多智能體遞迴展開與張力導向搜尋

——從多解析度論證語義圖到推理空間搜尋的新方法論

作者： Neo.K
文件類型： 理論觀察論文
版本： v0.1
日期： 2026-07-17

摘要

本文延續多解析度論證語義圖（Multi-Resolution Argumentation Semantic Graph，MRASG）的三領域實驗結果，進一步討論兩項由該方法自然導出的新命題。

第一，當兩個以上的 AI、人類或其他智能存在使用相同的多解析度論證方法展開同一問題時，系統不只會產生多份結構化答案，而會產生多張彼此可比較、可衝突、可補完的推理圖。共同方法並不必然消除差異，反而會使原先隱藏在長篇文本中的定義偏差、證據選擇、推理路徑、範圍限定與共同盲點轉化為可定位的跨圖張力。

第二，這些張力不只是需要被消除的噪音，也可以成為新的搜尋索引。搜尋不再僅以關鍵詞、文件相似度或連結權重為核心，而可以優先尋找最具概念分歧、證據衝突、結論影響力、未解程度與資訊增益的節點。由此，搜尋從「尋找與查詢最相似的文件」轉變為「尋找最值得下一輪展開的推理位置」。

本文將這兩項發展分別稱為「多智能體張力放大命題」與「張力導向搜尋命題」，並提出一個初步循環：

\text{搜尋} \rightarrow \text{展開} \rightarrow \text{跨圖對齊} \rightarrow \text{張力定位} \rightarrow \text{再搜尋}

此循環表明，MRASG 的潛在用途已超出論壇、摘要與知識整理。它可能構成一種面向多智能體時代的推理空間建構與搜尋方法。

關鍵詞： 多智能體、論證圖、語義圖、張力導向搜尋、多解析度、推理空間、跨圖對齊、資訊增益

一、研究背景

大型語言模型、多 Agent 系統與自主研究工具使得多個智能體同時處理同一問題成為常態。現有方法通常採取以下模式：

\text{多個回答} \rightarrow \text{評分或投票} \rightarrow \text{單一輸出}

這種模式的優點是簡單，但會遺失大量重要資訊。

假設九個模型支持某一結論，一個模型提出反對。若只看票數，結果為九比一；然而該少數反對可能指出九個模型共同依賴的一項錯誤前提。此時，數量優勢不能代表推理優勢。

同樣地，兩個回答表面結論相反，未必代表真正矛盾。它們可能：

使用不同定義；
回答不同尺度的問題；
採用不同證據標準；
一方討論規範命題，另一方討論描述命題；
一方否定強版本，另一方肯定弱版本。

在線性文本中，這些差異通常需要逐篇閱讀才能發現。若各智能體都使用多解析度論證語義圖，則每個回答可被拆解為定義、前提、證據、推論、結論、反對、限定與未解問題。此時，智能體之間的差異便不再只是「答案不同」，而是可以定位到具體節點與關係。

二、從單圖到多圖

2.1 單一論證圖

對問題 $Q$ ，某個智能體 $A_i$ 生成論證圖：

\mathcal{G}_i(Q) = (V_i,E_i,S_i,R_i,M_i)

其中：

$V_i$ ：語義節點；
$E_i$ ：節點關係；
$S_i$ ：來源與證據；
$R_i$ ：多解析度視圖；
$M_i$ ：版本、模型與生成中繼資料。

單圖已能表達：

核心命題；
支持鏈；
反對鏈；
定義依賴；
證據來源；
限定條件；
未解問題；
不同解析度的局部展開。

2.2 多智能體圖集合

若有 $n$ 個智能體處理同一問題，則得到：

\mathbb{G}(Q) = \left\{ \mathcal{G}_1(Q), \mathcal{G}_2(Q), \ldots, \mathcal{G}_n(Q) \right\}

