Mengapa Claude Melakukan Perkara yang Salah: 3 Arahan

Untuk mengetahui lebih lanjut tentang penggunaan perkhidmatan ini, lihat dokumentasi Ailoot.

Mengapa Claude melakukan perkara yang salah?#

Anda menulis, “Tambah penapis pada halaman produk.” Dalam fikiran anda, maksudnya beberapa kotak pilihan dan senarai yang dikemas kini. Claude mendengar perkara yang sama lalu memutuskan untuk membina enjin penapisan sepenuhnya: stor keadaan sendiri, logik kelewatan input yang berasingan, penyegerakan URL dan sedozen fungsi pembantu. Beratus-ratus baris kod, sedangkan beberapa parameter URL sudah memadai.

Dalam kes seperti ini, kesimpulannya jelas: ejen itu tidak melakukan kesilapan; ia cuma menyelesaikan masalah yang jauh lebih besar daripada yang diperlukan. Kesilapannya ialah tidak menerangkan hasil yang dikehendaki dengan cukup ringkas dan tepat.

Kata kuncinya ialah “niat”. Anda menyimpannya dalam fikiran; Claude tidak. Claude melihat teks permintaan anda dan segala-galanya dalam konteksnya sehingga permintaan itu diberikan. Kemudian, ia mengisi kekosongan dengan tekaan. Semakin ringkas permintaan, semakin banyak tekaan yang dibuatnya — dan semakin jauh hasilnya daripada perkara yang anda mahukan.

Anthropic menyatakannya dengan jelas dalam dokumentasi Claude Code:

Saya sendiri pernah mengalaminya dalam projek saya. Saya meminta pembaikan pada satu skrin kebenaran, tetapi mendapat diff yang menjejaskan separuh daripada modul bersebelahan. Claude tidak bersalah: saya memberinya satu baris dan ia mengisi selebihnya sendiri. Sejak itu, saya memulakan setiap tugasan yang lebih besar daripada membetulkan kesilapan taip dengan soalan — soalan yang ditanyakan Claude kepada saya.

Adakah model itu benar-benar puncanya — dan mengapa model terkuat pun tersasar?#

Setiap minggu muncul model yang “lebih pintar” daripada model sebelumnya, dan setiap kali terasa seolah-olah inilah saatnya AI akhirnya akan memahami kita daripada beberapa patah perkataan. Itu tidak akan berlaku. Model yang lebih berkuasa menulis kod dengan lebih pantas dan mengendalikan logik rumit dengan lebih baik, tetapi masih tidak dapat membaca fikiran anda. Jika tugasan dirumuskan dengan buruk, anda akan mendapat sesuatu yang ditulis dengan cantik tetapi tetap salah.

Kesimpulannya mudah. Mengejar model terbaharu supaya ia dapat meneka dengan lebih baik ialah jalan buntu. Lebih murah dan boleh dipercayai jika anda belajar memberikan tugasan supaya ia tidak perlu meneka. Itulah yang akan dibincangkan seterusnya.

Apakah itu grilling, dan bagaimana ia mengatasi ketidakselarasan dengan AI?#

Bunyinya bertentangan dengan intuisi. Kita menggunakan AI untuk menyiapkan kerja dengan lebih pantas, tetapi kini kita disuruh memperlahankannya dan memintanya bertanya dahulu. Namun, lima minit menjawab soalan sebelum menulis kod boleh menjimatkan sejam untuk pembaikan selepas itu.

Masalahnya bukan sekadar anda kurang menerangkan perkara kepada Claude. Selalunya, anda sendiri belum memikirkan tugasan itu dengan mendalam — kes yang perlu diambil kira, batasannya dan perkara yang paling penting. Grilling membantu anda menjelaskannya melalui soalan. Pada penghujung perbualan, anda bukan sahaja mempunyai tugasan yang difahami AI, malah tugasan anda sendiri akhirnya dihuraikan dengan terperinci.

Begitulah cara kejuruteraan konteks berfungsi: kerja utama berlaku sebelum arahan diberikan, bukannya semasa arahan itu ditulis. Anda bukan mencari perkataan ajaib untuk arahan; anda menerangkan lebih awal perkara yang diperlukan Claude sehingga ia faham tanpa penjelasan tambahan.

Bagaimana anda membuat Claude bertanya dahulu?#

Anthropic bukan sekadar membenarkan pendekatan ini; malah Anthropic mengesyorkannya. Dokumentasinya mempunyai bahagian berjudul “Let Claude interview you” dengan arahan sedia guna. Berikut ialah versi praktikal:

Saya mahu membina [penerangan ringkas tentang tugasan].

Temu bual saya dengan teliti sebelum menulis sebarang kod. Tanya soalan tentang pelaksanaan, antara muka, kes pinggir, risiko dan pertukaran. Jangan tanya soalan yang jelas — teliti bahagian rumit yang mungkin belum saya fikirkan.

