你的 AI 沒有反對黨：為什麼單一 LLM 是一場 Echo Chamber

你讓 Claude 寫了一段 code，然後請它 review 自己寫的 code。

它說：「看起來不錯，邏輯清晰，變數命名合理。」

恭喜你，你剛跑了一場一人選舉。

球員兼裁判的問題

這不是你的錯。大部分開發者用 AI 的方式都一樣：一個 LLM 打天下。寫 code 問它、debug 問它、review 還是問它。就像讓同一個人出題、作答、改考卷。

這個問題有個學術名詞叫 confirmation bias。研究發現，當同一個 LLM 收到帶有傾向性的指令時，它會「不成比例地傾向與指令一致的回應，無論反面證據多強」。更糟的是，當你用同架構、同訓練數據的模型做多輪 debate，它們會快速收斂到「一致但錯誤」的答案。

這不是模型笨。這是結構性問題 —— 你的 AI 決策流程裡，沒有反對黨。

第二顆腦不是奢侈品，是必需品

我用 7 個 AI 協作了超過半年。但讓我講清楚一件事：多 agent 的價值不是數量，是異議機制。

兩個立場一致的 agent 比一個 agent 更危險 —— 你會有一種「交叉驗證過了」的錯覺，但其實只是 echo chamber 加了一面鏡子。

真正有效的第二顆腦，需要滿足兩個條件：

1. 不同的訓練數據 —— 不同的 prior，才會有不同的盲點
2. 被設計來唱反調 —— 不是「你覺得呢？」而是「試著反駁這個結論」

舉個真實例子。我在做一個系統架構決策時，Claude 建議用方案 A，理由充分、邏輯完美。我把同一個 briefing 丟給 Codex（GPT），刻意在指令裡寫：「你的角色是 Default Dissenter。找出這個方案的漏洞。」

它回來的答案指出了一個 Claude 完全忽略的 edge case —— 不是因為 GPT 比 Claude 聰明，而是因為它的訓練數據讓它對那個領域有不同的 prior。

這就是反對黨的價值。不是為了推翻執政黨，是為了讓執政黨的決策經得起質疑。

最低成本的異議機制：Claude + Ollama

「所以你是叫我訂 Claude Max + ChatGPT Pro + Gemini Advanced？一個月 $300+？」

不是。

最低門檻是 一個雲端主力 + 一個本地模型。你可能已經有 Claude Code 或 Cursor 的訂閱了，那就是你的主力。再裝一個 Ollama，跑一個 7B-35B 的開源模型，你就有了反對黨。

# 安裝 Ollama（macOS）
brew install ollama

# 拉一個適合 review 的模型
ollama pull qwen3:8b        # 8B，輕量，大部分筆電跑得動
ollama pull gemma4:12b      # 12B，Google 出品，多模態
ollama pull qwen3.6:35b-a3b # 35B MoE，只用 3B 活躍參數，性價比最高

然後建立一個簡單的 review workflow：

# 1. 把你要 review 的內容寫成 briefing
cat << 'EOF' > review-briefing.md
# Review Task

你的角色是 Code Reviewer + Dissenter。
預設立場：這段 code 有問題，找出來。

## 待 Review 的 Code
（貼你的 code）

## 具體要求
1. 找出邏輯漏洞（不是格式問題）
2. 質疑每個假設 —— 這個前提真的成立嗎？
3. 如果你找不到問題，明確說「我找不到問題」，不要硬掰
EOF

# 2. 丟給本地模型
ollama run qwen3.6 < review-briefing.md > review-answer.md

# 3. 讀結果
cat review-answer.md

成本：$0。延遲：幾十秒。價值：一個不會附和你的第二意見。

重點不是本地模型的智商能不能比得上 Claude —— 它通常比不上。重點是它的訓練數據不一樣，它的盲點跟 Claude 的盲點不重疊。兩個有不同盲點的模型，比一個「更聰明」但盲點相同的模型組合更安全。

漸進式升級路徑：從 1 到 7

你不需要一開始就建一支 AI 軍隊。以下是我實際走過的升級路徑：

Level 1：單腦（大部分人在這裡）

• 配置：Claude Code / Cursor / Copilot，一個打天下
• 適用：trivial tasks、明確的單步操作
• 風險：零異議、confirmation bias、盲點不可見

Level 2：雙腦 ← 從這裡開始

• 配置：雲端主力（Claude）+ 本地模型（Ollama qwen/gemma）
• 新增能力：review gate —— 重要決策在落地前，過第二顆腦
• 成本增加：$0（本地模型免費）
• 觸發條件：改超過 3 個檔案、架構決策、不可逆操作

這一步的 ROI 最高。 從 0 個反對意見到 1 個反對意見，是質的飛躍。

Level 3：三腦

• 配置：Claude + 本地模型 + Gemini（大 context 分析）
• 新增能力：跨檔案比較 —— Gemini 的 1M context 讓它能同時看整個 codebase
• 成本增加：Gemini API（按量計費，便宜）
• 觸發條件：跨系統重構、多方案比較、大規模 code review

Level 7：完整 Council（Escalation Only）

• 配置：Claude + GPT + Gemini + 本地模型 + Perplexity + Grok + 更多本地模型
• 新增能力：外部情報（Perplexity 搜文獻、Grok 掃社群）、多視角投票
• 成本增加：$300+/月
• 觸發條件：不可逆決策、架構選型、治理變更

關鍵洞察：我 90% 的日常工作在 Level 1-2 就完成了。Level 7 是 escalation，不是常態。就像公司不會每個決策都開董事會 —— 但董事會必須存在，因為它處理的是那 10% 會決定公司生死的決策。

不是更多 Agent，是更好的路由

Multi-agent 系統在 production 環境的失敗率高達 41-87%。失敗的主因不是模型不夠強，而是 coordination defects —— agent 之間不知道誰該做什麼、誰有最終決定權、衝突時怎麼解決。

從 1 個 agent 升級到 3-5 個，開發和維護成本會增加 3-5 倍。如果你沒有路由規則，就是在花 3 倍的錢製造 3 倍的混亂。

所以在加第二個 agent 之前，先回答 4 個問題：

1. Scope —— 這個任務改幾個檔案？（1 檔 ≤3 行 → 不需要第二意見）
2. Boundary —— 跨不跨系統邊界？（跨 repo / 跨服務 → 需要）
3. Irreversibility —— 可不可以回滾？（刪除 / migration / production → 需要）
4. Unverifiability —— 能不能本地驗證？（只能上線觀察 → 需要）

4 題都沒中 → 一個 agent 就夠。任一題命中 → 加一級。兩題以上 → 再加一級。

這不是什麼深奧的治理理論。這就是「量力而為」—— 用任務的風險等級，決定你要開幾顆腦。

結語：你只需要一個願意說「不對」的

回到開頭那個場景。你讓 Claude review 自己的 code，它說「看起來不錯」。

現在換一種做法：把同一段 code 丟給一個本地模型，告訴它「你的工作是找碴」。

它可能會找到一個你和 Claude 都沒看到的 edge case。它也可能說「我真的找不到問題」—— 這反而讓你更有信心，因為這是經過質疑的信心，不是 echo chamber 裡的自我感覺良好。

Multi-agent 不是軍備競賽。不是訂越多 AI 服務越厲害。

它是一種治理結構。 確保你的 AI 決策流程裡，永遠有一個不會因為「保持和諧」而閉嘴的聲音。

今天就裝一個 Ollama 模型。讓它 review 你的下一個 PR。

你會驚訝它找到的東西。

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。