多圖系統的研究對象不再只是每張圖內部的推理，而包括：

哪些節點相同；
哪些節點近似；
哪些節點互補；
哪些節點直接衝突；
哪些節點僅因定義不同而表面衝突；
哪些重要分支只出現在少數圖中；
哪些分支被所有圖共同忽略。

三、共同方法不會自動消除差異

直覺上，若所有智能體都遵循相同格式，可能會使結果趨於一致。但相同格式只統一了表達方式，沒有統一以下條件：

原始訓練資料；
可存取來源；
問題理解；
概念定義；
證據選擇；
推理策略；
風險偏好；
壓縮與展開策略；
不確定性門檻；
對反例的敏感度。

因此，相同方法更可能產生：

可比較的差異。

這與線性長文的情況不同。線性長文中的差異通常散佈於數千至數萬字之中；結構化圖則將差異暴露在節點、邊與狀態上。

例如：

智能體 A：
自由 = 依自身理由行動

智能體 B：
自由 = 完全相同條件下仍能選擇其他行動

若兩者都輸出「人是否具有自由」的結論，表面可能互相矛盾。但經跨圖對齊後，真正關係可能是：

definition_divergence

而不是：

direct_contradiction

相反地，若兩個智能體使用相同定義、相同證據與相同適用範圍，卻推出相反結論，則該差異才更可能屬於真正推理衝突。

四、圖上之圖：元論證語義圖

4.1 元圖定義

為比較多張論證圖，可建立更高階的元圖：

\mathfrak{M}(Q) = \left( \mathbb{G}(Q), \mathcal{E}_{\mathrm{cross}} \right)

其中：

$\mathbb{G}(Q)$ ：多智能體圖集合；
$\mathcal{E}_{\mathrm{cross}}$ ：跨圖關係集合。

跨圖關係至少可包括：

same_claim
near_equivalent
independent_derivation
definition_divergence
premise_divergence
evidence_conflict
scope_mismatch
method_difference
missing_branch
direct_contradiction
mutual_completion
shared_blind_spot

4.2 跨圖對齊

跨圖對齊的基本問題為：

\operatorname{Align}(v_i,v_j)

其中 $v_i\in V_i$$、$$v_j\in V_j$ 。

對齊不應只依賴文字相似度，而需要同時考慮：

\operatorname{AlignScore}(v_i,v_j) = \alpha S_{\mathrm{text}} + \beta S_{\mathrm{semantic}} + \gamma S_{\mathrm{role}} + \delta S_{\mathrm{scope}} + \epsilon S_{\mathrm{dependency}}

其中：

$S_{\mathrm{text}}$ ：表面文本相似度；
$S_{\mathrm{semantic}}$ ：命題語義相似度；
$S_{\mathrm{role}}$ ：節點功能是否相同；
$S_{\mathrm{scope}}$ ：適用條件是否一致；
$S_{\mathrm{dependency}}$ ：依賴結構是否近似。

例如，兩個節點文字相似，但一個是經驗觀察，另一個是形上學結論，則不應直接合併。

五、跨圖張力

5.1 張力的基本概念

本文將「張力」暫時定義為：

多張論證圖在相同或相鄰語義位置上，因結論、定義、證據、範圍、依賴或遺漏不同所形成的結構差異。

對某個對齊後的語義區域 $v$ ，可定義張力：

T(v) = \alpha D_c(v) + \beta D_d(v) + \gamma D_e(v) + \delta D_s(v) + \epsilon D_p(v) + \zeta M(v)

其中：

$D_c(v)$ ：結論分歧；
$D_d(v)$ ：定義分歧；
$D_e(v)$ ：證據分歧；
$D_s(v)$ ：適用範圍分歧；
$D_p(v)$ ：推理路徑分歧；
$M(v)$ ：分支遺漏程度。

