AI 自己改流程，誰來判它改對了？別把「比較像成功」當成驗收

沒有答案，也能比較；能比較，不代表已經證明

AI 把自己的工作流程改完，再告訴你「這樣比較好」，你會相信哪一部分？它可能確實少漏了一段資料，也可能只是把表格排得更像完成品。兩份輸出之間有差異，是觀察；哪份更符合你的需求，則需要另外判斷。

這正是閱讀自我改進研究時值得先畫的界線。探索可以在缺少標準答案的情況下前進，但不能因此省掉交付條件。對讀者最實用的問題，不是先替 AI 換一顆更大的腦袋，而是讓每次流程變更，都留下「改哪裡、看到什麼、還不知道什麼」。

Harness² 改的是周圍流程，不是讓權重自己成長

Harness² 第一方專案把模型周圍的提示、工具、記憶與協作等安排視為 harness。框架固定模型權重，在目前任務中提出流程修改、試跑候選，再依執行差異組合改法；另一層則把採用的流程與有證據的經驗留下來，影響後續調整。

論文摘要說明，這種任務內調整不依賴已知正解來引導。這是方法的使用條件，不是「不用驗證也知道正確」的承諾。研究報告的是特定基準上的改善，不能直接換算成你的任務成功率、成本或安全性。本文不引用跨模型勝負，也沒有重跑研究。

把探索、驗收、保留拆成三個決定

第一個決定是探索：這個改法值得試嗎？可以從執行紀錄看它是否更早發現缺資料、少走錯誤路徑，或提供比較容易回查的結果。這些訊號能幫忙挑下一個實驗，但不能代替最終判定。

第二個決定是驗收：這次結果符合原本條件嗎？例如數量能否與輸入對帳、每個重要欄位能否回到原文、缺件是否明確保留。條件應在比較前先寫下來，不要看見新流程的漂亮輸出後，才把標準改成它擅長的樣子。

第三個決定是保留：改法值得成為下一次的預設嗎？一次任務的成功，可能只是剛好碰上容易的資料。可以先限制在同類任務、保留原版，拿未參與調整的新資料再比較。這三個決定是本文原創教學框架，不是作者發布的正式驗收標準。

虛構例子：一張很漂亮的活動清單，仍可能漏掉取消通知

以下為虛構教學情境，不是真實客戶、研究案例或實測。假設 AI 要從數封活動通知整理待辦，舊流程逐封閱讀，新流程先擷取日期與活動名稱。新版本的輸出更整齊，卻漏掉一封沒有日期、只寫「活動取消」的補充信。

如果比較只看表格是否完整，新流程可能勝出；如果原本驗收條件包含「取消通知也要影響結果」，就能發現它尚未合格。這時不必急著宣布流程更差或模型不行，先留下漏件的輸入、哪一步丟掉訊息，以及驗收條件如何判定。

接著只調整會漏掉補充信的步驟，用同一份資料確認原症狀消失，再用另一份包含延期通知的新資料檢查。這是可執行的比較建議，不保證涵蓋所有活動、所有信件格式，也不代表本文已證明某個工具更可靠。

收藏五欄表：先記證據，再決定要不要留下

下表是原創的操作筆記格式，可用於小型受控比較，並非 Harness² 內建功能或官方規範。

同時改模型、資料、提示與判分方式，最後即使變好了，也很難知道哪個改動有效。剛開始可以選一個小任務，固定模型與驗收條件，一次只改一個重要環節；若為了比較增加呼叫，也要把耗時與費用另行記錄，不能只看輸出分數。

會改流程，不等於有權改所有規則

原專案的網路使用說明特別提醒，執行環境可能存取公開評測資料，做評測前應限制接觸答案與評分條件。這也提醒讀者：看見高分之前，要先弄清楚它接觸過什麼。不能把可取得評測線索的環境，當成已排除資料洩漏的證據。

實際試用時，外部寫入、憑證與權限仍由人決定。AI 可以提出改法，不等於獲准自行放寬限制、增加付費操作或改掉驗收條件。遇到這些邊界，先停在只讀或隔離試驗，確認授權再繼續。這些是本文建議，不是已完成的安全稽核。

一份值得留下的改法，應該能說明它在哪些條件下有用，也願意留下失敗與未知。最重要的不是讓 AI 為自己打更高的分數，而是讓你有足夠證據，決定這次該採用、再試，還是退回原流程。

作者：奧微軟體編輯整理。本文為研究解讀與原創教學，非服務案例、研究重現或產品背書；無商業導入與成效承諾。

查核日期：2026-10-22。來源為本文兩處第一方連結。未驗安裝、實際任務品質、速度、成本、資安效果及研究結果可重現性。