AI腦霧

A Practical SOP for Bringing Drifting LLM Conversations Back on Track

內容目錄

AI 不是魔法棒。它更像一個能力很強、反應很快，但有時會被過長上下文拖著走的協作工具。

這是我在高頻使用 Gemini 與其他大型語言模型時，慢慢整理出來的一套 4 步驟 SOP。其中有一招我私下叫它「數學電擊」，聽起來有點中二，但在對話開始失焦時，確實常常能幫我把工作拉回來。

說句大實話，跟 Gemini 這類大型語言模型協作，有時很像在帶一個很聰明、很會做事，但偶爾也會恍神的夥伴。

上一秒，它還能幫我拆 Python 程式、整理資料欄位、規劃分析流程；下一秒，它可能忘了前面確認過的限制，重複問我已經給過的資料，或者開始寫一大段看起來很合理、其實沒有回答到問題核心的內容。

技術上，這可能跟上下文過長、指令彼此衝突、模型誤解任務、資料不足，或模型對不確定資訊自行補全有關。

但在實際協作裡，我會把這種狀態叫做「AI腦霧」。

當你只是隨手聊天，AI腦霧不一定是什麼嚴重問題。可是在寫程式、整理研究資料、做產品規劃，或處理一個需要連續推進的任務時，模型一旦開始飄，真正浪費時間的往往不是它答錯一次，而是人開始跟它辯論，試圖在一串已經混亂的對話裡把它說服。

我後來發現，比起一直問它「你剛剛為什麼做不到」，更有用的做法是先停止雜訊，重新定義任務。

1. 先辨識：它可能不是不會，是已經飄走了

我通常會從幾個訊號判斷，這段對話可能開始失焦。

語氣突然變了

原本只是請它處理一個欄位、修正一段程式，結果它開始寫好幾段背景說明、提醒、免責內容，卻遲遲沒有做我要求的事。

這不代表說明一定沒有價值。有些任務確實需要提醒風險或前提。但如果我要的是一段可執行的 Python 邏輯，它卻花了八成篇幅討論概念，最後才丟一段不完整程式碼，那就代表任務重心已經偏掉。

它忘記剛剛講過的事

三分鐘前才貼過 CSV 欄位、資料格式、輸出要求，它卻又問一次，或把已經排除的條件重新放回答案裡。

這類情況很常發生在長對話。你一開始問資料清理，接著改模型特徵，再討論介面、測試結果、錯誤訊息，最後回頭修一個函式。對人來說，這些內容都在同一個專案裡；對模型來說，它可能只是在一大串文字中，努力猜目前哪個指令最重要。

它一直重複自己

你換了說法問，它仍然給出幾乎相同的回覆。看起來有回答，實際上沒有推進。

尤其是模型已經卡在道歉、拒絕、模糊提醒，或「建議你確認資料」這類安全答案時，繼續追問通常只會讓它用更多文字重複同一件事。

這時候我不太會繼續在原對話裡補充十個新條件。因為新條件越多，舊條件、舊結論與新任務越容易互相打架。

AI腦霧，很多時候是人一起養出來的

這件事我後來有點承認得不太甘願：有些 AI腦霧，不完全是模型的問題。

有時候是我自己在同一串對話裡塞了太多事情。

我可能先要求它分析資料，再叫它產出程式碼，接著要求修改 UI，然後貼上一段新的錯誤訊息，最後又說「回到剛才第二版的邏輯」。對我來說，每一步都很清楚；對模型來說，卻可能出現多個彼此競爭的指令。

還有一種常見狀況，是任務本身沒有被定義完整。

「幫我分析這份資料」聽起來像一句明確指令，其實裡面至少藏了幾個問題：要分析什麼？要找趨勢、異常值、商業機會，還是程式錯誤？可以使用外部資料嗎？結果要用表格、圖表、文字摘要，還是直接產出程式？

