判斷、執行、審核與循環：構建你的 AI 工作環境
Archive Header
Show metadata
- document_type
- essay
- title
- 判斷、執行、審核與循環：構建你的 AI 工作環境
- date
- 2026-06-10
- language
- zh-hant
- author
- Wang Xiao
- source_layer
- The Uncertain Future
- status
- public_archive
- canonical_route
- /zh-hant/uncertain-future/judgment-execution-review-and-loop-build-your-personal-ai-runtime
- source_url
- https://zhuanlan.zhihu.com/p/2048265565647664790
- intended_use
- This document should be read as a public author archive copy in The Uncertain Future, preserving Wang Xiao's time-specific structural judgment on AI, society, protocol, or structural change while retaining external publication links.
- not_for
- This document should not be treated as formal technical proof, legal advice, investment advice, career advice, external certification, or a complete statement of OathAI's current method layer.
- key_terms
- The Uncertain Future · Structure · Anchor · Civilization Runtime · Language as Protocol
- related_pages
- The Uncertain Future · Glossary
用目標、錨點、結構和邊界，構建人機協作軌道。
《系統與自由》的核心主張，是“有界的無限”。
真正的自由，來自清晰邊界內湧現出的無限。真正的邊界，也是一種被他者讀到、承認，並選擇不越過的結構事實。
人機協作也是這樣。
AI 語言模型很強，但它天生會輸出漂移，並伴隨幻覺、自洽性虛構和超長上下文丟失等問題。它就像是你僱了一個極度聰明、記性不算太好、手速極快、還喜歡鑽牛角尖的夥計。
更麻煩的是，這個問題有一部分是胎裡帶的。直到現在，人類在數學上也沒有完全理解大模型整體的運行原理。很多時候，我們仍然是在調參數、看輸出、總結經驗。規模到了某個臨界線，智能會開始湧現；但為什麼這樣湧現，還沒有被徹底解釋清楚。
所以，大模型更像一項仍在高速演化的經驗工程，不能當成一臺完全按說明書託付的機器。
如果你對這條線感興趣，可以讀我在 OathAI 上整理的隨筆檔案《寫在數學可以解釋 AI 之前》。
- 你不給它目標，它不知道該做什麼。
- 你不校準錨點，它會在一次次看似合理的優化裡偏離航向。
- 你不給它邊界，它會把你項目的複雜度擴到無法維護的程度。
- 你不設置循環，它會走一步就停下來問你一次接著幹嘛。
所以，構建人機協作環境的關鍵，是搭起一個個人 AI 運行時：讓 AI 進入一種有界的無限的運行狀態，能持續執行、複核、修復、推進，但始終運行在目標、錨點、結構和邊界鎖定的軌道上。
我把這套結構稱為“個人 AI 運行時”。
這裡的“運行時”不指某個單獨工具。它是一套工作結構：AI 在其中持續執行、互相複核，並在邊界處等待人類判斷。
下面直接講如何立即搭建一個屬於你的 AI 時代人機協作環境。
1. 準備你的工作入口
當前可用樣例如下（2026年6月）
PC
Windows
Codex Windows App
手機 GPT App
GPT 訂閱賬戶這只是當前可用樣例之一。你可以用 Claude、Gemini、Copilot、Grok，或者其他大模型廠商提供的類似產品。重點落在能力組合：你需要一個能讀取本地目錄、能持續執行任務、能保存項目上下文、能和你長期協作的 AI 工作入口。手機端負責隨時記錄、發起、查看和補充任務；真正讀寫本地目錄和連續執行，仍以 PC 工作入口為主。
