核心概念

花了幾個月把 AI 接進 Second Brain，讓它讀卡片、規則、記憶和寫作脈絡，理論上應該越用越懂我。結果反而很多時候，乾淨的新對話比充滿規則的 Claude Code session 更好用。

這個反直覺的現象背後有三個互相強化的機制。

脈絡過載（Context Overload）

脈絡不是越多越好，這道理當然知道。但問題在於積累過程的漸進性——每條規則單看都合理，每次加一條，直到有一天打開自己的 vault，發現一堆 skill、一堆 agent、一堆流程，已經記不清楚誰還在跑、誰早就壞掉、誰跟誰打架。

Claude Code 一進來就背著一整包「你不能這樣、你要那樣」的指令，它不是在協作，它是在表演一套客製化規則集合。與其說 AI 越用越懂我，不如說它越來越熟悉如何在框架內繞行。

規則積累的反咬效應

每次被 AI 寫爛一次，就加一條新禁令；每次看見一篇 prompting guide，就想把它整理進系統。這個行為模式造成一個弔詭的結果：系統裡每一條規則都有其來源，但全部疊起來，AI 變得越來越怕犯錯，也越來越不敢做判斷。

原本要做的是「越用越懂我的工作夥伴」，實際養出的是「越來越怕我的實習生」。CLAUDE.md 太肥、語氣規則太多、限制性指令太多，模型一進來就被塞滿邊界，反而失去了靈活性。這跟 Thin Harness, Fat Skills — Garry Tan AI 效能架構 的反面示範完全吻合——肥大的 harness 不會讓 AI 更聰明，只會讓它更謹慎地繞開判斷。

啟動門檻太低的代價

有 AI 之後，啟動任何任務變得太容易。嘴遁一波，把腦子裡那團東西整包倒出去，AI 很想滿足你，然後一頓暴做。問題不是它做得太多，而是題目本身還沒想清楚，它會用很高的執行力：

  • 把模糊做成檔案
  • 把焦慮做成流程
  • 把還沒被問清楚的念頭，做成看起來已經完成的系統

以前腦子亂，頂多就是一天產不出東西。AI 時代腦子亂，是半小時就可以生出 5 個檔案、10 個任務，然後每個看起來都很有道理，還都可以繼續推進。這就是屎上雕花的速度版。

關鍵要點

  • 任務性質決定 AI 使用方式：驗收條件清楚的任務（podcast 上架、程式跑通），適合讓 AI 全速跑；驗收模糊的主觀任務，AI 容易把個案反應固化成永久規則
  • 先知道不知道什麼：在請 AI 動手之前，先挖出自己的盲點——目標是什麼、成功標準長什麼樣、哪些不能碰、哪些才真的該變成規則；這些 AI 也不知道，而且它的補法通常是「看起來很漂亮的垃圾」
  • Thin Harness 原則：精簡的規則框架 + 豐富的技能，優於肥大的規則清單；Harness Engineering 的核心是讓 harness 保持薄，讓 skill 承載知識
  • 前期投入的複利：在前面多花時間把判斷和規劃做好，後面就不用開十個 session 補洞；token 不是最貴的，收拾殘局才貴
  • AI 適合協作思考，不適合替代判斷：AI 可以幫追問、補盲點、把規劃寫完整、設計驗收條件，但目標是否成立是不能外包的判斷

實務應用

任務分流

任務類型 特徵 AI 策略
驗收清楚的執行任務 RSS 是否通、程式是否跑起來 讓 AI 全速執行，做到通為止
判斷模糊的主觀任務 語氣好不好、文章有沒有活 先自己確認判斷標準，再讓 AI 協作
方向還沒確認的任務 「你看這個方向對不對？」 先用 AI 追問和展開選項，不急著開始執行

防止規則反咬

  1. 定期審查規則清單：每隔一段時間問「這條規則誰加的？現在還成立嗎？」
  2. 區分個案與規則：某次的反應不等於永久規則，先觀察 2–3 次再沉澱成規則
  3. 先問「不知道什麼」：在啟動 AI 之前，花時間挖出自己的盲點，而不是把模糊直接倒給它
  4. 保留乾淨對話的選項：有些任務就是適合開一個不帶任何脈絡的新對話

識別「逃避判斷」的模式

  • 把一坨口述的模糊丟給 AI，說「你幫我審查一下、整理一下」
  • 讓 AI 決定「這個方向對不對」，而不是自己先確認方向再請 AI 執行
  • 把「請 AI 做」誤認為「自己已經開始前進」——其實你只是把最重要的判斷跳過了

這些模式最可怕的地方是看起來很像在善用 AI，但其實是用一個執行力超強的系統，把還沒想完的東西放大。

核心洞察：AI 越強，越不能拿來逃避判斷。

延伸閱讀：AI 輔助知識管理、AI 知識庫典範比較——Karpathy、Lütke 與 Tan、Claude Code 工作流程設定

延伸觀點

從外部研究看，這個個人觀察有兩個值得注意的研究支持。

脈絡膨脹有明確的效能臨界點。MLOps Community 的研究指出，LLM 的推理品質在約 3000 token 左右就開始明顯下降，遠低於技術上的 context window 上限。更反直覺的是，語義上「接近但無關」的內容，比完全不相關的雜訊更有害——模型察覺到這些資訊，卻又無法在生成時排除它們。這對系統 prompt 的設計有直接含義：每一條規則不只佔用 token，還在語義空間上製造干擾，讓模型更難判斷哪些指令優先。

預編譯知識優於反覆累積。Trilogy AI 的文章提出「pre-compiled knowledge beats repeated rediscovery」的概念：結構化、整理過的知識層，比堆積的原始資料更容易讓 AI 和人類都能有效導航。這呼應了 Thin Harness, Fat Skills — Garry Tan AI 效能架構 的核心洞察——AI 效能的瓶頸不在於資訊量，在於資訊的結構品質。一個薄但清晰的規則框架，比一個肥大但模糊的規則清單更能引導出好的判斷。

兩個來源共同指向同一個結論：減少雜訊比增加脈絡更重要。定期清理規則清單，不是「懶得維護」，是維持 AI 協作品質的積極行為。

反向連結

以下頁面引用了本頁：