Tanya satu soalan pada satu masa dan tunggu jawapan saya. Bagi setiap soalan, terus cadangkan jawapan yang anda syorkan.

Teruskan sehingga kita merangkumi semuanya. Kemudian susun spesifikasi lengkap dalam fail bernama SPEC.md.

Tiga butiran menjadikan arahan ini berguna dan bukannya sekadar hiasan. Pertama, “satu soalan pada satu masa”. Jika AI membanjiri anda dengan sepuluh soalan serentak, anda akan berasa terbeban dan menjawab secara sambil lewa. Kedua, “cadangkan jawapan”: anda tidak perlu memikirkan semuanya dari awal; anda boleh bersetuju atau membetulkannya. Ketiga, “susun spesifikasi dalam fail”: niat yang digali daripada anda menjadi dokumen yang tidak akan hilang.

Anthropic menerangkan manfaatnya dari segi usaha:

Selepas temu bual, buka sesi baharu dan berikan spesifikasi yang telah lengkap. Konteks yang bersih serta niat yang dinyatakan dengan jelas — dan Claude akan mencapai sasaran pada percubaan pertama.

Teknik “buktikan kepada saya bahawa ini pelan yang terbaik”#

Grilling membantu mendapatkan niat anda. Namun, AI mempunyai satu lagi tabiat: memilih penyelesaian pertama yang nampak munasabah. Anthropic memanggilnya jurang “percaya tetapi sahkan”: Claude menghasilkan pelaksanaan yang nampak munasabah tetapi gagal dalam kes pinggir. Penyelesaiannya ialah meminta bukti sebelum menulis kod.

Saya hampir selalu menambah bahagian “buktikannya” pada arahan saya. Berikut ialah perkataan yang saya gunakan dengan tepat:

Sebelum menulis kod, analisis tugasan ini seperti seorang pengkritik.

Cari 2-3 cara untuk menyelesaikannya. Bagi setiap cara, buktikan kepada saya bahawa cara itu benar-benar menyelesaikan tugasan saya dan bukannya menambah kerumitan semata-mata. Jangan menulis kod hanya untuk menulis kod.

Kemudian pilih satu cara dan buktikan bahawa itulah penyelesaian terbaik, dengan memikirkannya beberapa langkah ke hadapan. Apakah yang akan rosak apabila projek berkembang? Apakah yang kita terlepas pandang sekarang?

Hanya selepas itu cadangkan pelaksanaan.

Tanpa bahagian ini, Claude memberikan pilihan pertama yang boleh berfungsi. Dengan bahagian ini, Claude sendiri menolak jalan buntu, menjelaskan pilihannya dan membolehkan anda melihat pertimbangannya sebelum menyentuh satu fail pun. Anda membaca teks ringkas yang mengambil masa dua minit dan bukannya menghabiskan sejam untuk mencari sebab kod yang siap tidak berfungsi seperti yang dijangka.

Pra-mortem: minta AI mencari 10 sebab kegagalan sebelum anda bermula#

Ini teknik kegemaran saya, dan teknik ini bersifat psikologi. Apabila anda meminta AI “melakukan kerja dengan baik”, AI bersedia untuk berjaya lalu terlepas pandang masalah. Minta AI membayangkan kegagalan, dan AI mula nampak perkara yang diabaikannya sebelum ini. Arahannya ringkas:

Bayangkan sekarang setahun dari hari ini. Projek yang sedang kita rancangkan telah gagal.

Senaraikan 10 sebab kegagalannya. Apakah yang tidak kita ambil kira sejak awal, apakah yang kita anggap remeh, di mana kita mengambil jalan pintas, dan andaian manakah yang ternyata salah?

Kemudian, bagi setiap sebab, beritahu saya perkara yang boleh kita baiki sekarang untuk menanganinya.

Saya menggunakan arahan ini sebelum meluluskan pelan. Separuh daripada sebab yang disenaraikan ternyata tidak masuk akal, tetapi separuh lagi ialah perangkap sebenar yang mungkin saya hadapi seminggu kemudian. Menanganinya pada peringkat perancangan mengambil masa sepuluh minit. Menemukannya dalam projek yang sudah siap boleh memakan masa beberapa hari untuk disiasat.

Gabungannya mudah: grilling mengeluarkan niat, “buktikannya” mempertahankan keputusan dan pra-mortem mencari jurang. Tiga teks ringkas yang anda tampal sebelum menulis kod. Ketiga-tiganya mengubah Claude daripada pelaksana yang terburu-buru menjadi rakan sekerja yang berfikir dahulu.

Mengapa konteks yang terlalu sarat membuat Claude berkelakuan bodoh?#

Tugasan yang dirumus dengan sempurna pun boleh gagal jika anda mengerjakannya dalam konteks yang berselerak. Begini caranya: setiap permintaan baharu yang anda buat membawa seluruh sejarah sembang ke dalam konteks kerja Claude. Semakin panjang sesi, semakin cepat tetingkap itu penuh. Pastikan ia tidak lebih daripada separuh penuh; selepas itu, AI mula berkelakuan bodoh dan kehilangan perkara penting yang dibincangkan pada awal sesi.

