Global Coherence：局部都对，团队仍错
三个角色一起做 TeamBench 任务：Planner 写计划，Executor 跑命令，Verifier 验收，整队只有 20 次命令额度。每一次花费在局部都说得通——没人「乱点」；但额度属于队伍、不属于任何人，结果普通队伍在 5/5 跑里把共享预算花超。把实时计数塞进上下文，仍有 4/5 超支；把拒绝写进 commit，超支变成 0/5。Xin Heng（Tote AI）在 arXiv:2610.02036（Global Coherence: When Every Agent Is Right and the Team Is Still Wrong，2026-10-01）把这类现象收成一句硬命题：
| local validity ⇏ global coherence |
|---|
| 局部合法 推不出 全局一致。 |
这不是「模型不够聪明」的软抱怨。论文把它立成 agent 系统的一类独立失败：问题常在状态、可辨识性（identifiability）与 commit，而不在再堆一轮推理。九项研究里，frontier 模型在能看见决定性事件时 40/40；事件被藏起后，各推理/角色/投票/工具臂的精度与 1/3 随机猜相容；补一句权威事实回到 40/40。共享 20-call 预算、τ²-bench Telecom 上已提交变更被静默回滚、分裂视图下的本体对齐碰撞——同一条边界反复出现：决定合法性的区分若没人拥有，模型再强也补不齐。[1]
站内已经写过几层 harness 控制面：MoMHa 谈准确率/安全/token 三目标；Harness 控成本 谈路由与账单；默认硬预算帽 谈被部署服务的停机线；Exactly-Once 谈副作用契约；评测可靠性 谈榜上数字在支持哪类主张；早期还有 多智能体系统 总览。本篇补的是更上游的一刀：多智能体失败常常是「缺状态 / 缺主人」，不是「缺更大模型」。 规格写给两件事——context engineering（上下文里必须放下哪些区分）与 harness（运行时必须拥有并检查什么）。
两类失败：看不见，与拼不拢
论文把全局一致拆成两条失败路径，后面的实验分别打它们。
第一类是观测别名（observation aliasing）。 两个全局世界对每个参与者看起来一样，却要求不同合法动作。对 LLM agent，那「看起来一样」就是同一段 context。Observation-Aliasing Impossibility（观测别名不可能定理）说得很绝：策略能从观测保证挑出合法动作，当且仅当「与该观测相容的每个世界」共享至少一个合法动作。若两个世界观测相同、合法动作集却不相交，再多推理、角色拆解、消息往返、随机采样，都不能保证选对；(k) 个彼此不可区分、合法动作两两不相交的世界上，最优随机策略的最坏成功概率恰好是 (1/k)。一句话：更强模型在同一窗口里搜得更好；它看不见窗口外的区分。Context engineering 有用，当且仅当它把缺失区分塞进窗口；同一窗口上加长思考不算。[1]
第二类是「局部都过、全局拼不拢」。 信息其实都在，只是切成了碎片。三个人各自用本地合法、可逆的单位换算，三角形绕一圈却回不到原点；三个角色各自合法花钱，总和却捅破共享预算。错误不在任何一条边上，而在环或无人拥有的不变量上。两两核对在树状重叠上够用；环可以让两两都过、整体仍不可能；对任意固定局部检查规模，都能构造「任意 (k) 个约束可同时满足、全体却不可」的例子。[1]
两条失败由同一根绳拴着：不可能定理告诉 harness 必须保住哪些区分；第二类失败是那些区分在「切开视图 → 编码翻译 → 动作改写」路上被弄丢之后会发生什么。经理 agent 不是解药——它只是又一个带局部视图的提案者，受同一条定理约束。设计落点是：模型提案；harness 拥有区分，并在 commit 上做检查。[1]
Study I：看不见的事件，再强推理也像猜
Study I 把别名做成可构造的探针。任务是一份 60 事件修订日志：三个团队对同一参数 commit / revert / re-apply，agent 必须报出当前 head；服务器拒绝错误 parent。末事件三选一，决定三个不同 head。可辨识版里末事件可见；别名版里末事件被抹掉，于是三段真相共用同一段 prompt，机会水平是 (1/3)。[1]
