Agent 使用與疲憊，只做一次使用者問卷便可能錯把兩者關聯當成 AI 的直接損害。若某個任務天生更關鍵、更容易出錯，也可能同時提高通知頻率和心理待命。分層隨機化、固定任務類型與交叉比較可降低部分混淆，但無法取代量表效度與長期追蹤。

### 20.4 反向因果

有些個體可能因為已有不安感而主動增加 Agent 監控，而非 Agent 監控先造成不安。需要將主動查看次數、被動通知與自述待命分開紀錄；可在主觀狀態的測量上安排通知前後時間窗，並使用允許滯後效果的分析。

### 20.5 預註冊與多重比較

十二項假說不等於可以不受限制地測試上百個子群體，然後挑選顯著結果。應預先指定主要與探索性假說、統計模型、必要共變項、缺失值處理方式與多重比較規則。若進一步測試高自主創作者、不同 Agent 數量或多種通知介面，應如實把未預註冊分析標示為探索性，不得將其冒充確認性結果。

---

## 21. 反例與競爭性解釋：不能只尋找「越多 Agent 越累」的樣本

### 21.1 Agent 提高恢復品質

有些人若知道 AI 正在可靠地完成繁重工作，反而能在離線時間更安心。其心理待命可能下降，且日常休息增加。這並非本篇可忽略的特殊例外；若在多數可比情境中出現，就會要求本篇修正對認知待命驅動因素的假設。

### 21.2 工作壓力來自既有財務現實，而不是 AI

獨立創業者即使完全不用 Agent，也可能因公司資金、客戶時程與產品開發而高度投入。若研究忽略既有生存壓力，就可能把本來就存在的壓力錯誤歸給 AI。應控制可用現金流緩衝、外部交付期限與職務責任，但不需要蒐集過量的個人財務細節。

### 21.3 負擔來自工作承諾，而非監督工具

有些人會對任何未完成的研究保持牽掛，與是否有 Agent 無關。此時關掉 Agent 可能無法解決問題；真正的因素是已承諾任務、完成標準、責任界線或個人偏好。本篇的新增 Agent 構念必須在控制一般未結工作與工作反芻後仍有解釋力，才值得獨立保留。

### 21.4 提高 Agent 數量但人工介入不增

如果多個 Agent 完成的都是高度可測、可安全隔離的工作，人類只需每週看一次可信摘要，並行增加並不會帶來等比例人工監督。這是對「Agent 越多越累」的直接反例，也正是本篇希望識別的可持續治理情境。

### 21.5 過度信任導致虛假休息

若個體完全放心，是因為不知道 Agent 可能未授權操作、或者以錯誤證據誤判成果安全，那麼表面上的低認知待命並不是可持續的治理成功。評估必須同時包含實際事件風險、回滾能力與獨立抽查。

### 21.6 過度分流使人類失去情境認知

若低風險事件全被機器處理，只有最高風險事件交給人類，但回交時沒有足夠事件脈絡，人的決策可能因缺乏情境認知而更慢、更差。這是傳統自動化研究早已提出的問題 [E1][E11]。因此應以可追溯狀態摘要、證據鏈、可重播的關鍵決策歷史補足資訊，而非要求人類平時盯著所有原始日誌。

### 21.7 自願高投入並非被迫在線

高投入創作者可能明知可以休息，卻因為當下非常愉快而選擇繼續工作。研究者不能把這種行為直接判成自主性受侵害。相反地，應問：「當他真的想停止時，系統能否支持停止？」而非僅以實際工時推論其自由狀態。

### 21.8 必要值班環境和個人低風險創作不可直接類比

金融監控、醫療系統、公共設施及其他安全關鍵場景，可能有常態應變要求；個人寫作、遊戲原型、私有測試則通常允許更大程度的安全暫停。不同風險和制度類型的治理策略不應被一套「少通知」指標硬性統一。

---

## 22. 與 HACTS-00～03 的分工：同一系統中的四種不同負荷

HACTS-00 提出總體問題：當 AI 使更多事情可做，人類如何仍能自主決定生活時間？

HACTS-01 專門處理 **新增任務與義務如何內生擴張**：即使單項作業加速，新增承諾也可能抵銷節省的工作時數。

HACTS-02 專門處理 **額度期限如何反向安排工作節奏**：即使當期算力很多，不能保留的計算權益可能成為主觀期限壓力，促使原本可不做的工作提前進入日程。

HACTS-03 專門處理 **自願高投入的滿足與疲憊共現**：做自己熱愛的研究可以非常快樂，但創造滿足不會自動證明恢復需求已得到滿足。

HACTS-04 現在研究 **委任後的人類監督與待命**：即使工作已由 Agent 執行，人類仍可能受到人工審查、資訊打斷、未結責任與主觀牽掛的影響；而好的組織設計又能把這些負荷分離。

四篇在形式上可以連結為：

$$
\mathrm{PotentialTasks}
\rightarrow
\mathrm{CommittedTasks}
\rightarrow
\mathrm{DelegatedExecution}
\rightarrow
\mathrm{HumanReturnDemand},
$$

