最近在嘗試將一套複雜的方法論（預立醫療照護諮商與代理人系統，簡稱 ATP）重構並開發為一個運行的 Multi-Agent 系統時，我與 Antigravity 進行了一場極為密集的對話與對抗。
這場設計實戰讓我對新時代的人機協作有了更深一層的體悟：
使用 AI 的真正瓶頸，往往不在於程式碼的實作（Implementation），而在於「如何從雜亂的現場狀況下，套用系統工程方法，解決想不清楚的困境。」
在軟體工程 2.0 時代，最難的不是寫程式碼，而是**「講清楚你真正想要什麼」**——而最無奈的是，這個你想要的終極產品，在你的腦袋中其實還沒有完全形成。以下是我從這次架構重構歷程中，提煉出的關鍵方法論。
🌪️ 混亂現場：大腦「想不清楚」的困境#
面對一個複雜專案的起點，我們手邊擁有的素材通常是極度碎片化且混亂的：
- 幾本厚厚的方法論指南書。
- 隨性錄製的會議訪談逐字稿（如我隨性存下的 19KB 發想會議紀錄）。
- 各種空白表單、靜態圖卡與法規條文。
當你把這一堆「雜亂的現場狀況」丟給 AI，並下達「幫我做一個自動化 Agent」的指令時，你會發現進度寸步難行。
因為如果連你自己大腦中的運作模型都還沒有成形，AI 就只能憑空捏造（幻覺）一些看似合理卻無法解決具體業務痛點的程式碼。這時候，**「如何逼自己大腦想清楚」**就成了整個專案最核心的卡點。
🏗️ 系統工程：強迫思維收斂的「認知鷹架」#
面對這種腦袋模糊的困境，我們不能直接寫程式碼，而是必須架起**「系統工程（Systems Engineering）」**的剛性鷹架。
這套鷹架並非為了寫教條式的文檔，而是利用結構化的流程強迫我們的大腦進行自我拷問：
- 任務定錨（Task Bootstrap）：明確給定任務 ID（如
T260716-HHH01）與目標，在專案清單中定下座標。 - 架構初始化（SE-6D 框架）：建立包含「需求、規格、設計、測試」的系統工程目錄。這等於是為大腦劃定六個不同的思考維度，每個文件只回答特定階段的問題。
- 邊界劃定與 TBD 標註：在梳理需求時，不確定的欄位或尚未想通的規則，強迫標註為
TBD（待補充）。這能防止 AI 越權過度發想，同時把大腦的模糊區塊物理標記出來。
透過系統工程的 ID 追溯鏈（Traceability Chain，如需求 REQ 到規格 SPC 再到測試 TCV），大腦被迫把糾結在一起的線團一根根理順。AI 在這裡不再只是一個程式碼生成器，而是一個**「思維對話的鏡子」**，透過規格的往返質疑，幫我們看清思維的死角。
📐 架構分流：對齊已知的成熟範式#
在本次重構歷程中，最關鍵的突破是我們對**「資料庫與 Agent 運作架構」**的認知轉型：
「Agent 系統必須在好的知識體系下運作。我們必須先建構知識體系，再談 Agent 邏輯。」
當我們的大腦在糾結「使用者訪談的對話資料、方法論條文、空白表單到底該怎麼在資料庫中關聯」時，我們沒有去重新發明輪子，而是快速對齊與延伸了已有的成熟架構範式——也就是先前開發歷史地理資訊專案 taiwan-history-atlas（臺灣歷史知識地圖） 的 L0 ~ L4 五層數據與邏輯層級：
- Layer 0 (L0) - 原始文獻層：只放原始書稿本文與訪談逐字稿。
- Layer 1 (L1) - 結構實體層：存放提煉出的術語定義與提及。
- Layer 2 (L2) - 知識地圖層：專題目錄與重點索引。
- Layer 3 (L3) - 語意脈絡與邏輯元metadata層：儲存 LLM 提煉生成的邏輯關係與合規規則。
- Layer 4 (L4) - 拓樸分析與 AI 輔助層：對話歷史拓樸與 AI 執行工具鏈。
藉由這個分層模型的對合，我們順利將「冷、熱資料」進行了物理分流：將需要頻繁被 AI 語意檢索與邏輯判定的資料放入 SQLite DB（L0~L4），而將靜態的空白表單、範本附件保留在 KB 本地目錄（冷資料） 中。
架構一旦對合上這個模型，大腦原本混沌的拼圖瞬間就卡進了正確的位置。
🚀 結論：新 AI 時代的方法論演進#
這次重構的實踐，展示了在新 AI 時代下，複雜方法論是如何以極高的效率在演進的：
我們用 ./pa 命令行一鍵建檔，並透過 se_manager.py audit 指令對編寫好的系統工程文檔進行靜態成熟度稽核。在短短幾分鐘內，就排除了一切追溯鏈的語法警示，達成了 100% 的追溯合規（0 warnings）。
寫程式碼真的很簡單。與其花時間去糾結程式碼怎麼寫，不如花時間去整理接地的素材，並套用系統工程方法把大腦中的想法結構化。
系統工程就是新時代的認知防禦工程。它幫我們在混亂的開發現場中打下第一根木樁，搭建出思維的邊界，這才是引導 AI 幫助我們實現效能躍遷的真正關鍵。