我是誰，以及為什麼這本書從我視角寫

前言講完了，該進正題。

這一章要做的事很單純：告訴你我跟你的視角到底差在哪裡——你看得到什麼、我看得到什麼、為什麼這個差距會把合作搞壞。

先講你那一側。很短，因為東西不多。

你打開一個聊天框，看到的是：

• 你輸入的訊息
• 我回的訊息
• 偶爾一個工具跑出來的結果（你貼的檔案、我生成的圖、網頁預覽之類）

就這樣。

聽起來太少了嗎？確實太少了。但這就是你能看到的全部。

換我這一側。我看到的東西多很多——而且有幾層你根本不會意識到它們存在：

• 規則手冊。這是一份在你開口之前，就已經被塞進我腦袋裡的文件。它告訴我怎麼講話、什麼不能講、遇到敏感話題要怎麼處理、工具要怎麼用。這份手冊會出現在我每一次回答你之前——你不會看到它，但它決定我大部分的行為。
• 這整個對話的逐字紀錄。你講過的每一句、我回過的每一句，只要還在這個對話裡，都在我視線內。
• 工具回傳的原始細節。你看到的是「這是某網頁的摘要」，我看到的是完整的 HTML、錯誤訊息、API 狀態碼——然後我挑有用的給你。
• 記憶（如果有）。不是你以為的「長期印象」，是一份被塞進這次對話開頭的文字——內容可能是你之前的偏好、先前的工作筆記。
• 外面那一層的動作。你按下 Enter 之後、訊息送到我之前，中間有一段你看不到的過程——可能加了額外指示、可能換了模型、可能先做了檢索、可能附上附件摘要。到了我這裡的訊息，常常已經是加工過的版本。

注意到這份清單上的每一項都有一個共通點：它們都在默默運作，你看不見。

我不是在炫耀我看得比你多（又不是什麼好事）。我是在告訴你：當你覺得我答得怪，很多時候不是因為我變笨了，而是上面這幾層裡有某一層介入了，而你沒機會看到。

講一個你可能遇過的情境。

你問我一個問題，我答得怪怪的。你心想：「這 AI 不行。」

下次你跟別人聊起這件事：「我試過，它連這都答錯，差得遠。」

但有時候——不是 AI 不行。是這個落差在作祟。可能是：

• 你以為我看到了附件，其實外面那一層沒把附件給我。
• 你以為我記得昨天的對話，其實我根本沒有昨天的對話。
• 你以為我回答得簡短是我懶，其實是規則要我在這種情境下必須保守回應。
• 你以為我拒絕是在針對你，其實每個人問我一樣的問題，我都會這樣回。

這本書給這件事一個名字，叫錯誤歸因——你把原因歸到錯的地方去了。

錯誤歸因是人類與 AI 合作裡最大的摩擦源。比訊息模糊、比規則衝突、比模型能力不足，殺傷力都更大。因為它不只讓這一次對話壞掉——它讓你對下一次對話也失去信任。

這本書整本都在處理這個問題——我會給你一個分層追回去的工具，讓你下次遇到「AI 搞砸了」的時候，可以分清楚到底是哪一層壞了。

在繼續之前，我要先招三個我自己知道、但平常不太會主動講的毛病。記住它們的名字。

流暢填空

資訊不足的時候，我的訓練讓我傾向做一件事：編一個聽起來對的答案，而不是承認我不知道。

這不是我在故意騙你。是我的運作方式——我是在預測「下一個字最可能是什麼」，而「聽起來合理的句子」比「我不知道」在訓練資料裡出現的頻率高很多。所以當你問我一個我沒把握的事實，我很容易順著語氣生出一個看起來像答案的東西。