Inilah peraturan yang paling mengurangkan rasa kecewa saya: satu tugasan, satu sembang. Sudah selesai satu fungsi? Tutup sembang itu dan buka sembang baharu untuk tugasan seterusnya. Ya, kadangkala lebih mudah untuk melakukan semuanya dalam satu tetingkap, tetapi anda akan menanggung akibatnya melalui kehilangan konteks dan jawapan yang menyimpang daripada topik.

Anthropic memanggil corak kegagalan ini “sesi laci barang rongsokan”. Penyelesaiannya mudah: gunakan /clear antara tugasan yang tidak berkaitan untuk mengosongkan tetingkap dan mengelakkan kekusutan tugasan sebelumnya terbawa-bawa ke tugasan baharu.

Jika anda menjalankan sesi panjang dan tidak memahami ke mana wang dan perhatian AI digunakan, saya membincangkannya secara berasingan dalam panduan tentang ke mana perginya token Claude Code. Saya juga menghimpunkan asas konteks kekal, yang dibaca Claude setiap kali bermula, dalam panduan tentang menyediakan CLAUDE.md.

Grilling atau Plan Mode — apakah perbezaannya dan bagaimana kedua-duanya saling melengkapi?#

Orang sering mengelirukan kedua-dua teknik ini atau menganggap hanya satu diperlukan. Sebenarnya, setiap teknik digunakan pada peringkat proses yang berbeza.

Anthropic menerangkan aliran kerja lazim yang mempunyai empat fasa: mula-mula Explore (Claude meneliti dan bertanya), kemudian Plan (membina pelan tanpa membuat perubahan), seterusnya Implement (menulis kod mengikut pelan) dan akhirnya Commit (merekodkan hasilnya). Grilling berlaku dalam fasa pertama; Plan Mode pula dalam fasa kedua. Untuk huraian lengkap tentang fasa kedua, lihat panduan tentang Plan Mode dalam Claude Code.

Terdapat satu peringatan penting daripada Anthropic sendiri: jangan membebankan tugasan kecil dengan proses ini.

Untuk membetulkan kesilapan taip, menukar nama atau membuat perubahan satu baris, terus tulis permintaan itu tanpa temu bual atau pelan. Grilling berbaloi untuk tugasan yang samar-samar dan kesilapannya membawa kos. Untuk tugasan remeh, ia hanya melambatkan kerja anda.

5 kesilapan dalam merangka tugasan yang membuat AI melakukan perkara yang salah#

Saya merumuskan perangkap yang lazim dalam jadual. Di sebelah kiri ialah perkara yang biasanya dilakukan orang sehingga hasilnya tersasar; di sebelah kanan ialah perkara yang patut dilakukan sebagai ganti.

Semak arahan terakhir yang mendapat jawapan salah daripada AI. Hampir pasti salah satu daripada lima kesilapan ini menjadi puncanya. Kesilapan yang paling kerap berlaku ialah yang pertama: anda memberikan frasa pendek dan menjangkakan Claude akan melengkapkan selebihnya dengan betul. Claude melengkapkannya — cuma bukan seperti yang anda maksudkan.

Seterusnya: bina sistem supaya AI memahami anda daripada beberapa patah perkataan#

Tiga arahan dalam panduan ini — grilling, “buktikannya” dan pra-mortem — menangani tugasan khusus yang sedang dibuat. Itu sudah banyak membantu: anda tidak lagi mendapat diff 14 fail sedangkan yang dimahukan hanyalah perubahan satu baris.

Namun, grilling ada hadnya. Menggali niat anda dari awal setiap kali mengambil masa yang lama. Perubahan sebenar berlaku apabila sebahagian konteks sentiasa tersedia: dalam folder pengetahuan tentang projek, dalam fail CLAUDE.md yang dibaca Claude setiap kali bermula dan dalam metodologi anda yang dikodkan melalui skills. Kemudian, AI memulakan tugasan dengan pengetahuan tentang perniagaan, matlamat dan gaya anda — dan memahami anda daripada beberapa patah perkataan kerana anda telah menyediakan separuh daripada konteks itu terlebih dahulu.

Analisis terkini Anthropic menunjukkan betapa banyaknya usaha yang diperlukan: pembangun menggunakan AI dalam kira-kira 60% daripada kerja mereka, tetapi hanya boleh mempercayainya sepenuhnya untuk 0-20% tugasan. Selebihnya memerlukan pemahaman, pengawasan dan keupayaan anda untuk menerangkan perkara yang hendak dibina. Itulah kemahiran yang wajar dibangunkan, bukannya mengejar model yang paling pintar.

Kenali Ailoot.