在 AI 協作時代，我們如何為有限的人腦工作記憶「凍結」專案狀態？

在 AI 代理（Agent）日益普及的今天，我觀察到一個有趣的現象：我們所追求的效率與生產力提升，時常在一個意想不到的環節上遭遇瓶頸——那就是我們人腦自身有限的工作記憶。當我們嘗試同時驅動多個由 AI 協作的專案時，這種認知負荷的挑戰尤其顯著。

過去幾年，AI 模型從單純的輔助工具，逐漸演進為能夠承擔更複雜任務的代理。舉例來說，在軟體開發領域，像 Claude Code 這類 AI 代理已經能夠深度參與程式碼生成、重構與除錯。這無疑為開發者帶來了巨大的潛力，讓我們得以同時推進多個功能模組，甚至跨越不同的專案。從表面上看，這似乎意味著產出能以倍數增長，如果我們能同時運行八個 AI 代理，是不是就代表八倍的程式碼產出？然而，實際情況卻遠非如此線性。

我近期的經驗與觀察印證了這一點。當我同時在七、八個專案中與 AI 代理協作，每個專案內部又有多個功能模組並行開發時，我發現自己常常陷入一種高頻率的「情境切換」（Context Switching）困境。每次從一個專案切換到另一個，即便只是短短的一秒鐘，我的大腦也需要花費數分鐘去重新找回上次的工作狀態：AI 代理的對話歷史、我修改到哪裡的文件、Git 的版本狀態、檔案樹的展開層級等等。這些都是隱性的「記憶重建」成本。一天下來，大腦在不斷地情境切換中被磨損殆盡，真正能用於深度思考和解決問題的時間反而被壓縮了。

這個問題的癥結點，並不在於 AI 代理本身的效能，也不在於我們同時處理的專案數量。問題的核心在於「切換」本身。人腦的工作記憶是有限的，它無法像電腦記憶體一樣，將所有專案的完整狀態即時載入並隨時取用。每一次切換，都像是從一個記憶區塊跳到另一個，而中間的記憶重建過程，不僅耗時，更是極大的認知負擔。這種成本並非線性增加，而是呈現指數級的成長。當你從兩個專案切換到三個，再到四個，所需的認知能量會以超乎想像的速度增長。

在 AI 協作的工作流中，這個問題被進一步放大。過去，我們可能只需要記住自己寫了什麼程式碼。現在，我們還需要記住 AI 代理「想」了什麼、它上次回答到哪裡、它的思維軌跡是什麼。AI 的加入，讓每個專案的情境變得更加豐富、複雜，也更難以在短時間內完整重建。這使得傳統的「筆記外包」策略，即將資訊記錄下來以供日後查閱，也變得不那麼有效率。因為即使有筆記，重建整個專案的動態情境（尤其是與 AI 代理的互動情境）仍然需要耗費大量心力。

面對這個挑戰，我認為解方只有一條：「凍結」終端狀態，而非僅僅外包筆記。這意味著我們需要將每個專案的完整工作狀態，包括 AI 代理的對話內容、目前展開的檔案目錄、已修改但未提交的差異（diff）、甚至是 Shell 的歷史指令，原封不動地「凍結」在它自己的獨立環境中。當我們需要切換回來時，這個環境可以直接「解凍」，無需回憶，無需重建。這就像為每個專案設置了一個專屬的「上下文冰箱」，將其工作記憶與情境完整地保存起來。

這項策略的核心，是將認知負荷從人腦轉移到工具與環境上。它不再要求我們的大腦去不斷地載入和卸載情境，而是讓工具來管理這些複雜的狀態。這不僅能大幅減少情境切換的成本，更能釋放我們寶貴的認知資源，讓我們能將精力集中在更高層次的思考、創造與決策上，而不是被重複的記憶重建所消耗。

從產品與系統設計的角度來看，這項觀察引導我們思考更深層次的問題：在設計 AI 協作系統時，我們不僅要關注 AI 的運算能力與生成品質，更要關注其與人類協作者之間的「認知介面」與「狀態管理」。

首先是AI 代理的「記憶管理」。如果 AI 代理能夠更智慧地維護自己的工作記憶，並在需要時以清晰、可理解的方式呈現給人類，就能大幅降低人類回溯其思維軌跡的負擔。這可能涉及更精細的對話歷史摘要、關鍵決策點的標記，或是將其內部狀態（例如正在考量的程式碼片段、設計思路）可視化。當一個 AI 代理能夠主動地、有組織地「回憶」自己的工作狀態時，人類協作者就能更快地掌握其進度與意圖。

其次是跨專案與跨代理的情境持久化。這不僅僅是終端會話的凍結，更是一個系統級的設計考量。我們需要建立一套機制，讓不同專案、不同 AI 代理之間的情境能夠被妥善地保存、檢索與重啟。這可能需要一個更為整合的工作環境，能夠將程式碼編輯器、終端、AI 對話介面、版本控制等工具的狀態統一管理，並以專案為單位進行封裝。想像一下，當你啟動一個專案時，所有的相關工具與 AI 代理都能立即恢復到你上次離開時的狀態，這將是多麼大的效率提升。

再者，這也觸及到「認知卸載」（Cognitive Offloading）的設計原則。有效的 AI 協作系統，應該是能夠主動識別並承擔人類認知負荷的工具。當我們意識到人腦在多工處理和情境切換上的固有局限時，我們就應該設計系統來彌補這些局限，而不是讓人類去適應工具。凍結終端狀態正是這種認知卸載的一個具體實踐，它將情境記憶的負擔從人腦轉移到了機器上。

總結來說，AI 代理的興起為我們帶來了前所未有的生產力飛躍，但同時也凸顯了人腦在管理複雜、多變情境上的限制。我們不能期望人類大腦去扮演一個無限容量的記憶體，而應該將情境管理視為 AI 協作系統設計的核心課題。透過「凍結」終端狀態、優化 AI 代理的記憶管理、以及實踐認知卸載的設計原則，我們可以構建出更符合人類認知習慣、更高效、也更人性化的 AI 協作工作流。這不僅是關於技術的進步，更是關於如何智慧地設計人與 AI 之間的互動關係，以實現真正的認知增強。

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。