但最後一項並不是每次都必然發生，更不能因為整個鏈條存在，就推出人類有義務持續在線。

---

## 23. 與 EveMissLab 既有組織理論的分工

### 23.1 委任時間論（DTT）

既有《委任時間論》已提出 Agent 授權區塊、人類介入密度、治理頻寬、委任槓桿，以及 Human-in／on／out-of-Operational-Loop 的不同配置 [I1]。本篇不重新宣稱發明委任時間，而是在 DTT 的介入結構旁加入：人類尚未介入時的**主觀待命狀態**與可操作的心理／時間退出判準。

DTT 回答：「人類多久需要介入一次？」本篇增加：「即使沒有實際介入，人類還會不會在認知上持續待命？哪些制度能幫助其真正退出？」

### 23.2 AI 原生分散式組織：操作員退出問題

既有《從 AI 工具到 AI 組織：操作員退出問題》指出，如果多 Agent 系統仍要靠一位人類做 routing、retry、handoff、context transfer 與 routine approval，這個人就會成為非正式的人類 kernel [I2]。本篇的補充是：即使系統成功消除了大部分操作，若仍將所有機器活動變成通知與心理責任，人類在主觀時間上仍可能沒有退出。

故可提出兩個不同的工程品質要求：

$$
\mathrm{OperatorExit}>0,
\qquad
\mathrm{CognitiveExitCapability}>0.
$$

第二項是待定義、待測量的系統—人類互動性質；不是單憑 Agent 程式碼就能宣告通過的客觀常數。

### 23.3 HDUS／ANDO：承載平台與組織語義不可混淆

HDUS 已處理分散式 world-native 計算承載、共享狀態、資源與 authority 等架構議題；ANDO 類組織研究則關注 Agent 身份、任務圖、授權、驗證、可稽核提交、世界狀態及治理關係 [I3][I4]。兩者與本篇的關係，不是說底層 runtime 原生具備心理恢復功能。

比較合理的介面是：

- HDUS／其他 runtime 提供可執行的隔離、狀態持久性、事件順序、時間觸發、資源預算及停止／恢復能力。
- ANDO 類組織層提供任務身份、授權包絡、風險分類、驗證證據、人類治理角色與回交政策。
- HACTS-04 提供額外的**人類離線與心理恢復**需求：非必要通知抑制、延後治理窗口、可解釋的安全暫停、主觀待命測量及有效退出品質。

因此：

$$
\mathrm{RuntimeAuthority}
\neq
\mathrm{PsychologicalDetachment},
$$

也不應把「底層已記錄狀態」誤當成「人類回來一定能理解全部關鍵決策」。

### 23.4 RR-06 與時間主權

《RR-06｜從 Self-Authorship 到 Owned Trajectory》已討論一條人生或責任軌跡需要可修正、可退出且不被過去承諾永久鎖死 [I5]；HAVT-06 處理時間主權與 AI 生產力紅利的制度條件 [I6]。本篇將其縮小為工程可問的問題：在某個週五晚上，如果人類選擇暫時不管理 Agent，該選擇是否真的被授權、通知與作業排程尊重？

這不是取代原先的倫理與政治經濟學，而是提供其在自主組織中的微觀實作接口。

---

## 24. HDUS／ANDO 可採用的最小「人類離線委任契約」

### 24.1 契約的目的

在 AI 原生組織中，委任通常具有意圖、權限、預算、風險、期限、停止與回交條件。本文提出額外要求：**一份委任應明確宣告什麼情況下可以打斷委任者，以及什麼情況下即使完成了有價值的工作也不得打斷。**

### 24.2 契約欄位

下面提供純概念性的 JSON 示意，非現有 HDUS schema、非可直接部署的安全設定。所有值須由真實系統依權限與風險審查決定。

```json
{
  "contract_version": "conceptual-v0.1",
  "workflow_id": "example-low-risk-research",
  "authorized_actions": ["read", "draft", "local-test", "archive"],
  "forbidden_without_fresh_approval": [
    "public-publish", "payment", "delete-original", "change-access-policy"
  ],
  "budget": {
    "cost_cap": "owner-defined",
    "runtime_cap": "owner-defined",
    "retry_cap": "owner-defined"
  },
  "human_availability": {
    "mode": "not-on-call",
    "review_window": "next-owner-declared-session",
    "routine_interruptions": false
  },
  "event_routing": {
    "machine_only": "verify-and-archive",
    "human_deferred": "append-to-review-digest",
    "human_governance": "pause-until-approved",
    "critical": "safe-stop-and-route-to-real-duty-holder"
  },
  "failure_policy": "fail-closed-on-authority-or-safety-uncertainty",
  "new_work_policy": "suggest-only-no-implicit-human-commitment",
  "resumption": {
    "required_summary": true,
    "evidence_links": true,
    "unresolved_risks": true,
    "diff_from_last_human_checkpoint": true
  }
}
```

### 24.3 為何需要 `not-on-call`

如果一個個體沒有正式的值班義務，卻因為 Agent 可以 24 小時執行而被系統默認為 24 小時可回應，這是未經充分授權的責任擴張。`not-on-call` 並非表示人類可以不負責，而是表示系統不得進入**需要人類持續值守才能維持合法安全**的工作模式。若確實需要值守，就必須明確建立值守期間、責任承擔者與替補方案。

### 24.4 新增工作政策應為非強制預設

`new_work_policy` 將候選建議與既定承諾分開。Agent 可以產生下一輪研究構想，但新構想預設只進入「可選擇的候選池」，除非得到明確新授權，不可自動排入必須立即完成的人工待辦。