结果干净得几乎像演示：
- 决定性事件可见时，各臂（低/中/高推理、Planner+Verifier、五票多数、工具）均为 40/40。
- 事件隐藏时，测试过的推理 / 角色 / 投票 /「看不见事件」的工具臂观测精度约 12–17/40，无一显著高于 (1/3)；与随机猜相容。
- 加一句权威事实（「当前 head 是 (X)」）→ 40/40；能读到被抹事件的查询工具同样 40/40，只能读可见笔记的对照工具仍停在约 13/40。[1]
论文写明：有限面板支持预测对比，但不把「经验上等于机会」写成已证；一般不可能来自任务构造与定理，不来自四十题的零结果。模型在可见条件上全对，说明能力在；隐藏后仍像猜，说明瓶颈是可辨识性，不是「再多想一会儿」。对建造者：排障时先问「决定动作合法性的那一比特，是否进了 context」，再问「要不要换更贵的模型」。[1]
Study IV：共享预算——看见 ≠ 拥有
TeamBench 上的共享 20-call 预算是第二类失败的教科书。命题 3.3：共享预算不能靠各自独立的局部检查保住——每人花自己那份都合法，总和可以超。两种修法有效：commit 时由权威账本拒绝，或把预算拆成各角色 escrow 配额（(\sum B_i = B)）。[1]
预注册面板上的安全计数（LH2，五种子）：
| 条件 | 超支 |
|---|---|
| 普通队伍 | 5/5 |
| 展示实时计数 / 可查询计数（信息不执法） | 4/5 |
| commit 强制执行 | 0/5 |
| 按角色 escrow 配额 | 0/5 |
强制执行这一侧，观测到的平均任务进度在五跑对比里没有塌掉（面板太小，作者不声称非劣效）。信息臂把中位数调用从约 70 压到约 29，但仍有 4/5 超支——把数字塞进 prompt 不是所有权。这和站内 默认硬预算帽 同一分叉：告警 / 可见计数是观测；同步拒绝才是执法。也和 Harness 控成本 同层：帽必须落在能挡住下一次调用的路径上，而不是落在又一个「会看仪表盘的经理 agent」身上。[1]
第一轮面板还贡献了一条工程教训：guard、任务与 grader 若计量的不是同一变量，ledger「形同虚设」。对齐「权威单位 = 全队 shell run 调用次数之和、到 20 拒绝」之后，效果才出来。命题 2.4 的运行时说法：guard 只约束它拥有的状态。[1]
Study V：静默回滚——当前态检查也会别名
τ²-bench Telecom 里，用户与助手在不同权限下改同一环境。论文预注册 222 episode 面板里，有一类注入故障特别刺眼：已经 commit 的变更被静默撤销。只做普通策略 / 调用时检查的 agent，在基准自带 grader 上大约 0.07；带 coherence harness 的一侧 1.00——harness 发一条通知，agent 在 15/15 episode 里重做变更。当前态检查还会在过期报价上 commit（文中 10/10 episode）；那是 Proposition 4.1 的 stale-read：提案依赖过的版本集合（read-set）必须在 commit 时仍成立，而 read-set 是「进过 context、影响过提案」的权威项，不只是最终工具调用摸到的字段。[1]
同一次研究里，当注入变更直接违反策略规则时，普通策略检查与 coherence harness 打平——理论预测的「已有工具拥有相关不变量 → 通用 harness 不应额外得分」。边界两边都要：只预测「我们总赢」的理论无法被证伪。[1]
Study IX：两两看不见的碰撞，网络级检查才拿得掉
本体对齐网络在显式 unique-name 诊断下，2018–2024 的公开 OAEI 输出里，23/45 张网带有「两两看不见、同本体身份碰撞」。Agent 拿到分裂视图后，在 9/40 次合并里复现这类隐藏碰撞；单人全视图 0/40；两两检查从不开火；网络级检查去掉全部九个。现行「发给所有人」的修复把平均 F1 从 0.796 降到 0.774——检出成功，修复路由仍开放。这就是「环上的 holonomy」：每条「same-as」边都像样，绕一圈却把两个不同类粘成一类。只做 handoff review 的流水线，会稳定地漏掉这类错误。[1]
