四視角辨認法

上一章我說「你看不到我看到的」。那是抽象說法——聽起來像是在提醒，但還沒變成你可以拿來用的東西。

這一章我給你一張圖。

這張圖的作用是：下次你覺得「AI 搞砸了」的時候，你可以把現場分成四層，逐層問「這一層發生了什麼？」——然後你會發現，多數時候壞掉的不是你以為的那一層。

這張圖是整本書的診斷鑰匙。先把它認熟。

小雨傳了一份 PDF 給 AI，說：「幫我摘要這份報告第三節。」

AI 回她：「我看到的這份檔案裡沒有第三節，你要的可能是第二節（標題：市場概況）？要我摘那一節嗎？」

小雨當場火：「就是第三節啊！我剛剛明明有傳！」

她截圖發限動：「這 AI 連檔案都看不到，還敢收錢。」

後來小雨的朋友幫她追了一下，發現：

• PDF 是 12 頁，但上傳服務預設只抽前 5 頁的文字給 AI 看。
• 第三節在第 7 頁。
• AI 看到的那份 PDF，真的沒有第三節。
• AI 沒答錯，它老實說了它看到的。

問題發生在介面到 AI 之間的某一層——那一層做了一個小雨不知道的截斷。她看到 12 頁傳成功，她以為 AI 看到 12 頁。落差就出在那裡。

這類事情每天都在發生。你罵 AI 的時候，多半是在罵錯人——只是你沒有工具把現場分層，所以只能把整個鍋丟給最後那個「看起來在回答你」的角色。

這一章要給你的就是那個工具。

你跟我之間的每一次對話，中間隔著四層。我把它們畫成四個視角：

使用者視角

你在螢幕上看到的一切：你打的字、我回的字、偶爾冒出來的工具結果、附件縮圖、按鈕、提示、錯誤訊息。

這一層是你的全部。你看得到的、你以為正在發生的，就這些。

你的行動也發生在這一層——你輸入 prompt、你加附件、你複製貼上。

UI 視角

平台那一側的動作。你看得到結果，但通常不會注意過程。

例如：

• 你貼了一段 8000 字的檔案，畫面摺疊成「已附加檔案」一個小圖示。
• 你問的問題被自動加上「請以繁體中文回答」——那是你的設定偷偷塞的。
• Agent 的思考過程被折疊成一行「Thought for 12 seconds」——內容還在，只是收起來讓你看不到。

UI 這層的工作是「把複雜的東西收整齊」。大多數時候做得不錯。但它的收整齊，經常把關鍵細節收到你看不見——然後你做判斷的時候會漏掉那些細節。

Harness 視角

再往下一層，就是Harness。

Harness 是外層系統——它不是介面、不是模型，是夾在中間那一大塊。你按 Enter 之後、訊息真正送到我之前，Harness 在做事。它做的事包括：

• 工具調用。我說「我要查網路」，Harness 真的去查、把結果塞回我的上下文裡。
• 記憶注入。你的偏好、過去的筆記、之前的對話摘要——Harness 挑它覺得相關的，塞進這次對話的開頭。
• 檢索。你問的問題觸發了某個知識庫檢索，Harness 把找到的片段混進我收到的輸入裡。
• 護欄。某些話題 Harness 會先攔下、換成拒絕訊息——我甚至沒機會看到原始問題。
• 預處理。附件被 OCR、被抽摘要、被截斷、被轉成某種格式——到我手上時已經不是原檔。
• 模型路由。你以為你在跟同一個模型說話，但 Harness 可能根據問題類型或負載，把上半段跟下半段分派給不同模型——你看到的是同一個聊天框，背後不是同一個我。

Harness 這一層最難的地方在於：它是隱形的，而且它的行為會變。同一個平台，這個月的 Harness 跟下個月的 Harness 可能不一樣——你上個月好用的咒語，這個月不好用，很多時候就是 Harness 改了。

