把腦中的判斷寫成文件：上下文工程與模型的服從度
這幾年把 AI 導入工作之後，我逐步把原本只存在腦中的判斷拆解、externalize（外部化），整理成一份可控的「上下文工程文件」（Context Engineering Document）。
我用三件事評估一個模型
目前，我在評估一個模型適不適合用在「高紀律、高溯源」的工作上時，主要看三件事：
- 能不能遵守既定的規則；
- 資訊不足的時候，會不會自己「補位」；
- 輸出的內容，能不能被追溯與稽核。
一份此刻的實測心得
以下是我近期的實測心得——先聲明，這純粹是我當下、個人的使用經驗，模型也一直在更新，未必適用於每個人、每個版本：
- Claude：上下文的服從度最高，比較能貼著既定規則執行，所以我把它當作主力，用來承載判斷層。
- GPT：次之。溯源相對可控，但資訊不足時偶爾會用訓練資料來補位，我主要拿它做備援與特定任務。
- Gemini：對這類長篇、高紀律的工作比較吃力，曾經一口氣列出整批虛構的來源，因此暫時退出了這條主線。
拉開差距的，是「服從已外部化的判斷」
對我來說，真正拉開模型之間差距的關鍵，其實不只是模型本身的能力，而是它能不能「服從」那份已經被我外部化的專業判斷。
工具會持續更新，但先把腦中的判斷寫清楚——這件事，和你選擇用哪一個工具，其實同等重要。