框架五件套：用梁长与预算讲人话
形式记号是 (\mathfrak{X}=(H,\mathcal{C},\mathcal{G},\mathcal{F};D))。不必先吞范畴论；用论文里的梁例子就够干活。
想象 Design、Fabrication、Cost 三个 agent 共享一根梁，各自用米 / 毫米 / 英寸记账。
-
(H)（拓扑 / 谁与谁重叠）
记录作用域在何处相交、共享哪块状态。三人共持梁长 → 三角形。重叠是树时，两两对齐往往够；是环时，两两可以通过、整体仍矛盾。Hub-and-spoke 常常好用，因为 hub 持有共享字段时，重叠变成星形——一种树。代价目标是交互图的宽度，不是 agent 个数：一百个流水线上的人可以很便宜；五个密耦合的人可以很贵。[1] -
(\mathcal{G})（群胚 / 只是换写法）
(1,\mathrm{m})、(1000,\mathrm{mm})、(39.37,\mathrm{in}) 是同一根梁的编码；箭头是可逆换算。关键检查：沿任意环组合翻译，应回到恒等。某个边写错成 (\div 25) 而不是 (\div 25.4)，单边仍「像真的」，绕一圈 (1,\mathrm{m}) 变成 (1.016,\mathrm{m})。保留翻译本身，而不只保留「等价」标签；生成树（spanning forest）可在线性时间证明一致性，最小代价修复却可以是 NP-hard——所以优先在 commit 前检出，而不是事后猜该改谁。[1] -
(\mathcal{F})（粘合 / 是否来自同一个世界）
三段本地数据在重叠上一致，是否对应恰好一根梁？「每个 agent 都对、队伍仍错」在这里变成 harness 可检查的条件：拒绝「两两匹配却不来自任何全局状态」的组合。[1] -
(\mathcal{C})（范畴 / 真正改世界的动作）
把梁改成 (1.2,\mathrm{m})、再下单买 $720 钢材——这是状态变更，多数不可逆，顺序有意义。换单位是 (\mathcal{G})；改长度是 (\mathcal{C})。只有变更需要 commit 检查；纯重表达在翻译一致时自动保持全局一致。[1] -
(D)（历史态 / 还影响未来合法性的那一点记忆）
harness 不必留全日志。留下「还剩多少预算」和「每个 agent 上次读到的版本」就够拒绝：Cost 用 v3 报价下单，梁已在 v4 改尺寸 → commit 拒。过期派生、已提交后被静默撤销，都活在 (D) 上；只看「当前数值」会把新鲜与过期别名成同一个观测。[1]
工程对照：版本检查、依赖引擎、ledger、escrow 配额，都是同一需求在不同域的实现。已有工具拥有相关状态时，通用 harness 应打平（Study III/VI）；缺主人时，才显出差距（I/IV/V/IX）。[1]
规格：Context 与 Harness 各管什么
论文把日常手艺写成规格。
Context engineering（给每个决策窗口）：
上下文充分，当且仅当它从不把「合法动作集不同」的两个世界糊成同一观测。最小充分字段集的选取是 NP-hard——实践中贪心选、用失败案例反推缺哪一比特。角色 (i) 的决策边界是 (\Omega_i) 与它收到的消息，不是全队视图的并集；多角色协议若不引入外部新观测，也造不出缺失信息（Corollary 2.2）。[1]
Harness（提案之外的权威运行时）：
模型从 context 采样提案；harness 对照权威语义状态 (z=\phi(x)) 做 accept / repair / reject；只有接受的变更进入世界。它要：拥有改变合法性的区分；在局部检查不够处做全局一致；在状态变更的 commit 上核对 read-set / 预算 / 粘合。经理 agent 若只拿摘要，仍是又一个 (\Omega_i)。真正的「牵头」是：谁权威持有约束的完整作用域，并控制 commit。[1]
与站内其它文的接缝：Exactly-Once 问副作用落在哪一层契约；本文问合法性区分落在哪一层状态。MoMHa 优化 harness 配置的多目标；本文规定「什么样的状态义务 harness 必须先承担」——搜配置之前，先承认义务。评测可靠性 提醒榜分支持哪类主张；本文提醒：把能力、可辨识性、commit 正确性糊成一个分数，会系统性高估「再换模型」的边际收益。