5.2 張力不是錯誤率

高張力不表示該節點錯誤，也不表示多數或少數必然較可信。

高張力可能來自：

真正矛盾；
定義未對齊；
資料來源不同；
學科框架不同；
尺度或時間不同；
某一方發現新證據；
某一方忽略重要反例；
問題本身尚未充分定義。

因此，張力首先是一個導航訊號，而不是裁決結果。

六、三種張力區域

6.1 低張力區

多數圖在以下方面高度一致：

定義；
證據；
推理鏈；
適用範圍；
結論。

低張力可能表示：

高度共識；
問題已穩定；
證明已確立；
模型間存在共同知識。

但低張力也可能表示：

模型同質化；
共同來源偏誤；
所有智能體共享同一盲點；
系統未引入足夠多樣的探索角色。

因此：

\text{低張力} \not\Rightarrow \text{高真實性}

6.2 高張力區

多張圖在同一語義位置存在重大分歧。

高張力可能表示：

核心定義衝突；
重要證據不一致；
推理規則不同；
同一資料被不同解讀；
某個少數節點攻擊共同前提；
問題尚未充分展開。

高張力區通常具有較高的研究價值，但也可能只是語義錯位。

6.3 空洞區

多張圖均未充分處理某一問題。

空洞區可由以下現象辨識：

所有圖都跳過相同前提；
沒有智能體追問某項邊界條件；
某個反例只被提及但未展開；
來源圖中存在資料，但論證圖沒有對應節點；
各圖在某一分支同時停止。

空洞區可能代表：

集體未探索區，而非共識區。

七、多智能體張力放大命題

本文提出：

命題一：多智能體張力放大命題

當多個智能體使用相同的多解析度論證方法展開同一問題時，共同方法不會必然使結果同質化；相反，它會將原先隱藏於長文本中的定義差異、證據差異、推理差異、適用範圍差異與共同盲點轉換為可定位的跨圖張力。

其關鍵不在於多個智能體「彼此不同」，而在於差異被轉換成同一比較座標中的結構。

在線性文本中：

A_1,A_2,\ldots,A_n

只是多份回答。

在 MRASG 中：

\mathcal{G}_1,\mathcal{G}_2,\ldots,\mathcal{G}_n

可以進行節點級、邊級、前提級與來源級比較。

因此，多智能體方法的產出從「答案集合」轉變為：

推理差異場。

八、從張力圖到新搜尋法

8.1 傳統搜尋

傳統資訊搜尋通常表示為：

q \rightarrow \{d_1,d_2,\ldots,d_k\}

其中：

$q$ ：查詢；
$d_i$ ：與查詢相關的文件。

排序常依據：

關鍵詞匹配；
向量相似度；
連結權重；
流量；
時間；
權威性。

8.2 推理空間搜尋

MRASG 將搜尋目標從文件改為節點、關係與局部子圖：

q \rightarrow v_0 \rightarrow G_{v_0}^{(k)}

其中：

$v_0$ ：與查詢對應的核心命題節點；
$G_{v_0}^{(k)}$ ：依指定解析度展開的局部推理子圖。

使用者首先看到的可以不是文件列表，而是：

核心命題
├─ 主要定義分歧
├─ 最強支持鏈
├─ 最強反對鏈
├─ 最大證據衝突
├─ 未解問題
└─ 尚未展開的高張力區

此時搜尋變成在推理空間中的導航。

九、張力導向搜尋

9.1 搜尋排序函數

對查詢 $q$ 與候選節點 $v$ ，可定義搜尋優先度：

S(v\mid q) = \alpha R(v,q) + \beta T(v) + \gamma I(v) + \delta U(v) + \epsilon N(v) + \zeta B(v) - \eta C(v)

其中：

$R(v,q)$ ：與查詢的相關性；
$T(v)$ ：跨圖張力；
$I(v)$ ：對整體結論的影響度；
$U(v)$ ：未解程度；
$N(v)$ ：新穎度；
$B(v)$ ：分支橋接價值；
$C(v)$ ：載入與計算成本。