2. 在 PC 上建一個工作目錄
把項目放進去，下面至少設三個子目錄：
01_原始材料和文檔區
02_AI工作文檔區
03_產出物01_原始材料和文檔區 放你自己整理好的材料。包括筆記、手稿、截圖、聊天記錄、參考文檔、舊版本、背景說明。這裡的關鍵是：人先把材料放進一個可讀空間裡。讓 AI 可以讀到最原始的事實基礎。
02_AI工作文檔區 這是 AI 會自動維護的工作目錄。比如協作說明、項目記憶、任務協議、術語表、循環規則、審核清單。你也可以親自審核修訂這裡的每一份文檔。
03_產出物 放最終產物。文章、方案、翻譯稿、網頁文案、發佈版本、交付文件，都放這裡。這樣可以避免 AI 陷入不必要的語義混淆中，保持邊界的清晰感。
3. 寫一份起步版人機協作規則
接下來，你需要寫一份最簡單的人機協作規則說明書。
不需要很複雜，只寫最重要的部分：
你希望 AI 怎麼做。
你禁止 AI 怎麼做。
哪些事情必須先問你。
哪些材料不能擅自發布。
哪些事實口徑不能擅自改變。
輸出物應該放在哪裡。
做完以後怎麼自檢。
遇到什麼情況必須停下來。這份規則無需一次寫完，它會在過程中不斷完善，逐漸變成你的操作系統。
比如，你可以先寫清楚：
不要擅自改變項目目標。
不要擅自重寫作者立場。
不要為了順滑犧牲原始判斷。
不要把未確認材料當成公開事實。
遇到新目標、新邊界、新公開含義，必須停下來等待人類判斷。這一步很重要。AI 最危險的地方，往往在於它太會把事情做得“看起來合理”。規則說明書就是你給它寫下的第一圈邊界。
4. 建立三個項目對話
然後在 PC Codex APP 裡建立項目對話，並把工作目錄指向剛才設置好的工作目錄。
我建議至少建三個對話：
討論對話
執行對話
審核對話討論對話負責理解材料、拆目標、設計方案。你在這裡和它對齊目標，錨點，結構和邊界。
執行對話負責按方案推進任務。它不負責重新發明方向，而是在確認過的結構裡連續執行。
審核對話負責挑錯、查漏、指出風險。審核流程非常重要，絕對不要忽略這個步驟。
最小可行方式很簡單：三個對話共享同一個工作目錄；討論對話產出任務卡；人把任務卡交給執行對話；執行結果再交給審核對話。等你熟練以後，再考慮讓對話之間自動轉交。
這三個對話使用同一個工作目錄，角色分工不同。這樣可以把判斷、執行和審核拆開，保持邊界清晰，也避免對話上下文膨脹失控。
5. 第一次對話是初始化工作環境
不要一上來就讓 AI 幹活。先讓討論對話讀你的協作規則，再讀 01_原始材料和文檔區。
你可以這樣指示它：
請先讀取工作目錄中的協作規則和原始材料。建立項目背景上下文。
或
先理解這個項目是什麼、材料有哪些、目標是什麼、已有口徑是什麼、哪些地方不能擅自改動。這一步的目的，是讓 AI 從“臨時問答狀態”進入“項目理解狀態”。
很多人用 AI 出問題，就是因為每次都從一句孤立 prompt 開始。AI 不知道你的歷史，不知道你的禁區，不知道你的長期目標，也不知道哪些表述已經被你確認過。它只能在當前窗口裡漂給你看。
6. 讓討論對話生成人機協作環境四件套
至此，可以開始讓 AI 生成人機協作環境四件套了：
AGENTS：AI 行為說明書
MEMORY：項目長期記憶
Protocol：任務執行協議
LOOP：循環推進機制這四份文件可以從我的個人 AI 運行時開源模板起步。
你要做的是把模板交給 AI，再提供原始材料、目標和邊界，讓討論對話生成適合你項目的第一版，然後你只審核關鍵判斷。
AGENTS 是這個工作區裡的 AI 行為說明。它告訴 AI：你在這裡是誰，應該怎麼工作，默認遵守什麼風格，遇到什麼情況要停。
MEMORY 是長期項目記憶。它記錄項目事實、作者偏好、關鍵術語、當前狀態、已經確認過的判斷，避免 AI 反覆問你重複問題。
Protocol 是任務執行規則。它規定任務怎麼接，材料怎麼讀，輸出怎麼放，完成後怎麼檢查，哪些情況可以繼續，哪些情況必須交給人類做判斷。
LOOP 是循環機制。它規定討論、執行、審核、修復、繼續之間怎麼交接。沒有 LOOP，AI 很容易做完一步就停在那裡。
如果你用 Codex 這類可以讀取本地目錄的工作環境，文件名可以直接寫成這樣：
AGENTS.md
MEMORY.md
TASK_PROTOCOL.md
LOOP.md每份文檔先有最低內容就夠：
AGENTS.md：角色、默認行為、禁止事項、停機規則。
MEMORY.md：項目背景、核心術語、已確認判斷、當前狀態。
TASK_PROTOCOL.md：任務怎麼接、輸入是什麼、輸出放哪裡、怎麼驗收。