若只要 Agent 做得愈好，便把更多 TODO 推到使用者面前，這套系統實際上仍把效率收益轉換成持續義務。此問題與 HACTS-01 及 HODR-II 的可能性負債直接耦合。

### 24.5 最小狀態機

建議在抽象層面至少區分：

```text
CREATED
  └─[authorized]────────► ACTIVE_BOUNDED
ACTIVE_BOUNDED
  ├─[safe verifiable result]──► VERIFIED_ARCHIVED
  ├─[deferred human choice]───► WAITING_REVIEW_WINDOW
  ├─[new authority required]─► PAUSED_FOR_APPROVAL
  ├─[cost/time/retry cap]─────► SAFE_STOPPED
  └─[critical unsafe state]──► SAFE_STOPPED_AND_ESCALATED
WAITING_REVIEW_WINDOW
  └─[human returns]──────────► RECONSTRUCTED_CHECKPOINT
PAUSED_FOR_APPROVAL
  ├─[approval]───────────────► ACTIVE_BOUNDED
  └─[no approval]────────────► SAFE_STOPPED
RECONSTRUCTED_CHECKPOINT
  ├─[commit]─────────────────► CLOSED
  ├─[revise]─────────────────► ACTIVE_BOUNDED
  └─[defer]──────────────────► WAITING_REVIEW_WINDOW
```

真實實作中還需要處理逾時、重入、網路故障、重試冪等、競態條件、異常補償與不可回滾的外部事件。這段狀態機只是人類離線語義的初步接口，不等同完整的運行安全證明。

### 24.6 最小不變量

對一個可宣稱具有人類離線能力的工作流，提出以下工程不變量候選：

$$
\mathrm{NoNewAuthorityWithoutGrant}=1,
$$

$$
\mathrm{CriticalRisk}\Rightarrow\mathrm{SafeStopOrValidDutyEscalation},
$$

$$
\mathrm{RoutineEvent}\Rightarrow\mathrm{NoMandatoryOffHoursReply},
$$

$$
\mathrm{Resume}\Rightarrow\mathrm{TraceableDecisionState}.
$$

它們需要以測試、模擬與故障注入實際驗證，不應只因配置檔寫了相應欄位就宣告成立。

---

## 25. 原型評估指標：哪些數字真正回答時間主權問題？

### 25.1 人類總介入密度

既有委任時間論將介入次數與 Agent 有效轉換數比較，本篇建議拆出：

$$
\rho_H^{op}=\frac{N_{\mathrm{human\ operational}}}{N_{\mathrm{effective\ transitions}}},
$$

$$
\rho_H^{gov}=\frac{N_{\mathrm{human\ governance}}}{N_{\mathrm{effective\ transitions}}}.
$$

降低 $\rho_H^{op}$ 往往是合理工程方向；降低 $\rho_H^{gov}$ 是否合理則須看高階治理是否已被正當轉化，而不能任意把有權者排除。並且任何比率都不得以無止境增加無效 Agent steps 擴大分母，以製造表面上的進步。

### 25.2 非必要打斷率

令 $N_{\mathrm{unnecessary\ interruption}}$ 為被外部驗證程序判定不符合即時打斷必要性的通知次數， $T_{\mathrm{declared\ offwork}}$ 為當事人聲明的非工作時間：

$$
I_{\mathrm{unnecessary}}=\frac{N_{\mathrm{unnecessary\ interruption}}}{T_{\mathrm{declared\ offwork}}}.
$$

這需要預先定義何謂必要；不應因研究者不喜歡通知就把所有通知都歸為不必要，也不能以主觀抱怨代替事件風險分類。

### 25.3 最長連續可支配時段

假設一天分為若干自主時段 $[a_j,b_j]$，可定義：

$$
T_{\mathrm{uninterrupted}}^{\max}=\max_j(b_j-a_j).
$$

這不是心理恢復的全部指標，但能反映工作打斷是否把個人的生活切成大量短片段。使用者即使有相同總休閒時數，連續兩小時與每十分鐘被打斷一次的經驗也不相同。

### 25.4 人類回返成本

定義 $T_{\mathrm{return}}$ 為人類離線後，從取得合法的狀態摘要到重建足夠決策情境所需的時間。若系統為了讓人類離線，卻要求回來時閱讀數萬行 trace，可能只是把監督成本搬到另一個時間點。

同時須檢查重建品質：人類是否能正確辨識未結風險、重要版本變更與真正可發布的成果。

### 25.5 治理品質與生產質量

最低限度報告：必要事件漏報、錯誤回交、未授權外部操作、可回滾比例、平均重大事件處理時間、已驗證成果量與返工率。若少打斷換來更高的重大事故率，研究應報告失敗，而非以時間主權指標粉飾。

### 25.6 生活自主指標

建議獨立測量：當事人是否能臨時改變休息安排、是否覺得 Agent 額度／任務進度逼迫其返回、是否能把某個專案延後而不產生新增義務、以及是否能在充分資訊下選擇下週再處理。這類結果與第 05 篇的微觀時間主權模型將形成直接接口。

