# 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： 1. 原始訓練資料； 2. 可存取來源； 3. 問題理解； 4. 概念定義； 5. 證據選擇； 6. 推理策略； 7. 風險偏好； 8. 壓縮與展開策略； 9. 不確定性門檻； 10. 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： ```text 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： ```text definition_divergence ``` 而不是： ```text 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： ```text 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： ```text 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： ```text 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： ```text 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： ```text 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 ```json { "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 ```text 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。