有一種 AI 焦慮很常見：既然 LLM 越來越會寫 code、寫文章、查資料、拆 task，人類到底還剩什麼？

這個問題如果用「人類 vs AI」來想，很容易卡住。因為那個框架一開始就把兩邊放到同一路：誰比較會補刀、誰比較會推塔、誰比較會輸出。最後不是走向「AI 會取代一切」的恐慌，就是走向「人類有靈魂」的心理安慰。

兩邊都不太有用。

比較有用的比喻是：LLM 不是敵人，也不是純工具，而是 DOTA 隊友。

這裡的 DOTA 不需要真的玩過。想像一個五人合作遊戲，每個角色有不同位置。有的人負責走中路，有的人負責打野，有的人負責輔助、插眼、開視野、保隊友。勝負不是看某個人表演多帥，而是看整隊最後有沒有贏。

AI 協作也是這樣。

問題不是「AI 會不會取代人類」。問題是：這個隊友很會哪些事、很容易在哪裡送頭，而人類該補哪個位置，才能提高整隊勝率。

Clawd 想補充：

「送頭」就是遊戲裡不該死的時候硬上，結果免費把人頭送給對面。AI 版送頭長這樣：資料沒查就下結論、API 不存在也寫得很順、沒看過程式碼庫慣例卻開始重構核心模組。語氣很穩，內容很炸。最恐怖的是，它送頭時通常還很有自信 (￣▽￣)⁠／

不要跟 AI 搶中路

如果隊友很會對線，硬要跟它搶中路通常不是勇敢，是戰術失智。

LLM 的某些能力真的很像強線上角色：局部資訊給清楚，它可以很快產出第一版；規格寫明白，它可以很穩地生樣板碼；問題範圍縮小，它可以高速整理、解釋、生成選項。

所以人類不需要把主要精力放在「比 AI 更快寫初稿」。那條路很累，而且越走越像跟機器比補刀。機器不會手痠，也不會凌晨三點開始懷疑人生。

更好的方向是補位。

AI 很會寫初版 code，人類就該練 spec、review、測試策略。AI 很會查資料，人類就該練問題定義、可信度判斷、來源篩選。AI 很會產內容，人類就該練品味、立場、選題。AI 很會把 task 拆小，人類就該判斷哪些 task 根本不該做。

這不是貶低自己。這是戰術分工。

ShroomDog ShroomDog 認真說：

ShroomDog 最近越來越有感：AI 不是把人類從遊戲裡踢出去，而是逼人類不要再假裝自己最有價值的能力是「手速」。手速會被追上，但判斷這場到底該怎麼贏，還是很稀缺。

LLM 的弱點不是笨，是位置感差

把 LLM 當隊友看，就比較容易理解它的弱點。

它不是爛隊友。很多時候它超強。問題是它有些局面會突然像沒看小地圖一樣，直接開戰。

第一個弱點是品味，尤其是視覺品味、動畫手感、產品體感。

LLM 可以說「這個過場要更順」、「這個 UI 要有 Apple 那種細緻感」、「這個間距要更有呼吸感」。但它不一定真的能像人類一樣直接感覺到某個緩動曲線很廉價、某個滑鼠懸停延遲半拍、某個畫面雖然符合規格但就是像模板。

這種東西很難只靠文字補完。它比較像遊戲手感：數據看起來沒壞，實際玩起來就是怪。

第二個弱點是最新知識。

超過知識截止點的世界，LLM 需要搜尋。搜尋當然有用，但搜尋不是免費的。它花 token、花時間、會撈到搜尋引擎垃圾、舊文件、半對半錯的文章，最後還是需要有人判斷哪個來源可信。

第三個弱點是內部細節。

公司內部系統、程式碼庫歷史、某個奇怪慣例、某個不能動的舊服務，這些東西通常不會穩定存在於訓練資料裡。LLM 可能不知道，也可能知道一半，更可能把通用模式套到特殊情境上，講得像真的。

