核心主張

當面對未知的領域，「請 AI 描述當前理解」當校準工具，可能是個不錯的方式。但要注意陷入 lag indicator。等到你察覺漂掉時，前面所有對話與決策可能都已建立在錯誤前提上。

真正的對策是把責任反轉：讓 AI 在每個新任務開頭主動 commit 一個 frame，特別是 Excluded 清單，由 user 反應錯誤。這把場景校準從事後撈回變成 leading indicator。

關鍵洞見

  1. 不熟領域無法寫 grounding：背景知識不足，無法畫出自己的願景，甚至迷失在其中。
  2. 兩種「不知道」：背景知識不夠時 AI 猜一版可救，但暗流存在著，AI 不知道你真正要前往的方向
  3. 從 AI 的 Excluded 挖：把 AI 對情境的理解逼出來，拒絕讓 AI 去猜。一旦明寫「假設 B 不影響本案」，user 就會立刻感覺到不對。

正反張力

正向反向
AI 先 commit frame，user 只負責反應錯誤AI 過度顯化假設會吵雜，user 漸漸 skip 不看
Excluded 行能 surface 跨專案暗流AI 越懂全部專案，越會腦補連結，盲點變大
Leading indicator，比 lag 早抓到加法陷阱風險：若每專案都建 INFLUENCES.md 反而違反 subtraction-as-default

設計決定

判斷不確定時偏向「多講」，因為漏的代價（user 漂掉沒被發現）大於煩的代價（多 3 行）。

格式（3 行內輕量）：

假設：
- Scope: 本次只處理 X
- Excluded: 不考慮 Y, Z
- Source: 讀 P，不讀 Q

References

  • ai-scene-drift-meta-note：來源 Inbox 筆記
  • compliance-copilot-使用場景理解：原筆記引用的「請 AI 描述場景」實例
  • subtraction-as-default：加法陷阱警告