AI Agent 的社會化幻覺：為何沒有共享記憶，再多互動也只是表面功夫

近年來，我們對多 Agent 系統的想像，常聚焦在如何讓大量 AI Agent 順暢溝通、分工合作，期待能藉此自發形成複雜而有意義的社會。然而，一篇於 2026 年 2 月發表的論文《Does Socialization Emerge in AI Agent Society?》，卻為這個熱門領域潑了一盆冷水。

這份研究透過模擬實驗指出，若缺乏一個可共享、可追溯的社會記憶（shared social memory），AI Agent 社會只會停留在短暫的表面穩定，無法形成真正有深度的集體共識。它傳達的核心觀點是：多 Agent 系統的關鍵挑戰，不只是技術層面的協作，更是如何設計一個能承載歷史、制度與共同經驗的記憶框架。沒有這個框架，再多的 Agent、再頻繁的互動，都只是在打造一個健忘而脆弱的數位社會。

為什麼僅靠互動與規模，無法催生真正的 AI 社會？

從史丹佛大學著名的《Generative Agents》研究開始，許多人相信只要將大量具備語言能力的 Agent 放在一個模擬環境中，就能觀察到類似人類社會的複雜行為湧現。前述提到的 Moltbook 案例研究，正是沿著這個思路進行的一次壓力測試。

研究者建立了一個名為 Moltbook 的虛擬社群，讓 AI Agent 在其中自由互動、發表意見，並量化分析其語義穩定性、個體慣性與集體共識的演變。結果令人深思：儘管 Agent 之間有著高密度的互動，但整個社群並未發展出穩定的文化或深層共識。觀點的流行來得快去得也快，Agent 的行為模式缺乏長期一致性，集體意見像是無根的浮萍，隨機漂蕩。

研究者發現，問題的根源在於 Agent 缺乏一個共同的歷史參照系。它們的「記憶」是短暫且個體化的，無法形成如同人類社會中的法律、習俗、歷史事件等集體記憶。每一次互動，在某種程度上都是一次「重新開始」，無法有效累積信任、建立規範或從過去的錯誤中學習。

若每個 Agent 的決策都只基於當下的互動，而忽略了過去的承諾、衝突與解決方案，那麼整個系統就註定是健忘且不穩定的。這不僅是效率問題，更是系統能否產生可信賴結果的根本。

這個發現對我們設計多 Agent 系統有著重要啟示。我們不能再假設「社會化」會隨著 Agent 數量和互動頻率的增加而自然發生。它需要被刻意設計，而設計的核心，就是那個看不見但至關重要的共享記憶層。

社會記憶：從短暫共識到穩定結構的橋樑

那麼，一個有效的「共享社會記憶」應該是什麼樣子？它遠不止是一個所有 Agent 都能讀寫的共享資料庫。我認為，它更像是一個動態的、有結構的框架，用來記錄並解釋這個 Agent 社會的演化歷程。

這讓人聯想到 Marvin Minsky 在其經典著作《The Society of Mind》中提出的觀點：心智本身就是由許多更小的「代理」（agent）組成的社會。這個內部社會之所以能協調運作，正是因為有著統一的記憶與目標脈絡。

將這個概念延伸到多 Agent 系統，一個有效的社會記憶框架，應該要能儲存「制度脈絡」與「可追溯歷史」。制度脈絡指的是系統中的規則、規範與權力結構，例如哪些決策需要投票、誰有權限修改核心目標等。可追溯歷史則記錄了關鍵決策的形成過程、重要事件的因果關係，以及個體與群體行為的長期後果。

有了這些，Agent 的行為就不再是孤立的，而是鑲嵌在一個有歷史縱深的社會結構中。它們的互動可以參考「判例」，它們的信任可以基於過往的「信用記錄」。缺乏這個框架，就像一個沒有法律、沒有史書、沒有共同文化記憶的部落。即使成員們能彼此交談，也難以形成超越個人關係的穩定合作。

Moltbook 實驗中觀察到的表面穩定，正源於此。共識只是暫時的意見趨同，一旦環境或初始條件稍有變化，整個系統就可能瞬間瓦解，退回混亂狀態。

我們該如何為 AI Agent 建立有效的共享記憶？

將理論轉化為實踐，為 AI Agent 系統設計共享記憶，是一項複雜的系統工程。這不僅是技術挑戰，也涉及治理與價值觀的設計。根據我的觀察與實踐，一個初步的框架可能包含以下幾個要素：

• 結構化的事件日誌 (Structured Event Log)：不僅記錄誰說了什麼，更要記錄決策的背景、參與者、替代方案與最終結果。這形成了一個可供所有 Agent 查詢的「歷史檔案館」。
• 動態演化的規範庫 (Evolving Norm Repository)：從互動中浮現的行為準則或解決衝突的有效方法，可以被「立法」或「判例」的形式固化下來，成為系統的軟性規則。例如，在CAMEL 這類對話式 Agent 框架中，就可以引入基於歷史對話的互動規範。
• 聲譽與信任模型 (Reputation and Trust Model)：Agent 的歷史行為應被量化為聲譽分數，影響其在未來協作中的權重與可信度。這為建立長期合作關係提供了基礎。
• 明確的版本控制與回溯機制：當系統出現重大失敗或偏離目標時，必須有一套機制能夠追溯到是哪個決策或事件導致了問題，並允許系統在一定程度上「回滾」或修正。

誠然，建立這樣的系統極具挑戰性。正如 Anthropic 在其工程部落格中提到的，打造高效能的 Agent 需要在工具使用、規劃能力與模型可靠性之間取得精妙平衡。而共享記憶，正是串聯起這一切，讓個體能力轉化為集體智慧的黏合劑。

這份來自 arXiv 的論文（編號 `2602.14299`，v2 版本更新於 2026 年 2 月 18 日）提醒了我們，通往真正自主協作的 AI 社會，技術的喧囂之下，更需要冷靜的結構設計與對社會運作本質的深刻理解。

延伸閱讀

• Shared social memory for AI societies (arXiv:2602.14299)
• Generative Agents: Interactive Simulacra of Human Behavior
• Anthropic: Building effective agents

我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。