從聊天工具到組織代理：AI 指令架構的治理之道

將 AI 從一個聰明的聊天工具，轉變為能在組織內可靠運作的代理（Agent），其關鍵挑戰並非模型本身的能力，而在於我們如何設計其「指令架構」（Instruction Architecture）。當前許多團隊仍將 AI 視為單一的對話窗口，將所有指令、背景資料與規範塞進一個龐大的系統提示中。這種作法不僅難以維護，更無法形成穩定、可預測的行為邊界。真正的解決方案，是將全域規範、公司方針、專案規則與派工邏輯分層注入，打造一個可治理、可審計的「組織控制平面」（Organizational Control Plane），這才是 AI 從個人助理邁向組織級協作者的必經之路。

為什麼單一的系統提示（System Prompt）已不足以應對組織級 AI 協作？

隨著大型語言模型（LLM）的脈絡窗口（context window）不斷擴大，例如 Claude 3 系列模型支援高達 200K tokens，許多人直覺地認為只要將所有資訊「塞」進提示中，AI 就能完美執行任務。然而，這種「單一上下文」（monolithic context）的作法在組織協作中很快就會遇到瓶頸。當一個團隊、甚至整個公司都需要遵循相同的安全規範、程式碼風格或品牌聲調時，讓每位成員手動維護一份內容可能長達數萬字的提示，既無效率也充滿風險。

一旦規範需要更新，例如公司導入了新的資安政策，或是專案決定採用新的 API 設計模式，要確保所有人的提示都同步更新，幾乎是不可能的任務。這種作法缺乏版本控制、權限管理與變更審計，使得 AI 的行為變得極度不穩定且難以追溯。我們需要的不是一個更長的提示，而是一個更聰明的指令載入與管理機制，這正是分層設定的核心價值所在。

CLAUDE.md 的分層設計：指令架構的具體實踐

一些開發者工具的設計，例如在 VS Code 環境中與 Claude 互動時使用的 CLAUDE.md 設定檔，便為我們展示了一種優雅的解決方案。這個機制允許在不同層級放置指令檔案，AI 在啟動時會依序讀取並整合這些指令，形成最終的行為準則。這種分層結構，正是「指令架構」的具體實踐。

一般來說，這種架構可以分為三層：

• 全域層（Global Level）：通常位於使用者家目錄下（例如 ~/.claude/CLAUDE.md）。這裡存放的是適用於所有專案的個人偏好或全公司統一的最高原則。例如，可以設定「絕對禁止在程式碼中寫入任何個人身份資訊（PII）」、「所有程式碼註解必須使用繁體中文」等不可逾越的紅線。
• 專案層（Project Level）：位於專案的根目錄下。這裡定義了該專案的特定規則，例如程式碼風格指南（如 Google Python Style Guide）、API 的使用慣例、專案的技術棧與架構原則等。這確保了所有參與此專案的 AI（或透過 AI 輔助的開發者）都能產出風格一致、符合專案規範的成果。
• 子目錄層（Subdirectory Level）：位於專案內的特定子目錄。這一層用於處理更細緻的任務指令，例如「在這個模組中，所有與資料庫的互動都必須使用 `asyncio` 函式庫」、「撰寫這個元件的測試案例時，必須遵循 AAA (Arrange-Act-Assert) 模式」。

透過這樣的設計，指令的權重與作用域被明確地劃分開來。全域設定提供了穩定的大方向，專案設定統一了團隊的作法，而子目錄設定則讓 AI 能精準處理眼前的具體任務。指令不再是一團混亂的文字，而是一個清晰、結構化的繼承體系。

我們正在從「提示工程」（Prompt Engineering）的游擊戰，走向「指令架構」（Instruction Architecture）的正規戰。前者追求單次互動的最佳效果，後者則著眼於建立長期、穩定且可治理的 AI 行為模式。

如何將指令分層擴展為組織的 AI 控制平面？

CLAUDE.md 的分層設計不僅僅是管理提示的技巧，它揭示了一個更宏大的可能性：建立組織的 AI「控制平面」。當我們將這個概念放大到整個組織時，全域層的設定就相當於由管理或資安部門制定的「數位憲法」。

這份「數位憲法」可以透過內部系統集中管理與部署到每位員工的環境中，確保所有 AI 的行為都符合公司的核心價值與法規要求。這與 Anthropic 提出的 Constitutional AI 概念在精神上不謀而合，只是將其從模型訓練階段延伸到了部署應用階段。

更有趣的是，我們可以在全域層中定義「調度規則」（Dispatch Rules）。例如，當我用自然語言下達一個模糊的指令，如「分析上季度的銷售數據並產生報告」，全域設定可以引導 AI：

1. 首先，呼叫數據分析 AI 代理，使用 SQL 查詢資料庫。
2. 接著，將查詢結果傳遞給數據視覺化 AI 代理，生成圖表。
3. 最後，由報告撰寫 AI 代理整合所有資訊，產出符合公司範本的商業報告。

這套機制讓 AI 不再只是一個單點工具，而是一個由多個專業代理組成的協作團隊。指令架構定義了它們各自的職責範圍與協作流程，這正是建構更複雜的多代理系統（Multi-Agent Systems）的基礎。指令的注入不再是靜態的文字，而是動態的、可被審計的治理策略。我們可以輕易地追溯某個 AI 的行為是源自哪一層的指令，從而實現真正的問責性（Accountability）。

最終，AI 能否在組織中發揮最大價值，取決於我們能否為它建立一套清晰、穩定且可擴展的治理框架。分層的指令架構，正是這一切的起點。它讓我們得以將抽象的管理意圖，轉化為 AI 可執行的具體指令，把 AI 從難以預測的「黑盒子」，變成一個行為邊界清晰、值得信賴的組織成員。

延伸閱讀

• Anthropic's blog post on the Claude 3 model family
• Constitutional AI: Harmlessness from AI Feedback (arXiv)
• Google Style Guides
• AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation (arXiv)

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。