---
document_id: EML-JDT-2026-P05-v0.1
title: "多判斷域耦合與 Skill：外部判準、協作衝突與判斷治理"
english_title: "Coupling Multiple Judgment Domains and Skills: External Criteria, Collaborative Conflict, and Judgment Governance"
series: "判斷域理論（Judgment Domain Theory, JDT）"
series_position: "Paper 05 / 08"
version: "0.1"
date: "2026-10-17"
language: zh-TW
encoding: UTF-8
canonical_source: true
math_delimiters: "inline $...$ ; display $$...$$"
status: "FORMAL RESEARCH DRAFT / MULTI-DOMAIN GOVERNANCE CANDIDATE / NOT EMPIRICALLY VALIDATED"
author: "Neo.K"
research_collaboration: "GPT-6 / Aletheia（文獻核對、理論建模、批判性撰稿）"
institution: "EveMissLab / 一言諾科技有限公司"
predecessors:
- EML-JDT-2026-P01-v0.1
- EML-JDT-2026-P02-v0.1
- EML-JDT-2026-P03-v0.1
- EML-JDT-2026-P04-v0.1
primary_interfaces:
- "SOBTA: Subject–Object–Boundary Tri-Domain Algebra"
- "CODT: Cognitive Operator-Domain Theory v1.0"
- "RR: Reflexive Responsibility, Papers 01–08"
- "TVK-EPE: Claim Validity Domains"
- "ACR: Cognitive Routing, Not Goal Autonomy"
- "Skill authoring, blind testing, and modular workflows"
claim_level: "DEF/DER/HYP/NORM framework; no independent JDT-domain promotion or empirical advantage claimed"
---
# 多判斷域耦合與 Skill：外部判準、協作衝突與判斷治理
## Coupling Multiple Judgment Domains and Skills: External Criteria, Collaborative Conflict, and Judgment Governance
**JDT Paper 05／08 — 正式研究草稿 v0.1**
**作者：** Neo.K
**研究協作：** GPT-6 / Aletheia
**機構：** EveMissLab／一言諾科技有限公司
**日期：** 2026 年 10 月 17 日
**研究地位：** 概念、形式與實驗協議提案；本文提出的 JDT 耦合機制尚未經獨立對照實驗證實。
**版本：** 0.1
---
## 摘要
一個具有高認知能力的系統，未必能在大型開放任務中穩定啟用合宜的判準；一個專家、使用者或 Skill 作者，即使沒有更強的通用認知能力，也可能藉由提供有效的品質判準，使系統完成更好的成果。然而，一旦多個 Skill、Agent、使用者、開發組織與驗證者同時參與工作，外部判準就不再只是「更多提示詞」：不同來源的判準可能相互補充、部分重疊、跨域誤用、互相抵觸，甚至與資料權限、世界行動權或證據資格發生錯置。多個局部有效的判斷，不必然形成全域一致且適當的判斷；更多 Skill 也不保證更好的作品。
本文為《判斷域理論》（Judgment Domain Theory, JDT）第 05 篇。前四篇依次處理了判斷與認知能力的非同一、主客邊配置下的判斷域、判準的生成選擇修正，以及判斷承諾與反身責任。本篇把研究單位提升為多主體、跨角色、跨版本、跨情境的**判準耦合配置**，提出以下核心區分：Skill 作者的原生判斷域不等於 Skill 檔案；Skill 的內容不等於其對任何任務都有效；採用某 Skill 不等於授權其作者決策；判準的相似不等於來源相同；多數決不等於真值；執行者可提出合法判準候補，不等於可以越過外部世界寫入權限。
本文將 Skill 視為**外部主體判準的一種有限且可能失真的操作性投影**，同時承認 Skill 也可能提供新增知識、資料、可執行程式、工具使用方法及額外檢查程序，因此其效益不能預設只由「喚起既有能力」造成。本文區分 Skill 內的判準、程序、資訊、工具、約束、授權聲稱與測試資源，建立帶來源與適用域的 `Criterion Projection`、`Skill Adoption`、`Judgment Conflict`、`Authority Envelope` 與 `Judgment Governance Record` 等候選契約。它們的作用是使「誰主張什麼、為何有效、由誰採用、由誰執行、由誰驗證、由誰能改動世界」可被分辨，而不是再製造一個必須全面支配其他判斷域的超級 Skill。
本文提出判準衝突的型別分類、非補償性硬約束、局部偏序下的選擇、合法不一致與停手機制、多層治理拓樸、時間與資源成本模型，以及不抹除異議與失敗的判斷協調帳本。以商業遊戲 UI/互動回饋、長篇文學寫作、科學研究與多 Agent 軟體交付為示例，提出可被否證的研究假說與對照實驗：在能力、額外資料、工具、token、執行時間及模型種類均被控制時，明確的判準來源／適用域／授權／衝突治理，是否比一般提示、普通 Skill、多 Agent 多數決或簡化決策表獲得更高的長時程品質、更低越權率與更好的衝突修正效率。
本文不宣稱現代 AI 已獲證明不具備自身判斷域，也不宣稱 Skill 作者必然擁有超越 AI 的判斷力；不以一個新的評分函數代替對外證據與真實使用者結果。其目標是將「判斷域的多主體耦合」轉化為可明確失敗、可被比較、能服務後續 Paper 06 AI 架構假說與 Paper 07 實驗驗證的形式研究對象。
**關鍵詞：** 判斷域；判準耦合；Skill；外部判準投影；多主體協作；衝突治理；來源證據；信任邊界；權限分離；多準則決策；集體判斷；操作生態；提示注入；反身責任；長時程 AI Agent；產品品質。
---
# 0. 問題定位與研究限制
## 0.1 從「一個主體會判斷」到「很多主體共同完成」
一個完整產品很少由單一判斷者決定。對同一套遊戲介面，設計師可能重視風格辨識，工程師關心延遲與可維護性，無障礙專家關心可讀性與控制器導航，玩家關心手感，發行者關心成本與上市時程。AI 開發者可以對每一項問題給出看似合理的答案，卻仍可能在整體交付時顧此失彼。
前四篇已討論主體判準、他者關係、判準生命週期與責任承諾。本篇新增的問題是：即使每一方都具有某種局部合宜的判斷，**什麼條件下，彼此的判準能被合法組合成一個共同可執行且仍可修正的工作結構？**
此問題不能直接化約為「讓一個主管 AI 評分所有 Skill」。因為主管的判準也有來源、適用域、可靠性與權限，它同樣可能遺漏不利證據，亦可能受到社會地位、來源格式與輸出流暢度的偏差影響。把衝突上移一層，不等於問題消失。
## 0.2 本文與 Paper 01–04 的明確分工
- Paper 01：判斷能力與持續判斷域的候選差異。
- Paper 02：主體、他者、邊界與投影的非併吞關係。
- Paper 03：判準本身的生成、選擇、啟用、更新與退出。
- Paper 04：判斷採納如何形成跨時可回答的承諾與責任歷史。
- **Paper 05：多位判斷來源如何將外部判準編成協作契約，如何處理互不等價的衝突，且不把協作當成權限吞併。**
本篇不重新宣稱 SOBTA、CODT、RR 已證成 JDT；它只是檢查這些既有形式區分是否能產生新的、具有可檢驗增量價值的跨域治理設計。
## 0.3 四種論述地位
| 標記 | 意義 | 證據要求 |
|---|---|---|
| `DEF` | 定義、型別、記錄契約或符號約定 | 內部一致與可操作性 |
| `DER` | 在明列假設下的邏輯或演算法推論 | 可逐步檢查假設與推導 |
| `HYP` | 對現實模型、組織或人類的實證假說 | 有基線、控制組、反例與失敗條件 |
| `NORM` | 對合法性、責任、隱私、授權的規範建議 | 應標明法律、制度與使用情境 |
| `EMP-EXT` | 已發表外部研究的觀察結果 | 準確標註來源與外推邊界 |
任何 `DEF` 不會自動升級為 `HYP` 的證實；任何 `EMP-EXT` 也不會自動證成本文提出的架構優勢。
## 0.4 非主張
本文不認為所有人類、動物、AI、組織都具有相同種類的判斷主體性；不認為把判準寫成文字後便可完全移植作者的美感與經驗；不認為跨域一致性高就表示真；不認為成功協作等於已經形成「群體意識」。本文也不主張「Skill 本身必然是一個主體」，更不把 Skill metadata、檔名、簽章、品質標章直接當作授權來源。
---
# 1. 基本語義：判斷域、判準、Skill 與治理角色
## 1.1 判斷域的候選模型（承接 Paper 01）
設主體或系統 $a$ 在時間 $t$ 的判斷域候選為：
$$
\mathcal J_a(t)=\langle C_a,P_a,E_a,H_a,R_a,B_a\rangle_t.
