心法二：精煉循環 — 迭代的雙面刃與平台思維
上一篇我們建立了工作流程的前兩個階段：把獨立的 A、B、C 串成工作流程，然後設計 Context 的交接。當你用這個工作流程實際跑了一陣子之後 — 恭喜，你完成了第一步。
但也只是第一步。因為你只是把 你原本的工作流程 用 AI 實現了。這個工作流程隨著 AI 的介入，一定會出現變化的地方 — 有些步驟變快了、有些步驟反而多了新問題、有些人類的判斷現在需要被明確化。
這時候進入精煉循環。
用 /insight 做診斷
善用 /insight 指令（或類似的診斷工具）來檢視整個工作流程：
- 人類介入的地方是否合理？
- AI 使用上有什麼缺失或低效？
- 哪些重複的操作可以被自動化？
/insight 通常會給你一堆建議，其中很多會是「把這個加進你的 CLAUDE.md」。
但等等 — 想想前七篇學到的東西。
CLAUDE.md 應該是 極度精簡 的（第三篇的 Token 預算：<60 行）。不是所有東西都該往 CLAUDE.md 塞。你需要做的是 分類：
- 全域的基礎原則（身份、核心規則）→ 放 全域 CLAUDE.md — 每次對話都載入，必須精簡
- 專案特定的規範（coding style、架構規則）→ 放 專案的 CLAUDE.md — 只在該專案中載入
- 常用的方法論（分析框架、審查流程）→ 放 Skill — 按需載入，Progressive Disclosure
- 必須遵守的硬性規則 → 放 Rule — 不可覆寫的約束
- 系統層級的自動化（commit 前檢查）→ 放 Hook / Script — 寫死在系統裡，不依賴 AI 記住
這個分類的本質，其實就是第三篇 Context Engineering 的 JIT 原則在工作流程層面的應用：不是所有知識都該一次載入，不是所有規則都該放在同一個地方。
UX Planet 的一篇 CLAUDE.md 最佳實踐分析 [16] 也印證了這點：最成功的 Claude Code 使用者都在「obsessively manage context」— 包括精心維護 CLAUDE.md 檔案、積極使用 /clear、建立 living plans 文件系統，以及設計 token-efficient 的工具。這不是偶然，而是 Context Engineering 的自然結果。
小提醒：/insight 的結果跟目錄有關
/insight 有時會根據你執行的目錄給出不同的建議，雖然他會抓取所有的對話紀錄，但因為他會過濾不相關的對話，所以如果你在不同的目錄下跑它，而且這個目錄有自己的 .claude 設定，那 Insight Report 會因為過濾的對話不同，有時你會得到不同的結果，這不是 bug，這是 Context-aware 的特性。
警告：迭代的雙面刃
精煉循環是有效的 — arXiv 上的 Self-Refine 研究 [1] 顯示，迭代改進對比一次性生成，平均提升約 20%。ICLR 2025 的研究 [5] 也發現，在數學任務上迭代 pipeline 超越單次 baseline 達 +11%。
但迭代本身是一把雙面刃，它有三個你必須注意的風險：
風險一：複雜度膨脹（Complexity Inflation）
每次迭代傾向「增加」而非「簡化」。GitClear 對 2.11 億行程式碼變更的縱向分析 [15]（2020-2024）發現，AI 輔助開發的重構比例從 2021 年的 25% 降至 2024 年的不到 10%，而程式碼重複量增加了約 4 倍。換句話說，每一輪迭代都在加東西，但很少有人在減東西。
風險二：完整性幻覺（Illusion of Completeness）
AI 生成的內容在未經訓練的眼中看起來完美。人腦天生傾向填補缺失資訊 — 當你檢視 AI 的輸出時，大腦會本能地補全明顯的缺口，使結果看起來比實際更「完整」。更危險的是，隨著輸出越來越精緻，人類會越來越少做批判性審查。Springer 2025 年的一項研究 [7] 指出，automation bias 已成為人機協作的關鍵挑戰：正面的第一印象會助長對自動化的過度信任，高工作負荷和時間壓力更會強化這種過度依賴。
風險三：失敗漂移（Failure Drift）
LessWrong 上一篇深入分析 [17] 提出了一個重要概念：failure drift — 每次迭代修復了一個感知到的缺陷，但同時不知不覺引入了同一根本問題的新版本。系統陷入「過度修正模式」，引導修正的元過程本身就是錯位的。除非你明確建模「迭代改進如何改變先前失敗的本質」，否則永遠容易受 failure drift 影響。
DEV Community 上一項關於迭代 review-fix 循環的數學分析 [18] 更直接地指出：迭代有精確度天花板，無論執行多少輪都無法超越。 而且，當評估者與生成者有相同盲點時，迭代只是在重新排列錯誤，而非消除它們。實務上，前 1-2 輪帶來最大改善；關鍵內容建議 3-5 輪，一般內容 2 輪即可；超過此數，回報急劇遞減。
所以迭代的正確姿勢是什麼？
把好處跟風險放在一起看：
- 改善幅度 — 好處：對比一次性生成，平均提升 ~20% [1]；風險：超過 2 輪後回報急劇遞減 [18]
- 品質走向 — 好處：前 1-2 輪顯著改善 [5]；風險：之後可能進入 failure drift [17]
- 複雜度 — 好處：逐步完善系統；風險：每次迭代傾向增加而非簡化 [15]
- 人類審查 — 好處：每輪都有修正機會；風險：輸出越精緻，人類越少批判性審查 [7]
迭代不是壞事，但 不受控的迭代 是。你需要在迭代循環中加入明確的檢查點：