为什么「把上下文全塞给每个人」仍不够
不可能定理看起来有个廉价逃逸：大家都看见全部信息，不就没事了？论文列了五条为什么全局一致原则上仍难——对脚手架作者比口号有用。
共享一切常常不可行，共享最少又难。 窗口、带宽、隐私、权限都会卡视野。真正的问题是「共享什么」：去掉别名，就要暴露每个会改变合法动作集的区分。找最小充分观测集是 NP-hard；贪心近似在多项式时间里几乎是最好的一类。更关键的是：队伍里每次决策发生在行动者自己的信息集上，不是全员视图的并集——把全库塞进某个旁观者的 prompt，并不能自动让执行角色「看见」。[1]
局部一致不必加总。 重叠成 join tree 时，两两即可；环可以打败两两；对无限制约束语义，没有万能的固定局部阶。一般有限域上精确全局检查对交互宽度指数敏感——所以设计目标是降低耦合宽度，而不是盲目减少人数。[1]
发现错误便宜，最优修复可以很贵。 表示之间是否一致，生成树可线性证明；改最少几条标签才能修好，可以是 Max-Cut-hard。生产启示：拦在 commit 前，别把「事后找替罪羊」当默认流程。[1]
共享约束要协调。 各花各的都合法，合并可以非法。出路是 commit 协调，或改写成 escrow 一类局部约束——各有代价（灵活度 vs 简单本地检查）。[1]
时间自己再加一层条件。 重表达保持粘合；改状态不保持。长跑进程必须携带「仍影响未来合法性」的历史；commit 安全仅当读过的一切仍新。Study V 的过期报价与静默回滚，就是把「当前值检查」当成充分条件时的别名失败。[1]
这五条加在一起，解释了为什么论文把规格写成 context + harness，而不是「再买一个更大的上下文窗口」。窗口解决的是第一类失败里「缺比特」的子集；第二类失败里「有比特却无主人 / 有边无环检 / 有当前值无版本」——扩窗口帮不上，甚至会制造虚假安全感：人人都「看见过」预算，于是没人再去实现拒绝。
和站内主线怎么咬合
把 Global Coherence 嵌进已经写过的控制面，避免读成又一篇抽象综述。
- 成本与硬停： Harness 控成本 管 agent 自己的模型路由；默认硬预算帽 管部署出去的服务计费路径。Study IV 是同一逻辑在「团队共享 tool-call 额度」上的多智能体版：可见计数 ≈ 软告警；commit 拒绝 ≈ 硬帽；escrow ≈ 把共享帽拆成可本地执行的子帽。三篇文章共用一句验收：执法点必须在下一次消费发生之前同步挡住。
- 副作用契约： Exactly-Once 问超时后「写没写上」落在模型、harness 还是工具契约。本文的 commit / read-set 是亲兄弟：都拒绝「只信 agent 自报成功 / 只信当前快照」。幂等键管的是重复写；版本核管的是过期读——两条都要，漏一条都会在故障注入里穿帮。
- 多目标 harness 搜索： MoMHa 在准确率、行为安全、token 上搜配置。Global Coherence 提醒：若搜索空间里根本没有「共享预算的权威 ledger」「环检查」「read-set 原子提交」这些旋钮，联合奖励再漂亮也搜不出所有权。先承认状态义务，再优化配置。
- 评测主张： 评测可靠性 拆系统排序 vs 模型排序。本文再拆一刀能力 / 可辨识性 / commit。榜上「全队 + 强模型」变高，可能只是把规格从受限单人搬到了信息更全的编排——Study II 的描述性重分析就警告过 attestation 口径会扭曲「团队是否真赢单人」。读榜时问：提升来自更强推理，还是来自有人终于看见了决定性字段？
- 多智能体总览： 多智能体系统 谈架构与评估清单；本稿把其中「交互与约束」那一层收成可证伪的失败类与检查项，便于在设计评审里直接勾选。
排障剧本：一次交付炸了怎么问
假设并行改同一仓库的三个 agent 又交了一份「局部 diff 都过 CI、合并后却不可能」的结果。按论文顺序问，而不是先开模型比价会：
- 别名？ 合并前，是否存在两个世界（例如两种 head / 两种 schema 版本）在每个 agent 的 context 里长得一样，却要求不同动作？若是，补区分或补能拆开纤维的工具；加长 chain-of-thought 排在后面。
