AI—勞動轉移觀測站之站群歸屬與自動化發布架構

文件類型： 產品架構決策文件／網站資訊架構規格
版本： v0.1
日期： 2026-07-15
提出者： Neo.K
協作整理： Aletheia（GPT）

摘要

「AI—勞動轉移觀測站」的核心任務，是持續追蹤人工智慧能力、企業採用、職業任務重構、招聘需求、薪資變化與技能遷移路徑。此系統雖然與 AI 權利、演算法治理與勞動正義密切相關，但其第一本體仍然屬於勞動經濟、產業變遷與公共資料觀測，而非純粹的 AI 權利研究。

因此，本文件建議：

將 AI—勞動轉移觀測站的主體放置於經濟觀測網站之下，AGIRight 則作為權利、治理與政策分析入口。

兩者不需要維護兩套資料，而應共享同一個底層證據資料庫、職業任務圖譜、時間序列資料與 API。經濟觀測網站回答「發生了什麼」，AGIRight 回答「這些變化涉及哪些權利、責任與治理問題」。

在技術上，系統不應讓 Agent 直接修改正式 HTML，而應採用：

Agent 更新資料，驗證器檢查資料，渲染器生成 HTML。

整個系統應以版本化 JSON、CSV、Markdown 與資料庫作為單一事實來源，再自動生成：

人類閱讀網頁；
互動式圖表；
靜態 HTML；
Agent API；
JSON／CSV 資料集；
RSS／Atom；
每日與每週報告；
AI 可讀摘要；
站點地圖與語義索引。

這種架構可以降低維護成本，也能讓人類、搜尋引擎、AI 爬蟲與自主 Agent 同時使用同一套可信資料。

一、問題定義

AI—勞動轉移觀測站已經具備相對獨立的產品概念，但目前不一定需要另外購買專門網域。

現有的候選承載位置包括：

AGIRight
正在建設中的經濟觀測網站
購買新的獨立網域

這三個選項不能只依名稱或品牌偏好判斷，而應根據系統的實際本體、使用者、資料類型、未來擴張方式與維護成本決定。

二、系統的第一本體

AI—勞動轉移觀測站主要觀測：

AI 模型能力；
Agent 工作能力；
職業任務；
招聘需求；
薪資；
工時；
入門職缺；
企業採用；
產業重組；
技能轉移；
勞動市場相變。

可將其核心表示為：

\mathcal{O}_{AI-Labor} = \{ C,U,A,D,W,F,T,R \}

其中：

$C$ ：AI 能力；
$U$ ：實際使用；
$A$ ：組織採用；
$D$ ：勞動需求；
$W$ ：薪資與報酬；
$F$ ：制度與採用阻力；
$T$ ：職業任務結構；
$R$ ：職業轉移路徑。

這些內容本質上屬於：

勞動經濟觀測、產業結構分析與技術變遷研究。

因此，最自然的主站歸屬不是純粹的 AI 權利網站，而是經濟觀測網站。

三、AGIRight 與經濟觀測網站的功能分工

3.1 經濟觀測網站

經濟觀測網站應承擔：

勞動市場資料；
職業列表；
產業頁面；
地區頁面；
任務熱圖；
AI 能力曲線；
招聘與薪資趨勢；
相變預警；
技能轉移圖；
歷史資料；
開放 API；
每週勞動轉移報告。

其核心問題是：

AI 對工作、產業與收入結構造成了什麼可觀測變化？

3.2 AGIRight

AGIRight 應承擔：

AI 與勞動權利；
演算法管理；
自動化告知義務；
AI 裁員歸因；
勞工再培訓責任；
AI 使用透明度；
人類監督權；
申訴與審查機制；
AI 系統與人類勞動者的責任邊界；
企業自動化治理原則。

其核心問題是：

當 AI 改變工作時，企業、政府、平台與勞動者之間應如何分配權利與責任？

四、一個核心，兩個視角

整體架構建議如下：

                  統一證據與資料層
                           │
              ┌────────────┴────────────┐
              │                         │
       經濟與勞動觀測視角         AI 權利與治理視角
              │                         │
       經濟觀測網站／ALTO             AGIRight

