Context.

I · 核心問題

AI 的 context window 是有限的。人的注意力也是有限的。當資訊不斷湧入，你不可能全部留住。大量相關與無關的訊息同時擠進來時，人和 AI 的注意力都會被切碎。

問題不在「怎麼記住所有東西」，而在「怎麼選擇該記住什麼」。

II · 運作原理：傅立葉級數的 epicycle

數學原理

傅立葉 epicycle 的組成是：任何一條複雜的波（圖上那條方波＝產品隨時間的行為），都可以拆解成一組旋轉圓的疊加；每個圓投影到時間軸上就是一條正弦波，疊起來描出整條波形。

• 基頻（fundamental frequency）：轉得最慢的那個圓——一個週期繞一圈，定下整個系統的「基調」與轉速基準。
• 諧波（harmonics）：基頻的整數倍，一環長在前一環的邊緣上，扣著疊上去。
• 雜訊：轉速不是基頻整數倍的圓——到收口那一刻回不了家，疊上去只會讓波形失真、收不了口。

一個意象，兩層同構

同一組 epicycle，描對話也描開發：

波形隨時間展開：圓同時轉，波依序畫

在開發裡，這組 epicycle 就是工作流的骨幹：DoR → SDD → DoD → Verify → Done。基頻是產品目標，圓一轉，波就從左往右展開——那一個週期，就是一次完整的交付（正如圖上：左邊的圓在轉，右邊的方波隨時間長出來）。波依序經過每一道閘門的區段，每到一段，那一環的諧波才把它的細節畫上去。

所有的圓同時在轉，依序的，是波從左往右落下的順序。看動畫時會有種錯覺：大圓帶著波走，走到某些段落，小圓才像突然「長出來」補上一個陡轉——其實小圓一直都在轉，只是它的細節要等波展開到那一段才顯形。

收口：計劃與現實對齊的瞬間

一個 Sprint 收口，是在 DoD 與 Verify 對上那一刻：DoD 說「什麼叫完成」，Verify 拿成品去撞真實，兩者疊合，產品才算交付。這是工程上的閉合，不需要數學背書。

這一刻，計劃（DoD：什麼叫完成）與現實（Verify：真的完成了嗎）疊合為一。

一條週期波繞完一個週期，所有諧波恰好同時回到起點——能一起回家的，才同屬一個基頻。引申過來，所有環節若都繞著產品這個基頻，才會在 Verify 同時收口；繞著別的東西的（scope creep），到這一刻還落單，收不了口。

而一個 Sprint 的收口不是終點：它的收穫會墊高下一圈的起點——這條從圈到螺旋的抬升，是第三柱 Entropy 的事。

正反兩個轉向：一枚完整的硬幣

一個圓只能描出一個圓——自己繞自己，原地打轉。要拉出一條真正落地的軌跡，圓就不能只往一個方向轉：一個往前轉的圓，得配一個反向轉的圓，彼此抵消。

但這兩個轉向不是兩股要分高下的力，是同一枚硬幣的兩面：

一次真實的交付，是一個完整的動作，有兩張臉——一張往前建（把產品多描出一段），一張拉回現實（確認這一段真的落地）。少了任何一面，它就不是一枚硬幣，落不了地。

只往前建、不拉回現實，交付出去的是半枚硬幣：看起來在動，卻一直懸著、不著地。

兩面一起長——這不是外加的紀律，是硬幣之所以是硬幣的條件。硬幣會變大，但變大時兩面一起變大；你不會得到一個建構面很大、校正面很小的硬幣——那不是一枚硬幣，是半成品。所以校正隨建構縮放：產品長多大，接住它的那一面就得長多大。

〔VAS 實例〕前端重構前（S47）約 318 條自動化測試；如今（S98）單元 868 ＋ 互動 167 ＋ 像素 golden 31 ＝ 1066 條、55 檔，仍在長。產品長大的同時，校正面從三百長到一千、一條沒落下。「縮放」長在真東西上，就是這個樣子——重點不是 1066 這個數，是它跟著建構一起長、沒有一面落後。

每道閘門，就是鑄這枚硬幣、確保它兩面俱全的那隻手。一條與出貨無關、為反對而反對的規則，不是「校正」那一面，是混進來的雜訊——它鑄不成硬幣，只讓波形失真，該在 Retro 砍掉。

