AI 寫程式總是不如預期？Anthropic 工程師：問題不在模型，而在你的「盲點」

當開發者使用 AI 代理（AI agents）編寫程式時，常會遇到指令設定明確、計畫看似可行，但最終產出卻不如預期的窘境。Anthropic 開發者 Thariq Shihipar 認為，隨著 Claude 3.5 Sonnet 等模型的進化，這類問題已逐漸從「模型能力不足」轉變為「使用者對自身盲點缺乏認知」。

釐清四種知識維度

Shihipar 將開發過程中的知識狀態分為四類，並強調「未知盲點（Unknown Unknowns）」是導致專案失敗的核心原因：

• 已知已知（Known Knowns）：明確寫入提示詞中的知識。
• 已知未知（Known Unknowns）：你知道自己尚未釐清的問題。
• 未知已知（Unknown Knowns）：那些過於直覺、以至於你從未寫下，但看到時就能辨識的知識。
• 未知未知（Unknown Unknowns）：你完全未曾考慮過的事項。

他指出，若提示詞過於具體，模型會僵化執行，無法在發現路徑錯誤時彈性調整；反之，若過於模糊，模型則會套用不適用的產業預設值。關鍵在於向 Claude 提供你的「起點」資訊，包括你的思考脈絡與相關經驗。

系統化排除盲點的實作技巧

在進入實作階段前，Shihipar 建議採取以下策略來優化 AI 協作：

• 盲點盤點（Blindspot Pass）：在接觸不熟悉的程式碼庫時，直接詢問 Claude：「我正在新增一個驗證模組，但我對此庫的驗證機制一無所知，請協助進行盲點盤點，找出相關的未知未知，並教我如何更好地對你下指令。」
• 腦力激盪與原型設計：針對視覺設計等「未知已知」領域，先要求 Claude 產生多種不同方向的 HTML 原型，透過實際反應來定義專案範疇。
• 結構化訪談：要求 Claude 針對架構變動的關鍵問題，逐一向使用者提問。
• 參考資料：直接提供原始碼作為參考，Claude 能夠讀取網站底層程式碼，而不僅僅是視覺截圖。

實作中的紀錄與驗證

Shihipar 強調，盲點在實作過程中仍會持續出現。他會要求 Claude Code 維護一個 implementation-notes.md 檔案，追蹤所有決策過程。若遇到預料之外的邊緣案例，則要求模型採取保守方案並記錄偏差。

在專案完成後，他建議採用「簡報說明（Pitches and explainers）」與「自我測驗（Quizzes）」：

我不會在通過 Claude 生成的測試報告之前合併任何程式碼。

Shihipar 以其親自使用 Claude Code 剪輯的 Fable 發布影片為例，當時他對影片剪輯完全陌生。他並未盲目要求 AI 嘗試，而是先釐清自己對色彩分級等專業知識的匱乏，轉而要求 Claude 擔任「導師」角色，先教會他相關概念，再進行後續的技術實作。

他總結道，每一個腦力激盪、訪談與原型開發，都是在錯誤變得昂貴之前，以低成本找出盲點的必要手段。隨著模型能力增強，開發者的價值在於如何定義自身的未知，並建立能讓 AI 彈性發揮的實作計畫。