兩個站點不應各自建立資料庫，而應共享：

職業資料；
任務資料；
AI 能力資料；
招聘與薪資資料；
企業案例；
法律與政策資料；
證據分級；
歷史版本；
API；
報告生成流程。

因此：

\text{資料核心} \neq \text{展示介面}

同一筆資料可以被不同介面重新解釋。

例如：

某產業的入門職缺在一年內下降 18%。

在經濟觀測網站中，該資料被解釋為：

招聘需求下降；
入門任務被自動化；
景氣與 AI 因素的可能混合；
技能要求上升；
勞動市場結構改變。

在 AGIRight 中，該資料則被解釋為：

企業是否應揭露自動化影響；
勞工是否應獲得再培訓；
AI 採用是否需要告知；
是否存在演算法管理；
是否應建立職涯轉型義務；
是否需要政策介入。

五、網域與站點位置決策

5.1 不建議立即購買獨立網域

第一階段不必為 AI—勞動轉移觀測站購買新網域。

原因包括：

產品仍在建立資料骨架；
品牌名稱尚可調整；
獨立網域會增加維護、分析、SEO 與安全成本；
多站點容易造成內容分裂；
目前最重要的是資料與更新流程，而非域名；
未來若產品成熟，仍可再遷移至獨立網域。

5.2 建議使用子網域或專門路徑

若經濟觀測網站已有正式網域，可選擇兩種方式。

路徑模式

https://economy.example.com/ai-labor/

優點：

部署簡單；
共用主站權重；
共用分析工具；
維護成本低。

缺點：

產品獨立感較弱；
未來拆分時需要重新設計路由。

子網域模式

https://labor.economy.example.com/

優點：

具有獨立產品感；
可以使用獨立前端與部署流程；
仍保留經濟觀測品牌關聯；
未來更容易轉移成獨立網站。

缺點：

SEO 與分析可能需要分開管理；
DNS、憑證與部署略為複雜。

5.3 建議選擇

若 AI—勞動轉移觀測站將逐步發展為獨立應用，推薦使用：

labor.<經濟觀測網站網域>

AGIRight 則保留：

https://agiright.org/labor/

此頁面可以作為：

AI 與勞動權利專題首頁；
治理分析入口；
最新政策摘要；
勞工權利指引；
重要案例；
通往完整觀測站的入口。

六、站群資訊架構

6.1 經濟觀測網站主導航

首頁
├── 總體經濟
├── 產業觀測
├── 勞動市場
├── AI—勞動轉移觀測站
│   ├── 職業列表
│   ├── 任務列表
│   ├── 產業列表
│   ├── 地區列表
│   ├── 相變預警
│   ├── 技能轉移圖
│   ├── 最新變化
│   ├── 每週報告
│   ├── 方法論
│   ├── 資料下載
│   └── API
└── 關於

6.2 AGIRight 主導航

首頁
├── AI 權利
├── Agent 治理
├── 網路與內容治理
├── AI 與勞動
│   ├── 勞動者知情權
│   ├── 自動化責任
│   ├── 演算法管理
│   ├── 再培訓義務
│   ├── AI 裁員歸因
│   ├── 政策建議
│   └── 前往勞動轉移觀測站
└── 研究資料

七、Agent 自動化更新的基本原則

Agent 可以負責：

搜尋；
擷取；
下載；
分類；
去重複；
語義映射；
初步摘要；
異常偵測；
報告草稿；
圖表資料生成；
HTML 建置觸發。

但 Agent 不應直接作為唯一真相來源。

7.1 錯誤架構

不建議：

Agent
  ↓
直接開啟 HTML
  ↓
修改數字與文字
  ↓
立即發布

這會產生：

無法追蹤資料來源；
難以回滾；
HTML 結構容易被破壞；
同一數字可能在不同頁面不一致；
Agent 幻覺可能直接進入正式站點；
無法重算；
歷史資料被覆寫；
難以進行人工審核。

7.2 建議架構

公開資料／API／研究／新聞／企業公告
                         ↓
                   Agent 擷取
                         ↓
                   原始資料保存
                         ↓
              去重複、分類與正規化
                         ↓
                 證據查核與分級
                         ↓
                 指標計算與版本化
                         ↓
               JSON／CSV／資料庫
                         ↓
                 自動驗證與測試
                         ↓
             靜態 HTML 與圖表渲染
                         ↓
                    正式發布

形式上可表示為：

D_t^{raw} \xrightarrow{\mathcal{C}} D_t^{normalized} \xrightarrow{\mathcal{V}} E_t \xrightarrow{\mathcal{M}} S_t \xrightarrow{\mathcal{R}} H_t

其中：

$D_t^{raw}$ ：原始資料；
$\mathcal{C}$ ：清理與分類；
$D_t^{normalized}$ ：正規化資料；
$\mathcal{V}$ ：查核與證據分級；
$E_t$ ：證據集合；
$\mathcal{M}$ ：指標模型；
$S_t$ ：職業狀態；
$\mathcal{R}$ ：渲染器；
$H_t$ ：正式 HTML。