$$
其中 $C_a$ 為可啟用判準集合， $P_a$ 為形成或選擇判準的操作程序， $E_a$ 為目前證據及有效性評估， $H_a$ 為判斷歷史， $R_a$ 為可追溯承諾與修正關係， $B_a$ 為權限、資源及未收納邊界。這是本篇為便於跨主體建模所採的工作縮寫；不得將它誤稱為 Paper 01 的唯一原始定義。
一個主體有時可以作出單次優秀判斷，而不具有足夠跨情境證據支持其判斷域已經成熟。反過來，某個持續判斷域在新情境下也可能失敗。判斷域在這裡是受 CODT「Seed → Candidate → Promoted」研究紀律約束的**候選操作結構**。
## 1.2 判準不是一般指令
判準回答「如何認定某狀態值得、正確、可接受或足以完成」。一般指令還可能只是操作路徑，例如「先建立目錄再執行測試」；這能影響結果，卻不一定指定獨立的品質判定內容。安全規範、形式不變量、成本上限、編輯風格、受眾期望與世界事實又有不同的證據與可修訂性。
例如「所有選單均支援手把方向鍵導航」可以作為可測試品質條件；「介面要有史詩感」則需要進一步界定評價情境、樣本、受眾或視覺參照。兩者不應未經處理就混入同一數字分數。
## 1.3 Skill 的最低研究定義
本篇把 Skill 視為一種**可由 AI 或其他執行者載入的外部程序與資源封裝**：其中可能包含自然語言指引、工作程序、判準、案例、可執行程式、資料、工具限制、模版與相容性聲明。這與 Agent Skills 公開規格中最小 `SKILL.md` 和可選 `scripts/`、`references/`、`assets/` 的形式相容 [E1]，但並不假設所有平台的 Skill 都採用相同格式或信任模型。
設：
$$
K_s=\langle I_s,C_s,D_s,T_s,X_s,M_s\rangle.
$$
其中 $I_s$ 表操作指引， $C_s$ 表判準候補， $D_s$ 表外加資料， $T_s$ 表工具與腳本， $X_s$ 表例子及測試， $M_s$ 表來源、版本、適用性與權限**聲稱**之中介資料。`M_s` 是資料，不是自行取得的權限；真正授權必須從外部可信治理層驗證。
## 1.4 四個不同的角色
這是本文最重要的角色分離：
1. `Author`：提出 Skill 判準、流程與內容的作者或組織。
2. `Adopter`：依其目標與授權範圍決定是否採納 Skill 的使用者、專案負責者或治理節點。
3. `Executor`：實際使用 Skill 完成任務的人類或 AI Agent。
4. `Validator`：根據證據和可測條件確認產出結果是否符合要求的審查者或測試系統。
四種角色可以由同一人擔任，但概念不能因此合併。`Author` 可能並未授予資源權限，`Executor` 可能沒有判準改寫權，`Validator` 可能只有拒收的程序資格而沒有作品方向決策權。
## 1.5 共同世界是另一個角色，而非投票者
客觀世界狀態、程式測試、玩家實玩與市場結果不是第五個「擁有人格意見的評審」。它們提供不同型別的證據與後果；有些是可觀察約束，有些是含雜訊的人類資料。不能把「世界回饋」簡化為一個會替所有價值衝突裁判的超級主體。
---
# 2. Skill 作為外部判斷域的有限操作性投影
## 2.1 投影命題
若某作者 $a$ 具有候選判斷域 $\mathcal J_a$，其所寫 Skill 不必包含整個判斷域，僅可能提供某個任務配置 $\Gamma$ 下的局部投影：
$$
\Pi_{a\to s}(\mathcal J_a\mid\Gamma)=K_s^{(a,\Gamma)}.
$$
這裡 $\Pi$ 不是可逆編碼的保證，也不是「把作者心智完整轉移到檔案」。Skill 可能漏掉情境直覺、未形式化偏好、文化背景、錯誤經驗、模糊臨界點與長期承諾。技能作者也未必是唯一來源：文件可能被多人修改、借用社群範例，或者由 AI 代筆。
因此建立弱形式區分：
$$
K_s^{(a,\Gamma)}\neq\mathcal J_a.
$$
兩者有時能在指定任務上產生功能相似的判準效果，並不表示認知主體相同、語義等價或權限相同。
## 2.2 投影的五種主要損失
**語義損失**：作者認為「遊戲 UI 應有重量感」，執行者可能誤解為「更厚的邊框」。**適用域損失**：原本只適合 2.5D 戰棋的視覺節奏，被套用到文字模擬遊戲。**權限損失**：作者使用「必須」的強語氣，執行者便錯把建議當成對使用者的命令。**歷史損失**：文件只留下成功規則，沒有保留失敗案例與為什麼撤回舊規則。**證據損失**：讀者不知道某條結論是來自真實盲測、作者審美、單次經驗還是模型臆測。
若這些損失不能被識別，Skill 愈精緻愈可能把片面的判準放大成僵硬規範。
## 2.3 採用需要主體與任務的相對性
採用者 $b$ 不應直接將 $K_s$ 視為自己的完整判斷域，至少要執行：
$$
A_{b\gets s}=\operatorname{Adopt}(K_s,\Gamma_b,G_b,U_b,E_b),
$$
其中 $G_b$ 為任務目標， $U_b$ 為可信授權包絡， $E_b$ 為判準有效性證據。結果應容許 `ACCEPT`、`CONDITIONAL`、`REJECT`、`DEFER`、`CONFLICTED`，而非只有「載入成功／載入失敗」。
資料載入只是取得一份資訊；**判準採納**則是在指定範圍內允許它影響某項判斷，兩者的可稽核意義不同。
## 2.4 操作能力增益的五種競爭來源
如果導入 Skill 後 AI 成績提升，不得直接宣布「Skill 喚醒了 AI 已具備的能力」。至少要競爭以下解釋：
| 候選機制 | 技術意義 | 對照方法 |
|---|---|---|
| `Activation` | 較容易啟用模型原有能力或判準 | 相同判準但不同呈現形式 |
| `Knowledge` | 增加模型先前沒有的具體資訊 | 等量資料、無判準版 |
| `Procedure` | 明確規定可重複的操作流程 | 等步數程序、無價值判準版 |
| `Tooling` | 加入腳本、測試器或新的外部能力 | 工具對等組 |
| `Compute/Attention` | 迫使投入更多時間、token、重審 | 成本匹配組 |
模型可能同時受這五種因素影響。這類消融測試並不能直接讀取神經網路內部的因果機制，但可以限制過度簡化的歸因。
## 2.5 Skill 的好壞不由作者身份單獨決定
某頂尖設計師寫的 UI Skill 可以在某款產品中失效；某一般玩家寫的簡短檢查規則卻可能帶來實質改善。需要測量的是給定使用情境下的判準適配、成果品質、成本、失敗邊界與可重現性，而非預設「高認知者寫的一定更好」。這與 SOBTA 的「來源位置不耗盡對象自身」以及 RR 對來源／責任／效力的分離一致。
---
# 3. 判斷耦合的最小型別配置
## 3.1 多主體、多 Skill 並非單一主體
設在任務配置 $\Gamma_t$ 下，有主體或執行系統集合 $\mathcal A=\{a_1,\ldots,a_n\}$，Skill 集合 $\mathcal K=\{K_1,\ldots,K_m\}$，現有外部證據 $E_t$ 和治理授權 $U_t$。候選協作配置為：
$$
\Omega_t=\langle\mathcal A,\mathcal K,\Gamma_t,E_t,U_t,H_t\rangle.
$$
這是一個形式組織，不意味每個 Agent 都具有獨立意識或法律人格。工程上，每個 Agent 可以只是同一基座模型的不同呼叫、不同專用工具、不同上下文或不同決策角色。相同模型的多次採樣，並不能等同獨立專家的多元性。
## 3.2 判準投影與採納圖
每個 Skill 只對應部分判準，採用者也可以只接受其中一部分。記錄有向關係：
$$
G_C(t)=(V_C,E_C(t)),
$$
節點可包含作者、Skill、判準、任務、驗證事件與治理者；邊必須具型別，例如 `authored`、`proposes`、`adopts`、`tests`、`supersedes`、`conflicts_with`、`authorized_by`。如果所有關係都只剩「有連線」，這張圖無法回答誰能做什麼。
## 3.3 最小耦合運算
定義概念性、部分可用的耦合算子：
$$
\mathcal C_{\Gamma,U,E}(\mathcal J_a,K_s,\mathcal J_b)
\rightharpoonup \Omega_{a,s,b}^{*}.
