AI 禮儀：為什麼直接貼上 LLM 輸出是對話的死胡同

大型語言模型 (LLMs) 的興起從根本上改變了我們尋找資訊的方式，但也引入了一種新的、令人沮喪的社交摩擦。我們都經歷過這種情況：你向同事或朋友提出一個細微的問題，尋求他們特定的專業知識或觀點，結果卻收到了一大堆格式完美、帶有列點的文字，開頭竟然是：「好問題！讓我們逐步來分析。」

這種現象——「貼上 AI」的行為——不僅僅是一個捷徑，它是一種對話的失敗。當我們將回應完全外包給聊天機器人時，我們不僅僅是在節省時間；我們是在向對方傳達一個訊號：他們的詢問不值得投入人類思考的努力。

「肉身 RPA」問題

其核心在於對社交契約的違背。當有人特別針對你提出問題時，他們並不是在尋找網路共識的通用摘要；他們是在尋找你的品味、你的經驗以及你的判斷。

正如一位 Hacker News 的評論者精闢地指出，收到原始的 AI 回應可能會讓人覺得那個人變成了一個「肉身 RPA」（Robotic Process Automation）——一個僅僅在從模型中複製貼上權重與偏置的人類軀殼。當一個人的大腦這種獨特的「濕件」(wetware) 被通用的 LLM 輸出所取代時，對話中的人類連結便有效地消失了。

為什麼原始 AI 輸出會失敗

除了社交上的無禮之外，還有一些實際原因，解釋了為什麼原始的 LLM 輸出通常是糟糕的交付成果：

1. 缺乏共享上下文

LLMs 在沒有明確提示的情況下，並不知道兩位同事之間的默契，也不了解專案的特定限制。這會導致「冗餘」——包含了一些參與者早已知曉的基本資訊——以及遺漏了只有人類隊友才會考慮到的關鍵、小眾的上下文。

2. 權威的幻覺

AI 會自信地犯錯。當使用者在未經審核的情況下直接貼上回應時，他們是在傳遞那種自信，卻沒有隨之承擔責任。這在技術環境中特別危險，例如在程式碼審查 (code reviews) 中，一個長達 10,000 字元的 AI 回應可能包含 99% 的瑣碎內容和 1% 的關鍵錯誤，迫使接收者必須在「廢料」(slop) 中篩選以尋找真正的價值。

3. 「唯一真理答案」的陷阱

與提供十個藍色連結供使用者綜合判斷的搜尋引擎不同，LLM 提供的是單一且聽起來具有權威性的答案。這會產生一種危險的誘因，讓人停止思考並開始接受，將對話轉變為一種合成的確定性交付。

細微差別：什麼時候是可以接受的？

並非所有的 AI 分享都是一樣的。社群建議，行為的上下文和透明度決定了它是對是有害。

• 協作除錯： 如果團隊正在集體嘗試解決一個問題，將 Claude 或 GPT 的輸出作為討論的起點（「我不確定這點，但 AI 建議了 X；我們怎麼看？」）是一種有效的協作方式。
• 勞動摘要： 如果一個人花了數小時提示 AI 來找出複雜問題的根本原因，分享最終摘要是高效的，前提是將其框架化為該工作的結果：「在與 Claude 互動了四個小時後，這是結論。」
• 驗證： 使用 AI 來尋找已知事實更完整的表達方式可以很有效率，只要人類明確證實內容的準確性即可。

一個更好的 AI 通訊框架

為了避免成為「肉身 RPA」，請將 LLM 視為初級實習生：輸出是草稿，而非交付成果。以下是一個簡單的工作流程，用於將 AI 整合到你的對話中，而不失去你的聲音：

1. 閱讀並審核： 閱讀整個輸出。識別哪些是通用的，哪些是錯誤的，以及哪些是真正有用的。
2. 壓縮並過濾： 移除「AI 語氣」（例如「好問題！」和「總結來說...」之類的廢話）。剔除你受眾已經知道的資訊。
3. 綜合： 用你自己的話重寫核心見解。三句真誠的人類思考比三頁機器人的廢料更具價值。
4. 明確引用： 如果你必須引用 AI，請解釋為什麼你要這樣做。「我問了 Claude 關於這個特定的邊緣案例，而這個答案的部分內容似乎是正確的」提供了價值與透明度。
5. 知道何時保持沉默： 如果你除了通用 AI 會說的話之外，沒有任何可以補充的內容，那麼保持沉默比製造噪音更好。

最終，溝通的目標是在兩個心靈之間交換意義。當我們從方程式中移除了「心靈」的部分時，我們就不是在溝通——我們只是在傳遞數據。