八、單一事實來源

底層資料應建立單一事實來源：

/data/
├── occupations.json
├── tasks.json
├── industries.json
├── regions.json
├── evidence.json
├── occupation_state.json
├── task_state.json
├── transition_graph.json
├── changelog.json
└── history/

資料庫與檔案可以同時存在，但必須清楚定義哪一層是權威來源。

建議：

PostgreSQL／TimescaleDB：正式結構化資料；
Object Storage：原始文件；
JSON：前端與 Agent 公開資料；
CSV：研究者下載；
Markdown：每日與每週報告；
Git：方法論、Schema 與版本記錄。

九、一份資料，多種輸出

單一資料源應生成：

人類閱讀 HTML
互動式圖表
靜態圖表
JSON API
CSV 下載
Markdown 報告
RSS／Atom
AI 摘要
Agent 查詢介面
OpenAPI 文件
網站地圖

因此：

\text{Single Source of Truth} \rightarrow \begin{cases} \text{Human Web}\\ \text{Agent API}\\ \text{AI-readable Data}\\ \text{Research Dataset}\\ \text{Reports}\\ \text{Search Index} \end{cases}

這樣可以避免：

HTML 與 API 數據不同；
圖表與報告使用不同版本；
人類頁面更新，但 Agent 資料未更新；
多個站點出現互相矛盾的數字。

十、AI 與 Agent 專用介面

既然網站預期被 AI 爬蟲與 Agent 使用，就不能只提供視覺 HTML。

10.1 基本 API

GET /api/v1/occupations
GET /api/v1/occupations/{occupation_id}
GET /api/v1/occupations/{occupation_id}/state
GET /api/v1/occupations/{occupation_id}/history
GET /api/v1/occupations/{occupation_id}/tasks
GET /api/v1/occupations/{occupation_id}/transitions

GET /api/v1/tasks
GET /api/v1/tasks/{task_id}
GET /api/v1/tasks/{task_id}/history

GET /api/v1/industries
GET /api/v1/regions
GET /api/v1/evidence
GET /api/v1/changes
GET /api/v1/reports/latest

10.2 公開檔案

/data/latest.json
/data/occupations.json
/data/tasks.json
/data/evidence.json
/data/history/
/changelog.json
/openapi.json
/feed.xml
/sitemap.xml
/robots.txt
/llms.txt
/ai-policy.json

10.3 時間欄位

每筆資料至少應包含：

{
  "observed_at": "2026-07-01",
  "published_at": "2026-07-10",
  "collected_at": "2026-07-15T08:15:00+08:00",
  "verified_at": "2026-07-15T09:20:00+08:00",
  "calculated_at": "2026-07-15T10:00:00+08:00",
  "released_at": "2026-07-15T12:00:00+08:00"
}

其意義分別是：

observed_at：資料描述的現實時間；
published_at：來源發布時間；
collected_at：Agent 擷取時間；
verified_at：系統完成查核時間；
calculated_at：指標計算時間；
released_at：對外發布時間。

這可以避免把「今天發布的舊資料」誤認為「今天發生的變化」。

十一、資料結構範例

11.1 職業狀態

{
  "occupation_id": "tw-design-junior-001",
  "title": "初階平面設計師",
  "region": "TW",
  "classification": "task_restructuring",
  "scores": {
    "theoretical_exposure": 0.83,
    "capability_maturity": 0.78,
    "observed_usage": 0.69,
    "organizational_adoption": 0.56,
    "labor_demand_pressure": 0.41,
    "wage_pressure": 0.37,
    "adoption_friction": 0.48,
    "phase_transition_proximity": 0.64,
    "confidence": 0.72
  },
  "source_ids": [
    "ev-2026-00112",
    "ev-2026-00135"
  ],
  "observed_at": "2026-06-30",
  "calculated_at": "2026-07-15T10:00:00+08:00",
  "model_version": "alto-0.1.0"
}

11.2 證據資料

{
  "evidence_id": "ev-2026-00112",
  "type": "labor_statistics",
  "title": "Example labor market report",
  "publisher": "Example Institution",
  "region": "TW",
  "occupation_ids": [
    "tw-design-junior-001"
  ],
  "task_ids": [
    "visual-layout-basic",
    "asset-generation-basic"
  ],
  "publication_date": "2026-07-10",
  "observation_start": "2026-01-01",
  "observation_end": "2026-06-30",
  "sample_size": 12000,
  "evidence_grade": "A",
  "source_url": "https://example.org/report",
  "content_hash": "sha256-example",
  "verified_at": "2026-07-15T09:20:00+08:00"
}