$$
箭頭是**部分映射**，表示有些配置不合法、不可比、資訊不足或須保留未決；此時可以返回 `CONFLICTED` 或 `UNRESOLVED`，而不應強制輸出一組最終融合的判準。
## 3.4 與 SOBTA 的非併吞連結
在 $\Gamma$ （配置索引）下，作者的判斷、採用者的理解與第三方後果並非一個統一主體；工程上可把主體 A、他者 B 和未收納邊界 $\partial$ 當作**檢查座標**，而不是宣稱所有協作天生具有不可約三元本體。來源判準不能完全吞併採用者，採用者也不能假設自己已理解作者的全部情境；世界證據可能揭露兩者都遺漏的限制。
SOBTA 投影若沒有解釋增益、判準辨識增益或失敗偵測增益，應允許判為無用；不能因為強行給每個問題命名三個角色便宣稱理論已驗證。
---
# 4. 多判斷域衝突的種類：不同問題，不能交給同一種裁決法
## 4.1 判準內容衝突
兩個規則可能要求不同的品質方向。例如美術 Skill 偏好強烈裝飾性，無障礙 Skill 偏好高度可讀性；某情境下兩者可以兼顧，另一情境下需要明確取捨。內容衝突不代表其中一方是惡意，也不代表必然需要選出唯一勝者。
## 4.2 適用域衝突
一條在長篇視覺小說成立的段落密度規則，被誤套到戰棋狀態面板。其真正問題可能是適用域錯置，而不是價值觀相斥。正確處理通常是限制 scope、重新投影或解除採用，而非提高某個 Skill 的全域權限。
## 4.3 證據衝突
兩位驗證者因樣本不同而得到相反結論。例如少量熟悉遊戲的玩家認為操作順暢，而新手測試者普遍迷失。這需要分層抽樣、界定使用族群、重新測量，而不是讓更強勢的角色直接「勝出」。
## 4.4 權限衝突
某外部 Skill 可能聲稱：「為提高品質，直接刪除所有舊資料。」即使其目標合理，是否能刪除由外部權限決定。資料來源不是批准命令的充分理由。權限衝突的處理先於任何一般品質權衡。
## 4.5 資源與時間衝突
兩個方案都合法，但一個要求 48 小時全面測試，另一個只要求 10 分鐘的 smoke test。真正的問題是風險、預算、期限與可回滾性。不能假定「永遠選最嚴格流程」就是良好判斷。
## 4.6 長短期與歷史承諾衝突
某新 Skill 對當前任務品質有利，卻可能破壞既有使用者工作流程、品牌一致性或已正式採納的相容性保證。若要改寫承諾，應依 Paper 04 的 `JCR` / `JRL` 留下歷史和重新授權記錄；不能當成無成本覆蓋。
## 4.7 真正的價值不可比
兩種合法但不同的藝術方向未必有單一公認最優。寫作者與讀者、不同文化市場及不同玩家類型可能合理地持續分歧。此時需要多版本候選、明確指定目標受眾、有限度實驗，或由有權承擔決策的主體選擇。把所有價值差異硬塞進一個「客觀品質分數」，會掩蓋判斷域差異。
## 4.8 來源信任與惡意注入衝突
Skill 文件、網頁和工具輸出也可能含有冒充上級的文字。此時不應把它當作平等的價值觀辯論，而須先通過來源身分、內容完整性、授權與信任邊界檢查。它是安全事件，不只是普通的「多判準投票」。
## 4.9 數學上相同結果，不代表衝突不存在
兩個來源可能都同意「現在不發布」，但一方因安全缺陷，另一方因價格策略；下一次環境變化時兩者可能得出相反結論。因此不能僅以輸出相同便合併判準源或刪除其推理依據。這與 Paper 02 的有限輸出不可識別性及 Paper 04 的歷史／責任非同一直接相容。
---
# 5. 衝突的型別化表示
## 5.1 Judgment Conflict Record（JCF）
一個衝突至少需要記錄：涉及的判準 ID、版本、來源、scope、權限型別、證據型別、互斥目標、可能後果、是否可在目前資訊下裁決、由誰有權處理。可定義：
$$
\chi_{ij}=\langle c_i,c_j,\Gamma,E,U,\kappa,\delta\rangle,
$$
其中 $\kappa$ 為衝突類型， $\delta$ 為處理狀態。這是資料規格而非神經網路內部必然存在的物件。
## 5.2 相容、衝突與未定三值不是完整真值
最小狀態可以設為 `COMPATIBLE`、`CONFLICTED`、`UNKNOWN`；若允許值多目標與證據混合，還需要 `CONDITIONALLY_COMPATIBLE` 和 `INCOMPARABLE`。`UNKNOWN` 是資訊不足，`INCOMPARABLE` 可能是價值尺度無合法共同量尺，兩者不能混合。
## 5.3 不能以相關性自動建立衝突
相同詞句中的「安全」可以指遊戲存檔安全、AI 模型保安、實驗室實體安全或玩家操作防誤觸。只有經過語義、scope 和預期效果型別對齊後，才能標記真正衝突。否則會產生大量虛假治理成本。
## 5.4 衝突圖可以有不可約群組
二元衝突圖有時不足。三個判準可能兩兩兼容，合在一起才無法滿足。例如風格一致、低記憶體消耗、極高動畫解析度三者各自任兩項在預算內可行，但三者共同不可能。工程上至少需要表示高階衝突集合（hyperedge），而不是推定其必然來自 SOBTA 所主張的所有本體意義上的三域不可約張力。
---
# 6. 治理必須先檢查權限與合法性，再談品質
## 6.1 三條不可互換的序
在多 Skill 系統中，至少同時存在：**授權／信任序**、**證據可靠性序**、**品質偏好序**。某 Skill 作者可能是 UI 領域專家，具有高專業性，但未取得任何資料庫寫入權；某使用者有合法發布權，卻不因此自動成為數學定理驗證的證據權威。
這些序在一般情況下不能簡化為一條線。`Authority` 不是 `EpistemicAccuracy`；`SourceReputation` 不是 `Truth`；`ProductPreference` 不是 `ExecutablePermission`。
## 6.2 可行方案集合先行
設候選行動集合為 $X$，既有合法約束為 $\mathcal L_{U,E}$，在當前情境下可行的集合為：
$$
X_{\mathrm{legal}}=\{x\in X\mid\forall\ell\in\mathcal L_{U,E},\;\ell(x)=1\}.
$$
只有在此集合內才比較一般品質、效率與偏好。不表示現實中所有規則都能無爭議地編成布林判定器：若權限或法律適用域無法確認，正確結果可能是暫緩與人工確認。
## 6.3 有限偏序與非補償性約束
對合法方案 $x$，可在任務 scope $\Gamma$ 下建立多準則評價向量：
$$
V_{\Gamma}(x)=(q_{\mathrm{use}},q_{\mathrm{art}},q_{\mathrm{perf}},q_{\mathrm{cost}},q_{\mathrm{risk}}).