- 設定迭代上限 — 一般精煉 2 輪，關鍵決策 3-5 輪，超過就停下來重新審視
- 每輪檢查複雜度 — 這輪迭代是在「加東西」還是「簡化」？如果連續三輪都在加，暫停
- 引入外部視角 — 這就是下一篇要談的「交叉稽核」原則，它是打破 failure drift 最有效的方法
- 保持懷疑 — 輸出看起來越完美，越要多花一秒鐘想：「這裡有沒有我沒看到的問題？」
從小步快跑到平台思維
這個階段還有一個更宏觀的思維轉變需要發生。
在第一、二階段，小步快跑是對的 — 你需要快速驗證邏輯和思維，確認工作流程的基本假設是否成立。但當你完成了第一個完整的工作流程，開始進入反覆精煉的階段時，你需要開始用平台思維來看整體的基礎設施。
Kissflow 的 2026 趨勢報告 [24] 指出：把 agentic AI 視為漸進式改善的組織，會落後於建構完整平台的組織。Menlo Ventures 的數據 [11] 更具體 — AI 採用率高達 78%，但只有 21% 的組織進行了深層的工作流程重設計。
這代表什麼？大部分組織停留在「局部優化」— 把 A 做得很好、B 做得很好，但因為缺乏平台思維，A 跟 B 之間有巨大的斷裂和漏洞。
所以第三階段的精煉，不只是精煉單一工作流程，而是要定期退後一步，用全局的視角審視：
- 不同工作流程之間有沒有重複的 Skill 或 Context？
- 治理機制（governance）是否涵蓋了所有工作流程，還是只覆蓋了你最常用的那幾個？
- 如果現在加入一個新的工作流程，現有的基礎設施能不能支撐它，還是要從頭來？
IBM 的 AI Governance 指南 [23] 也提到，governance 正從「事後審計」轉變為嵌入 pipeline 的 circuit breaker — 讓審批和稽核追蹤如同 code commits 般整合進工作流程。這就是平台思維的具體體現。
小步快跑驗證想法，平台思維鞏固基礎。 兩者不是互斥的，而是不同階段的重點。
下一篇，我們談工作流程的後半段 — 演進到 Agent Team、發現人類的價值，以及貫穿整個心法的三個核心原則。
參考連結
[1] Madaan et al., “Self-Refine: Iterative Refinement with Self-Feedback” https://arxiv.org/abs/2303.17651
[5] “Think Thrice Before You Act” (ICLR 2025) — 迭代 pipeline 在數學任務上的效果 https://proceedings.iclr.cc/paper_files/paper/2025/file/6882dbdc34bcd094e6f858c06ce30edb-Paper-Conference.pdf
[7] “Exploring Automation Bias in Human-AI Collaboration” (Springer, 2025) https://link.springer.com/article/10.1007/s00146-025-02422-7
[11] Menlo Ventures, “State of GenAI in Enterprise 2025” — 78% 採用率 vs 21% 深層重設計 https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/
[15] GitClear 縱向分析（2.11 億行，2020-2024）— AI 輔助開發的重構比例下降，重複量增加 4 倍 https://arxiv.org/abs/2512.11922
[16] UX Planet, “CLAUDE.md Best Practices” — 成功使用者 obsessively manage context https://uxplanet.org/claude-md-best-practices-1ef4f861ce7c
[17] LessWrong, “The Illusion of Iterative Improvement” — failure drift 概念 https://www.lesswrong.com/posts/QMqdrTfmuJXsAcopq/the-illusion-of-iterative-improvement-why-ai-and-humans-fail
[18] DEV Community, “Iterative Review-Fix Loops Formula” — 迭代精確度天花板的數學分析 https://dev.to/yannick555/iterative-review-fix-loops-remove-llm-hallucinations-and-there-is-a-formula-for-it-4ee8
[23] IBM, “AI Governance Implementation Guide” — governance 嵌入 pipeline https://www.ibm.com/think/insights/ai-governance-implementation
[24] Kissflow, “7 AI Workflow Automation Trends 2026” — 平台思維 vs 漸進式改善 https://kissflow.com/workflow/7-workflow-automation-trends-every-it-leader-must-watch-in-2025/
支持這個系列
如果這系列文章對你有幫助，考慮請我喝杯咖啡
請我喝杯咖啡