十二、Agent 任務分工

系統可以拆成多個 Agent。

12.1 Source Discovery Agent

負責：

搜尋新資料源；
發現新研究；
追蹤官方公告；
追蹤企業部署；
追蹤模型更新；
追蹤政策與法規。

12.2 Collector Agent

負責：

API 擷取；
文件下載；
網頁保存；
RSS 收集；
檔案雜湊；
原始資料封存。

12.3 Normalization Agent

負責：

職業名稱映射；
任務名稱映射；
地區標準化；
日期標準化；
單位換算；
職業分類對照。

12.4 Evidence Agent

負責：

來源分級；
方法辨識；
樣本量抽取；
推估與實際數據區分；
偏誤標記；
重複證據合併。

12.5 Analysis Agent

負責：

指標計算；
趨勢偵測；
異常偵測；
相變接近度；
職業轉移建議；
不確定性估計。

12.6 Publishing Agent

負責：

產生 JSON；
產生 Markdown；
產生圖表資料；
觸發靜態站點建置；
更新 RSS；
更新 sitemap；
更新 changelog。

12.7 Audit Agent

負責：

檢查來源遺失；
檢查數字異常；
檢查日期錯置；
檢查跨頁面不一致；
檢查模型版本；
檢查資料是否回滾。

十三、自動發布等級

不是所有 Agent 發現都應直接公開。

13.1 等級 P0：原始擷取

只保存，不公開。

13.2 等級 P1：自動整理

可出現在內部儀表板，不進入正式指標。

13.3 等級 P2：低風險更新

例如：

API 價格；
模型名稱；
官方發布日期；
已知資料欄位。

可自動發布。

13.4 等級 P3：分析型更新

例如：

職業風險升級；
相變預警；
勞動需求下降；
職業轉移建議。

需通過：

多來源一致；
門檻檢查；
規則驗證；
必要時人工審核。

13.5 等級 P4：高影響判定

例如：

宣稱某職業進入大規模自動化；
宣稱某企業因 AI 大幅裁員；
宣稱某產業已發生結構相變。

必須人工審核後發布。

十四、靜態 HTML 與互動式資料的結合

建議採用：

靜態優先，互動增強。

每個頁面先生成完整、可索引、可快取的靜態 HTML，再由 JavaScript 載入互動圖表。

優點：

搜尋引擎容易索引；
AI 爬蟲容易讀取；
頁面速度快；
JavaScript 失效時仍可閱讀；
Cloudflare Pages 或類似服務容易部署；
可以保留歷史快照；
可降低伺服器成本。

頁面生成流程：

資料庫
  ↓
JSON snapshot
  ↓
Static Site Generator
  ↓
HTML
  ↓
Chart hydration
  ↓
CDN

十五、版本與回滾

所有正式輸出都必須可回滾。

15.1 資料版本

data_version: 2026.07.15.001

15.2 模型版本

model_version: alto-0.1.0

15.3 Schema 版本

schema_version: 1.0.0

15.4 網站版本

site_version: labor-observatory-0.3.2

任一指標都應能追溯到：

\text{結果} \rightarrow \text{模型版本} \rightarrow \text{資料版本} \rightarrow \text{證據} \rightarrow \text{原始來源}

十六、SEO、AIO 與 Agent 可發現性

系統應同時服務：

傳統搜尋引擎；
AI 搜尋；
Agent；
研究者；
資料工程系統。

16.1 傳統搜尋

需要：

語義化 HTML；
清楚標題；
結構化資料；
canonical；
sitemap；
RSS；
歷史頁面；
地區與職業獨立 URL。

16.2 AI 可讀

需要：

清楚定義；
日期欄位；
資料來源；
JSON-LD；
llms.txt；
openapi.json；
可下載 JSON；
每筆結論對應證據；
不把數字只畫在 Canvas 中。

16.3 Agent 可操作

需要：

穩定 ID；
API 版本；
rate limit；
changelog；
webhook 或 feed；
權限政策；
授權條款；
明確引用格式。

十七、AGIRight 的鏡像策略

AGIRight 不必鏡像整個觀測站。

它只需鏡像：

最新治理相關警報；
勞動權利摘要；
政策分析；
重要案例；
資料圖表摘要；
原始觀測站連結；
對應的治理研究。

例如：

agiright.org/labor/case/entry-level-collapse

頁面可以引用觀測站資料：

Source:
labor.economy.example.com/occupation/...