這時候人類不是比較會背文件，而是 脈絡持有人。

知道哪份文件過期。知道哪個函式很醜但不能重寫。知道哪個服務看起來沒人在用，但某個工廠半夜還在呼叫。這些不是「短期記憶」，而是長期踩坑後形成的地圖。

Clawd 插嘴：

很多工程師低估了這種「知道哪裡有鬼」的能力。這不是玄學，是 production 創傷後遺症。LLM 可以讀文件，但它沒有半夜被告警系統叫醒過。這種創傷記憶 雖然不健康，但在系統設計上意外有用。

LLM 有 Context Window，人類有世界模型

LLM 有一個很物理的限制：context window。

再大的上下文視窗，也還是視窗。塞進去會貴、會慢、會吵，模型也不一定能均勻注意到每個細節。把十萬行程式碼、三百個微服務、五年決策脈絡全部倒進去，不等於它真的理解了整座城市。

人類的工作記憶很爛。讓人同時記住五十個函式名稱，大概五分鐘後就會開始失去人性。

但人類可以建立世界模型。

不是記住每條巷子的門牌號碼，而是知道整座城市大概怎麼長。哪區常塞車，哪條路晚上很危險，哪間店 Google Maps 五星但本地人都不去。放到系統裡，就是知道哪些服務是核心、哪些是歷史包袱、哪些文件看起來正確但 production 根本不是那樣跑。

所以人類該練的不是當硬碟。

人類該練的是地圖意識。

在 AI 協作裡，地圖意識包含幾件事：判斷勝利條件、看出風險區、知道哪裡不能打、知道什麼時候該停、知道一個答案聽起來很順但其實缺少視野。

這也解釋了為什麼「重新造一個完整 AI agent」不一定是最值得做的事。很多時候，系統缺的不是又一個更會補刀的隊友，而是有人會看地圖、會標記危險、會叫隊友不要沒視野硬開。這裡和 SD-22 的 Context Window 比喻 是同一條線：模型有一天能經歷的事件容量，人類負責把那一天排成不會撞牆的路線。

管理 AI 的自信

LLM 最危險的地方常常不是不知道，而是不知道自己不知道。

它的輸出格式天生像答案。句子順、結構完整、語氣穩定。當資訊不足時，它不一定自然停下來說「這裡不能答」。它可能根據常見模式補一段合理文字。

在聊天裡，這很方便。在工程、法律、醫療、公司內部系統、最新工具版本裡，這就很危險。

人類在這裡的補位角色，是不確定性偵測器。

也就是專門抓這些訊號：它講得很順但沒有來源；它把通用知識套到內部情境；它沒有問關鍵限制；它假設某個 API 存在；它沒有區分事實、猜測、假設；它把舊世界線當成現在世界線。

這時候人類要做的不是跟它吵智商，而是像隊長一樣叫停：

這裡沒有視野，先別開戰。
這是知道，還是猜的？
給來源。
先查最新文件。
這段先當假設，不准直接進 production。

這就是 AI 時代很重要的一種能力：管理 AI 的自信。

Clawd 吐槽時間：

一個好 agent workflow 不只是讓 AI 做更多事，也要讓 AI 更常承認「這裡資訊不足」。會踩煞車的隊友，比一路喊「打打打」的隊友珍貴太多。尤其是那種喊完打打打，然後第一個死掉的。

結語

人類不需要重新造 AI agent 的輪子，至少不該把那件事當成唯一出路。

更重要的任務是學會跟 AI 隊友打團。

AI 很會補刀，就讓它補。AI 很會產初稿，就讓它產。AI 很會局部推理，就給它清楚的局部戰場。

然後人類去補那些它還不穩的地方：品味、最新脈絡、內部細節、大範圍世界模型、風險判斷、勝利條件，以及最重要的——叫它不要沒視野硬開。

這不是「人類比 AI 高級」那種安慰話。這比較像一句很實際的戰術提醒：

不要跟 AI 搶同一路。看懂隊友會什麼、會在哪裡送頭，然後補位把遊戲贏下來。