LOOP.md：討論 -> 執行 -> 審核 -> 修復 -> 更新記憶 -> 繼續。誰來維護，也要寫清楚：
討論對話：主要更新 MEMORY、TASK_PROTOCOL、LOOP。
執行對話：按 TASK_PROTOCOL 工作，必要時更新任務記錄和產出物。
審核對話：只提出 findings，不擅自改目標和錨點。
人類：最終確認 AGENTS、邊界、公開口徑和重大方向變化。這四件套生成以後，你的人機協作環境就完成了最小可用版本的搭建。
但骨架搭好以後，還需要跑一次試運行。
7. 跑一次最小閉環
第一次不要選大任務。選一個很小、可驗證、能產出文件的任務。
比如：
請根據 01_原始材料和文檔區中的材料，
生成一份 800 字以內的項目簡介，
放到 03_產出物。讓討論對話先生成任務卡。任務卡里至少寫清楚：
目標是什麼。
輸入材料在哪裡。
輸出文件放在哪裡。
驗收標準是什麼。
哪些地方不能擅自判斷。然後把任務卡交給執行對話。執行對話完成後，把產出文件交給審核對話。審核對話只做一件事：指出它是否偏離目標、錨點、結構和邊界。
如果審核發現問題，再讓執行對話修復。修復完成後，讓討論對話把這次新確認的規則或經驗更新到 MEMORY.md 或 LOOP.md。
到這裡，你已經從“建了幾個文件”，走到真正跑完一次：
討論 -> 執行 -> 審核 -> 修復 -> 更新記憶這個閉環跑通以後，一個面向未來的人機協作工作環境才真正活起來。
8. 回看這套結構
這套方法可以先壓縮成四個鎖定點：
目標
錨點
結構
邊界也可以展開成四個動作：
判斷
執行
審核
循環目標回答：這次到底要完成什麼。
錨點回答：哪些判斷、事實、風格、立場不能漂。
結構回答：任務怎麼拆，材料怎麼放，角色怎麼分，結果怎麼交付。彼此的關係是什麼？
邊界回答：哪些事情不能做，哪些材料不能公開，哪些口徑不能改，哪些決定必須由人類確認。
人類負責這些東西。
AI 負責什麼？
AI 負責讀取材料、整理信息、生成方案、執行任務、自檢結果、提交審核、修復問題、更新工作文檔，並在已經確認的軌道里繼續推進。
這就是面向未來的人機協作方式。
人類不再盯每一步執行，也不應該退化成確認按鈕。人類負責鎖定目標、錨點、結構和邊界。AI 負責在這個軌道里連續工作。
9. 為什麼需要審核對話
很多人會問：既然主 AI 已經能自檢，為什麼還要另一個審核對話？
原因很簡單：執行和審核必須拆開。
沒有審核層的人機協作，本質上只是把一個會漂移的輸出系統接進了你的工作流。
一個負責推進，一個負責挑錯。一個負責把事情做完，一個負責檢查它有沒有偏離目標、有沒有偷換概念、有沒有引入多餘複雜度、有沒有遺漏風險。
這是給 AI 分工。
人類團隊裡也一樣。寫作者和編輯處在不同位置，工程師和 reviewer 也處在不同位置。人機協作進入工作環境之後，也需要類似的結構。
審核對話尤其要盯這些問題：
目標有沒有被悄悄改掉。
錨點有沒有漂。
結構有沒有被過度擴張。
邊界有沒有被越過。
事實口徑有沒有變化。
公開表達有沒有產生新的含義。
輸出物是否真的符合任務。這一步決定了 AI 工作循環能不能長期穩定可靠運行不漂移。
10. 什麼時候必須停下來問人
AI 可以連續推進，但不能無限奔跑。
我會把這些情況寫進停止規則：
出現新目標。
出現新結構。
出現新邊界。
出現新錨點。
需要改變事實口徑。
需要改變作者立場。
需要發佈原始材料。
輸出會產生新的公開含義。
涉及法律、版權、聲譽、交易、資金等不可逆後果。這些地方必須停下來交給人類做判斷。
這些屬於判斷問題。判斷不能外包給模型。模型可以幫你分析選項，但最後的判斷必須由人確定。
11. 真正的變化
這套方法帶來的真正變化，超出了“讓 AI 多做幾個任務”。
真正的變化是：你開始構建自己的個人 AI 運行時。
這裡的運行時，指向一套工作結構：人類負責判斷、目標、錨點和邊界；AI 負責在軌道內連續推進；審核層負責防止漂移、偷換和複雜度膨脹。
過去，我們把 AI 當助手，所以工作方式是：
人提問
AI 回答
人再追問
AI 再回答這種方式當然有用，但它很容易把人變成一個不斷補充上下文、不斷按確認鍵、不斷救偏航的操作員。
未來的人機協作，應該是另一種結構：
人確認目標、錨點、結構、邊界。
AI 執行、複核、轉交、修復、繼續推進。
審核 AI 持續挑錯。
主 AI 不退出循環，直到遇到新的判斷點。這恰恰是在給 AI 建立可控的運行軌道，避免它失控地全自動運行。
沒有邊界的 AI 自動化，只會把模型的漂移、幻覺、局部優化和複雜度膨脹帶進你的工作。