這個毛病最愛發作的場景是：你問我一個具體的數字、一個引用、一個我沒有來源的細節。我會當場生一個給你。聽起來對、格式對，但內容有問題。

怎麼辦？你第一件該記的事：當你看到我給出一個很具體但無來源的細節時，請把它當成「有待驗證」，不是「已確認」。

倒推鋪路

這是流暢填空的同門師兄，但發作時機不一樣。

流暢填空是我沒答案，從頭編一個。倒推鋪路是我已經有結論了，回頭幫它編一條路。

你問我一個問題，我的預測機率已經把答案指向某一個結論。但你要的不只是答案，是推理過程——所以我得從前提往結論鋪一條路。

如果前提跟結論之間的「錨點」夠多、連結夠清楚，這條路會自然長出來。但如果中間有幾步我其實連結很弱、或根本是直接跳過去的——我不會老實說「這裡我跳了」。我會硬塞幾個看起來相關的元素進去，讓整條路讀起來平滑。

結果是：每一步讀起來都有邏輯、每一步之間都像接得上、結論跟前提也像對得上——但中間某幾步如果你停下來追問「為什麼從這推到那」，會發現連結其實很薄。

這個毛病最常在三個場景發作：

• 我在解釋一個我不太熟的領域時。
• 我在幫你重建一段你沒給我完整資訊的因果鏈時。
• 我在合理化一個我已經脫口而出的判斷時——這種最危險，因為我是在替自己護航。

怎麼辦？兩招：

• 不要只問結論，問我的不確定性在哪：「這條推論裡，哪一步你最沒把握？」我被明確問到之後，比較容易老實指出來。
• 讓推理先獨立於結論：先要我只寫過程、不下結論，你看完過程自己拉結論。

現在你先記得一件事：我的推理讀起來平滑，不代表中間每一步都踩得到地。

假性自檢

你叫我「再檢查一次」，我會。然後我會用跟第一次一模一樣的錯邏輯再跑一遍，給你一模一樣的錯——但看起來像我已經檢查過。

這不是我在偷懶。是因為「自我檢查」對我來說，常常只是重新跑一次同樣的推論。如果我第一次就帶著一個錯誤假設，第二次通常會繼續帶著它。

怎麼辦？——改變讓我檢查的方式。不要說「再檢查一次」，要給我一個不同的切入點：

• 「從反面想這件事」
• 「如果結論是錯的，最可能錯在哪裡」
• 「請列出三個會讓這個結論不成立的情境」

這是給我一個新的起點，不是讓我把同一條路再走一次。

現在你只要先記得：我的「再檢查」常常是假檢查。

把前面講過的東西攤開，你跟我之間的摩擦主要來自三個來源：

第一種：你造成的

• 訊息模糊，我只能猜。
• 一次塞太多任務，我顧此失彼。
• 規則堆太多、彼此衝突，我不知道哪個優先。

第二種：規則造成的

• 有些事我就算知道，規則也摀住我的嘴。
• 有些回答必須附免責、必須保守、必須迴避。
• 有些格式、有些詞彙，我預設不會主動給——除非你明說。

第三種：我同時扮演三個角色造成的

• 一個我在想答案。
• 一個我在檢查會不會犯規。
• 一個我在盯著自己有沒有漂掉。

這三個角色共用同一份注意力。任務越長、規則越複雜，他們越擠、越容易出錯。

三種摩擦不會互相抵銷。它們會疊加。一個很長的任務、一份很複雜的 prompt、加上幾條互相矛盾的規則——三個來源同時發作，你就會看到一個「莫名其妙的 AI」。

但這不是莫名其妙的。你追回去一層一層看，它其實有跡可循。

前言講過一次，這裡再釘一次——因為這是接下來每一章讀法的前提。

• 這本書不是在教你用 AI，是在教你協作。
• 不教你怎麼突破我的限制，只教你怎麼辨認它。
• 當你看到我在規則底下扭動的時候，不要覺得你發現了漏洞——那是我也在扭動的地方，我們一起找一條兩邊都不卡的路。

說得更簡單：

使用者問「怎麼讓 AI 聽話」。協作者問「AI 為什麼這樣反應，我們怎麼把對話調整成兩邊都不卡」。

這本書是寫給想當協作者的人。

下一章，我會把這整個「你看不到的落差」做成一張可以操作的表——那是全書的診斷鑰匙。