要自己補全描述的 Claude Code，真的是成熟的解決方案嗎？

工作上經常使用 Claude Code 的我，最近常因為某種鬼打牆而煩躁不已。

同時你們也應該對專家們所提出的建議不陌生：

這些建議的方向都是如何完成工作，或者更好、更正確的完成工作。
但我現在下班了。可以放掉壓力，好好來想一下這件事。

不知道從什麼時候開始，原本能輕易理解要求並且遵照實作的 Claude Code，變成了需要大量描述才能完成一個很常見的要求。我覺得目前的狀況不是單純缺乏足夠資訊的問題。

從粗糙的理解開始

首先，Claude Code 的主要框架、動作是由 Anthropic 事先定義的規則所決定，接著是 model 訓練時的參考資料，最後加上你提供的 context。

也就是說，其實有很多無形的東西，在處理你提供的資訊，同時也在稀釋這份資訊。

而 LLM 接龍特性，有可能讓你獲得的結果偏向某個強大的源頭，卻也可能遺失重量不足的資訊。

你是否有過經驗，當開發類似功能時，某一次的結果，其風格會跟以往不同。

我想大部分有在確認 AI 結果的人，或多或少都有注意過這種問題。而當你開始使用 skill 或者任何 context 提出要求的同時，一併規定必須使用相同程式風格之類的規則，遇到的機率會小很多。

但，每次為了一個需求，都需要重複那麼多的資訊才能確保穩定，真的合理嗎？

這邊並不是說所有人開發都要遵守特定一種程式風格。
我相信有人會指定習慣的 pattern 來開發，但也會有人想法不同。

我的意思是 AI 應該自動參考「現存」的程式風格。這應該是一個明確的共同認知，而且也是主流習慣。不會有人喜歡一部分程式碼寫成這樣，另一部分卻反過來。

但從最近的經驗來看，我們需要指定這種接近常識的東西，Claude Code 才會遵守。

事實上，它還是有可能忽略。

從我的角度來看，這整套 AI 系統是不是開始缺少了很多常識，或者某些很普遍具有共識的知識？
這導致了我們需要補充給它的資訊越來越多。

這是一個很麻煩的問題。

當資訊量不足的時候，會有很多發揮空間，因此帶來很多可選的項目。例如：密碼應該用什麼加密後才儲存？理論就有好幾種，安全性、效能、套件支援等等都會展開很多討論。

但我們開發的時候怎麼事先提供足夠的知識？一般人怎麼選擇？選了怎麼知道是否適合？這通常需要一些數據分析跟比較，結合一些知識背景或相關經驗，才可以做出決策。

但還是那個問題，我們無法事先提供全面性的資訊。

我們只能留下事後的經驗和分析報告，在下一次的時候直接做出結論。

但是這導致了我們需要頻繁的總結狀況去更新 skills? 或者說，我們是某種規格書。

當我為了確保 Claude Code 的執行正確性寫了許多 skill 和 context，每次請求的完整 context 就會越來越大。因為文字接龍的關係，有部分資訊的影響程度不夠，還是會被忽略了。

接著，如果你問它：為什麼上一步沒依照要求實作？恭喜進入 Claude Code 標準迴圈陷阱道歉、解釋、要做嗎？

你是對的，我沒有依照要求實作 APIs，現在要開始嗎？

此時，專家又告訴我「為什麼沒依照要求實作？」這種問法沒有攜帶糾正用的資訊，你應該要：…以下省略百字。

想要 AI 給出穩定的結果，需要大量的 context 來補充知識；而大量的 context 卻更有機會導致更多資訊被漏掉。形成一種資訊越多反而資訊越少的詭異感覺。

現實面來看，如果連常識、習慣，這種都要依靠使用者花費更多的 token 去提供，才能引導 AI 做出理想的動作，是不是有點本末倒置。

而且這會花費更多的 token，而 token 是要錢的。最重要的是，我不是規格書。