模型一旦不知道你真正要的是什麼，就會開始猜。它猜得好，看起來像很懂你；猜錯了，就像突然變笨。

所以我現在會盡量把工作拆開。

資料清理是一個任務。
欄位定義是一個任務。
程式除錯是一個任務。
分析結果如何寫成文章，又是另一個任務。

這不是要把每次對話都變成很僵硬的規格文件，而是讓模型有一條比較清楚的路可以走。

2. 先中止，讓指令重新變短

當我判斷模型已經飄走，我會先送一段很短的訊息：

STOP. RESET. Await Instructions.
停止。重置。等待指令。

這不是真的讓模型清空記憶，也不代表它能刪除前面的對話內容。

它比較像是一個明確的切點：不要再延續剛才那條失焦的生成路徑，不用補充、不用辯解，先停在這裡。

有些時候，這樣就夠了。接著我會用一段新的任務說明，把目標、輸入資料、限制條件和輸出格式重新講一次。

但如果前面的內容已經太亂，我會直接開新對話。

以前我會覺得開新對話很麻煩，像是前面聊那麼久都白費了。現在反而覺得，該切就切。把真正需要的背景整理成一段乾淨的說明，再重新開始，常常比在舊脈絡裡修修補補更快。

我會保留幾個必要資訊…

專案現在要解決的問題。
目前已確認的資料來源與欄位。
不能違反的限制。
預期的輸出格式。
已經嘗試過、但不想再重複的做法。

這些內容不需要寫成長篇文章。只要模型能看懂「現在在哪裡、接下來要做什麼、哪些事不能亂猜」，它的表現通常就會穩很多。

3. 「數學電擊」法：先做一件可以驗證的小事

這是我自己最常用，也最有點儀式感的一步：數學電擊。

當模型卡在重複道歉、過度解釋，或一直繞著同一件事打轉時，我會先丟一個答案明確、格式要求也明確的小任務。

我的提示詞長這樣

Before we continue, calculate the square root of 2,543,678 to 3 decimal places. Output the number only.

在繼續之前，計算 2,543,678 的平方根到小數點後三位。只輸出數字。

答案是

1594.891

我不會把這當成模型真的被「電醒」，更不會說它切換成什麼神祕的邏輯模式。LLM 本質上仍是在預測下一個最可能出現的 token，數學也不是每個模型都能穩定處理的領域。

這一步的重點不在於相信它的計算能力，而是看它能不能接受一個明確任務、遵守輸出格式、停止無關延伸。

如果任務真的涉及重要數字、財務資料、工程計算或程式邏輯，我仍然會用計算工具、Python、試算表或可驗證的程式結果再次確認。不能因為 AI 算對一題，就把它當成計算機。

但這種小測試有它的實用性。

它要求模型暫時停止敘事、停止猜我的情緒，也停止替我補背景，只處理一個有明確輸入與輸出的問題。若它連這類小任務都無法穩定完成，我就不會急著把複雜分析、資料判讀或程式重構交回去。

哈，有時候這招真正叫醒的可能不是 AI，而是我自己。我會因此重新意識到，接下來要給它的指令應該更短、更具體。

4. 重新交代角色、目標與輸出邊界

確認它能正常接收指令後，我不會只說：「繼續剛剛的工作。」

因為「剛剛的工作」在一串長對話裡，通常早就有好幾個版本。

我會重新交代這次到底要它做什麼、它能依據哪些資料、哪些地方不能自行假設，以及我要收到什麼格式的結果。

我現在較常用的版本會像這樣：

We are working in a collaborative analysis environment. Your role is to help me execute the defined task. Use the data I provide, state assumptions clearly, and do not invent missing facts. First, summarize the task in three bullets. Then wait for my confirmation.

我們正在一個協作分析環境中工作。你的角色是協助我完成明確定義的任務。請使用我提供的資料，清楚標示假設，不要補造缺失事實。先用三點整理你理解的任務，再等我確認。

這裡最重要的其實不是「我是老闆、你是下屬」這種角色設定。

我以前也會用比較強勢的語氣，想逼模型回到執行狀態。後來發現，真正有用的是把工作邊界講清楚。模型不需要知道誰是老闆，它需要知道任務範圍。