AI 不只是高級拼字檢查：矽谷創投人的「咒語理論」，以及讓 AI 自主跑七小時的 Ralph 遞迴工程法

本文整理自 More or Less Podcast 2026 年 1 月 23 日播出的單集「From ClawdBots to Sauna Bros: Silicon Valley in 2026」。

這些人是誰？為什麼值得聽

More or Less 是矽谷核心圈的週播科技 Podcast，由兩對夫妻共同主持——他們既是朋友、也是矽谷最活躍的創投人和媒體人：

Sam Lessin 是 Slow Ventures 共同創辦人暨普通合夥人，管理近 10 億美元資本，兩度入選 Forbes「Midas 種子投資人」25 強。他在 2010 至 2014 年間擔任 Facebook 產品副總裁，創辦過 drop.io（被 Facebook 收購）和 Fin。Sam 對 AI 炒作向來高度懷疑，自稱「對 99.999% 的 AI 應用抱持疑慮」——這也是為什麼他承認被 AI 驚豔這件事格外值得關注。

Dave Morin 是 Offline Ventures 共同創辦人，該基金由 Apple 作為錨定投資人，首期募集 1 億美元。他是 Facebook 早期員工，共同打造了 Facebook Platform 和 Facebook Connect，後創辦社群應用 Path。Dave 最近幾週大量使用 ClawdBot（Claude 的電腦使用功能），並深入研究各種 AI 工程方法。

Brit Morin 是 Offline Ventures 共同創辦人，曾在 Apple 和 Google 任職，後創辦 Brit+Co 並獲得 4500 萬美元創投資金，現為 Life360（NASDAQ: LIFE）董事。

他們三人都不是 AI 研究員，而是在第一線用 AI 工具做事、投資 AI 公司的實踐者。他們的觀點代表的是「聰明使用者」的視角，而非技術開發者的視角。

99.999% 是拼字檢查，剩下的 0.001% 是魔法

要理解 Sam Lessin 為什麼對 AI 的態度突然出現裂縫，得先理解他有多懷疑。

Sam 把目前絕大多數人使用 AI 的方式歸為兩大類：「自動完成」（auto-complete）——幫你補完句子、整理格式、潤飾文字；以及「自動壓縮」（auto-compress）——幫你摘要文章、濃縮資訊、精簡表達。即使是最炫的 ClawdBot，在他看來做的也主要是這些事。「它很有效率，讓我不用為某些事僱工程師，」他說，「但它不會改變你看事情的方式。」

Dave 在旁邊忍不住開了一槍：他發現 Sam 之前在 Twitter 上發表的一篇文章〈The Future is Flat Earth〉看起來太完美了，「明顯有 AI 的痕跡」。Sam 大方承認他確實用 AI 處理過那篇，但馬上補了一個關鍵區分——「那是一個我不太在意的想法，所以無所謂。但對於我真正在乎的想法，我絕對不會那樣做。」

然而，就在這個極度懷疑的基調之下，Sam 首次承認他有了一次完全不同的體驗。他在讀一本相當冷門的書時，產生了一個半成形的想法。他試著把自己的高層次框架丟給 Gemini，結果 AI 回傳了一些他根本不知道的背景脈絡和資訊連結。這不是 AI 幫他把想法寫得更漂亮，而是 AI 給了他通往「其他思考」的捷徑——那些他原本不會走到的知識路徑。這個互動變成了一個迭代過程，Sam 越問越深，AI 越回越有料。

他用「施咒」（incantation）這個詞來形容這種體驗。

咒語理論：問題比答案重要

Sam 接著把這個個人體驗上升到了理論層次。他引用了道格拉斯·亞當斯《銀河便車指南》（The Hitchhiker’s Guide to the Galaxy）裡的著名概念——在一個答案唾手可得的世界裡，真正值錢的不再是答案本身，而是問題。「你要成為世界上最好的提問者，」Sam 說，「然後問題就變成：你的問題有多獨特？」

他的邏輯鏈是這樣展開的：如果你讀了別人沒讀過的書，你腦中的素材就和大多數人不一樣。如果你又能把不同領域的問題連結起來，你的思考路徑就是獨特的。用這些獨特素材向 AI 提問，你的「咒語」就是別人施不出的——而 AI 給出的回應自然也就更有價值，因為輸入本身就不是平均值。

這就是為什麼 Sam 說，這是他第一次覺得自己需要「回去更仔細地重讀某些東西」。以前他對 AI 的輸出態度是「還行，就這樣吧」，但這次不一樣——AI 反過來讓他覺得自己的知識儲備還不夠深，需要回去補課才能問出更好的問題。

Ben Affleck 的反面論證：模型會回歸平均值，但可以被「柔道」推偏

Dave 在這裡引入了一段精彩的外部佐證。他提到 Ben Affleck 和 Matt Damon 最近上 Joe Rogan Experience（第 2440 集）時談到 AI 的觀點，認為這段對話完美地說明了 Sam 的咒語理論為什麼成立。