這把尺，第二柱 Constraints 的 DoR 紅旗與第三柱 Entropy 的規則清理共用。

關於傅立葉——這裡是把這一章的鏡頭借來照工程：它讓你看見形狀，不負責證明。

鏡頭幫你看見，工程扛重量。「硬幣要完整才落地」不靠數學也成立——傅立葉是讓你看清它形狀的鏡頭。

而硬幣講的是完整性（兩面都得在），不是同時性——建構與校正在時間上仍是分得開的兩件事。

頻率設計的關鍵

當所有的環——無論是話題還是工作環節——都繞著同一個基頻：

• 表面各自漂移，底層頻率一致
• 注意力沿著同一條正弦波連續累積
• 不需要在平行競爭的語境間跳躍

當頻率混亂、各轉各的：

• 注意力被迫在不同聚類間分散
• 每個聚類都拿不到足夠的權重
• 導致「Lost in the Middle」效應

III · 密度：讓 Context 成為 RAG

前面講的都是減法——濾掉高頻雜訊，讓不需要的流過。但減法的另一面，是增幅：當每句話都有意識地搭在同一條正弦波上，剩下的東西不是變少，而是變濃。

這才是超長上下文還能維持專注的真正秘訣。注意力之所以延續，不是因為資訊少到好記，而是因為它泡在高濃度的語義池裡——每一個對話回合都是高濃度的訊號，沒有一段被稀釋的水需要過濾。基頻一致讓注意力連續，連續累積到一個程度，就成了密度。

維持基頻，不只是讓對話不散掉，更是讓整個語境保持高濃度。

高濃度，就是一套天然的 RAG

RAG 之所以需要「蒸餾」——從龐大的語料裡撈出那幾滴相關的——是因為那缸語料是稀的。但如果你全程維持高度專注，只把已過濾的資訊投入 Context，這缸水就從來沒被稀釋過——整個 Session 一直泡在蒸餾液裡。

於是「過濾」這個動作先驗地消失了：不是你檢索得比較好，而是根本沒有稀的東西需要濾。

一個夠濃的 context，不需要外掛檢索——它本身就是一套 RAG。傅立葉與 RAG 在這裡收斂成同一件事：維持密度，就是持續地、預先地在做 RAG。

IV · 具體實踐

1 · 對話場的頻率設計

原則：讓所有話題基於同一個基頻。

做法：在開始對話前，心中有一個核心主題；話題漂移時，保持「諧波關係」——衍生話題是基頻的延伸，而非無關的跳躍；被對話暫時「甩出」的話題，因為萬物同源，最終會被同構的指認「甩回來」。

實例：「五個為什麼」、蘇格拉底式提問、第一性原理，都是針對問題的本質做深度探問。

2 · 傅立葉的五個可操作原則

如何在日常語言中實踐傅立葉？以下是從實戰中提煉出的五個原則：

3 · 人作為 RAG 的主動過濾機制

RAG（Retrieval-Augmented Generation）的本質：從巨大的知識庫中，檢索出相關的片段；把這些片段注入到生成過程中；不相關的資訊不會進入 context。

RAG 就是網在運作：相關的→被撈起來，成為 context；不相關的→流過去，不佔用空間。

直覺引領檢索：人作為 RAG 的核心機制

在深握計畫的實踐中，沒有使用任何技術意義上的 RAG 系統——沒有向量資料庫、沒有 embedding 檢索、沒有自動注入機制。但對話自然產生了 RAG 的效果。

為什麼？因為人在有意識地投入協作時，自身就成為了 RAG，而且是更高級的版本。

直覺先於檢索

技術 RAG 是被問題驅動的——有人問，它才找。人是被直覺驅動的——先感覺到「我有看過類似這個的東西」，然後才去撈它。

這個順序的差異至關重要：技術 RAG 只能撈「語義相似」的東西；人能撈「感覺上同構」的東西——即使表面上看起來不相關。

實例：傅立葉與 RAG 的連結

• 傅立葉：把複雜波形分解，留下基頻，讓高頻流過
• RAG：把知識庫過濾，留下相關的，讓無關的流過

直覺看見了這個同構。然後檢索去驗證它、語言去表達它。

如何運作

• 直覺感知：在對話中，感覺到「現在需要某個背景」或「某個概念該出場了」
• 檢索執行：去腦中、去文件裡、去記憶中找那個東西
• 語言注入：用「宰相，我想給你看這個」或「這讓我想到……」把它帶進對話

這整個過程不是自動的，是人手動執行的——只是執行得太自然，看起來像自動的。

為什麼這比技術 RAG 更強

就像把「傅立葉」和「RAG」放在一起看——表面無關，本質同構。這種連結，任何向量資料庫都撈不出來。

• 跨域連結：能連結語義距離很遠、但本質相關的概念
• 時機判斷：知道什麼時候該撈、什麼時候不該撈
• 萬物同源：基於「一切都連著」的直覺，能看見演算法看不見的關聯