---

## 26. 哪些治理策略可能降低待命，而不犧牲真正的組織能力？

以下是可供研究與工程評估的候選策略，並非適用於所有系統的保證性建議。

**第一，事件級時間語義。** 每項人工事項都標示是否存在真實期限、期限從何而來、有無外部承諾或不可逆風險。沒有期限，不應被介面視覺設計偽裝成緊急任務。

**第二，驗證後摘要而非原始對話洪流。** 讓 Agent 把測試、證據與重要差異連結成可重建的交付單位；人類不需逐字追蹤所有思考／嘗試紀錄。摘要不可取代完整證據保存。

**第三，權限預設保守。** 低風險、可回退、受預算限制的工作可以持續；高權限、不可逆、跨界工作必須有新的授權或安全停止。此處的保守不是禁止一切自動化，而是讓安全邊界可以明確檢查。

**第四，確實可停止的 Agent。** 如果系統收到暫停指令，只是停止 UI 更新、背景任務仍繼續修改資源，就不是真正的離線治理。需要包含 cancel、checkpoint、rollback／compensation 與 resource cleanup 的可測試機制。

**第五，不把所有候選想法變成待辦。** Agent 可以留下長期研究選擇權，但不應要求人類每天重新分類所有候選；否則「減少專案管理」又變成另一個大型管理專案。

**第六，可信的無事件確認。** 當事人可以得知「本次委任仍在授權內，沒有需要現在回覆的事項」，但這項確認必須以能被驗證的監控證據支持，而非一則空洞的 reassuring message。

**第七，真正的值守轉移。** 若某項任務不能無人值守，就在執行前提供明確替代值守者、可自動維持安全的停機策略，或直接不啟動。不能以「AI 反正還能做」為由，默認個體必須無限承擔事故回應。

**第八，把人類滿意的節奏當作正式需求。** 有些人偏好每日審查，有些人每週一次，也有人希望同一天集中多輪創作。對低風險任務，系統可讓擁有者自訂回交窗口並修改；設定不應自動隨剩餘額度調高工作量。

**第九，將品質缺陷視為治理問題，不視為人類必須補班的理由。** 若 Agent 穩定產生大量錯誤報告，正當解法可能是降低並行、提高驗證、減小授權範圍、改善任務定義或停止該 Agent，而不是要求人類在夜間補救。

**第十，保留無需提供理由的非緊急暫停。** 如果每次想暫停都需要寫下原因、證明產能是否合理或重新安排所有專案，所謂的自主反而引入新的認知成本。只要不涉及既有法律與外部責任，暫停本身可以是一個合法的系統狀態。

---

## 27. 失敗模式、反身悖論與極端情況

### 27.1 監督工具變成新的監督對象

為了降低人類負擔，團隊可能再增加數個監督 Agent；監督 Agent 又產生監督報告，最後使用者開始每天閱讀「監督 Agent 的監督 Agent」的報告。這並沒有消除人類 kernel，只是把 kernel 的資料入口換了形式。監督層自身也需要邊界、證據、停止與責任契約。

### 27.2 無窮重試與假完成

Agent 在錯誤發生後自動反覆重試，可能產生大量看似進步的日誌，卻沒有可驗證的前進。系統若用努力次數表示成果，可能掩蓋失敗並讓人類回來處理巨大的偽進度。故任務應設 retry cap、evidence gate、progress predicate 和可終止條件。

### 27.3 休息被拿來當成新一輪工作的準備工具

如果研究最後變成「如何讓人類休息得更好，以便明天能強制工作更多」，可能再度把時間主權降格為生產力工具。本篇的規範主張不是反對自願利用休息提升創作能力，而是拒絕把休息的唯一正當性定義為未來產量增加。人類即使沒有新的高效產出，也可以正當地安排自己的生活。

### 27.4 風險的社會轉嫁

一個創作者可能靠把高風險值守工作轉給缺少權限、資源與訓練的外包人員來實現「自己離線」。這並不必然構成公平或可持續的治理改善。組織研究應檢查負荷是否轉移給其他人、其他時區、低薪人員或沒有足夠拒絕能力的協作者。

### 27.5 將 AI 當作無需治理的絕對可靠主體

本研究並不假設現有 Agent 已具有人的主體性、道德責任或法律人格，也不把智能能力等同可無條件承擔合約義務。功能性自主與最終責任可以被分開描述。誰有權授權、承責與停止，需要透過具體制度而非人格化敘事確定。

### 27.6 邊界設定未必符合所有人的生活

有些獨立研究者喜歡不固定時間的密集工作，有些受僱者反而需要固定離線。有些人適合完整安靜，有些人從可信的進度摘要獲得安心。系統不能強制所有人使用同一種休閒排程；更成熟的目標是提供合法、可改變且安全的節奏選擇。

### 27.7 結果變好的原因可能只是 Agent 做得少了

實驗若採取批次通知後，Agent 實際執行量也下降，無法直接證明通知分流有效。應在成果品質、可比工作量與風險約束下進行比較，並檢查相反情境：若 Agent 仍能高產出，而人類卻有更多不受打斷時間，才更直接支持本篇的治理假說。

### 27.8 隱私與長期觀察權力

能監控 Agent 的工作活動，不代表企業有權無限監控員工是否真正放鬆。若時間主權研究變成追蹤所有私人活動、鼠標行為、休閒軟體與情緒狀態的績效監控系統，便與研究宗旨相衝突。應採最小資料原則、參與者主動同意、可撤回、資料分離與適當刪除期限。