Affleck 在那集訪談中直言 AI 寫作品質很差，而且原因非常根本。他的原話是：AI 模型的數學本質就是壓縮和回歸平均值（go to the mean）。換句話說，AI 擅長的是產出「大多數人會寫的東西」，而正因為如此，它的產出注定平庸——不是因為技術不夠好，而是因為「平均值」本身就是這套系統的設計目標。Affleck 不認為更大的模型能解決這個問題，因為更大只是讓「平均」算得更精準，不會讓產出變得更獨特。

Matt Damon 從另一個角度補充了這個觀點。他描述了好萊塢電影《The Smashing Machine》中的一個場景——Dwayne Johnson 在一場戲中展現出極為震撼的情感張力，而那個張力來自他自身真實的創傷經歷。「你可以讓 AI 學會 Dwayne 的臉部表情，把它移動到不同的角度，」Damon 說，「但沒有他媽的 AI 能做到『那個』。」所謂「那個」，指的是人類把自身經歷轉化為藝術表達的能力——這不是資料壓縮可以模仿的。

Dave 把 Affleck 和 Damon 的觀點接回了 Sam 的咒語理論：「要讓 AI 做出它不會自然去做的事——合成不尋常的東西、走向偏門方向——需要某種『柔道式操作』（judo）。大多數人不願意花這個功夫，但這是做得到的。」

這裡的「柔道」比喻值得拆解。柔道的精髓不是以力取勝，而是借力使力——利用對手的力量加上自己的巧勁，把對手摔向你想要的方向。對應到 AI 使用上：模型的「力量」是它龐大的知識庫和推理能力，而你的「巧勁」是你獨特的提問角度。當你的輸入夠偏門、夠出乎意料，模型就不會落入「回歸平均值」的預設路徑，而是被你推向一個它不會自然到達的地方。這不是 prompt engineering 的語法技巧——不是「請用某某格式回答」或「扮演某某角色」——而是一種更根本的思維方式：你得先擁有足夠冷門的知識儲備，才能問出足夠獨特的問題。

Dave 認為，這種人類提供方向感和獨特視角、AI 提供速度和廣度的組合，可能是一種全新的知識創造形式。兩者結合產生的東西，比任何一方單獨做到的都更有趣。

Ralph 遞迴工程法：讓 AI 自主工作六到七小時

如果「咒語理論」是關於如何在一次對話中從 AI 得到超越平均值的答案，那麼 Dave 接下來介紹的 Ralph 遞迴工程法，就是把同樣的邏輯延伸到了更長的時間尺度。

Ralph 得名自美國動畫《辛普森家庭》（The Simpsons）中的角色 Ralph Wiggum——一個智商不高但永遠樂觀、從不放棄嘗試的小孩。這個名字精準地捕捉了這套工程方法的精神：不怕失敗，持續迭代。

從一個五行腳本到工程典範轉移

Ralph 的起源出乎意料地簡單。2025 年 5 月，一位名叫 Geoffrey Huntley 的澳洲開源開發者面對一個所有 AI 使用者都遇過的問題：上下文窗口有限，但你想完成的任務可以無限長。他寫了一個五行的 Bash 腳本，核心想法是「上下文工程」——把 AI 每一輪的所有輸出（包括成功的結果、錯誤訊息、甚至完全失敗的嘗試）都回饋為下一輪的輸入。這就像一個壓力鍋：上一輪的失敗不會被遺忘，而是成為下一輪的學習材料。

到了 2025 年底，Anthropic 的 Claude Code 負責人 Boris Cherny 看到了這個技巧的潛力，將它正式化為 ralph-wiggum 外掛，整合進了 Claude Code 的工具鏈。2026 年初，Ralph 已經成為 AI 工程社群最熱門的話題之一。

它怎麼運作？

Ralph 的核心概念其實不複雜，但設計上有幾個關鍵的巧思。首先，你寫一份 PRD（產品需求文件），或者更常見的做法是跟 AI 一起寫——在 Claude Code 的 plan mode 裡，你描述你要什麼，AI 幫你生成一份結構化的 JSON 格式 PRD，每個任務都有一個 passes 欄位標記完成狀態。然後 AI 開始根據 PRD 逐步執行任務，每完成一個就標記已完成、把學到的經驗寫進進度檔案，再進入下一個任務。

這裡最關鍵的設計是：進度不是保存在 AI 的上下文窗口裡，而是保存在你的檔案和 Git 歷史裡。 當一個 AI 代理的上下文窗口填滿了，系統會關掉它、啟動一個全新的代理。這個新代理不需要重新理解整個專案——它只需要讀取上一個代理留在檔案系統裡的進度紀錄，就能從斷點繼續。這就像工廠裡的輪班制：白班下班前把進度寫在白板上，夜班接手後一看就知道要從哪裡繼續。