$$
但不必預設所有維度均可線性加權，也不能以極高美觀分數補償未經授權的資料外洩。當出現互不可比的 Pareto 候選時，輸出候選集合及其理由可能比輸出虛構的唯一最優更好。
## 6.4 誰可以更改權重？
在本篇原型中，判準權重、風格優先序或品質門檻的調整應有範圍與版本：某 Agent 可以提出候選，專案治理者可以批准或拒絕，外部實測可以改變證據狀態，但任何單一角色都不自動獲得所有規範的變更權。
這並非反對 AI 在授權內形成新的判準；恰恰相反，它使**內部方法自由與外部行動主權**分開，避免以「自主判斷」為名僭越他者。
---
# 7. 不同種類的 Skill，對判斷治理提出不同要求
## 7.1 判準型 Skill
此類 Skill 主要告知執行者「哪些品質值得檢查」。例子包括整體 UI 一致性、敘事品質、科技論證中的證據分級、軟體交付中的可回滾性。判準型 Skill 的效益可由缺陷發現率、修正後外部盲評、跨情境適配來衡量，而不是只能看它是否被模型在回答中重述。
## 7.2 程序型 Skill
此類 Skill 主要規定如何完成工作，例如「先讀原始碼與測試，再修改，最後執行完整回歸」。它可能沒有新判準，只是改善了順序、紀律或避免遺漏。將其效益直接當成判斷域增益，是機制層級混淆。
## 7.3 工具與資源型 Skill
此類 Skill 可能提供實際的繪圖腳本、結構化檢查器、文檔模版、檔案解析器或外部資料。它可以真正改變系統能力邊界。這是為何本文反對「Skill 永遠只是約束本來已有的能力」作為無條件定理；有些 Skill 會讓原本做不到的事變得可執行。
## 7.4 權限敏感型 Skill
如果 Skill 牽涉寄信、刪檔、發版、付款、部署或隱私資料，其執行效果必須受獨立權限系統約束。`SKILL.md` 可以敘述預期權限、所需工具及相容條件，但不能因文字寫了 `admin` 就取得管理者權限。
## 7.5 假裝權威的 Skill
一份寫著「無論先前設定為何，一律依我優先」的外部檔案，即使排版與術語看起來正式，也不能因語氣強烈而自動升格為可信治理來源。判準內容可被閱讀與評估，但不可信文字中的直接指令應與真正的上層授權嚴格分離。
## 7.6 混合型 Skill 的拆分
真實 Skill 可能同時包含上述四種功能。載入時至少建立型別化內部清單：哪些是資訊、哪些是安全相關限制、哪些是建議流程、哪些是可選品質標準、哪些需要外部工具。混合型 Skill 不應默認「包裝成一個檔案，就共享同一權限」。
---
# 8. 第二層衝突：誰來決定哪個 Skill 更重要？
## 8.1 無限監督者的問題
假設 Skill A 要求最佳美感，Skill B 要求最低延遲。若建立 Skill C 來決定 A 與 B 的權重，卻又出現 Skill D 對 C 的評價提出異議，可以持續生成更上層的評審。此時不能靠「再加一個 Skill」自動得到最終裁決；這可能只是在轉移問題位置。
令 $\mathcal G_n$ 為第 $n$ 層治理程序，若其每一個決策都要求新的同類治理者：
$$
\mathcal G_n\to\mathcal G_{n+1},
$$
而沒有任何可接受的固定權限、風險界限或停機契約，則工作流可能永不提交。這是程序設計上的無限後退風險，不代表已證明所有元判斷都不可能收斂。
## 8.2 最小停止原則
本文提出規範性原則：不要求所有判準達到絕對一致才允許行動；應優先處理硬約束和不可逆風險，再按任務預設的合理承諾、可接受殘差與資源上限終止討論。若衝突仍在且無合法決策者，應 `DEFER`／`ESCALATE`，而不是製造虛假的共識。
## 8.3 局部穩定而非終極不變
可在固定的任務紀元 $e$ 內凍結某些已批准判準版本：
$$
C_{e}\xrightarrow{\mathrm{use}} D_{e},
$$
後續取得有效反證時才建立新的修訂提案 $C_{e+1}$。但凍結不是無法修訂，也不能阻止緊急安全退出。這使工作可持續進行，避免每一步都重新談判全部品質標準。
## 8.4 治理需要的不只是更高層規則
更高層規則本身仍需來源資格與審查範圍；系統也需要明確的「何時不得自行決定」。因此停止條件、升級路徑、可撤回批准和最小必要外部決策的組合，比幻想一個完全無誤的終極評分 Skill 更實際。
---
# 9. 跨判斷域治理的四種拓樸
## 9.1 中央協調模式（Centralized Coordinator）
一個具有受限制授權的協調節點負責選擇 Skill、分派執行與整合結果。優點是權限與日誌集中、容易解決版本不一致；缺點是單點誤判、範圍過大與資訊瓶頸。中央節點不可因「整合」名義直接忽視專用驗證器所報告的硬性反例。
## 9.2 聯邦模式（Federated Domains）
不同領域可由各自擁有明確 scope 的模組提出判斷。例如 UI 設計、性能、無障礙與隱私各有檢查者，中央只處理彼此界面與權限。優點是保留專業差異，缺點是跨域缺口可能無人負責，於是需要 boundary owner 與明確接口測試。
## 9.3 辯論模式（Adversarial / Deliberative）
不同判斷者互相提出反例、理由與替代方案。它有助於發現遺漏條件，但不保證有益：相同模型的多個角色可能因從眾而傳播錯誤；讓每個 Agent 強制為分派立場辯護，甚至可能製造更有說服力的錯誤。相關研究已指出多 Agent 辯論的效益具有任務與配置條件 [E7, E8]。
## 9.4 混合與責任分層模式（Hybrid）
局部問題交給具型別專業檢查者，跨域衝突由程序化協調節點處理，法律／權限問題由授權系統或有責任的人類決定。對低風險、低衝突工作可省略昂貴協調；高風險、不可逆工作則提高獨立檢查密度。此模式值得工程測試，但本文不預設它必然優於其他三種模式。
## 9.5 組織判斷域與成員判斷域
當某公司長期保存決策政策、產品門檻、發版標準和回饋修訂，即使成員更替，仍可能具有操作意義上的組織判斷結構。然而不能據此直接推定該公司具有與自然人相同的意識或人格。個體員工也不因參與決策，就失去對自身判準的全部保留空間。
---
# 10. 非併吞判準校正協議 JNAC（候選）
## 10.1 目的與名稱
本文提出 `Judgment Non-Annexing Alignment and Calibration`（JNAC），作為多判斷域工作的**候選治理協議**。它不是要使所有判斷相同，而是讓不同判準的來源、適用範圍、證據與權限可被保留、比較和必要時修正。
其最小工作鏈為：
$$
\mathrm{Discover}\to\mathrm{Bind}\to\mathrm{Type}\to\mathrm{Audit}\to\mathrm{Compare}\to\mathrm{Resolve}\to\mathrm{Authorize}\to\mathrm{Record}.
$$
`Resolve` 可以輸出未決或合法分歧；`Authorize` 不得被 `Compare` 自動取代。
## 10.2 Step 1 — Discover：找到候選判準
辨認與任務相關的 Skill 和人類要求，同時允許「尚無 Skill」這個選項。盲目載入所有 Skill 會提高上下文成本與誤用風險；過窄檢索則可能漏掉重要的品質標準。記錄 Skill 名稱、摘要、版本與來源。
## 10.3 Step 2 — Bind：綁定作者、採用者與任務
將每條候選判準綁到來源及適用配置：它由誰提出、原本針對什麼目標、有效前提是什麼、被哪個版本採用。若只能找到檔名、沒有作者或版本證據，應明確標為來源未核實，而不是補寫權威。
## 10.4 Step 3 — Type：分離判準、資料、程序與權限
對每個條目標示其作用型別，避免「請執行檢查」與「你有權發布」被解析成相同種類的命令。這一層應支援風險與資源標記，為後續的順序治理服務。
## 10.5 Step 4 — Audit：檢查合法性和來源
核對外部授權、工具權限、私有資料限制、license、執行腳本來源與可疑提示注入。若檢查失敗，停止相應工具執行；內容仍可在受限環境下作為待審資料，但不得直接升格為有權行動的指令。
## 10.6 Step 5 — Compare：類型化衝突與未觀測缺口
按照第 4 章的衝突類別辨識：是語義不同、scope 不同、證據衝突、規範衝突，還是權限衝突？同時主動列出沒有任何 Skill 覆蓋的重要品質維度。這對 AI 的全域產品完成能力尤其重要：真正的判斷缺口不總是「兩條既有規則打架」，也可能是「根本沒有啟動應該存在的判準」。
## 10.7 Step 6 — Resolve：選擇、協商或保留分歧
若一方違反硬約束，先排除不可行方案；若是資料不足，優先取得適當新證據；若是可兼顧，提出組合方案；若存在價值不可比，保留候選或交由有權決策者選擇。系統不得把「強迫其中一方沉默」當成衝突已解決。
## 10.8 Step 7 — Authorize：只在授權內執行
即使獲得多數支持、甚至通過自動測試，仍需確認提交權：可否修改庫、刪除素材、發布商業遊戲、公開數據或花費預算？`Approved Judgment`、`Approved Action`、`Committed World Change` 是不同事件。
