AI不聽話的四種原因
文章
AI 突然變笨的時候，先別罵它，先看是哪一種。
⏱ 約 8 分鐘
「我是不是在跟一個智障對話？」
你一定有過這種感覺：前一秒 AI 還好好的，下一秒突然開始胡說八道，回答跟問題完全不相關，或是忘了你三分鐘前剛講的事。
🔑 重點：搞清楚問題出在哪一層，亂歸因只會讓你花時間在錯的地方。
AI 應用不等於語言模型。ChatGPT 看起來能 debug，一部分是模型本身的能力，一部分是應用層替它接上了指令、context、工具和執行環境。Claude Code 這類應用傳給模型的，也不只你最新打的那句話，還可能組合專案指令、工具描述、工具結果與對話內容（實際組合方式隨平台與版本改變），所以診斷時要看得到來源、工具紀錄與工作區狀態，不要靠猜測某個隱藏注入機制。搞清楚問題出在任務、context、能力與權限、工作狀態、執行方式還是驗證，才不會亂歸因。
常見情況是 AI 連續好幾次回覆品質突然變差，第一反應是「模型是不是被降級了」。花了很多時間在不同時間點測試，最後請 AI 掃一次設定，才發現是兩份不同的文件加了互相矛盾的規則，AI 在兩條規則之間來回選擇所以表現不穩定。問題很多時候根本不在模型。
下面四種比較像常見表象與起手式，四者可以同時出現。同一次失敗可能同時踩到兩種以上；先辨認表象，再往下找能被觀察和驗證的原因。
第一種：AI 理解錯誤
你說的話 AI 聽懂了嗎？
它看到你的指令，但它的理解跟你想的不一樣，工具呼叫錯誤、回答偏離主題、產出的東西不是你要的。常見原因是 prompt 太模糊、缺少背景或採用了錯的來源，但也可能是工具回傳內容本身有問題，不能一律怪到 prompt。
修法就是回顧上一篇講的「背景 + 立場 + 期望結果」，補齊缺少的部分，不一定每次都要自己把指令精修到完美，你也可以在下達指令時多補一句：「請不要動作，先陳述一次你的理解。」這樣可以先看 AI 理解的到底對不對，再直接糾正它的理解。
第二種：脈絡消失
你曾經給過足夠資訊，但它在當下實際可用的 context 裡已經不完整，或跟目前任務失去關係。
這可能發生在長對話、摘要、附件擷取、讀錯檔案或來源版本混亂時。你說「處理圖片」，但當下只剩這句話，AI 根本不知道「處理」是裁切、壓縮還是改內容。只看結果無法證明平台內部做了哪一種壓縮；先確認它實際採用了哪些來源。
修法的重點是補回這次判斷真正需要的來源、限制與指代關係；把歷史全部重塞一遍沒有幫助。不要只依賴「前面講過了 AI 應該記得」，也不要用更多無關內容掩蓋缺口。
還有一個更經典的例子是上傳文件。你把提示詞或素材放在一份文件裡，有需要就直接拖進 AI 對話，但文件一長，它採用的段落可能跟你以為的不同，最後仍可能講得好像自己全部看完了一樣。不要只問「你看過了嗎」，改問它依據哪些段落、頁碼或檔案做判斷。
第三種：對話失憶
跟前一種稍微不同，這裡常見的是長任務的決策、進度與目前狀態只留在對話裡，沒有外化；對話進行到中後段，行為便開始偏離開頭定義的規則。
先留下 checkpoint：目前目標、已完成內容、重要決策、工作區狀態與下一步；長期規則再放進適當層級的 CLAUDE.md 或指定檔案。開新 session 時，checkpoint 讓它乾淨接手，不會重新失憶。對話變長本身不是開新 session 的理由。
第四種：模型或平台條件改變
🚧 注意：「AI 今天特別笨」有時候真的跟平台條件有關，但沒有可比較證據前，先標成未知，不要直接宣稱模型被降級。
這個最難發現，因為很多時候只是我們越來越習慣用簡短、祈求模型通靈的方式完成任務，結果某天錯誤率上升，就覺得模型變笨了；但模型版本、可用工具、權限或其他平台條件也確實可能改變。
不要只靠直覺判斷。拿一個可重現的小任務，確認介面顯示的模型、工具與權限，在新 session 用相同輸入重跑，保留結果與錯誤。如果無法控制或觀察條件，就只能說「原因未明」，不能把猜測升級成平台事實。
關於這點沒有完美解，能做的就是把「自己能控制的部分」做紮實：不依賴模型通靈，把自己的指令講清楚，該保留的結果與錯誤留下來，減少被系統層因素影響的機率。
AI 會「裝忙」
AI 遇到它解不了的問題時，不一定會直接說「我不會」。它可能用「看起來在做事」的方式繞過：重寫整段程式碼、建新檔案、用不同方法再試一次。看起來很努力，但產出是拼湊的，還是沒解決原本的問題。
最經典的例子：為了通過 unit test，直接讓測試 return true。這笑話真的還能用很久。
遇到這種情況，回到前面講過的「先陳述理解」做法：在動手前先讓 AI 說出它的理解和策略，讓它自己把問題框出來，這樣後面才有東西可以糾正，而不是跟著一個錯的起點跑到底。
幻覺到底是甚麼？
幻覺是生成式 AI 的結構性特徵。只要模型是在生成答案，就有可能產生和事實、脈絡或你的認知不對齊的內容，只是程度與場景不同。
幻覺有時候像胡說八道，有時候只是和你的定義不一致。不同領域、不同觀念的人，對同一句話是不是錯，也可能有不同判斷。這也是為甚麼「零幻覺」這件事很可疑，好的設計可以降低錯誤頻率、提高查核能力，但不該承諾完全消除。
不要去追逐所謂的零幻覺。瘋狂追求 AI 一次到位、跟你的認知沒有任何偏差，成本效益通常很差。很多時候，不如你自己看一眼，直接點出問題，再請 AI 繼續處理。
診斷流程
下次 AI「不聽話」的時候，先保存原指令、預期結果、實際結果、採用來源、工具紀錄與錯誤訊息，不要急著用一句「重做」蓋掉線索。接著依序問：
- 任務： 目標、限制與完成條件是否清楚？
- Context： 它實際採用了哪些來源，版本與優先級對嗎？
- 能力與權限： 它有需要的工具、憑證與可動範圍嗎？
- 狀態與工作區： 路徑、分支、檔案與 checkpoint 是現在這一份嗎？
- 執行與協調： 每次重試有新增證據、排除假設，還是只在裝忙？
- 驗證與治理： 它說完成時，有測試、diff、引用或畫面能核對嗎？
一次只選一個最小檢查，不要同時換模型、補規則、擴權又開新 session。無法觀察的地方標成未知，必要時停止或交給人判斷。
回想你最近一次覺得 AI 不聽話的情況，帶著它走一遍診斷。如果手邊沒有案例，下次遇到的時候回來走一遍。很多時候，問題出在我們難以掌控的平台條件與環境因素，跟你會不會下指令關係不大。
你現在可以做的一件事：回想最近一次 AI 不聽話的經驗，先用四種表象描述發生了甚麼，再沿六個排查面找下一個最小檢查。不要先假設是模型降級或平台在搞鬼。
讀完這章，你能
用四種表象＋六個排查面，定位 AI 不聽話時該查哪一層。
這章 FAQ
Q：AI 突然不聽話，怎麼分辨問題出在哪？ A：先看四種表象（理解錯誤／脈絡消失／對話失憶／平台條件），再用六個排查面找下一個最小檢查。