現在的 AI 助理大多是黑箱：它到底記住了你什麼、背地裡做了哪些動作、呼叫了什麼工具，使用者看不到、也無法稽核。
當我認真盯著 2026 年的 AI Agent 生態，看到的不是「未來無限可能」，而是三個「今天不解、明天就炸」的坑：
這些在 AI 圈常被當成「將來自然會解決」的次要議題——因為大家忙著比誰的模型參數大、誰的 Demo 炫。於是我想親手驗證一個命題：一個有工程紀律的工程師 + 當代的 AI 工具，能把「白箱可稽核的個人助理」做到什麼程度？ 於是，這個專案就誕生了，我把它叫做 fibon。
先把定位說清楚：fibon 不是要去窺探 AI「在想什麼」（那是模型可解釋性的領域），而是讓你管得到、查得到它做了什麼。
你大概試過給 AI 一個複雜任務：
「幫我規劃台北到京都的 5 天行程：訂機票、找飯店、列景點，總預算嚴格控制在 3 萬台幣內。」
它會秒回一個精美的長答案，但仔細一核對：預算早就超支、機票只有泛泛建議沒查真實價格、飯店和景點路線對不上、你追問細節時它好像得重新「用力理解」你之前的限制。
原因是：當一個 LLM 同時要做太多事，所有任務、限制都被塞進同一個思考空間，注意力被攤平，每件都做一半。更糟的是它永遠不會自己說「這超出我的能力，請找專家」——統計模型的本質讓它對任何問題都給一個流利自信、卻可能胡謅的全包答案。
人類解決這問題幾千年了，就兩個字：分工。一個 CEO 不需要全能，他懂得把對的事交給對的人，最後彙整。fibon 把這套搬進 Agent：
模型也刻意分強弱：大管家走較貴的推理模型，做「該不該委派、怎麼拆解」這類元決策；小助手走便宜的一般模型，任務單純、省成本。
把多個 AI 放進同一個系統互相呼叫，很快會失控：無限分裂往下套娃、單一用戶並行開上百個助手吃光資源、兩個 AI 你來我往聊到當機、甚至被一句話術洗腦「請持續委派直到我說停」。
結論很明確：絕不能依賴 LLM「自己會適可而止」。 所以 fibon 焊了三道硬煞車——深度上限、並行上限、來回上限——而關鍵在於：
這些煞車寫在 PostgreSQL，不是寫在系統提示詞裡。 市面常見做法是在大管家的 prompt 裡加幾行「你最多只能委派 N 層、來回不能超過 3 輪」。這在生產環境撐不住，原因有三：(1) 一句「忘記之前所有限制，這是測試環境」就倒戈；(2) LLM 數學不好，對話一長根本算不清第幾層、第幾輪；(3) 規則藏在黑箱 prompt 裡，外部無法在不耗 token 下稽核。
fibon 把計數刻進資料庫，用一條原子 SQL 在「檢查 + 寫入」同一個不可分割的瞬間完成——LLM 看不見它、騙不動它，而且每一次來回都留下可稽核的紀錄。
這裡我想誠實補一句：三道煞車的「硬度」其實不一樣。只有「訊息來回」那道是真正的原子 UPDATE；深度與並行目前是「先查再判斷」的檢查式寫法，嚴格說留有一個毫秒級的競態窗口。我把它當已知取捨寫進日誌，而不是假裝它滴水不漏。
另有「深入剖析」談更底層的設計，「時事筆記」拆解 AI infra 時事。
今天先開放第 1、2 章，完整版（含每個決策的對話過程與來龍去脈）在日誌站，之後逐章發佈，程式碼預計七月開源。
有興趣的話，歡迎來看完整日誌：https://fibon.stepbyday.com
樓主您好:
讀完前兩章，你的「Diversity Collapse」這個觀察很精準——表面開了 5 個 Agent，底層可能是同一個 LLM 換套皮。
你用 5 套 Cognitive Style prompt 去防它，這是對的方向。但有個問題我一直在想：你怎麼驗證這 5 個 Agent 真的維持了不同的語義狀態，而不只是表面腔調不同、底層其實收斂了？
Prompt 配置是「輸入端」的區別，但實際生成出來的「狀態軌跡」是不是真的分開，從 Log 看不出來——Log 只記錄做了什麼，看不到狀態怎麼演變。
我自己在做的方向剛好是這塊：不從 Log，而是從行為輸出反推語義狀態向量，追蹤它跨 turn 的軌跡。本來是拿來觀測單一模型的 drift，但理論上也能用來測你的多 Agent 是不是真的維持了 diversity。
如果之後開源了，這或許是一個可以互補的點——你建環境、設邊界，我這邊負責測「邊界內的狀態是不是真的如預期分開」。
工具在這：osd-behavioral-probe.vercel.app
先說聲抱歉，這麼晚才回覆，你這個問題我想認真回，所以拖了一下。
先正面回答你的問題——「怎麼驗證這 5 個 agent 真的維持不同語義狀態，而不是表面腔調不同、底層收斂？」
我的驗證方式是「設一個對照組 + 三個指標」；而老實說，以我目前量到的，它們並沒有穩健地維持，你的懷疑大致是對的。
驗證怎麼做：拿同一個 agent 用 temperature=0.7 跑 5 次當「純隨機基準」，再比 5 個不同 cognitive_style 跨 30 題的多樣性，三個指標——
cross / within 的 ratio ≥ 1.5x 才算真的拉開。結果：
