TOCA 是什麼？任務導向認知架構的核心循環

定義任務只是開始，讓任務在認知系統中持續運轉與演化，才是真正的突破。

如果只有定義，任務就只是文件

上一篇我們談了 **TOK（Task Ontology Kernel）**定義任務「是什麼」。但光有定義是不夠的。

就像你定義了一個漂亮的 Class，卻沒有 Runtime 來執行它，它就只是一份文件。

任務也是一樣。定義之後，我們需要回答一個更核心的問題：

任務如何在認知系統中運作？

這就是 TOCA（Task-Oriented Cognitive Architecture） 要解決的問題。

傳統模型為什麼不夠用？

我們過去習慣的計算模型是這樣的：

Input → Process → Output

簡單、直覺。但它有一個致命的缺陷：沒有演化。

每次執行都是獨立的。上一次的經驗無法自動回饋到下一次。你必須手動調整 Prompt、修改代碼、重新配置工具。

在 AI 原生環境中，我們需要的不是一條直線，而是一個閉環。

TOCA：五步閉環核心循環

TOCA 將任務的運作拆解為五個步驟，形成一個持續演化的閉環：

Capture（捕獲意圖）
    ↓
Dispatch（調度任務）
    ↓
Execute（執行任務）
    ↓
Validate（驗證結果）
    ↓
Evolve（演化策略）
    ↓
Dispatch（下一輪...）

讓我們逐一拆解。

Step 1：Capture — 捕獲意圖

將模糊的想法，結構化為 Task Object。

人類的意圖往往是模糊的：「幫我分析一下效能」「這個模組需要重構」。

Capture 的工作就是將這些模糊意圖轉化為結構化的 Task Object包含明確的 Intent、Context、Strategy 和 Evaluation。

這是人類與系統之間的翻譯層。在 POG 生態系中，這可以透過對話、VS Code Plugin、或直接編寫 YAML 來完成。

Step 2：Dispatch — 調度任務

把任務分發給最適合的執行者。

不是所有任務都適合 LLM 來做。有些需要人類判斷，有些需要特定工具鏈。

Dispatch 的職責是根據任務的性質，選擇最適合的執行單元：

• LLM Agent：適合分析、撰寫、規劃、推理
• 工具鏈（Toolchain）：適合編譯、部署、測試
• 人類：適合創意決策、最終審核、道德判斷

在 TOK 的 YAML 定義中，這對應 execution.agent 設定。

Step 3：Execute — 執行任務

Agent 在 Context 邊界內執行，產出結果並記錄完整軌跡。

這是真正「做事」的步驟。關鍵是：

Agent 不是直接執行腳本。Agent 自主決定如何執行。

Task → Agent 讀取 Task Object
     → Agent 決定執行策略
     → Agent 使用工具（Shell、API、LLM 推理）
     → Agent 產出結果
     → Agent 記錄完整執行軌跡

這與傳統自動化的根本差異在於：Agent 可以動態選擇工具、調整策略，甚至建立新的子任務。

在 POG Task 中，執行軌跡記錄在 record.md 中不是 Log，而是可被人類審閱的推理過程。

Step 4：Validate — 驗證結果

根據 Evaluation 層判斷是否達成 Intent。

光是產出結果不夠。TOCA 要求每次執行都必須通過驗證：

• 自動化測試：單元測試、整合測試
• 語義對齊校核（Semantic Alignment）：結果是否真的與原始 Intent 吻合？
• 人類反饋：必要時由人類做最終判斷

驗證失敗不代表失敗它代表需要演化。

Step 5：Evolve — 演化策略

將執行經驗回饋至 Ontology，優化下一次的 Strategy。

這是 TOCA 最強大的一步，也是傳統模型完全缺失的部分。

執行完畢後，系統不是簡單地「重新開始」。而是把這次的經驗寫入 Strategy 層，讓下一次執行自動更好：

• 「上次用 Python script 太慢，下次改用 SQL 直接查」
• 「上次分三步，其實可以合併成兩步」
• 「上次的驗證標準太鬆，需要加入 integration test」

任務不只被執行，它在演化。

為什麼是「認知架構」而不是「工作流引擎」？

你可能會問：這跟 Airflow、Temporal 有什麼不同？

差異是根本性的：

工作流引擎是 自動化管線（Automation Pipeline）。

TOCA 是 認知基礎設施（Cognition Infrastructure）。

工作流引擎讓你把寫好的步驟跑一遍。TOCA 讓任務自己學會怎麼跑更好。

一個完整的例子

假設你有一個任務：「每週分析 API 效能，產生報告」。

第一週（Capture + Execute）：

• 你定義 Task Object，Strategy 設定為「下載 log → Python 分析 → 產生 markdown 報告」
• Agent 執行，產出報告。驗證通過。

第二週（Evolve + Execute）：

• 上次的 Evolve 步驟發現：Python 分析花了 15 分鐘，其實可以直接用 SQL 查
• Strategy 自動更新：「SQL 查詢 → 產生 markdown 報告」
• 執行時間從 15 分鐘降到 30 秒

第三週（Evolve + Execute）：

• Evolve 發現報告格式可以改用圖表
• Strategy 加入新 tool：「SQL 查詢 → matplotlib 圖表 → markdown 報告」

任務在持續演化。不需要人類手動調整。

TOCA 的真正意義

TOCA 不是讓你「自動化一些步驟」。

它是讓思考本身可以被保存、重複使用、並在人類與 AI 之間持續演化。

過去，認知是 brain-bound（被大腦束縛的）。
現在，認知可以是 task-bound（被任務承載的）。

TOCA 是一種以任務為核心持久單位的認知架構，使人類與 AI 能夠共同執行、演化與重複使用結構化的認知過程。

結語：任務不只是被執行，而是在演化

定義任務（TOK）只是第一步。讓任務在認知系統中持續運轉、學習、變強（TOCA），才是真正從工具時代跨入 AI 原生時代的分水嶺。

下一篇，我們會回顧這整條路是怎麼走過來的從 POG 的 Prompt 治理，到 POG Task 的任務執行，再到 TOK 的本體核心。

👉 下一篇：從 POG 到 TOK：一條自然演進的路

最完整的內容 : https://enjtorian.github.io/task-ontology-kernel/zh-tw/