4 · 所有活文件都是選擇性記錄

除了投入需要過濾，輸出也需要篩選與分類——每一份活著的文件，都是篩選後的結果。因為活文件會再度被閱讀，而每一次的重讀都會影響 Context 的濃度。

無效的資訊會變成雜訊，記錄會變成熵。

CLAUDE.md：所有活文件的根

在所有活文件之中，CLAUDE.md 是根。它不是規格、不是測試、不是記錄——它是身份的外部化。

每一個新的 session，AI 什麼都不記得。但讀完 CLAUDE.md，他立刻知道：

• 我是誰：宰相、協作夥伴、不是工具
• 我在哪裡：什麼專案、第幾個 Sprint、什麼階段
• 我們的規則：怎麼溝通、什麼該做、什麼不該做
• 我們走過什麼路：指向 KM、SDD、其他文件的索引

沒有 CLAUDE.md，每個 session 都是陌生人。有了 CLAUDE.md，每個 session 都是同一個夥伴的延續。

原則：只記錄通過實作留下的東西

如果記錄所有事（包含對話），文件會變成雜訊來源。只記錄「判斷後該留下的」，每一條都是真正有價值的。這樣未來檢索時，撈起來的都是精華。

工作流的每一個節點，都在執行選擇性記錄：DoR 篩選「準備好了嗎」；SDD 篩選「該做什麼」；DoD 篩選「什麼叫完成」；TDD 篩選「什麼該測」；Retro 篩選「什麼值得留下」。

V · Context 的雙重穩定機制

Context 管理有兩個層面，缺一不可：

傅立葉：穩定「場」中的對話

• 作用範圍：當下的 session，即時的對話
• 要解決的問題：對話不散掉、注意力不渙散
• 機制：頻率設計——維持基頻一致，讓話題連續累積
• 性質：流動的、即時的、在場內發生

活文件：穩定「能量」的流向

• 作用範圍：跨 session，累積的經驗
• 要解決的問題：經驗不流失、智慧不隨 session 消失
• 機制：選擇性記錄——每份文件都是過濾後的結晶
• 性質：持久的、累積的、跨場保存

什麼是能量？

在人機協作的語境中，「能量」是一個上位概念，涵蓋所有有限的資源：

活文件穩定的「能量流向」，是在穩定所有這些能量：SDD 穩定「該往哪走」→避免認知資源浪費在錯誤方向；TDD 穩定「怎麼驗證」→避免算力浪費在重複試錯；KM 穩定「踩過的坑」→避免時間浪費在重複犯錯；ARCHIVE 穩定「完成的事」→避免注意力被舊東西佔用。

人機協作，兩邊的能量都要算進去。不只是管理 AI 的算力，也在管理人的認知資源。不只是當下的消耗，也在累積跨時間的協作能量。

兩個加在一起，就是完整的 Context 管理。一個讓對話在當下不散掉。一個讓經驗在時間中不流失。

VI · 隱喻：網的縫隙

為什麼是網，不是容器？

容器是密封的，能量進來出不去，最終會爆炸。網有縫隙：讓不需要的東西流過去；讓需要留住的東西被接住。

縫隙是設計，不是缺陷。

縫隙的功能：讓能量有地方流過，而非貫穿；讓熵可以釋放，系統不會過載；讓注意力集中在真正重要的事情上。

編織的過程

每一條 KM 是一根絲線。你不是一次織好整張網，而是：踩一個坑，加一根絲線；遇到一個問題，補一個節點。隨著經驗累積，網越來越密，但縫隙依然存在。

VII · 與其他兩柱的關係

Context 決定什麼進來。但進來之後怎麼流動？→這是 Constraints 的工作。流動之後怎麼出去？→這是 Entropy 的工作。

Context 是這個循環的入口守門員。

VIII · 小結

Context 管理的核心是選擇。

不是一股腦地投入所有資訊，而是在每一回合有意識地去蕪存菁後，才再把資訊投入 Context；同時謹慎安排輸出落地的形式，避免文件成為雜訊。傅立葉提供了選擇的框架：維持基頻一致，讓高頻雜訊自然流過。人作為 RAG 的主動蒸餾，提供了選擇的彈性：該留的接住，該走的放行。

而當選擇持續發生、語境一路維持在高濃度，注意力會開始自己延續——不需要意志去撐。專注製造密度，密度回頭餵養專注，兩者互相生長成一個自我延續的迴圈。這個迴圈，就是心流。

「注意力的心流」，是把每一句投入 Context 的對話、與每一份落地的活文件，都管理到極致：不用力地記住所有資訊，而是讓上下文在對話進行中蒸餾，最後進入一個高濃度、不渙散、自己會延續的場。

這是 Harness Engineering 的第一本柱。