從單一提示到系統協作：AI 行為管理的模組化思維

隨著 AI 協作從單次對話走向長期系統整合，過去那種將所有指令塞進單一提示或設定檔的作法已顯得捉襟見肘。真正的挑戰，在於如何建立一套可維護、可擴展的行為管理框架。我認為，關鍵在於將恆定的「通用規則」與依情境觸發的「特定技能」進行分層管理。這種模組化思維不僅能避免指令衝突與效能衰退，更是讓 AI 從單純的工具進化為可靠系統夥伴的基礎。

為什麼單一設定檔會成為 AI 協作的瓶頸？

在大型語言模型（LLM）應用的初期，我們習慣於透過「提示工程」（Prompt Engineering）來引導 AI 完成任務。一個精心設計的 mega-prompt 似乎能解決所有問題。然而，當我們試圖將 AI 整合為開發流程或業務系統的一部分時，這種單體式（monolithic）的管理方式很快就曝露出其脆弱性。

一個具體的例子來自開發者社群中關於 Claude Code（一個 AI 程式碼協作工具）的討論。有開發者反應，當他們把所有專案的程式碼風格、API 使用慣例、測試要求、溝通語氣等規則全部寫進根目錄的 CLAUDE.md 設定檔後，這個檔案輕易就超過了 500 行。

結果是，模型開始出現指令遺忘、行為不一致，甚至完全忽略某些規則的情況。這並非模型能力不足，而是典型的「指令過載」與「上下文稀釋」問題。當所有指令不分主次地擠在同一個地方，模型很難在每次互動中都精準地權衡與執行。

即使是像 Claude 3.5 Sonnet 這樣擁有 200K token 超長上下文視窗的模型，也同樣面臨這個挑戰。上下文視窗的擴大讓我們能處理更複雜的任務，但也讓「如何在龐大資訊中維持指令的清晰度與優先級」成為新的核心課題。這就像試圖讓一位員工同時記住公司所有部門的所有規章，並在處理單一任務時全部應用——這不僅不切實際，更會導致效率低下與錯誤頻傳。

如何有效分層管理 AI 的規則與技能？

面對上述挑戰，Anthropic 在其工具設計中提出了一個值得借鏡的分層管理哲學：將「通用規則」與「特定技能」明確分離。這套思維將 AI 的行為約束與任務能力，視為兩個不同層次、需要不同管理策略的物件。

核心原則是：恆常不變的通用守則，應與特定任務的執行步驟脫鉤。前者定義了 AI 的「人格」與「邊界」，後者則賦予它解決具體問題的「能力」。

我們可以將這兩者類比為作業系統與應用程式的關係：

• 通用規則 (General Rules)：對應 CLAUDE.md 這樣的全域設定檔。它應該只包含那些在專案生命週期中幾乎不變、對所有任務都適用的高階指令。這就像是 AI 的「憲法」。例如：這種做法與 Anthropic 提出的「憲法 AI」（Constitutional AI）概念一脈相承，透過一組核心原則來約束模型的底層行為。
  • 程式碼風格遵循 PEP 8 規範。
  • 所有對外溝通使用繁體中文，語氣專業、中立。
  • 禁止使用已被棄用的函式庫。
  • 安全性：永遠對使用者輸入進行過濾與驗證。
• 特定技能 (Specific Skills)：對應所謂的「Skills」文件。這些是模組化、可複用的任務腳本，只有在需要時才會被呼叫。這就像是 AI 的「函式庫」或「API 工具箱」。例如：
  • 一個名為 refactor_react_component.md 的技能，詳細說明如何將一個 Class Component 重構成 Functional Component with Hooks。
  • 一個名為 write_api_docs.md 的技能，定義了產生 OpenAPI 規格文件的標準流程與格式。
  • 一個名為 analyze_performance_log.py 的技能，指導 AI 如何解析特定格式的日誌檔案並生成報告。

這種分層架構，讓我們能像管理軟體專案一樣管理 AI 的能力。通用規則確保了行為的一致性與可預測性，而技能庫則提供了擴展性與靈活性。

當需要為 AI 新增一項能力時，我們只需新增一個技能文件，而無需去修改那份已經很臃腫的核心設定檔，大幅降低了維護成本與出錯風險。

模組化設計將如何形塑未來的 AI 系統？

將 AI 的行為管理從單一提示轉向模組化、分層化的系統設計，其意義遠不止於解決設定檔過載的問題。這反映了我們與 AI 協作模式的根本性轉變，也與現代軟體工程的最佳實踐不謀而合。

首先，它提升了系統的可維護性與可擴展性。如同軟體開發中的模組化設計原則，將功能拆解成獨立、低耦合的單元，讓修改或新增功能變得更容易，且不易引發意料之外的副作用。一個團隊可以分工協作，共同維護一個龐大的「AI 技能庫」，而不用擔心彼此的修改會互相干擾。

其次，它為能力的複用與組合提供了可能。一個定義良好的技能可以在不同專案、不同場景中被重複使用。未來，我們甚至可以想像一個類似「企業技能市集」的生態，讓不同團隊可以共享、貢獻和改進 AI 技能，加速組織內 AI 應用的普及。這與目前主流的大型模型 Function Calling 或檢索增強生成（RAG）等技術方向是一致的——都是將通用語言能力與特定領域知識/工具進行解耦與動態組合。

最後，這種思維是建構更複雜、更可靠的多代理人系統（Multi-Agent Systems）的基石。在一個由多個 AI 代理協作的系統中，每個代理可能都需要共享一套通用的「物理定律」（通用規則），但同時又擁有各自獨特的專業「技能」。一個清晰、模組化的行為管理框架，是確保這種複雜系統能夠穩定、高效運作的先決條件。

總結來說，當我們不再將 AI 視為一次性的問答機器，而是長期、深度整合的系統夥伴時，我們的管理思維也必須跟著升級。從單一的 `CLAUDE.md` 檔案管理，到「通用規則 + 特定技能」的模組化架構，這不僅是一個技術實踐的演進，更是一種策略性的思考，決定了我們能否建構出真正穩健、可信賴的 AI 協作系統。

延伸閱讀

• Anthropic's Introduction to prompt engineering
• Constitutional AI: Harmlessness from AI Feedback (arXiv)
• A Survey on Large Language Model based Autonomous Agents (arXiv)
• OpenAI's Function calling guide

我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。