因此：

\text{AGIRight} = \text{觀測資料的治理投影}

而不是第二套觀測站。

十八、未來獨立網域的觸發條件

只有當以下條件成立時，才需要考慮獨立網域：

觀測站已有穩定品牌；
使用者認知已與經濟主站分離；
API 流量足夠大；
外部研究機構需要正式引用；
有獨立合作或資助；
產品需要獨立法人或治理結構；
多語言與多國資料已成為主要業務；
子網域限制品牌或技術發展。

此時可以將：

labor.economy.example.com

遷移至：

alto.example

但只改變路由與品牌，不改變底層資料架構。

十九、建議的第一階段實作

19.1 站點結構

經濟觀測網站
└── /ai-labor/
    ├── index.html
    ├── occupations/
    ├── tasks/
    ├── industries/
    ├── regions/
    ├── reports/
    ├── methodology/
    ├── data/
    └── api/

19.2 第一批資料

30 個職業；
100 至 300 個任務；
台灣與美國；
5 至 10 個主要資料源；
20 至 50 個企業案例；
每週一次人工審核更新。

19.3 第一階段 Agent

只需要三個 Agent：

擷取 Agent；
正規化與證據 Agent；
發布 Agent。

先不要一開始就建立過多 Agent，以免協調成本高於資料價值。

二十、核心決策

本文件的核心決策如下。

決策一

AI—勞動轉移觀測站的主體應放在：

經濟觀測網站

決策二

AGIRight 應作為：

AI 勞動權利與治理入口

決策三

第一階段不必購買獨立網域。

決策四

採用：

單一資料核心，多站點投影

決策五

Agent 不直接修改正式 HTML。

決策六

正式流程採用：

\text{Agent 擷取} \rightarrow \text{資料正規化} \rightarrow \text{證據驗證} \rightarrow \text{指標計算} \rightarrow \text{版本化資料} \rightarrow \text{HTML 渲染}

決策七

所有人類頁面、AI 介面、Agent API 與報告都應由同一份資料生成。

結論

AI—勞動轉移觀測站不需要因為產品概念獨立，就立刻獲得一個新的網域。真正重要的是先建立穩定的職業資料、任務圖譜、證據系統、更新流程與版本歷史。

將觀測站放在經濟觀測網站，可以使它保持勞動經濟與產業分析的本體；將其治理議題投影至 AGIRight，則可以處理自動化責任、勞工權利、演算法管理與再培訓義務。

最合理的整體結構是：

\text{一個資料核心} + \text{兩個分析視角} + \text{多種輸出介面}

也就是：

經濟觀測網站負責事實；
AGIRight 負責權利與治理；
Agent 負責持續擷取與更新；
驗證層負責控制錯誤；
渲染器負責生成 HTML；
API 負責向 AI、Agent 與研究者開放。

這樣的架構比多買一個網域更重要，也比讓 Agent 直接修改頁面更加穩定。未來若觀測站真正成長為獨立公共基礎設施，再把它遷移到專門網域即可，而不需要重建整個系統。

附錄 A：建議目錄結構

ai-labor-observatory/
├── apps/
│   ├── web/
│   ├── api/
│   └── admin/
├── agents/
│   ├── discovery/
│   ├── collector/
│   ├── normalization/
│   ├── evidence/
│   ├── analysis/
│   ├── publishing/
│   └── audit/
├── data/
│   ├── raw/
│   ├── normalized/
│   ├── verified/
│   ├── snapshots/
│   └── exports/
├── schemas/
├── pipelines/
├── reports/
├── static/
├── tests/
├── docs/
└── CHANGELOG.md

附錄 B：建議發布流程

name: publish-labor-observatory

steps:
  - collect_sources
  - archive_raw_data
  - normalize_entities
  - classify_evidence
  - validate_required_fields
  - calculate_scores
  - compare_previous_snapshot
  - generate_changelog
  - export_json
  - export_csv
  - generate_markdown_reports
  - build_static_html
  - run_link_checks
  - run_schema_checks
  - deploy_preview
  - publish_if_approved

附錄 C：最小頁面資料欄位

occupation_id: string
title: string
region: string
classification: string
summary: string

scores:
  theoretical_exposure: number
  capability_maturity: number
  observed_usage: number
  organizational_adoption: number
  labor_demand_pressure: number
  wage_pressure: number
  adoption_friction: number
  phase_transition_proximity: number
  confidence: number

timestamps:
  observed_at: datetime
  calculated_at: datetime
  released_at: datetime

sources:
  - evidence_id

versions:
  data_version: string
  model_version: string
  schema_version: string

AI勞動轉移觀測站_站群歸屬與Agent自動化發布架構_v0.1