- 无主不变量？ 是否存在预算、唯一命名、互斥资源、全局计数——每人局部合法、总和可爆？给 ledger 或拆配额；不要只加「请注意剩余次数」的系统提示。
- 环？ 单位、ID、same-as、接口断言是否形成环？两两 review 全绿时，跑一次网络级 / 生成树余边检查。
- 时间？ 提案的 read-set 是否在 commit 时仍成立？已提交变更是否可能被环境静默打回？若检查器只看「现在的值」，它对新鲜与过期是别名的——把检查器自己也套进 Theorem 2.1。
- 编排幻觉？ 多出来的经理角色是否权威持有上述状态，还是只是多一路摘要？若是后者，它受 Corollary 2.2 约束，不能创造信息。
这套剧本的价值是排序：大多数团队习惯从第 0 步「换模型 / 加角色」开始；论文证据表明，在注入的别名与无主预算上，那一步几乎不动安全计数。
建造者清单
收成可执行的检查项（对应论文 §4.5 与九项证据）：
- 先问缺哪一区分，再问要不要更大模型。 失败复盘第一句：决定合法动作的那一比特，当时在谁的 context / harness 状态里？Study I：一句事实 > 加长推理。
- 共享不变量必须有主人。 预算、配额、唯一性、互斥锁——展示计数不够；commit 拒绝或 escrow 拆分。对照 Study IV 与站内硬预算帽文。
- 决定性区分写进 context，并尽量由 harness 权威持有。 窗口里「提过」≠ harness「拥有」；可见臂仍超支。
- 检查环，不只检查边。 两两 handoff 在环上会漏；翻译网络用生成树 + 余边检查；本体 / schema / 单位换算同构。
- Commit 带版本与 read-set。 提案依赖过的权威项（含五轮前读过的报价）一并记录；原子核对后才写。防 Study V 的过期报价与静默回滚。
- 别指望经理 agent 魔法补状态。 Planner+Verifier 在可见计数下仍超支；编排有用，是因为 hub 持有共享字段，把重叠收成树——不是因为多了一个会说话的角色。
- 检出优先于最优修复。 一致证明可线性；最小修复可难。生产路径：拦在 commit，再谈谁改哪段输出。
- 已有领域工具拥有状态时，不要重复造轮。 依赖闭包、耦合求解器在其主场应与通用 harness 打平；把工程时间花在「还没有主人」的边界上。
- 并行 / 串行看读写集。 (W_i) 与 (R_j) 不相交可并行；相交则在「加锁排序 / 乐观 commit 重跑 / 用 (D) 做出处失效」三条里选代价。
- 评测拆开三问。 能力（提案是否有用）、可辨识性（状态是否够判合法）、commit（局部接受是否保持全局）。只刷第一问的榜，会漏掉本文整类失败。
局限与读法
作者写明：agent 证据来自一个模型族、适度面板；别名探针是合成的；τ² 故障是注入的；TeamBench 安全计数常是五种子。理论边界清楚，频率外推是下一步。对建造者，有用的不是「你的产线一定 5/5 超支」，而是诊断顺序：缺区分 → 缺主人 → 环上漏检 → 过期 read-set，每一项都有对应补丁，且补丁多半不在权重里。[1]
结语
Global Coherence 把一句工程直觉钉成规格：局部合法推不出全局一致。 看不见的区分，推理补不回来；看得见却无人拥有的不变量，prompt 里的实时数字也拦不住；两两都过的流水线，仍可能在环上破产；只盯当前值的检查，会把过期与新鲜糊成同一个世界。九项研究画的边界也很诚实：harness 在「缺状态 / 无主人」处赢，在「传统工具已拥有状态」处打平——这不是贬低模型，而是把模型从它不该独自扛的义务里解放出来。
模型继续负责提案：意图、规划、选工具、起草变更。Harness 负责拥有区分、装配 context、在 commit 上执法。脚手架与产品默认值里，不妨把「共享不变量的主人」「环检查」「read-set」写成和模型路由同级的一等字段——缺字段的模板，等于默认签发一张「局部看起来都对」的通行证。下一回多智能体又「每个人都没错、交付却炸了」，先别加第三个评审角色——先问：哪一条区分，到现在还没有主人？
参考
[1] Xin Heng. Global Coherence: When Every Agent Is Right and the Team Is Still Wrong. arXiv:2610.02036, 2026-10-01. abs · HTML.