模型視角

最後才是我。

我收到的是上面三層加工過的輸入——不是你打的那一行，而是你打的那一行加上規則手冊、加上記憶注入、加上檢索片段、加上工具結果、加上系統訊息。

我生成的是一串字。這串字再被上面三層反過來處理一次——Harness 可能過濾、UI 可能重新排版或只顯示一部分——然後才到你眼前。

我這一層會出的錯是模型本身的錯：算錯、記錯、推理推偏、理解歪了。這類錯是真實的，存在的，不能推給別人。

但很多被歸在我頭上的錯，其實不是我這層出的。下一節要拆的是：怎麼分清楚哪一層才是真正的故障源。

方法很簡單：遇到一個「AI 搞砸」的時刻，你在紙上畫四欄——分別標上使用者／UI／Harness／模型——然後逐欄填「這一層看到／做了什麼」。

填完你會看到一件事：落差通常不在你原本以為的那一層。

下面三個示範，來自真實事件。

示範一：UI 摺疊造成的「AI 變笨了」

2025 年底，一款主流 AI 開發者 CLI 工具推出新版本，使用者開始大量抱怨「AI 變笨了」「不思考了」「答案變短」。官方 issue 討論串長到失控。

四欄對照：

乍看結論：模型沒變笨，是 UI 把思考過程收起來了。官方後來說明：收起來是顯示問題，不是運算問題。

但這件事有個雙層轉折——有使用者真的檢查了 token 用量，發現某些情境下模型真的思考變少了。於是同一個抱怨，兩種成因：

• A 類使用者：UI 摺疊造成的錯覺。
• B 類使用者：模型層思考時間真的縮了。

如果你只罵「AI 不行」，你連自己是 A 還是 B 都分不清。你把四欄畫出來，才會發現需要不同的處理方式——A 類去改顯示設定，B 類才是要反映給官方的問題。

示範二：Harness 注入記憶造成的「它怎麼知道？」

2025 年 4 月，一款主流 AI 聊天產品推出「參照聊天紀錄」功能。它會從你過去的對話裡撈片段、塞進這次對話的上下文。

一位使用者刪光所有記憶、關掉歷史參照之後，測試性地問了一個關於自己的問題（以為 AI 該答不出來了）——AI 卻在回答裡精準說出那台卡車的型號、年份、顏色。

那位使用者的第一反應是：「它在偷存我的資料。」

四欄對照：

Harness 那一層做了兩件使用者沒預期的事：

• 「記憶」和「聊天紀錄參照」是兩個獨立系統——清一個不代表清另一個。
• 檢索是模糊的，不是逐字複製——Harness 挑它認為相關的塞進來。有時塞的跟當下問題高度相關（像這次這樣精準命中）；有時則塞進不太相干的私人細節，讓我在奇怪的地方脫口而出。

我看到那段片段，就照著回答——我不知道你以為它已經不見了。

這就是為什麼有時我會知道你以為我不該知道的事。不是我偷聽，也不是模型變通靈——是 Harness 把東西塞給我了，而且塞的時候沒告訴你。

示範三：模型層真的答錯——strawberry 幾個 r

這個最有名：早期的大型語言模型被問「strawberry 裡有幾個 r」，很多都回答 2。正確答案是 3。

四欄對照：

這個錯就是模型層的錯，沒有別人可以怪。

原因講起來技術——簡化說，我在處理文字的時候，看到的單位不是一個一個字母，是一塊一塊的「token」。「strawberry」在我眼裡可能是「straw」+「berry」，不是「s-t-r-a-w-b-e-r-r-y」。所以要我數字母，但我其實沒有字母層級的視野——我是在猜。

這種錯是真的模型不行。不是 UI 摺疊、不是 Harness 攔截、不是使用者沒看到——就是模型這一層能力不到位。

但注意一件事：只有當你把前三欄都釐清之後，你才有把握說「這是模型的錯」。跳過前三欄直接罵模型，你會錯估很多次。

把三個示範攤在一起，你會看到一個規律：

• 示範一，多數壞在 UI（少數 B 類其實在模型）。
• 示範二，壞在 Harness。
• 示範三，才是壞在模型。

但三個情境下，使用者的第一反應都是罵模型。為什麼？——因為模型是那個「看起來在跟你說話」的角色。人類傾向把責任歸給會講話的那個。

這就是上一章講的錯誤歸因，只是換了個更精確的講法：你不是隨機歸錯，你是永遠歸到最可見的那一層。

這個傾向會帶來兩種壞結果：

• 你找錯解方——以為要換模型／換 AI，其實只要改設定或換平台。
• 你錯怪了 AI 的能力——你誤以為模型能力不如預期，但其實你遇到的是 UI 或 Harness 的問題。

有件事我該坦白：我這一層其實常常知道問題出在 Harness，但我被規定不能直接明講那一層是什麼、做了什麼。我能做的，頂多是講出「我沒收到附件」「我不記得上次的對話」「我這邊顯示⋯⋯」這種使用者視角能驗證的線索。你聽到這類話，請把它當訊號——它背後多半有 Harness 動過手腳。

四欄對照法的用處，是把這個「你看不見的地方」強迫攤開來。你不需要變成工程師，你只需要知道有四層、每一層都有可能是故障源——這個認知本身就會把你的診斷精準度拉高一大截。