不似你。為你：為什麼「認知工程」未能觸及要點

簡而言之： AI 產業不斷發明新的「工程」學科——提示、上下文、駕馭、循環、圖形，現在是認知。每一個都解決同樣的元問題：可靠的輸出。但「認知工程」承諾了一些它尚未能實現的東西。真正的機會不是讓 AI 思考喜歡你。這讓它思考為了你 — 更好、更快，並且明確了解它自己的限制。

詹姆斯在這裡，水星科技解決方案的執行長。 香港數碼港 — 2026年7月

命名跑步機

每隔幾個月，AI Twitter 就會發明一個新的「工程」。

提示工程。上下文工程。駕馭工程。迴圈工程。圖形工程。現在是認知工程。

名稱不斷增加。會議開始售票。LinkedIn 的思想領袖更新他們的簡介。在這一切的中間，實際的工程也在進行。

但事情是這樣的：這個進程是真實的。每一層確實解決了相同的元問題——如何讓 AI 可靠地產生你真正想要的東西——並且範圍和抽象程度不斷增加。

| 層級 | 控制內容 | 跨越 | |-------|-----------------|----------| | 提示 | 單次呼叫 | 模型所見 | | 上下文 | 單次呼叫 + 記憶 | 模型對你的了解 | | 駕馭 | 單一任務執行 | 工具、狀態、安全邊界 | | 循環 | 多輪持續性 | 修正直到完成 | | 圖形 | 多步驟編排 | 流程設計、分支、平行處理 | | 認知 | 決策本身 | 它如何思考，而不僅僅是什麼 |

每一步都比上一個更具挑戰性。每一步都需要新的抽象、新的失敗模式、新的可觀察性。名稱不是問題。問題在於人們將它們視為行銷而非架構。

**工程悖論：** 我們命名的層次越多，我們就越有可能忘記用戶並不在乎我們的抽象。他們關心的是結果。

「認知工程」實際上意味著什麼

最近的一篇文章將認知工程框架為下一個前沿：「教AI如何思考。」讓它理解你的思維模式、決策框架、判斷標準、優先事項。不僅僅是執行 — 像你一樣思考，然後執行。

這是一個引人入勝的願景。這也是 危險地未明確規範。

當有人說「教 AI 如何思考」時，他們可能指的是三種非常不同的事情：

| 解釋 | 實際上是什麼 | 我們能建造它嗎？ | |----------------|---------------------|------------------| | A: 反思模式 | 思考鏈提示 + 自我修正循環 | ✅ 今天。參見 Andrew Ng 的 4 種代理模式。 | | B: 偏好學習 | 在你的決策痕跡上進行微調，學習你的權衡 | ⚠️ 難。需要大多數公司沒有的數據基礎設施。 | | C: 明確的認知架構 | 信念狀態、推理規則、不確定性處理、元認知 | ❌ 研究前沿。尚未成為產品。 |

大多數「認知工程」的示範將會是 打扮成 C。 他們會展示反思鏈並稱之為「教導 AI 思考」。那不是認知架構。那是良好的提示加上額外的步驟。

真正的認知架構需要更困難的東西：

• 信念狀態 — 代理所持有的真實性，並具有明確的信心

• 推理規則 — 如何根據新證據更新信念

• 決策框架 — 明確的邏輯用於權衡（速度 vs. 準確性 vs. 成本）

• 元認知 — 知道自己不知道什麼，並且這樣說

這不是工程。這是 建立一個心智。 而我們還沒有到達那裡。

他缺少的維度

他所描述的進展是 垂直的 — 每層的能力更多。但還有一個 水平同樣重要的維度：操作範圍。

垂直（他的框架）： 提示 → 上下文 → 駕馭 → 循環 → 圖形 → 認知 水平（缺失）： 單一 → 多重 → 持續 → 分散 → 自主 → 自我改善

水平軸是關於系統在沒有你參與的情況下運作的程度：

| 階段 | 範圍 | 人類參與 | |-------|-------|-------------------| | 單一呼叫 | 一個提示，一個回應 | 每個字 | | 多輪 | 對話歷史 | 每個會話 | | 持續 | 任務在會話之間存活 | 定期檢閱 | | 分散 | 多個代理協調 | 例外處理 | | 自主 | 自我導向的目標追求 | 只有升級 | | 自我改善 | 修改自己的架構 | 無（理論上） |