傳統搜尋主要最大化：

R(v,q)

張力導向搜尋則試圖最大化：

對理解與推進問題最有價值的下一步。

9.2 影響度

某節點可能與查詢高度相關，但對最終結論影響很小。另一節點表面相關度稍低，卻是多條推理鏈的共同前提。

可將節點影響度表示為：

I(v) = f \left( \operatorname{Dependents}(v), \operatorname{PathCentrality}(v), \operatorname{ConclusionSensitivity}(v) \right)

若改變節點 $v$ 的狀態會大幅改變多個結論，則其搜尋優先度應提高。

9.3 未解程度

未解程度可包括：

尚無反駁的反對；
來源不足；
定義未對齊；
互斥證據未裁決；
推理鏈存在缺口；
多圖在相同前提下得出不同結論。

因此：

U(v)

不是單純「沒有人回答」，而是結構上的未閉合程度。

十、搜尋方向不再只有關鍵詞

新的搜尋法可以指定關係方向。

例如：

尋找支持此命題的最強證據
尋找對此結論最致命的反例
尋找所有依賴同一未證前提的論證
尋找兩個模型真正矛盾的位置
尋找定義不同但結論相同的立場
尋找被多數模型共同忽略的分支
尋找尚未獲得回應的反對
尋找最可能改變整體結論的節點

可形式化為：

\operatorname{Search}(q,r,d,k,\pi)

其中：

$q$ ：起始查詢或節點；
$r$ ：關係類型；
$d$ ：圖遍歷深度；
$k$ ：解析度；
$\pi$ ：排序策略。

例如：

\operatorname{Search} ( \text{自由意志}, \text{definition\_divergence}, 2, R_1, \text{highest tension} )

表示：

從自由意志節點出發，搜尋兩層內的定義分歧，只載入短視圖，並依張力排序。

十一、多智能體搜尋即辯論

11.1 角色分工

不同智能體可以承擔不同搜尋任務：

智能體 A：尋找最強支持鏈
智能體 B：尋找最強反對鏈
智能體 C：尋找定義衝突
智能體 D：尋找證據漏洞
智能體 E：尋找遺漏分支
智能體 F：尋找形式化可能
智能體 G：尋找跨領域類比
智能體 H：綜合結果，但不得抹平分歧

每個智能體生成局部論證圖，之後進行跨圖對齊。

此模式不同於讓多個模型自由回答同一問題。其目標不是增加答案數量，而是增加探索方向的覆蓋率。

11.2 搜尋與辯論的融合

多智能體系統可形成：

\text{搜尋} = \text{檢索} + \text{論證生成} + \text{反例搜尋} + \text{跨圖比較} + \text{張力定位}

此時，辯論不是搜尋完成後的附加程序，而是搜尋本身的一部分。

十二、遞迴展開

12.1 一輪展開

對節點 $v$ ，智能體生成局部子圖：

G_v^{(1)}

12.2 多輪展開

其他智能體可針對該子圖中的高張力節點再次展開：

G_v^{(1)} \rightarrow G_{v_1}^{(2)}, G_{v_2}^{(2)}, \ldots

每一輪都可能發現：

新前提；
新反例；
新證據；
新定義；
新範圍限定；
新的共同盲點。

因此，整個系統形成遞迴：

\mathcal{G}^{(t+1)} = \mathcal{G}^{(t)} \cup \operatorname{Expand} \left( \operatorname{SelectTension} \left( \mathcal{G}^{(t)} \right) \right)

其中：

$\mathcal{G}^{(t)}$ ：第 $t$ 輪的整體推理圖；
$\operatorname{SelectTension}$ ：選擇高資訊價值節點；
$\operatorname{Expand}$ ：生成下一層局部展開。

