專注的力量與 AI 韁繩工程 大腦與大語言模型的注意力管理實踐

什麼是專注力及其鍛鍊價值？

專注力 (Attention) 在丹尼爾．高曼 (Daniel Goleman) 的定義中，並非一種天賦，而是一種類似肌肉、可以被鍛鍊的 認知資產。在數位雜訊與 Token 洪流密集的時代，專注力不論對大腦或 AI 都是核心引擎。其核心分析在於：如果缺乏主動管理，大腦會因「情緒挾持」與「資訊過載」而陷入自動駕駛，而 AI (如大型語言模型) 則會因為上下文 (Context) 過載而產生注意力偏移與幻覺。鍛鍊注意力並拉起韁繩的實踐步驟包含：1. 建立架構覺知：理解人類與 AI 運算的極限；2. 邊界防禦：以正念防禦情緒，或以上下文工程 (Context Engineering) 清理輸入；3. 系統性控制：運用韁繩工程 (Harness Engineering) 與刻意練習，確保產出對齊預期目標。這種尋找內在注意力焦點的歷程，也與 30 歲後的職涯意義與人生轉折 息息相關。

心理運算的極限：從大腦 7 ± 2 法則到 AI 上下文窗口

我們的大腦工作記憶 (Working Memory) 空間非常有限。心理學家喬治．米勒 (George A. Miller) 提出的 7 ± 2 法則 指出，人類大腦一次只能處理大約 7 個 (正負 2) 資訊單元。當我們試圖在多個任務之間切換、硬塞入過多雜訊時，心理運算系統便會過載，導致認知效能呈現斷崖式下跌。若想在混亂中創造 偶然力 (Serendipity)，首要任務是學會透過 正念 (Mindfulness) 來重奪主控權。

令人驚訝的是，當代大型語言模型 (LLM) 也面臨著極其相似的注意力極限：

• 上下文窗口與注意力丟失 (Lost in the Middle)：雖然現代 AI 宣稱擁有數十萬甚至數百萬的上下文窗口 (Context Window)，但在實際運算中，當輸入的 Token 數量過多時，模型會產生「迷失在中間」的現象——它只能注意到文本的最開頭與最結尾，而漏掉夾雜在中間的關鍵資訊。這本質上就是 AI 的「心理運算過載」。
• 專案治理的實踐類比 (GEMINI.md)：這就像我們在專案中撰寫的 GEMINI.md 規則檔。如果我們把所有的瑣碎規則、暫時性的 Debug 指令全部塞進 GEMINI.md 中，AI 代理人在讀取專案上下文時就會被這些雜訊「污染」，導致注意力偏移，甚至遺忘最核心的開發規範。

上下文工程 (Context Engineering)：AI 的選擇性專注

大腦為了應對 7 ± 2 的限制，會透過「選擇性專注」與「認知重構」來過濾雜訊，只將最重要的資訊送入工作記憶。

在 AI 領域，我們稱之為 上下文工程 (Context Engineering)。透過檢索增強生成 (RAG)、模型上下文協定 (MCP) 以及語意篩選，我們能夠動態地將高密度、最相關的「大石頭」資訊餵給模型，主動幫 AI 過濾掉無用的背景雜音。這就是 AI 版本的正念練習——排除雜訊，留下純粹的注意力焦點。

防禦大腦與 AI 的「情緒/提示詞挾持」

高曼在書中指出，人類專注力最大的內部威脅是 杏仁核的情緒挾持 (Amygdala Hijack)。當面臨外部壓力或誘惑時，杏仁核會搶先理智大腦 (前額葉皮質) 奪走注意力，使我們陷入焦慮與分心。

有趣的是，這種「主控權被奪走」的現象，在大語言模型中也極為相似：

• 提示詞挾持 (Prompt Hijack) 與幻覺 (Hallucination)：當 AI 遭遇惡意輸入或過多發散的情緒化文本時，其內部的 Attention 機制會被偏斜，導致模型遺忘原本的任務設定，開始胡言亂語或憑空捏造事實 (幻覺)。這與人類被情緒沖昏頭、做出不理智決策的邏輯如出一轍。
• 機率性自動駕駛 (Autopilot)：在沒有明確引導下，AI 會根據 Token 的最大機率分佈進行生成。這就像人類大腦在「自動駕駛模式」下滑手機或玩《憤怒鳥》一樣，看似在進行思考，實質上只是無意識地做出最習慣的膝跳反射，缺乏深度的邏輯整合。

認知重構：從「一袋白骨」到語意降維

書中提到一個有趣的練習概念，用於對抗感官誘惑。佛教修行中有一種名為「一袋白骨」的觀想，本質上是透過 認知重構 (Cognitive Restructuring) 來破除對皮相的執著，將注意力從表面轉移到本質。

而在現代數位領域，我們則有更科學的訓練工具：

• 泰納之城 (Tenacity)：由比爾蓋茲基金會資助、GLS 中心開發的數位教育遊戲。它與「肯達預言」並列為數位學習先驅，旨在透過類似樂器練習的反覆操作，提升學童的認知能力、專注力與同理心。
• 呼吸偵測技術：透過觸控螢幕結合正念練習，讓使用者與自己的生理律動重新連結。
• 感知廣度與氛圍專注：有趣的是，專注力的展現不僅限於精確的控制。在藝術領域中，英國畫家 泰納 (Turner) 筆下的城市 (如威尼斯) 常將光、霧與水交織，營造出虛實交錯的氛圍。這種專注於「氛圍」與「整體光影」的視覺特質，展現了另一種層次的感知廣度。