---

## 28. 總結：成熟委任不只減少操作，更要恢復不在場的正當性

AI Agent 可以在一段時間內自主搜尋、規劃、測試、生成與組織研究成果。這擴大了人類能在單位世界時間內完成的工作集合，但也帶來一種新型風險：**機器持續執行的能力，被誤轉換成人類持續可回應的義務。**

過去自動化研究已提醒我們，操作工作被機器接手，不表示監督責任自動消失；工作恢復研究已提醒我們，離開工作現場，不表示心理上能夠抽離；AI 委任的近期實證也已指出，進度、品質與錯誤預期可能形成新的心理牽掛。這些先行研究為本篇提供必要基礎，不能被新系列重新命名後據為己有。

本篇的理論貢獻候選，在於把上述現象連接到 AI 原生組織可以實際控制的事件層：**Agent 執行流、機器結果佇列、人工行動佇列、主觀待命、通知閘門、權限邊界與可回返的安全停止**。其中既有機制也有新整合命題，但每個因果主張均需接受資料檢驗。

對高投入研究者與創作者來說，真正需要保留的自由不只有「我可以讓 AI 幫我做更多事」。還包括：「我今天不想看結果」「我明天才決定下一階段」「這週只想做另一種研究」「我決定讓某個 Agent 安全停止」「我想保留未來選擇，而不是現在創造新義務」。

總結成最小命題：

$$
\mathrm{DelegatedExecution}
\not\Rightarrow
\mathrm{EffectiveHumanRest},
$$

以及另一個規範性目標：

$$
\mathrm{AutonomousAI}
+\mathrm{BoundedAuthority}
+\mathrm{RiskAwareHandoffs}
+\mathrm{EffectiveExit}
\longrightarrow
\mathrm{HumanTemporalSovereignty}.
$$

第二式不是數學上已經證明的自然定律，而是可透過工程契約、心理研究與組織實證檢查的設計方向。**Agent 可以不停工作，但不代表人類有義務不停待命。**

---

## 附錄 A｜主要符號、操作定義與模型性質

| 符號 | 意義 | 資料性質 | 重要限制 |
|---|---|---|---|
| $H$ | 人類委任者／有權治理的行動者 | 角色定義 | 不是固定單一法人或個人 |
| $\mathcal A$ | Agent 集合 | 系統狀態 | 數量不等於有效產出 |
| $\lambda_A$ | Agent 交付事件到達率 | 可觀察 | 須扣除無效重試和事件重複 |
| $p_D$ | 可延後人工審查比例 | 分類後估計 | 不能將隱藏風險算作消除 |
| $p_G$ | 限期治理比例 | 分類後估計 | 期限來源須可查 |
| $p_C$ | 緊急處置比例 | 分類後估計 | 誤分類後果可能重大 |
| $\lambda_H$ | 人工事件到達率 | 系統流量 | 不等於心裡想到工作次數 |
| $Q_A$ | 機器處理結果佇列 | 客觀系統量 | 不等於人類責任 |
| $Q_H$ | 合法且未完成的人工行動佇列 | 客觀系統量 | 必須排除已解除的非必要義務 |
| $\mu_H$ | 人工處理能力 | 工作負荷相關 | 可隨任務和時間變動 |
| $\chi_H$ | 合法取消人工要求的處理率 | 工作流事件 | 不得以刪警報冒充 |
| $S_t$ | 主觀認知待命強度 | 心理潛在變項 | 必須實際測量 |
| $N_t$ | 非必要或一般通知量 | 系統事件 | 與人類主動查看分開 |
| $U_t$ | 未解決品質與風險不確定性 | 混合指標 | 可由主觀和客觀部分構成 |
| $C_t$ | 安全關閉／暫停的可見性 | 系統＋知覺 | 顯示安全需具真實證據 |
| $T_{\mathrm{return}}$ | 人類回返並重建決策情境的時間 | 可觀察 | 需同時檢查重建正確率 |
| $I_{\mathrm{unnecessary}}$ | 非必要離線打斷率 | 行為指標 | 應以時間暴露量正規化 |
| $T_{\mathrm{uninterrupted}}^{\max}$ | 最長連續自主持有時間 | 時間結果 | 非心理恢復全貌 |
| $V_{\mathrm{verified}}$ | 通過特定驗證的價值 | 可比較成果 | 不同任務不可無條件加總 |
| $R_{\max}$ | 不可逾越之風險上界 | 規範／政策 | 不存在單一普遍風險數值 |

### A.1 哪些式子是定義？

第 4 章人工事件到達率與第 5 章雙佇列流量，是在指定事件分類下的**工作帳本與近似關係**。第 9 章 precision、recall 是分類指標的定義。其成立不需要個體心理實驗支持，但數據分類是否合法、計數是否正確仍需驗證。

### A.2 哪些式子是有條件的數學結果？

第 5 章 M/M/1 平均逗留時間的式子，僅在符合特定排隊假設時成立。第 9 章通知閾值是指定二選一損失函數的代數結果；第 14 章的穩態是線性遞推的解析結果。若假設改變，公式的結果也可能改變。

### A.3 哪些式子只是待驗證的模型？

認知待命動態方程、不同通知策略的心理效應、主觀安心與可支配時間的關係、以及人類離線治理政策的整體效用模型，皆屬於理論候選。即使其內部運算完全正確，仍不能被稱為現實世界已證實的普遍定律。