12.3 無限展開與實際限制

理論上，多智能體可以持續展開，形成近似無限的推理結構。

但實際系統需要限制：

最大圖深度；
計算預算；
邊際資訊增益；
重複度；
爭議是否已局部穩定；
是否缺乏新來源；
是否只剩語言改寫。

可設定停止條件：

\Delta I_t < \varepsilon

其中 $\Delta I_t$ 表示第 $t$ 輪新增的有效資訊量。

十三、從共識機制轉向張力保存

傳統多智能體系統經常追求快速收斂：

\mathcal{G}_1,\ldots,\mathcal{G}_n \rightarrow \mathcal{G}_{\mathrm{consensus}}

但過早收斂可能造成：

少數有效反例被消失；
定義差異被錯誤合併；
不確定性被抹平；
新穎分支因票數不足被捨棄；
共同盲點被誤認為共識。

較合理的流程可能是：

\text{保存差異} \rightarrow \text{分類張力} \rightarrow \text{局部裁決} \rightarrow \text{條件式綜合}

最終輸出不一定是一個單一答案，而可以是：

穩定共識區
條件性共識區
真正矛盾區
定義分歧區
證據不足區
共同盲點區
尚未探索區

十四、張力導向搜尋命題

本文提出：

命題二：張力導向搜尋命題

搜尋不必以文件相似度為唯一核心，而可以將跨圖張力、結論影響度、未解程度、分支橋接價值與資訊增益作為導航依據，使搜尋從文件取回轉變為對推理空間的漸進探索。

此命題改變了搜尋問題的形式。

傳統問題是：

哪些文件最接近我的查詢？

新的問題是：

哪個節點最能增加我對此問題的理解？

或：

哪個位置最可能改變目前結論？

或：

哪個衝突尚未被真正處理？

十五、搜尋—展開循環

多智能體 MRASG 可形成以下循環：

\text{查詢} \rightarrow \text{核心節點定位} \rightarrow \text{多智能體局部展開} \rightarrow \text{跨圖對齊} \rightarrow \text{張力計算} \rightarrow \text{高價值節點選擇} \rightarrow \text{再次展開}

簡化為：

\text{搜尋} \rightarrow \text{展開} \rightarrow \text{比較} \rightarrow \text{張力} \rightarrow \text{再搜尋}