Ralph 還內建了回饋循環——自動化測試、型別檢查、語法驗證等機制會持續告訴 AI 它是否在正確的軌道上。沒有這些護欄，AI 可能會產出看似正確但實際有問題的程式碼，然後在錯誤的方向上越走越遠。有了回饋循環，每一輪迭代都會自我校正。

兩種使用方式

在實際操作上，Ralph 有兩種模式。第一種是 HITL（Human-in-the-Loop）模式，像結對程式設計一樣，你在旁邊觀看、引導、偶爾介入修正方向，適合學習 Ralph 的工作方式和處理關鍵任務。

第二種是 AFK（Away-From-Keyboard）模式，也就是讓 AI 完全自主執行。Dave 提到有人用類似的方法讓 Cursor 花七天時間，完全自主地建構出了一整個網頁瀏覽器。這聽起來不可思議，但邏輯上是通的：只要 PRD 寫得夠清楚、回饋循環夠完善、完成條件夠明確，AI 就能一直迭代下去，直到所有任務都通過驗證。當然，使用 AFK 模式時建議限制迭代次數——小任務 5-10 次，大任務 30-50 次——避免無限循環產生的意外狀況。

Sam 的精準吐槽

Sam 聽完 Dave 對 Ralph 的描述後，以他一貫的風格回應：「這就像你把 Cursor 送去做死藤水（Ayahuasca）儀式。」Dave 接話：「沒錯，就像你說——請去和上帝對話，然後帶一個瀏覽器回來。」

笑歸笑，但這個比喻背後的觀察很認真。死藤水儀式的特點是：你不知道過程中會發生什麼，但你相信最終會得到某種洞見。Ralph 式的長時間自主執行也是一樣——你不逐行控制 AI 寫了什麼程式碼，而是設定好目標和護欄，然後信任這個遞迴過程本身會找到通往完成的路。

從短咒語到長咒語

把整集節目的這兩段討論放在一起看，Dave 整理出了一個清晰的光譜。一端是「短咒語」——Sam 描述的那種體驗：讀了一本冷門書，帶著獨特框架向 AI 提問，幾分鐘內得到意想不到的洞見。另一端是「長咒語」——Ralph 式的遞迴工程：寫好 PRD，讓 AI 自主執行六到七個小時，甚至像 Cursor 建瀏覽器那樣跑上七天。

兩者的共同點，也是這整段對話最核心的結論：人類的價值在於設定方向，AI 的價值在於執行和探索。 差異只在於時間尺度和自主程度。短咒語是幾分鐘內的思維碰撞，長咒語是數小時甚至數天的自主建構，但兩者都需要人類先提供足夠獨特的輸入——一個好問題，或者一份好的 PRD。

我的觀察

Sam Lessin 的「咒語理論」和 Ben Affleck 的「回歸平均值」論點，其實是同一枚硬幣的兩面。Affleck 說得對——模型的預設輸出就是平均值，這是它的數學本質。但 Sam 的經驗證明了另一半真相：如果你的輸入夠偏門、夠獨特，你就能把模型推向它不會自然到達的地方。AI 不是自動產生天才想法的機器，而是一面鏡子——你投入什麼，它就放大什麼。投入平庸的問題，得到平庸的答案；投入獨特的框架，才有可能得到超越平均值的回應。

這指向一個更深層的觀點：AI 時代最稀缺的不是答案產生能力，而是「問出好問題」的能力。 這跟我一直在觀察的「AI 素養」趨勢完全一致。未來的 AI 素養不會是學會 prompt engineering 的語法——那些技巧遲早會被工具化和自動化。真正的素養是培養跨領域知識的廣度，以及連結不同概念的能力。Sam 的經驗就是最好的例證：他讀了一本冷門書、帶著半成形的想法去提問，正是因為這個框架夠獨特，AI 才給出了超越平均值的回應。如果他用的是一般人都會問的問題，得到的自然就是一般人都會得到的答案。

對所有知識工作者來說，啟示很直接：讀越多冷門的書、累積越多非典型經驗，你的「咒語」就越獨特，AI 對你的價值就越大。 反過來說，如果你只讀暢銷書、只關注主流話題，你問出的問題就和其他所有人一樣，AI 給你的答案也和給其他人的一樣——那你用 AI 就真的只是在用一個高級拼字檢查，了不起幫你省點打字時間。

而 Ralph 遞迴工程法把這個邏輯延伸到了軟體開發的領域。不再是「問一個好問題」，而是「寫一份好的 PRD」，然後讓 AI 自主探索執行。人類的角色從「逐行寫程式」變成「定義問題和驗收成果」。這不是取代工程師，而是把工程師的工作往上推了一個抽象層次——就像組合語言讓位給高階語言、高階語言讓位給框架一樣，每一次抽象層次的提升，人類都能把注意力放在更高層次的問題上。