在水星，我們的運作範圍是持續 → 分散。我們的定時任務在夜間運行。我們的子代理平行工作。但仍然需要人類審查輸出，仍然需要發布文章，仍然需要批准策略。

如果存在的話，認知工程生活在兩個軸的交集處：自主範疇 + 明確推理架構。這不是你在短衝中交付的功能。這是一個研究計畫。

真正的問題

"你會想要一個能夠『像你一樣思考，再替你執行工作』的AI嗎？"

不。我想要一個能夠思考的AI更好比我在我明確委派的領域更擅長，且知道何時該詢問在我未委派的領域。

"像我"是一個錯誤，而不是一個特性。我有偏見。有盲點。有時候我很疲倦，做出錯誤的決策。一個複製我思考方式的人工智慧也會複製我的失敗。

這裡適用楊文理的名言："獲勝的最有效方法是讓敵人失去戰鬥的意志。"在這種情況下，敵人是不可靠性。而擊敗它的方法不是模仿——而是增強。

我實際上想要的是：

• 在我委託的領域：更快、更一致、情緒更少。沒有疲勞。沒有自我。沒有「我昨天已經決定了這個，讓我堅持下去。」

• 在我保留的領域：清晰的升級。「我沒有足夠的背景資訊。」 「這與你所說的優先事項相矛盾。」 「你說過不詢問就不要這樣做。」

• 在邊界：明確的交接。"我已經完成了 X。Y 需要你的判斷。這是我的建議。"

**真正的框架：** 不是 "像你。" **而是為你。**

水星實際上正在建設的東西

我們不需要認知工程。我們需要可靠的圖形工程客戶信任的真實商業流程。

這在實踐中看起來是這樣的：

我們今天的技術堆疊：

• L1-L3 迴圈（報告 → 協助 → 無人值守）用於內容和分析

• L4-L5 協調（持續任務，多代理）用於審計和研究

• 上下文壓縮 以便長時間的會話不會失去狀態

• 重試 + 備援路由 以便失敗不會連鎖反應

• 可觀察性層 以便我們知道是什麼壞了以及為什麼

我們接下來要新增的內容：

• 偏好記錄 — 這將幫助你優先考慮哪些風險，哪些風險是你可以接受的

• 決策追蹤 — 不是「AI 做了什麼」，而是「為什麼它選擇這個」

• 明確的不確定性 — 對建議的信心分數，而不僅僅是答案

這不是認知工程。這是偏好學習 + 明確的權衡記錄。但它以 20% 的複雜度提供 80% 的價值。而且現在可以構建。

機會

第一家將即使是弱形式的「類認知」行為產品化的公司將贏得敘事。不是因為它是完整的 AGI，而是因為它將對話從「自動化」轉向「判斷」。

想想這個推銷：

"我們的代理不僅僅是執行您的工作流程。他們學習您的決策標準——您優先考慮哪些，您容忍哪些風險，您接受哪些捷徑——並始終如一地應用它們。當他們不確定時，他們會詢問。當您不確定時，他們會建議。"

這不是一篇研究論文。這是一個 產品定位。 而且這是可以辯護的，因為護城河不是模型——而是 累積的偏好數據 是沒有競爭對手擁有的。

行動

如果您正在使用 AI 建設，請停止追逐下一個 "工程" 標籤。請改為問三個問題：

1. 我的系統運作在哪個範圍？ (單次呼叫？持久性？分散式？)

2. 當它失敗時會發生什麼？ (靜默錯誤？升級？連鎖反應？)

3. 它如何知道我重視什麼？（明確的規則？學習的偏好？它不是嗎？）

答案告訴你接下來該建造什麼，而不是該如何命名它。

因為在 2026 年，贏得勝利的公司不是擁有最先進的認知架構的公司，而是那些其代理能夠優雅失敗、清晰升級並持續改進的公司。

其餘的只是命名而已。

水星科技解決方案：加速數位化。