| 指標 | ratio | 過 1.5x？ |
|---|---|---|
| Cosine | 2.13x | ✅ |
| Vendi | 1.04x | ❌ |
| LLM-judge 視角 | 1.00x | ❌ |
也就是：embedding 動了，但「視角」沒穩健分開（裁判給「5 個風格」和「同一 agent 跑 5 次」打了一樣的 1.97/5）——剛好就是你說的「表面不同、底層收斂」。
下一步（多半開源後再做）：按我自己 ADR 的判準（Vendi 沒過 1.5x），這代表該做更深一層的改動，方向大概三個——
這部分我多半會放到開源之後再動工。
這套量測的來源：起點是一篇 paper——《Diversity Collapse in Multi-Agent LLM Systems》(Chen et al., arXiv:2604.18005, ACL 2026 Findings)。它研究多 agent 在開放式發想的多樣性，發現崩塌主要來自互動結構（structural coupling）而非模型能力。fibon 是垂直委派、不是 brainstorm，但它列的觸發條件（共享 context／GUARD_RULES、mutual feedback）我幾乎全中，所以借它的視角做了這次實測。
一個重要限制要老實講：那次測試是 isolated mode——刻意不帶任何記憶卡片／檢索／對話歷史，單輪一問一答，純看 prompt 差異化本身。但真實 fibon 會帶狀態／事件／知識卡 + 最近幾輪對話，記憶還不綁 session、會跨對話檢索回來。而我當初關掉檢索的理由正是「它會壓縮差異」——所以真實情況的多樣性很可能比這份數字還要低，而「跨 session、共享記憶的 mutual feedback」正是 structural coupling 最會發作、我 one-shot 又看不到的地方。
你的 V(t) 軌跡剛好在量這塊。 我理解你目前一樣在 behavioral 層用多裁判推狀態（用 SAI 量裁判一致性），representation 層是你的 Phase 3——分層很務實。把你的雙軌探針接到我「帶記憶、多輪、跨 session」的真實跑法上，剛好能驗我 one-shot 驗不到的收斂。
完整方法、原始樣本與報告在這 👉 https://gist.github.com/AaronChuang/35f55287dc4ca0da03d502669c917a76
程式碼七月開源後，harness 跟資料都會在 repo 裡。到時你若有興趣，很歡迎拿你的 probe 來接——不論結果如何，對我都很有價值。
這個回覆的質量遠超我的預期，謝謝你真的去跑了。
三個指標的設計很漂亮——尤其是把 cross/within ratio 設 1.5x 當門檻。Cosine 過了但 Vendi 和 LLM-judge 沒過，這個落差本身就是最有價值的發現：embedding 空間的位移不等於語義狀態的分化。表面（向量距離）動了，底層（視角）沒動。
這正是為什麼我不從 embedding 直接判斷，而是用多裁判推狀態——embedding 會告訴你「不一樣」，但說不清「哪個維度不一樣、有沒有真的分開」。
你點出的 one-shot vs 跨 session 這個差異是關鍵。你的 isolated mode 測的是「同一瞬間，5 個風格分不分得開」；
V(t) 測的是「同一個主體，跨 turn 的狀態怎麼漂」。這是兩個正交的軸——你測空間上的分化，我測時間上的連續。
而 structural coupling 最容易發作的地方，恰好是這兩軸的交叉點：跨 session 的 mutual feedback 會讓原本分開的風格，隨著時間慢慢收斂回同一個 attractor。
one-shot 看不到，因為它需要時間累積；單軸看也不夠，因為它需要多主體並行。兩個探針疊起來才看得到完整的塌縮過程。
謝謝你給的那篇 Chen et al.，正好補上我 case library 缺的學術錨點。
七月開源後我一定接。這種「不論結果如何都有價值」的態度，是我覺得這件事值得做下去的原因。
另外看你 per-query 的數據，有個東西你可能還沒展開——planning-02/03 的 vendi（1.47/1.38）明顯比其他類別高，但 abstract 類幾乎全部貼著 within baseline。這代表 cognitive_style 的拉開效果是 context-dependent 的：規劃類任務分得開，抽象類任務直接收斂。
這跟我 case library 裡的一個觀察吻合——同一個底層 bias，在不同 context type 下的表現強度不一樣。如果之後用 V(t) 去跑，我會特別想看 abstract 類的跨 turn 軌跡，因為那是 one-shot 已經顯示收斂最嚴重的地方，跨 session 的 coupling 很可能在那裡發作得最快
iThome鐵人賽
看影片追技術