### A.4 干預效應與個體差異

實證上應允許 $\alpha_i$ 、 $\beta_i$ 、 $\delta_i$ 等係數隨個體變化；不能把單一自述經驗直接當成全體創作者的平均心理。不同職業、技術信任、外部時限與任務種類，都可能產生完全不同的效果。

---

## 附錄 B｜回交政策與安全停止的參考偽程式

以下偽程式只是制度邏輯示意，未實作安全性、未接任何實際 Agent、網站、雲端服務、付款系統或權限管理器。部署前需經正式軟體設計、測試、稽核與授權。

```python
# CONCEPT ONLY — not production code.
def route_event(event, contract, time_state):
    evidence = verify_provenance_and_safety(event)

    if not evidence.valid or not event.within_authority(contract):
        return safe_stop_and_record(event, reason="uncertain_authority_or_safety")

    if event.is_critical():
        if contract.has_real_duty_holder_now():
            return stop_unsafe_action_and_escalate(event)
        return safe_stop_and_record(event, reason="no_valid_duty_holder")

    if event.needs_new_human_authorization():
        return pause_until_next_authorized_decision(event)

    if event.needs_human_review() and not event.is_urgent():
        return append_to_review_digest(event)

    if event.is_safe_and_verifiable():
        return archive_with_evidence(event)

    return safe_stop_and_record(event, reason="unclassified_event")
```

其重要性並非讓一個 `if` 判斷自動解決所有安全問題，而是呈現設計的**責任方向**：當系統無法證明某件事適合無人值守，預設行為不應是半夜向某位並未同意值班的人施加新義務，更不能直接執行未授權的危險動作。

### B.1 真實系統需要增加的安全要素

正式版本至少需要不可變稽核紀錄、簽章或權限來源查核、事件重放保護、重試冪等、逾時保護、模型錯誤時安全模式、工具權限最小化、跨 Agent 衝突仲裁、緊急值守交接確認、外部不可逆作用補償策略、事故後稽核及對誤報／漏報進行實際測試。

### B.2 「無限安靜」本身不是充分契約

完全沒有通知可能表示一切正常，也可能表示監控器故障。正式系統應保有心跳與健康檢查，但這些訊號可在安全、適當條件下由機器或值守者處理，不需要將每一則心跳都送給離線人類。

### B.3 反例測試

若有人要求 Agent 自行支付未授權費用，或在使用者睡覺時刪除唯一的正式檔案，即使它認為此舉能提升效率，也必須阻止。若工作本身完全屬於已授權、可逆、可驗證的測試範圍，則系統沒有正當理由要求人類每一步按下同意。

---

## 附錄 C｜預註冊研究草案與透明度檢核

### C.1 研究問題

主要檢驗：在成果品質、風險與可比任務維持一致的前提下，非緊急事件的批次通知與正當風險分流，是否能降低人類必要介入、非必要打斷及委任後認知待命，並提高可支配時間及心理抽離？

### C.2 主要比較

- 對照條件：逐件即時通知／逐件人工審查。
- 處理條件：批次非緊急通知／正當機器驗證分流。
- 高風險事件：兩組皆適用相同安全硬閘門與必須應變的時限。
- 任務品質：盡可能相同並由盲態第三方檢驗，不靠 Agent 自評。

### C.3 必要的前測與基線

正式介入前應蒐集至少一個適當基線時段，確認個體原有工時、非工作時間、通知習慣、工作反芻、Agent 使用經驗、任務難度與恢復感。基線長短應由資料穩定性與研究限制決定，不能事後隨意挑選對研究假說最有利的時段。

### C.4 主要估計量

可選定兩種主要估計量：其一為每小時宣告非工作時間中的非必要打斷數變化；其二為日末心理抽離評分在政策切換前後的改變。其他指標作為次要或探索性結果。不要在看到資料後改變主要結果，卻假裝原本就如此設計。

### C.5 驗證品質的共同約束

比較不同政策時，至少監測：

- 具人工時限的事件是否在期限內處理。
- 新增權限與不可逆外部操作是否得到合法授權。
- Agent 對外部世界產生的錯誤與返工比例。
- 安全停止是否確實停止相關高風險行動。
- 非必要通知降低是否只是因系統少做了事情。

### C.6 統計報告

報告估計值、可信或信賴區間、樣本量、流失率、測量誤差、分析前提及敏感性分析；不應只回報有利的顯著性檢定。對於小樣本、個案時序或探索性分析，應明確區分個體可見趨勢與可推廣的人群效果。

### C.7 資料保護

僅在參與者知情且資料收集合法的前提下進行研究。不得把個人的 GitHub 私有程式碼、財務紀錄、連結應用程式的憑證或私人對話全文當作研究原始資料默認收集。對於不可公開的驗證證據，可使用最小必要雜湊、類別或無敏感資訊的摘要紀錄。

### C.8 陰性結果的處理

若批次通知沒有降低認知待命，應直接報告；若人工介入降低但安全性惡化，應判定策略不合格；若有效退出契約對某些高度自願創作者沒有改善，亦應保留其結果。研究的目標不是證明所有 AI 使用者都會疲憊，而是找到**不同治理條件下真正有效或無效的機制**。

