全球一致性：当每个智能体都是正确的而团队仍然错误时 - 多智能体协作的本地到全球语义基础

人工智能Agent可以各自做出局部有效的决策，但共同产生无效的结果。我们称之为全局一致性问题：共享状态的失败，而不仅仅是模型智能的失败。我们的观察混叠不可能性定理给出了精确的边界。当产生相同观察的所有世界共享可接受的动作时，策略可以准确地保证有效的动作。如果 k 个不可区分的世界需要成对不相交的操作，则最佳随机最坏情况成功率为 1/k；更多的推理、角色、消息或样本无法恢复缺失的区别。更强大的模型可以在其上下文中更好地进行推理，但它无法超越它。然后我们给出局部到全局的运行时语义 X = (H, C, G, F; D)：拓扑 H 记录重叠范围； C 类管理状态改变行为； groupoid G 保留可逆翻译；层 F 测试局部观点是否粘连到一个世界；最小历史 D 只保留改变法律未来的区别。模型建议；Harness拥有共享状态并管理提交。九项研究测试了失败及其边界。在受控修订基准上，当决定性事件可见时，相同的前沿模型得分为 40/40；隐藏时，测试武器得分12--17/40，与几率一致（1/3）；恢复一项权威事实的回报率为 40/40。在 TeamBench 上，普通团队在 5/5 的运行中超出共享预算，可见的实时计数留下 4/5 的违规，提交执行留下 0/5。在 tau2-bench Telecom 中，静默恢复后当前状态检查得分为 0.07，而Harness得分为 1.00。当传统求解器已经拥有完整的相关状态时，它会按照预测绑定Harness。违反直觉的结论是，本地情报无法替代缺失的全球国家。