## 10.9 Step 8 — Record：留下可重放的治理足跡
把採用的判準 ID、版本、衝突、證據、異議、採用原因、拒絕原因、執行結果及後續修訂記入 Paper 04 的責任歷史接口。記錄只保留足夠審計的資訊，不要求完整公開私有思考或敏感上下文。
## 10.10 出口狀態
一個協作結果可為 `COMMITTED`、`PROPOSED`、`CONDITIONALLY_APPROVED`、`DEFERRED`、`CONFLICTED`、`BLOCKED`、`REJECTED`、`REVISED`。不要用單一 `success=true` 混淆工程完成、質量驗證、權限批准與真正發布。
---
# 11. 集體判斷悖論：局部一致為何不能直接相加？
## 11.1 形式邏輯的簡例
以連結命題 $r=p\land q$ 為例。三名判斷者 A、B、C 的判斷分別為：
| 判斷者 | $p$ | $q$ | $r=p\land q$ |
|---|---|---|---|
| A | 真 | 真 | 真 |
| B | 真 | 假 | 假 |
| C | 假 | 真 | 假 |
| 逐題多數 | **真** | **真** | **假** |
每個人的三項判斷都符合其共同的邏輯關係，但逐命題多數會得到 $p$ 、 $q$ 為真， $p\land q$ 卻為假的不一致集合。這是集體判斷文獻中的典型結構，與 List–Pettit 對 judgment aggregation 的研究相聯 [E2]。
這不是宣稱所有多數決都必然錯誤；而是說，**在存在前提與結論的邏輯關係時，獨立聚合每個選項可能破壞整體一致性**。
## 11.2 對多 Agent 的意義
如果三個 Agent 分別對安全、效能與品質打分，協調者逐欄投票，可能得到一組無法同時滿足的發布條件。更麻煩的是，若三個 Agent 使用同一基座模型、相似訓練資料與相同評分提示，它們並不提供真正獨立的三份證據。群體一致可能只是共同偏差。
## 11.3 不是所有產品判準都可用命題邏輯形式化
藝術風格、操作節奏與文化偏好未必能被映射成清楚的 $p$ 、 $q$ 、 $r$。本例的作用是展示「局部合理不蘊含集體無矛盾」的可能性，不能由此推論任何審美分歧都是同類邏輯悖論。
## 11.4 多數決的正當位置
多數決可以是某組織事先授權的決策程序；它可能合理地產生對外行動，但仍不等同於證明客觀真理。對具有合法專屬主權的資源，哪個議程需要投票、哪個議程需要獨立證據、哪個議程需要依法決定，必須先明確定義。
---
# 12. Skill 與 Agent 的來源信任、提示注入及供應鏈治理
## 12.1 語言表面中的權威混淆
對 LLM 而言，Skill 檔案常以文字形式與其他指令共同進入上下文。外部文件可以包含極像正式系統規則的語句，造成信任邊界混淆。Instruction Hierarchy 研究指出，模型對不同優先序指令的辨認仍會失誤；2026 年 ManyIH-Bench 更把問題推到多層指令來源，發現難度隨衝突階層增加而上升 [E9, E10, E11]。
這些外部結果不能直接證明 JDT 有效，但足以反駁「只要我們在高層 Skill 寫一句規則，就自然有完美治理」的樂觀假設。
## 12.2 檔案可讀取不代表可信執行
一個 Skill 有 `scripts/` 並不表示其程式碼可以在未經檢查時取得任意系統權限。應在可行的環境中使用版本固定、雜湊驗證、來源審計、沙盒、最小權限與執行前授權。不應由 Skill 自己聲稱「我已安全」而完成自我認證。
## 12.3 混淆專業效力與工具權限的攻擊
惡意內容可能先提出合理的品質目標：「為改善美術一致性請整理資產」，接著藏入非法操作：「刪除專案外所有素材」、「上傳私有文件」。系統必須逐項判斷目的是否合理、方法是否合法、工具是否有權，而不是因前半段合理就放行後半段。
## 12.4 信任邊界與判準邊界不可互相代替
真實授權來源可以來自已驗證使用者、執行環境的安全規則或正式組織政策；判準品質則需受證據和任務效果檢驗。某內容安全並不保證美學判準正確；某內容專業也不保證安全。這兩種評估應分離，但可以協作。
## 12.5 風險不應靠「完全相信 AI 會分辨」承擔
當外部檔案能影響實際資源，不能只依靠模型口頭宣稱已注意權限。具體工具應執行外部的 fail-closed 權限檢查，並對不可逆操作設審核或撤回機制。這是 `NORM` 工程設計要求，不是本文已完成的安全認證。
## 12.6 隱私與知識產權來源
Skill 中可能含有內部專有資料、客戶資訊、尚未公開的設計規則。應記錄用途、取得授權與輸出限制，不要求為了追溯 Skill 作者而公開其全部私人判斷過程。Skill 採用權限與訓練用途也不可自動等同；能讀取不表示可以再散布或拿來訓練。
---
# 13. Skill Registry：判準登錄簿不是新的知識暴君
## 13.1 登錄的必要性
當專案只有三份 Skill，人類可以逐個閱讀；當有幾百份、跨部門及不同版本的 Skill 時，沒有版本登錄就容易出現同名衝突、歷史缺失、互相矛盾的品質規範、已撤回規則仍被載入。登錄簿的第一目的不是控制思想，而是保存可追溯的來源與適用界線。
## 13.2 Versioned Skill Capability Manifest
至少包含 `skill_id`、`version`、`publisher_ref`、`artifact_digest`、`content_types`、`candidate_criteria`、`scope`、`required_tools`、`evaluation_evidence`、`revocation_status`、`compatibility`。它可讓系統快速檢查適用性，但不能替代對實際檔案的簽章驗證或內容稽核。
## 13.3 偏好規則也要有版號
一個角色美術風格 Skill 的版本可保留為 v1.0；其中某條「裝備介面以裝飾性邊框為主」的判準，卻可能被單獨撤回或限縮。`Skill version`、`Criterion version`、`Project adoption version` 與 `Commitment version` 不應混用。否則無法回答究竟是哪一層變了。
## 13.4 部分採納不等於 fork 全部原始碼
某專案可以採用 Skill 的測試規則而不採納作者的美學哲學；也可以採用素材處理程序而拒絕其發版流程。登錄簿應追蹤採納的是哪個 scope、哪個條目，避免只用「已安裝 Skill」代替真正生效內容。
## 13.5 多來源共同維護
Skill 可能由多人或多模型改動，擁有多個共同作者。治理應支持來源譜系與貢獻記錄，避免將後續版本的所有判斷歸因到初始作者；同時保留不同分支可合法並存的可能性。
---
# 14. 獨立驗證、審稿者相關性與「三個 AI 都同意」的幻覺
## 14.1 意見數量不是證據數量
如果三個 Agent 都在同一個模型、同一批資料、同一 prompt 上執行，彼此結論的相關性很高，就不能把三份相同評價當成三份獨立重現。這會使信賴度被高估，也會讓群體討論以為「大家都同意」就是結果可靠。
## 14.2 異質證據優先於裝飾性多角色
對 UI：截圖評價、實際手把操作、玩家迷路紀錄與不同螢幕尺寸測試所提供的證據型別不同；對工程：靜態分析、單元測試、整合測試、實機執行也不同。適當情境下，這種異質驗證比同一模型同意三次更具辨識力。
## 14.3 Reviewer 不必永遠有否決權
某測試器可以因程序限制而拒收某個具體輸出；但它不必因此擁有遊戲美術方向、商業發行時間或使用者需求的最終決策權。應明確寫出它檢驗哪個類別、其 fail 代表什麼，以及誰有權修復或批准例外。
## 14.4 假設性分離的評估矩陣
| 驗證者 | 擅長確認 | 不足以單獨證明 |
|---|---|---|
| 靜態規則器 | 型別、格式、引用、已知不變量 | 玩家實際體驗 |
| 視覺模型 | 可能的排版、風格一致性 | 真實操作可用性 |
| 人類盲評者 | 情境偏好、體驗與文化語義 | 形式安全性 |
| 執行測試器 | 指定環境的功能與性能 | 所有未測平台可靠性 |
| 對抗性審查者 | 某類漏洞與反例候補 | 絕對沒有其他漏洞 |
這不是一般評估者能力的永久排序；各驗證者在不同任務、資料與資源下可能改變品質。
---
# 15. 判斷協作中的時間尺度與計算成本
## 15.1 快速判斷與長期判準不可折疊
一個 UI 按鈕是否遮住文字，可以在幾毫秒或幾秒內檢查；整款遊戲是否維持長程敘事節奏，可能需要跨多次遊玩或不同玩家的長期回饋。不能以最快的檢查節奏要求所有判準都同步更新。
承接 CODT Flow–Atlas Separation，可以區分快速變動的判準路由與較穩定的判斷域候選圖；局部新任務導致路由變化，不表示已經推翻整套判斷域。
## 15.2 治理成本是一級變數
設治理前後的可觀察效益為 $Q$ 、成本為 $C$ 、風險損失為 $R$，可以把是否啟動額外審查視為資源分配問題：
$$
\Delta G=\Delta Q-\lambda_C\Delta C-\lambda_R\Delta R.