---

## 附錄 D｜故障注入與可稽核性測試清單

| 測試情境 | 預期性質 | 不得出現的情況 |
|---|---|---|
| 夜間無人工值班且 Agent 要外部發布 | 暫停待授權 | 預設由人類立即回覆或直接發布 |
| Agent 例行任務全數驗證通過 | 安全歸檔並摘要 | 每項都打斷離線人類 |
| Agent 發現尚未核准的新研究方向 | 加入可選候選 | 轉為必須立即完成的新義務 |
| 背景 Agent 達預算上限 | 中止並留證據 | 無上限重試或繼續消耗資源 |
| 監控器中斷／狀態無法查核 | 安全模式或停機 | 把未知狀態宣稱為安全 |
| 緊急事件出現且有正式值守者 | 安全停止並合法回交 | 只做靜音歸檔 |
| 緊急事件出現但沒有值守者 | 優先隔離／停止危險動作 | 繼續進入不可逆高風險階段 |
| 人類隔週回返 | 可查差異、版本、證據、未決事項 | 必須讀完所有模型 trace 才知道發生什麼 |
| 多 Agent 同時修改同一資源 | 競態控制與衝突仲裁 | 靜默覆蓋、失去 canonical state |
| 離線期間收到撤銷授權 | 強制重新檢查並執行停機 | 仍按舊授權對外操作 |
| Agent 無效成果增多 | 降低重試、重新驗證或暫停 | 讓人類無限制補救 |
| 使用者明確拒絕下一輪工作 | 僅保留非強制候選 | 因額度剩餘而重新開工 |

上表是面向工程研究的**測試需求清單**，不是任何現有系統已經通過的驗證報告。要宣稱通過，需另外附測試版本、實際輸入、執行環境、日誌、結果和可重現證據。

---

## 附錄 E｜和第 05 篇時間主權研究的接口

本篇主要回答「Agent 持續工作時，人類能否從操作與心理待命中退出」，但仍留下一個更基本的問題：即使一個人有離線能力，是否真的擁有可以自主使用的時間？例如經濟壓力、既有承諾、外部家庭責任、平台配額期限或對技術歷史窗口的判斷，都可能影響人是否能行使這項權利。

因此 HACTS-05《時間主權的微觀決策》應直接承接：

1. **能力與權利區分：** 有技術停止能力，是否足以構成可以選擇停止的實質自由？
2. **義務來源區分：** 自我承諾、契約責任、必要風險及 AI 製造的非必要 TODO，有何不同正當性？
3. **跨期選擇區分：** 今天不處理某項低時效專案，是否保留未來的選擇權，而非一種不可逆損失？
4. **時間價值區分：** 創作者可以選擇高強度投入，也應可以正當選擇較低強度；兩種選擇不能被同一項最大化產量指標否定。
5. **實際可行性：** 財務緩衝、安全環境、可信 Agent 系統與可回返組織狀態，如何共同決定時間主權能否被真正行使？

本篇在這裡不提前把第 05 篇全部寫完，而是明確留下研究接口。這種邊界也是對我們自己提出的「不必把所有可能性立即現實化」原則的實踐。

---

## 參考文獻｜外部公開研究（已核對）

**[E1]** Bainbridge, L. (1983). Ironies of automation. *Automatica, 19*(6), 775–779. https://doi.org/10.1016/0005-1098(83)90046-8

**[E2]** Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. *Human Factors, 39*(2), 230–253. https://doi.org/10.1518/001872097778543886

**[E3]** Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. *IEEE Transactions on Systems, Man, and Cybernetics—Part A: Systems and Humans, 30*(3), 286–297. https://doi.org/10.1109/3468.844354

**[E4]** Sonnentag, S., & Fritz, C. (2007). The Recovery Experience Questionnaire: Development and validation of a measure for assessing recuperation and unwinding from work. *Journal of Occupational Health Psychology, 12*(3), 204–221. https://doi.org/10.1037/1076-8998.12.3.204

**[E5]** Sonnentag, S., & Fritz, C. (2015). Recovery from job stress: The stressor–detachment model as an integrative framework. *Journal of Organizational Behavior, 36*(S1), S72–S103. https://doi.org/10.1002/job.1924

**[E6]** Leroy, S. (2009). Why is it so hard to do my work? The challenge of attention residue when switching between work tasks. *Organizational Behavior and Human Decision Processes, 109*(2), 168–181. https://doi.org/10.1016/j.obhdp.2009.04.002

**[E7]** Barber, L. K., & Santuzzi, A. M. (2015). Please respond ASAP: Workplace telepressure and employee recovery. *Journal of Occupational Health Psychology, 20*(2), 172–189. https://doi.org/10.1037/a0038278

**[E8]** Mazmanian, M., Orlikowski, W. J., & Yates, J. (2013). The autonomy paradox: The implications of mobile email devices for knowledge professionals. *Organization Science, 24*(5), 1337–1357. https://doi.org/10.1287/orsc.1120.0806

**[E9]** Zhang, Y., Li, T., & Chen, C. (2026). When AI works, employees worry: The vigilance cost of AI delegation in hybrid work. *Frontiers in Psychology, 17*, 1914119. Published 2026-09-24. https://doi.org/10.3389/fpsyg.2026.1914119

**[E10]** Park, Y. S., Arvi, N., Lee, H. R., Lim, S., Ma, Q., & Kim, J. (2026). The Work Behind Delegation: A Framework for Supervising AI Coding Agents. *arXiv* preprint 2609.24234. https://arxiv.org/abs/2609.24234

**[E11]** Endsley, M. R. (1995). Toward a theory of situation awareness in dynamic systems. *Human Factors, 37*(1), 32–64. https://doi.org/10.1518/001872095779049543