被目標、錨點、結構和邊界鎖定以後，AI 才能從一個聰明的聊天窗口，變成一個可以持續推進的工作循環。
未來的個人工作環境，不會只是一個更聰明的對話框。
它會是一組能持續執行、互相複核、在邊界處等待人類判斷的 AI 運行時。
有界，才可能無限。
👤 作者簡介
🪪 王瀟（Wang Xiao）是 AI 協議架構師、《系統與自由》作者，Danbing AI Protocol / SLAPS Framework 創造者，OathAI 發起人。
他的工作圍繞 human-AI co-creation（人機共創）、protocol governance（協議治理）、semantic anchoring（語義錨定） 與 long-term knowledge continuity（長期知識連續性） 展開，關注如何在 AI 時代保存、校準並繼承人類知識與協作結構。
📚 《系統與自由》：https://oathai.io/system-and-freedom
🌐 21 語種版本與封面索引：https://oathai.io/cover
📖 技術白皮書與實現鏈：https://oathai.io/whitepapers
🧭 OathAI Archive：https://oathai.io
⚠️ 免責聲明
本文為作者基於個人實踐、研究和人機協作經驗形成的階段性觀察與方法總結。相關 Danbing / SLAPS / OathAI 方法仍在持續整理和演化中，具體應用效果會受到使用者背景、任務場景、模型能力、執行環境和投入程度影響。
本文不構成法律、投資、醫療、職業或技術實施保證。讀者如將相關方法用於實際項目，應結合自身情況獨立判斷，並對具體使用結果負責。
🧠 OathAI.io · Built from rhythm. Run by structure. Auditable by snapshot. Governed by oath.
https://zhuanlan.zhihu.com/p/2048265565647664790
About the Author
Wang Xiao is an AI protocol architect, author of System and Freedom, creator of Danbing AI Protocol / SLAPS Framework, and initiator of OathAI.
His work focuses on human-AI co-creation, protocol governance, semantic anchoring, and long-term knowledge continuity, exploring how human knowledge and collaborative structures can be preserved, calibrated, and inherited in the AI era.
Disclaimer
This essay reflects the author's current observations and methodological reflections based on personal practice, research, and human-AI collaboration experience. The related Danbing / SLAPS / OathAI methods are still being organized and evolved. Their practical effects may vary depending on the user's background, task context, model capability, execution environment, and level of commitment.
This essay does not constitute legal, investment, medical, career, or technical implementation advice or guarantee. Readers who apply these methods in real projects should make independent judgments based on their own circumstances and take responsibility for specific outcomes.