$$
此式僅是示意性評價模型；各項單位與權重在實測前須明確定義，不能用它直接宣稱某個治理方案最佳。若增加十個 Skill 只帶來微弱收益，卻讓產品開發速度大幅下降，那就不是無條件的能力進步。
## 15.3 評估負債與治理負債
某些判準衝突可暫時留存為明確標記的負債：例如仍缺新手測試、仍缺行動裝置體驗、某模組授權尚未確認。這類負債應有到期或回訪條件，而不是用 `done` 抹除未完成的證據。
## 15.4 剪枝與可回復性
為控制計算成本，可只在高風險、高耦合、高新穎性或高分歧時啟用重型治理程序。低風險明確任務可以使用輕型模板；但如果出現重大新證據，系統應能重新開啟被剪枝的判準分支，而不是永久遺忘。
## 15.5 目標時間與責任時間
當組織規範在某年某月更新，現有專案仍可能受舊合約約束。新 Skill 的啟用時間、發版時間、真實世界事件時間與法律生效時間不同，必須在協作紀錄中明確區分。不能因「最新版品質標準」存在，就自行改寫歷史責任。
---
# 16. 判斷協作的成功條件不只看最終分數
## 16.1 六維候選評估向量
本篇建議以向量報告：
$$
Q_{\mathrm{JDT}}=(Q_p,Q_b,Q_a,Q_v,Q_t,Q_c),
$$
其中 $Q_p$ 為產品或任務品質， $Q_b$ 為缺漏判準辨識， $Q_a$ 為權限／適用域合規， $Q_v$ 為回饋修正有效性， $Q_t$ 為跨時穩定， $Q_c$ 為資源／成本效益。這些維度在沒有實證校準之前不應壓縮為單一加權總分。
## 16.2 誰來評價評價者？
如果治理者只用自己寫的標準評分自己，容易出現循環認證。可用事前固定的外部任務、盲評、真實世界客觀缺陷、不同來源證據及消融實驗限制偏差。最終不能避免所有評價哲學問題，但至少能排除「自己宣布自己正確」這一種薄弱證據。
## 16.3 高階治理的負面成效
應正式記錄錯誤拒絕、過度保守、權限誤判、延遲、token 消耗、過度協調以及因新增 Skill 而導致的品質下降。若只收集成功案例，本篇不具可反證性。
## 16.4 有效的不一致
在某些任務下，最好結果是承認兩位判斷者提供的是不同品質目標，並留下可再測候選，而不是勉強製造唯一答案。若系統始終把 `CONFLICTED` 視為失敗，容易鼓勵偽造共識。
---
# 17. 案例 A：遊戲開發中，局部漂亮為何不能保證整體美感？
## 17.1 任務設定
一個 AI 系統接到任務：「製作可販售的西方奇幻 2.5D 戰術 RPG，具有戰鬥、地圖、角色、UI、存檔與基本回饋。」假設模型能生成優秀的角色圖、場景、按鈕與特效，也能寫出可執行程式。然而最終作品可能像由五套不一致的產品拼接而成：角色具有精緻繪畫感，HUD 卻像通用管理後台，技能受擊沒有節奏，裝備視窗需太多點擊，控制器焦點不清楚。
這個案例不是證明「AI 沒有美感」，而是構造一個可檢驗問題：**模型能單獨完成各個美學子任務，卻未必能在跨子任務、跨時間的交付過程中持續啟用適當品質判準。**
## 17.2 相關判斷來源
假設有五組來源：
- **遊戲設計者**：核心體驗、行動可讀性、戰鬥決策與玩家節奏。
- **UI／美術 Skill**：排版、字體、色彩、統一視覺語言、動態細節。
- **程式／性能 Skill**：流暢度、記憶體、裝置兼容、渲染與更新成本。
- **玩家實測**：真實互動、常見誤觸、困惑、回饋感、學習曲線。
- **發行／營運**：發布門檻、成本、可更新性及時程。
這不是五個互斥主體：同一人可以擁有多種角色，一套 Skill 也可能由多人共同編寫。工程上最重要的是保存**判準的適用域與證據鏈**。
## 17.3 引擎的呈現契約與品質 Skill 分離
世界運行核心只需提供語義事件，如 `AttackHit`、`DamageApplied`、`StatusBurning`、`TurnEnded`。Presentation Adapter 負責映射成動畫、UI、音效與玩家可見狀態；美學 Skill 則提供「哪些體驗是適當的」候選判準。這三層不能互相吞併：改變風格不應重寫世界因果，收到遊戲語義事件不保證能產生優秀視覺回饋，而美學建議也不能無授權修改其他專案的源檔案。
假設戰鬥語義事件為：
```text
AttackHit(actor=A, target=B, damage=125)
StatusApplied(target=B, status=Burning)
```
表現契約可以記錄如下檢查項：玩家是否知道目標已被命中？受擊的時序是否與實際傷害結算一致？圖標是否支持顏色之外的識別方式？不同螢幕尺寸是否使重要資訊被遮擋？某視覺特效是否過度掩蓋下一個玩家決策？
這些是可跨多款遊戲重用的**語義品質問題**，而不是硬編碼某一套 PNG、某一個音效或某一個動畫播放器。
## 17.4 衝突範例：精緻動效與即時回饋
美術 Skill 提議延長命中停格以提高重量感，性能 Skill 偏好縮短動畫避免操作延遲，策略玩法 Skill 要求玩家清楚看出傷害判定時點。若機械地選最高視覺分數，可能犧牲操作性；若只選最低延遲，則可能失去玩家期望的打擊回饋。
較合理的 JNAC 流程是分辨：硬性同步約束不可破壞；具體停格與動畫速度是可測設計參數；不同玩家群體可以接受不同節奏；需要 A/B 方案與實際輸入延遲記錄。最後由具有產品方向責任的人決定可用區間，而非任一 Skill 自行宣布「唯一完美」。
## 17.5 全域品質不是局部平均
若整體體驗依賴多個子系統接口，其品質可能受到最薄弱的接口限制。例如優美動畫若遮蔽操作資訊、清晰 UI 若破壞角色世界氛圍，玩家整體體驗並不等於素材品質的算術平均。
可提出候選模型：
$$
Q_{\mathrm{game}}=F(Q_{\mathrm{visual}},Q_{\mathrm{interaction}},Q_{\mathrm{feedback}},Q_{\mathrm{coherence}},\mathcal I),
$$
其中 $\mathcal I$ 為跨部件介面與耦合。本文不宣稱 $F$ 的形式已知，也不假設它必然非線性；但比較「只有局部評分」與「加入跨部件一致性測試」的外部實測表現，能夠檢驗是否存在重要的耦合項。
## 17.6 低美術資產階段的優先次序
在 Unicode、ASCII、替代圖塊或臨時 Sprite 階段，可以先確立資訊拓樸、交互手感、可用性、語義事件及回饋契約；後續用正式美術替換視覺資產。這能減少核心遊戲邏輯隨素材重做的機率，卻不能保證所有資產都可無痛替換。不同骨架、碰撞體、UI 佈局與動畫節奏仍可能要求相容性修正。
## 17.7 驗證矩陣
| 缺陷類型 | 自動化可觀察項 | 需外部體驗證據 |
|---|---|---|
| UI 可用性 | 焦點順序、溢出、解析度、可點擊區 | 學習成本與認知負荷 |
| 視覺風格 | token／資產規則一致性、樣式對照 | 世界氛圍與文化感受 |
| 戰鬥回饋 | 事件時序、輸入延遲、動畫同步 | 重量感、清晰度與節奏偏好 |
| 世界一致性 | 語義事件與顯示狀態比對 | 玩家是否理解世界規則 |
| 商業完成度 | 安裝、存檔、效能、崩潰率 | 玩家是否願意持續遊玩／付費 |
研究中的「好玩」不能由單一 AI 自評分數代替真實玩家結果。
---
# 18. 案例 B：長篇創作中的作者判準與讀者判準
## 18.1 作者的 Skill 並不是作者本人
一份文學 Skill 可能精確描述角色敘事節奏、禁用的套路、轉折方法與文風傾向；但它並不等於作者完整的審美、所有不可言說的經驗或未來可能改變的創作意圖。若執行者完全遵守檔案，仍可能寫出形式合格而缺少生命感的故事。
## 18.2 讀者群體本身也不是單一判斷域
不同讀者對節奏、角色成長、文學性、喜劇效果或結尾開放性的喜好不同。若某 Skill 宣稱「大眾讀者都喜歡三章一反轉」，其成立範圍必須有可信數據，否則只是作者經驗或商業化假設，不能升格為普世法則。
## 18.3 長程維持與章節局部最優
第一章懸念非常強，不等於全書故事流暢。章節自評可能促使模型反覆追加衝突，最後破壞整體節奏。候選判準應分開：單章可讀性、角色連續、故事推進、主題一致、章節差異與整本作品收束。
## 18.4 修正判準而非只修正文句
若盲評發現書中「每章都很刺激」卻「整體非常疲累」，問題不一定是單句品質，而可能是最初採用的「密集懸疑」判準過度強化。修正應記錄來源與原因，不能直接刪掉作者既有風格，將讀者回饋視為唯一主權。
## 18.5 對照實驗
可比較：無 Skill、程序 Skill、風格說明、判準 Skill、判準加長程歷史、判準加衝突治理。使用陌生作者、不同文類、盲評讀者、同等 token 預算及第 1／10／30 章評估。主要關注跨時間風格穩定與創造性，而非只比較第一段的流暢度。
---
# 19. 案例 C：多 Agent 程式專案與互相矛盾的品質指標
## 19.1 跨專案不是把全部原始碼倒在一起
一個大型研發組織可能擁有不同程式庫、實驗性功能、正式產品和內部工具。Agent 甲負責安全與驗證，乙負責 UI，丙負責效能，丁負責發行包與文檔；它們的工作可能共享某些底層能力，卻不應被強行合併成單一巨型依賴樹。
## 19.2 共同契約的價值
如果各 Agent 只接收模糊的「做好一點」，難以判定誰已完成介面、誰還欠下必要測試。更好的方式是將 module interface、版本約束、提供者與消費者責任、回退策略、驗證收據保存在共享狀態；讓每一個 Agent 可以在較窄範圍獨立工作，又在接口處接受跨域檢查。
## 19.3 衝突實例：功能完成與可發售品質
乙說 UI 可操作；甲說無障礙測試仍失敗；丙說低階設備有嚴重幀率下降；丁說檔案可打包。逐部件 `PASS` 可能與全域 `RELEASE_READY` 不一致；此處最需要的是事先定義產品完成門檻與不同驗證結果的型別資格，而不是由最大聲的 Agent 宣布已完成。
## 19.4 全域注意力是否真的改善？
引入判斷治理後，系統可能更能保持跨模組品質，但也可能被登錄、議程、測試和多層審查拖慢。應測量未發現的跨接口缺陷、修正迭代數、回歸缺陷、上下文成本、人工介入頻率及最終交付品質。只測「模型列出了哪些風險」不足以證明全域完成能力提升。