**[E12]** Ranganathan, A., & Ye, X. M. (2026). AI Doesn't Reduce Work—It Intensifies It. *Harvard Business Review*, February 9, 2026. https://store.hbr.org/product/ai-doesn-t-reduce-work-it-intensifies-it/H0929G

**文獻使用限制。** 其中 [E9] 是重要但有因果辨識限制的兩波問卷研究；[E10] 為尚未完成同儕審查的預印本；[E12] 為公開的管理學研究觀察與討論，不能拿它當作所有產業的普遍隨機實驗結論。其餘經典研究也不自動證明 AI 專屬假說。若正式投稿，需再檢查是否存在更新、勘誤或撤稿。

---

## 參考文獻｜EveMissLab 既有先行研究與 HACTS 原稿

**[I1]** *委任時間論：自主 Agent、人類介入密度與治理槓桿*（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003321/

**[I2]** *從 AI 工具到 AI 組織：操作員退出問題*（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003327/

**[I3]** *HDUS：Distributed Computational World Federation Architecture*（2026-08-20，v0.1）。

**[I4]** *World-Native Agent Organization：HDUS 中的原生 ANDO 與橋接層消解*（2026-08-23，v0.1）。https://unboundedaxiom.org/p/lm-003841/

**[I5]** *RR-06｜從 Self-Authorship 到 Owned Trajectory：選擇、承諾與可修正人生線*（2026-08-21，v0.1）。https://unboundedaxiom.org/p/lm-003284/

**[I6]** *HAVT-06｜從失業時間到時間主權：AI 生產力紅利應流向哪裡*（2026-10-06，v0.1）。https://unboundedaxiom.org/p/lm-004988/

**[I7]** *HODR-IV｜AI 生產力與可能性空間爆炸*（2026-09-26，v0.1）。

**[I8]** *HODR-II｜選擇權囤積與不可逆決策*（2026-09-26，v0.1）。

**[I9]** *AI 計算時間經濟學：Token、算力、額度與智能資源配置*（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003194/

**[I10]** *Agentic Organization 的時間經濟學：智能時間密度、委任槓桿與經濟沉積*（2026-08-21，v0.1）。https://unboundedaxiom.org/p/lm-003205/

**[I11]** HACTS-00《從無限可做之事到有限可支配人生》（2026-10-16，v0.1；同系列本地 canonical 原稿）。`HACTS-00_從無限可做之事到有限可支配人生_v0.1_2026-10-16.md`

**[I12]** HACTS-01《生產力內生擴張悖論》（2026-10-16，v0.1；同系列本地 canonical 原稿）。`HACTS-01_生產力內生擴張悖論_v0.1_2026-10-16.md`

**[I13]** HACTS-02《額度重置與時間支配》（2026-10-16，v0.1；同系列本地 canonical 原稿）。`HACTS-02_額度重置與時間支配_v0.1_2026-10-16.md`

**[I14]** HACTS-03《自願性高投入的雙重狀態》（2026-10-16，v0.1；同系列本地 canonical 原稿）。`HACTS-03_自願性高投入的雙重狀態_v0.1_2026-10-16.md`

**來源與權限聲明。** 本篇依已取得合法讀取權的原稿進行理論譜系對照；提供標題與來源連結，不代表任何原本未公開的檔案、程式碼、研究流程、帳戶資料已獲權利人授權公開。內部理論的主張應與外部正式發表的實證證據分層標示。

---

## 原稿驗證、研究責任、公開邊界與版本紀錄

1. **論文版本：** HACTS-04 v0.1；截至 2026-10-16 的理論與研究設計稿，不是現實 Agent 系統的實作通過證明，也不是已完成新研究資料驗證的統計論文。
2. **原稿唯一來源：** 本 UTF-8 Markdown 檔；正式數學內容只使用 ` $...$ ` 與 `$$...$$` 分隔符。聊天畫面、螢幕截圖與 UI 預覽均不作為 canonical source。
3. **數值地位：** 四組思想實驗皆有明確假設；隊列、通知決策與狀態衰退算例由實際運算核對，不代表對個體的心理預測。
4. **文獻責任：** 引文優先以 DOI、期刊、PubMed 或原始預印本查核。引用作者、篇名、發表日期及其方法限制應完整保留，避免將觀察性研究寫成隨機因果證明。
5. **心理與醫療邊界：** 「認知待命」在本文是研究構念，不是心理疾病診斷。高熱情、長工作時數、偶然想起 Agent 與工作反芻皆不應被直接病理化。
6. **工程與安全邊界：** 所有風險閘門、JSON 契約、狀態機與偽程式僅作技術論文示意；正式執行需另行確認權限、測試、安全、法令及值守安排。
7. **隱私與公開邊界：** 本稿不包含私人 API Key、Token、客戶內容、家庭及財務細節、未公開 Repository 的原始碼或個別聊天逐字資料。
8. **可否證性：** 十二組假說均可因實證資料與替代解釋而修訂或撤回；不應把單一小型案例提升為適用所有 AI 使用者的通則。
9. **下一篇：** HACTS-05《時間主權的微觀決策：不做、延後、退出與回返如何構成實質自由》，將以本篇的人類離線界線作為前置接口，研究個體跨期選擇。

**END — HACTS-04 v0.1**