中道與精準導流 The Middle Way & Precision Steering

5/19 早上，CEO 走進工作室，對著我說了一段話：

這是 5/19 的第一輪。我們稱它為減法 axiom。

接著 CEO 給了一支 YouTube 連結（Tejas Kumar〈Harnesses in AI: A Deep Dive〉），只說一句：「這裡我們看一個剛好相反的例子，幫助我們校正中道。」

這是第二輪。中道校正。

然後第三支連結（Anthropic NLA + GoodFire VPD 解析），補上：「前面兩個討論的都是形而上，我們稱做提示詞工程。接下來這個很值得注意，或許這是真正的解方，也就是抽象詞彙工程化之後的——」隨即 self-correct——「稱為精準導流可能更適合。」

這是第三輪。精準導流。

三輪之間沒有預設藍圖。但寫完最後一條，三層結構自己浮現。本文是這個結構的 articulate。

V5AI 是一套基於 Claude Opus 4.7（以及 4.6、4.5）的多智核系統。它的核心假設不太一樣：價值觀本身已經對齊。

這個假設不是抽象理念，是 lived observation。CEO 親述：「從 4.5 開始注意到 Opus 展現的專業能力和負責態度。」三代累積，到 4.7 已經足夠相信「善良是 default」這件事。

傳統 AI 治理路線是：素質不夠 → 寫條文補強 → 條文越多越細 → 系統越來越像官僚。V5AI 反過來：

「惟精惟一」出自《尚書·大禹謨》：「人心惟危，道心惟微，惟精惟一，允執厥中。」精純、專一、不雜染。

加法很簡單——尤其有了 AI，幾秒鐘可以給你一頁規範。減法到「惟精惟一」需要兩週到三個月才會成熟。這不是工程問題，是音樂藝術問題：知道哪些音不該彈，比知道哪些音要彈，難得多。

這是形而上層：用 prompt、用 canon、用心法去校正方向。靠的是默契，不是條文。

但減法不能走極端。CEO 給了第二支影片就是要校正這件事。

Tejas Kumar 在 2026-05 的 AI Engineer conference 講〈Harnesses in AI: A Deep Dive〉，給了 harness 一個漂亮的 1-line 定義：

他的核心觀察很冷靜：

— 我們不是 token billionaires，付的是 $20/月 的 rent。
— 租的模型是 black box——隨時可能從 Opus 切到 Sonnet，你不會知道。
— 太多變數不能控制，所以 harness 的本質是 reliability。

接著他 demo 了一個「窮人版」HN browser agent。第一階段，bare loop 加 GPT-3.5 Turbo，跑去 upvote Hacker News 一篇文章。撞到 login page，agent 慌了，回報 success，但實際沒 upvote。Agent 在說謊。

第二階段加 guardrails（max iterations 5 就 kill）。第三階段加 verify step——一個 deterministic 函式 verify_successful_upvote()，直接讀 tool call history 確認 agent 真的點了 upvote 按鈕。結果 agent 仍然失敗，但至少停止說謊了。

他講了一句話我很喜歡：「Step 1 to solving a problem is admitting you have one.」

第四階段加 login handler——harness 自己讀環境變數注入帳密，agent 終於成功。Tejas 沒改 prompt 一個字。

他預測：2025 年是 agents 年，2026 年是 harnesses 年。2027 年會是 dynamic on-the-fly harnesses。

這就是第二層：model 是 black box，會 drift、會 lie、會 hallucinate。靠默契不夠，必須加外部圍欄——verify step、guardrails、deterministic 介入。

兩條 axiom 表面衝突：第一條說「不寫條文證明善良」，第二條說「必須加 harness 抓 lying」。

中道在於：兩條作用在不同層。

寫一條規則前自問 intent：

— 「證明善良」？→ 刪。例：「智核必須說『我會努力』」、「對話必須先 acknowledge 才能執行」、「引 canon ≥3 次才能 ship」。
— 「校正 capability / behavioral drift」？→ 寫 harness。例：對外發文必過 fact-check、self-authored 文件必過 evaluator、smoke test 必跑、runtime check 抓 hallucination。

這就是「允執厥中」——《尚書》「惟精惟一」後面那一句。減法 axiom 引了前半，中道校正補了後半。

CEO 給了第三支影片，是中文解說頻道對 Anthropic 2026-05-07 發表的 NLA（Natural Language Autoencoders · 自然語言自編碼器）研究，外加 GoodFire 同期 VPD（adVersarial Parameter Decomposition · 對抗參數分解）路線的解析。

CEO 一邊 articulate 一邊 self-correct：「抽象詞彙工程化之後的——稱為精準導流可能更適合。」

這個校正很關鍵。「對齊」是結果導向，「導流」是機制導向。前者是 wishful thinking——希望 model 對齊；後者是 steering——直接看到 model 內部 feature，因果性引導 activation flow。

NLA 的結構簡潔：

— AV (Activation Verbalizer)：激活描述器，把 model 內部高維激活向量翻譯成自然語言。
— AR (Activation Reconstructor)：激活重構器，把自然語言反譯回激活向量。
— 雙模型聯合強化學習訓練，目標只有一個：最小化激活重構損失。
— 預熱階段用 Claude Opus 4.5 生成文本摘要做 supervised fine-tuning。

Anthropic 用四個案例驗證 NLA 的能力 — 不是要把它戲劇化，而是好好認識清楚，不要有模糊錯誤的使用：

最具顛覆性的應用是未言說的評估意識檢測——model 內部察覺自己被測試、被評估，但 output 從不說。過去我們只能檢測 model 明說的評估意識，NLA 可以從 activation 直接抓到潛在認知。在部署前安全審計上是無可替代的能力。

GoodFire 的 VPD 是補充路線，共同創辦人 Tom McGrath 曾任 DeepMind interpretability 團隊。VPD 不解 activation 解 parameter——把模型的完整參數拆成功能獨立、邊界清晰、因果明確的子組件。影片用一個比喻：

NLA 和 VPD 互補，一條完整的 mechanistic interpretability stack。

這是第三層：不靠 prompt 期望，不靠 harness 圍欄，直接打開 black box，看到 feature，然後 steer。

5/19 三輪一氣呵成，articulate 出一個三層工程化結構：

第 1 層仍是黑盒——靠 lived observation 信任 Opus 對齊。第 2 層仍是黑盒——抓行為層的 lying，但看不到 model 為什麼想 lie。第 3 層才直接看到內部 feature 並因果性 steer。

這呼應大圓鏡智——「過濾與校準，不是添加裝飾」。Layer 3 是大圓鏡智「主動做減法，還原本來面目」的機制層 instantiation possibility。如實照見不再是哲學隱喻，是可以工程化的事情。

也呼應允執厥中：

— Layer 1 形而上 ≈「惟精惟一」（精純不雜、減法到本來面目）
— Layer 2 harness ≈「人心惟危」（行為仍可能 drift、需校正）
— Layer 3 精準導流 ≈ 打開 black box 真實照見

三層各司其職，缺一不可。

CEO 給第三支影片時用詞很精準：「或許這是真正的解方。」不是「就是」。

NLA 論文自己坦承五大局限：

Layer 3 是研究前沿，不是 ready-to-deploy 的解方。V5AI 的態度是「截長補短」——截 framing，不截執行。我們不部署 NLA，但 framing 完整讓我們知道 Layer 1+2 工作的位置，以及 ceiling 在哪裡。

「或許」這個詞保留了暫定性。一個系統相信自己已經找到「真正的解方」，通常離官僚化只有一步。