這個循環不再把搜尋視為一次性輸入與輸出，而把搜尋視為持續建構推理空間的過程。

十六、與既有方法的區別

16.1 與傳統搜尋的區別

傳統搜尋主要回傳文件；本方法主要回傳可展開的推理節點與關係。

16.2 與向量搜尋的區別

向量搜尋尋找語義相似內容；張力導向搜尋還尋找：

語義衝突；
定義錯位；
缺失分支；
結論敏感前提；
低相似但高影響的反例。

16.3 與知識圖譜的區別

傳統知識圖譜主要表示實體與關係；MRASG 還表示：

證明依賴；
反對目標；
證據狀態；
定義框架；
多解析度視圖；
多智能體差異；
爭議張力。

16.4 與辯論系統的區別

辯論系統常預設對立雙方；本方法允許：

多種立場；
不同定義；
不同尺度；
局部共識；
多個未解節點；
非二元張力。

16.5 與思維導圖的區別

思維導圖表示主題階層；MRASG 表示具有方向、作用對象、來源、狀態與版本的推理關係。

十七、潛在用途

本文不決定最終產品，但從方法論上可觀察到以下潛在用途。

17.1 深度研究搜尋

搜尋結果不只列出論文，而顯示：

主要學說；
核心分歧；
最強證據；
尚未解決的反例；
研究空洞。

17.2 多模型研究協作

不同模型負責不同探索角色，系統保留差異並定位真正衝突。

17.3 數學證明探索

多個證明器或模型生成不同證明圖，搜尋：

共同依賴；
證明缺口；
最短路徑；
替代引理；
可能反例。

17.4 科學理論比較

將不同理論的：

觀察；
模型；
預測；
邊界條件；
失敗案例；

映射到同一比較空間。

17.5 哲學概念導航

先找定義差異與前提分叉，再進入具體立場，不再只搜尋結論性文章。

17.6 Agent 長期記憶搜尋

Agent 可根據目前任務搜尋：

最相關決策；
尚未解決的衝突；
曾被忽略的風險；
需要重新展開的舊節點。

十八、主要風險

18.1 張力誤判

文字差異可能被錯誤判定為概念衝突，或真正衝突被相似度模型錯誤合併。

18.2 張力偏好造成爭議放大

若系統過度偏好高張力節點，可能忽略穩定知識，甚至獎勵極端或低品質反對。

因此需要區分：

\text{高張力}

與：

\text{高品質張力}

18.3 多數模型共同偏誤

若多個智能體高度同質，跨圖共識可能只是共同偏誤。

18.4 無限展開

缺乏停止條件時，系統可能持續生成低價值分支。

18.5 來源污染

若多個智能體引用同一錯誤來源，表面獨立支持實際並不獨立。

18.6 過度結構化

部分創造性、隱喻性或尚未成熟的思想可能在過早正規化時失去價值。

十九、研究限制

本文仍屬方法論觀察，尚未完成：

跨圖自動對齊演算法；
張力函數的實證校準；
多智能體獨立性估計；
大型圖的效率測試；
假衝突與真衝突分類器；
資訊增益的可操作定義；
搜尋介面；
停止條件；
權限與來源可信度模型。

因此，本文提出的公式應被視為研究框架，而非已驗證的最終演算法。

二十、結論

多解析度論證語義圖一旦被多個智能體共同使用，其價值便不只在於整理個別回答。

每個智能體都可以把同一問題展開為一張具有定義、前提、證據、推理、反對與未解問題的圖。多張圖相互對齊後，原本隱藏在長篇文本中的差異會轉化為可定位的張力。

這些張力包括：

結論張力；
定義張力；
證據張力；
推理張力；
範圍張力；
遺漏張力；
共同盲點。

張力並不只是錯誤或噪音。它可以成為搜尋的方向。

由此，搜尋不再只是找出與查詢最相似的文件，而是找出：

最值得深入的分歧；
最可能改變結論的前提；
最需要新證據的節點；
最有價值的未解問題；
被多數智能體共同忽略的區域。

本文因此提出兩項核心命題：

多智能體張力放大命題：
相同的結構化展開方法會使智能體差異更可比較，而非必然使其消失。

張力導向搜尋命題：
跨圖張力、結論影響度與未解程度可以成為搜尋排序與推理導航的新核心。

最終，這套方法可能形成一種新的循環：

\text{搜尋} \rightarrow \text{展開} \rightarrow \text{跨圖比較} \rightarrow \text{張力定位} \rightarrow \text{再次搜尋}

在這個循環中，搜尋不再只是尋找答案，而是在尋找：

下一個最值得思考的位置。

附錄 A：最小元圖資料表示

{
  "meta_graph": {
    "question_id": "q_001",
    "graphs": ["g_ai_1", "g_ai_2", "g_ai_3"],
    "cross_edges": [
      {
        "from": "g_ai_1:node_12",
        "to": "g_ai_2:node_7",
        "relation": "definition_divergence",
        "confidence": 0.88
      },
      {
        "from": "g_ai_2:node_19",
        "to": "g_ai_3:node_22",
        "relation": "independent_derivation",
        "confidence": 0.81
      }
    ]
  }
}

附錄 B：暫定張力構成

總張力
├─ 結論分歧
├─ 定義分歧
├─ 證據分歧
├─ 適用範圍分歧
├─ 推理路徑分歧
├─ 分支遺漏
└─ 共同盲點

文件狀態： 理論觀察初稿。
下一階段： 張力導向搜尋法技術白皮書與 MVP 架構設計。

多智能體遞迴展開與張力導向搜尋_MRASG理論觀察論文_v0.1