對於 AI 而言，最有效的認知重構則是 語意降維與約束。我們不能只給它通用的、大機率的維基百科式資料。我們必須透過 System Prompt 與結構化定義，引導 AI 像排除表皮干擾那樣，只專注於任務的「骨幹邏輯」 (例如：代碼的資料結構、核心演算法)，防止其被表層冗長多餘的提示字元挾持。

破除「一萬小時」與 AI 機械重複的迷思

很多人誤以為只要投入大量時間（或讓 AI 反覆隨機運行）就能成為專家或得到好結果。高曼強調，無效的重複只是「自動駕駛」，我們需要的是 聰明的練習 (Smart Practice)。同樣地，這也對應到了 AI 的工程調教：

1. 練習的品質比時數重要：機械式的重複只會讓人變得很會重複，而非進步。對 AI 而言，如果只是丟給它大量的 Prompt，而沒有引導它建立邏輯推理與邊界限制，AI 也只會在錯誤的脈絡下機械式地生成垃圾代碼。
2. 防範「憤怒鳥效應」：過度投入於像《憤怒鳥》這類簡單且具備即時反射的遊戲，練就的是短暫且瑣碎的肌肉反應，而非深度的系統思考能力。這就如同將 AI 限制在簡單的問答對話 (Chat) 中，只能產出表面好看但缺乏深度邏輯的片段，限制了其解決複雜系統問題的能力。
3. 系統盲目性與局部優化：人們常有「了解的錯覺」，例如供應鏈管理者只看銷售數據卻忽視長期的永續經營。這也是為什麼我們需要 商業思維。在 AI 開發中，若只對單一 Prompt 進行局部微調 (第一世代 Prompt Engineering)，卻忽略了整個軟體工程的架構與自動化驗收管線，就會產生系統盲點，導致代碼在生產環境中崩潰。

韁繩工程 (Harness Engineering)：AI 的聰明練習法

為了讓 AI 脫離機率性的「自動駕駛」，我們必須拉緊韁繩。這就是當代的 韁繩工程 (Harness Engineering)——為 AI 建立一套執行工廠，提供明確的反饋機制 (DoD 驗收與 Playwright 自動化測試)。這套系統化流程就像是大腦的前額葉皮質，強制引導 AI 突破舒適區，進行有目標、有邊界、具備自我驗證能力的「聰明練習」。

專注力失調的自我診斷

你可以透過以下現象檢視自己是否正處於「專注失調」的狀態：

• 難以回想剛結束的對話內容。
• 對每天重複的通勤過程毫無記憶。
• 進食時食不知味，只是機械式地吞嚥。
• 比起身旁的同伴，更傾向於關注電子裝置的通知。
• 習慣飛快瀏覽書本，卻難以吸收其中的邏輯架構。

FAQ：大腦與 AI 專注力管理常見問題

Q1：為什麼多工處理與 Context 過載會降低人類與 AI 的運算效率？

A：根據 心理運算極限 (7 ± 2 法則)，人類大腦切換任務時會產生「切換成本」，導致深度思考中斷。對於 AI (例如大語言模型) 而言，將多種任務混雜在同一個對話中，會導致上下文 (Context) 窗口內充滿雜訊，觸發「Lost in the Middle」現象，使模型無法有效擷取關鍵資訊，進而降低生成品質並浪費 Token 資源。

Q2：正念 (Mindfulness) 與韁繩約束是如何防禦「挾持」的？

A：正念能協助人類建立「觀察者視角」，當 杏仁核 偵測到壓力並試圖啟動防護模式時，正念能讓我們覺察情緒而不被其「挾持」，維持理智判斷。而在 AI 的運作中，韁繩工程 (Harness Engineering) 則扮演了類似的角色——藉由 System Prompt 建立強制邊界、輸入驗證與自動化測試，防止模型被惡意輸入 (Prompt Hijack) 或發散脈絡帶偏，確保輸出品質的穩定。

Q3：如何讓人類與 AI 進行「聰明的練習」以避免無效的重複？

A：聰明的練習具備三個特徵：1. 明確的回饋機制；2. 持續挑戰舒適區；3. 高度的自我察覺。對於人類，這意味著在練習中針對弱點進行認知重構；對於 AI，這意味著擺脫單向的 Chat 模式，建立包含完成定義 (DoD) 與自動化驗收測試 (如 Playwright E2E 測試) 的韁繩工廠，讓 AI 在有回饋的閉環中反覆 Debug，從而確保交付物達到生產級標準。

結論

專注力不僅是個人競爭力，更是一種關乎「自我控制」與「同理心」的心理技術。透過正念判斷與聰明的練習，我們能從碎片化的訊息中抽身，重新看見被系統盲點遮蔽的真實世界。

當你奪回了大腦的主導權，下一步就是學習如何 運用 AI 與韁繩工程把時間買回來，讓你的專注力發揮在更有價值的事情上。

你的注意力在哪裡，你的力量就在哪裡。

• ← 上一篇