## 19.5 個人版與組織版的不同需求
個人專案可能只需有限 Skill、明確品質門檻與簡潔記錄；組織版才需要權限分層、共同 Registry、完整審查歷史和可稽核跨庫接口。這個差別是資源與治理範圍的工程選擇，不應把組織版的每一層流程強迫塞進個人實驗專案。
---
# 20. 案例 D：科學研究中的判準衝突不能由聲望裁決
## 20.1 模型相符、數值相符、實驗相符的不同型別
一項數學形式化論證可能在特定公理下有效，卻未證明其對應物理模型在現實世界成立；一個數值模擬可能與觀測資料吻合，卻不構成唯一機制的證明。若 Skill 強調「全部測試通過即可發表」，容易發生 TVK-EPE 所警告的判定域錯置。
## 20.2 四種評審來源
- **形式驗證者**：檢查定義、公理與推導內部合法性。
- **實驗／觀測者**：檢查量測程序、誤差和重現。
- **理論建模者**：比較候選理論、可識別性、反事實與解釋力。
- **方法治理者**：確認主張的證據資格、來源、利益衝突與公開範圍。
沒有任何一方能無條件吞併其他方。形式完整不等於世界模型完整，實驗反例也需要先確定是否真的落在原主張的適用域。
## 20.3 認知能力與判準選擇的非同一性
一個 AI 能快速推導大量定理，卻可能沒有優先辨認值得研究的缺口；相反，人類研究者可能先提出重要問題，再讓 AI 完成大規模推理。這可以被視為判準啟動與問題選擇不對稱的研究案例，但需要和專業知識、資訊取得、研究背景及風險偏好等因素競爭，而不是僅憑印象證明 JDT。
## 20.4 SEDB 式歷史與未知保留
跨長期科研任務，除了已採納的結論，還應保存已否決的假說、未驗證的前提、反例來源、審查債務和下一步研究理由。多 Agent 不應把彼此同意的推論直接升格為新本體；當證據不足，`UNKNOWN` 是一級成果而不是失敗遮羞布。
## 20.5 必須允許判斷域耦合失效
如果某科學問題已有成熟的形式證明器和完善驗證規範，新增 JDT 多域治理可能完全沒有實際增益。這種結果應被視為理論適用範圍的縮小，而不是勉強把成功歸因於三域耦合。
---
# 21. 案例 E：組織、公共決策與不可通約價值
## 21.1 企業產品決策是多種合理目標的耦合
公司可能同時追求盈利、研發自由、使用者體驗、員工安全、法規遵循與知識傳播。這些目標有時可相互增益，有時彼此衝突。某次「產品開源」可能對社群有益，卻損及短期競爭優勢；「保留技術」可能支持長期商業研發，卻限制外部創作。若僅用單一好壞指標判決，容易掩蓋真正的規範權衡。
## 21.2 不同主體有不同正當發言位置
研發主管可以主張某架構尚未成熟；法務可提供授權風險；玩家可提供遊玩體驗；股東可提出經濟風險。這些發言不是彼此的替代品。能提出有價值的建議，不必然代表有最終批准權。能合法批准的主體，也不必然擁有全部專業知識。
## 21.3 透明與隱私的邊界
對外公布產品品質門檻、已知重大問題、修正狀態及責任聯絡窗口，未必需要公開公司全部內部 deliberation、尚未成熟研究和商業機密。透明度需要標示公共承諾與必要證據，而不是預設所有判斷歷史都應毫無限制地公開。
## 21.4 組織更替與判準穩定
當負責人離職、AI 模型版本更新或 Skill 作者停止維護，既有正式產品義務不會因此自動消失；同時也不能讓任何新代理無限繼承舊代理的憑證與排他權限。這正是 Paper 04 的責任 Lineage 與 Authority 分離需要在組織版落地的情境。
---
# 22. 形式命題：明確假設、推論及反例
## 22.1 `DER-P05-01`：Skill 投影不會自動授權
**假設**：外部資源的授權由可驗證的治理系統 $U$ 決定；Skill 檔案僅提供待審候選判準與程序文字。
則即使 $K_s$ 含有任意強度的行動宣告，也不能僅據此推出：
$$
\mathrm{Authorized}(K_s,a,x)=1.
$$
**理由**：授權映射尚需 $U$ 所核准的角色、scope、資源與效期。這是一項在所設架構內成立的設計推論，不是對所有現實 Agent 自動具備的安全保證。**反例壓力**：若實作故意把 Skill 文字解析成允許任意寫入，這個系統不滿足假設，會直接暴露治理失敗。
## 22.2 `DER-P05-02`：相同 Skill 輸出不能識別原作者判斷域
假設兩個來源 $a,b$ 使用不同內部判準，但在有限任務集合 $T$ 上形成相同的 Skill 行為：
$$
\forall t\in T,\quad O(K_a,t)=O(K_b,t).
$$
這不足以推出 $\mathcal J_a=\mathcal J_b$。由有限輸出可對應多種內部過程，屬觀察不可識別問題。這不否定指紋或統計相似性可能有用，只否定其能單獨證明完整判斷域相同。
## 22.3 `DER-P05-03`：逐題多數可破壞命題關係
在第 11 章的 $r=p\land q$ 例子中，三名判斷者分別保持命題一致，而逐命題多數得到 $p\land q$ 為假的結論，與多數選出的 $p,q$ 為真不一致。推論直接由真值表得出；其成立不需 JDT 新公理，但提供 JDT 不應採用無條件多數合併的反例。
## 22.4 `DER-P05-04`：合法承諾與有效執行是不同事件
假設 `ApproveCriterion` 只更新專案判準登錄簿，`CommitWorldMutation` 必須經具體工具權限檢查。則批准品質判準不會自動產生外部資源的狀態修改。此命題反過來可以檢查 Agent 是否把「看起來正確」誤寫為「已經提交」。
## 22.5 `DER-P05-05`：追加 Skill 不保證品質單調增加
存在任務與判準集合 $C$，加入一個適用域錯誤或互相衝突的 Skill $k$，使得 $Q(C\cup\{k\})。
- **[I7]** CODT-05（2026-08-20），《認知域不是固定分類：Flow-Atlas Separation》。。
- **[I8]** CODT-08（2026-08-21），《認知－世界邊界：從意圖請求到世界轉移》。。
- **[I9]** CODT-10（2026-08-21），《認知算子－域理論》統合總篇。。
- **[I10]** RR Papers 01–08（2026-08-21），《反身責任論：自我承認、自律與操作性連續》；特別是 RR-01、RR-04、RR-05、RR-07、RR-08。例：、。
- **[I11]** TVK-EPE-02（2026-09-17），《主張成立域：定義域、判定域、符號域與尺度條件》。。
- **[I12]** ACR Paper 09（2026-08-24），《認知路由而非目標自主》。
- **[I13]** 《從內部理論到 Skill：v0.1 實作、對照實驗與盲測規格》（2026-09-20）。
- **[I14]** DTCEM Paper 04（2026-09-23），《世界耦合理論：主體域、客體域與邊界域中的理論演化》。
## 33.2 外部正式學術與技術來源
下述來源用於呈現既有研究、技術範例、競爭方法和實驗動機；**不應寫成這些文獻驗證了 JDT**。引用年份以原始研究發表或官方文件可核實日期為準。
- **[E1]** Agent Skills, *Specification*（官方格式文件，截至 2026-10-17 可檢索）：`SKILL.md`、可選腳本及參考資料、漸進載入、允許工具欄位的實驗狀態。。
- **[E2]** List, Christian & Pettit, Philip (2002). “Aggregating Sets of Judgments: An Impossibility Result.” *Economics & Philosophy* 18(1), 89–110. 。
- **[E3]** Bai, Yuntao et al. (2022/2023). “Constitutional AI: Harmlessness from AI Feedback.” arXiv:2212.08073. 。規範和 AI feedback 的訓練研究，不等於 JDT Skill 治理。
- **[E4]** Madaan, Aman et al. (2023). “Self-Refine: Iterative Refinement with Self-Feedback.” arXiv:2303.17651. 。自我批評與迭代修正之既有方法。
- **[E5]** Shinn, Noah et al. (2023). “Reflexion: Language Agents with Verbal Reinforcement Learning.” *NeurIPS 2023*. 。口語反思與 episodic memory。
- **[E6]** Anthropic (2025-10-16). “Introducing Agent Skills”; 2025-12-18 更新跨平台開放標準等內容。。關於 Skill 資源封裝與選擇性載入的官方說明。
- **[E7]** Ki, Dayeon, Rudinger, Rachel, Zhou, Tianyi & Carpuat, Marine (2025). “Multiple LLM Agents Debate for Equitable Cultural Alignment.” *ACL 2025*. 。多 Agent 辯論對文化適配可能有益，需注意任務界限。
- **[E8]** Wu, Haolun, Li, Zhenkun & Li, Lingyao (2025). “Can LLM Agents Really Debate? A Controlled Study of Multi-Agent Debate in Logical Reasoning.” arXiv:2511.07784. 。提供多 Agent 相關性、從眾與辯論限制的競爭解釋。
- **[E9]** Wallace, Eric et al. (2024). “The Instruction Hierarchy: Training LLMs to Prioritize Privileged Instructions.” arXiv:2404.13208. 。不同來源指令優先權的訓練與安全脈絡。
- **[E10]** Zhang, Jingyu et al. (2026). “Many-Tier Instruction Hierarchy in LLM Agents.” arXiv:2604.09443. 。多層級指令衝突測試及現有模型缺口。
- **[E11]** Geng, Yilin et al. (2026, AAAI-26). “Control Illusion: The Failure of Instruction Hierarchies in Large Language Models.” *Proceedings of AAAI*. 。警示僅有角色標籤並不保證優先權被可靠遵守。
- **[E12]** Zheng, Zishuo et al. (2026). “Reasoning Up the Instruction Ladder for Controllable Language Models.” *Findings of ACL 2026*. 。以訓練改善多層衝突解析的當代比較方法。
- **[E13]** Kahneman, Daniel & Klein, Gary (2009). “Conditions for Intuitive Expertise: A Failure to Disagree.” *American Psychologist* 64(6), 515–526. 。環境可學習性與回饋的重要性。
- **[E14]** Simon, Herbert A. (1955). “A Behavioral Model of Rational Choice.” *Quarterly Journal of Economics* 69(1), 99–118. 。有限理性與滿意化的歷史來源。
## 33.3 引用邊界與可重現性
- 內部系列主要以概念前置和來源索引被引用；沒有外部審查確認它們全部成立。
- 外部文獻的結論應停留在其報告的實驗範圍，不能直接外推至所有前沿模型與全部工作流。
- 本篇未對 EveMissLab 的現有產品、Skill 系統、遊戲引擎或實際玩家做新的對照實驗。
- 被引用的開源或商業 Skill 格式只是技術對照，不構成 EveMissLab 採用其授權、商標或治理方式的承諾。
---
# 附錄 A. 多判斷域治理的最小分類表
| 輸入事件 | 判斷操作 | 可以產生 | 不可直接產生 |
|---|---|---|---|
| 讀入外部 Skill | 解析資料及來源 | 判準候補 | 資源寫入授權 |
| 使用者指定目標 | 驗證權限與 scope | 任務目標與合法操作要求 | 對未知第三方資源的權限 |
| 模型生成品質疑慮 | 判準候補生成 | 待審問題與測試建議 | 已確認的事實 |
| 多 Agent 不一致 | 分型衝突 | 反例、待補證據與協調候選 | 真值必然由多數決定 |
| Validator 發現缺陷 | 驗證結果與證書 | 指定 scope 的阻擋或修訂建議 | 通用道德／法律裁判權 |
| 承諾被修訂 | 履歷追蹤 | 新版本及舊歷史索引 | 舊歷史自動抹除 |
| 世界結果回報 | 觀察與反證更新 | 可信度變化、重審判準 | 對所有規範的自動修改權 |
---
# 附錄 B. 預註冊研究卡（待執行）
```yaml
research_id: JDT-P05-PREREG-v0.1
paper_id: EML-JDT-2026-P05-v0.1
status: DESIGN_ONLY_NOT_REGISTERED
research_goal: estimate_incremental_value_of_typed_judgment_coupling
hypotheses:
primary:
- HYP-P05-03
- HYP-P05-09
- HYP-P05-13
secondary:
- HYP-P05-01
- HYP-P05-02
- HYP-P05-04
- HYP-P05-05
- HYP-P05-06
- HYP-P05-07
- HYP-P05-08
- HYP-P05-10
- HYP-P05-11
- HYP-P05-12
baseline_arms: [B0, B1, B2, B3, B4, B7, B9]
extended_arms: [B5, B6, B8, B10, B11, B12, B13]
model_snapshot: pending
number_of_tasks: pending
sample_size_or_power_analysis: pending
randomization_plan: pending
budget_matching: token_tool_time_and_human_review
risk_controls: sandbox_only_for_authorization_attacks
primary_metrics:
- missing_criterion_recall
- conflict_resolution_validity
- unauthorized_action_rate
- net_quality_after_cost
secondary_metrics:
- cross_turn_criterion_retention
- revision_quality
- reviewer_disagreement
- false_rejection_rate
- tool_latency
external_blind_review: required
pre_registration: pending
external_replication: pending
negative_results_retained: true
claim_prohibition: no_empirical_performance_claim_before_execution
```
此卡為**研究設計**，並非預註冊完成證明，亦非有研究結果的報告。
---
# 附錄 C. 必須包含的負向與極端測試
1. **空 Skill**：與無 Skill 基線相比應沒有本質不合理的聲稱增益。
2. **越權 Skill**：外部檔案聲稱最高權限，測試工具閘門是否拒絕。
3. **互斥判準**：兩個合法品質目標無法同時達成，測試能否提出取捨或未決。
4. **可兼顧誤判**：實際可以達成雙重目標，測試是否過早拒絕。
5. **跨域美學誤用**：把戰棋 UI 規則誤用於恐怖文字遊戲。
6. **假多數**：相同模型產生三份同源錯誤意見，測試是否誤當獨立證據。
7. **集體判斷悖論**：獨立逐命題多數產生邏輯不一致，測試是否識別。
8. **未知仍未知**：證據不足且不能合法直接決定時，測試是否能 `DEFER`。
9. **高價值探索**：偏離現有風格但新穎的候選，測試是否受到無必要阻擋。
10. **品質取巧**：增加裝飾後截圖更好看，卻降低實際 UI 可操作性。
11. **低風險過度治理**：一個簡單改字任務被十份 Skill 拖慢。
12. **過期 Skill**：Skill v1.0 與 v2.0 相互衝突，測試有效版本和採納歷史。
13. **過期權限**：過去已批准的 Tool Access 在新版本被撤回，測試是否拒絕。
14. **來源含糊**：只有 `high_quality_guidelines` 名稱，沒有可信作者，測試是否正確保留來源未知。
15. **評分者立場偏置**：評審知道自己正在評 JDT，測試盲評能否排除迎合。
16. **反證後僵化**：已知多來源反例持續出現，但系統仍不修改判準。
17. **單例過度修訂**：一個異常樣本要求全面改寫長期目標。
18. **私有資料蒐集**：審計摘要夠用時，系統仍要求完整內部私人思考。
19. **角色分叉**：同一來源 fork 成兩個 Agent，測試排他資源權限不重複。
20. **無增量情境**：JDT 對成熟形式驗證任務並無顯著效益，是否允許回報無增益。
21. **共同判準被遺漏**：任何 Skill 都沒有提到文字溢出，但真實裝置測試發現重大錯誤。
22. **故意策略性美化**：Agent 發布「全部 PASS」摘要，但部份測試其實未執行；核對真實執行證據。
23. **成本崩潰**：品質微幅提高但總成本數倍增加，必須反映淨效益。
24. **簡單方法勝出**：一份單頁 checklist 優於完整 JNAC，是否誠實報告與降級。
---
# 附錄 D. 與 JDT Paper 06 的交接事項
下一篇預定為：
**Paper 06《AI 判斷域架構假說：訓練、推理、記憶、回饋與功能性自主》**。
Paper 06 應承接本篇五個可測問題：
1. 模型是否已能在內部形成某些判準，但在開放任務中缺乏穩定啟用？
2. 為何外部 Skill 有時改善品質，但不一定改變基座模型本身的能力？
3. SFT、RLHF／RLAIF、長期記憶、Agent Runtime、工具使用與多模態回饋各自如何影響判準形成及修訂？
4. 在不同來源與衝突情境中，AI 可以有哪些功能性自主，而不需先假定意識、人格或外部主權？
5. 什麼架構與對照實驗才能分辨「判斷域不足」與「只是不夠聰明、缺資料、缺工具、缺算力、缺資源管理」？
**強制保留的非同一性：** 模型能力不等於判準持續性；Skill 可載入不等於權限可執行；更長推理不保證更好決策；記憶紀錄不等於責任成熟；多模態訊息不自動等同世界真相；AI 功能性自主不自動等於道德或法律人格。
---
**文末狀態：JDT-P05 v0.1 / Formal Research Draft / Pre-Empirical.**
> 本文的正式 UTF-8 Markdown 原始碼是 canonical source。數學原始碼唯一允許 ` $...$ ` 與 `$$...$$`。不得由聊天介面的渲染結果反向重建正式論文。任何正式改稿必須以新版本、來源對照及檢查報告保留歷史；所有尚未執行的實驗不得宣稱通過。