AI 能做的事情越來越多，我們做的事情也越來越多。
但如果累積的知識與文件沒有一個好的地方管理，內容一多，就會越來越搞不清楚自己之前到底做了什麼。
這些知識不只很難檢索，也比較難交接給其他 Agent 或團隊同事接續維護。
工單管理也有類似的問題。
我們已經有 AI 這麼強力的引擎，可以協助處理很多任務。
但如果任務沒有好好管理，就無法發揮 AI 的全部能力，也很難掌握目前所有任務的執行與待辦狀況。
整個執行過程需要哪些材料，以及能不能掌握任務全貌，是我現在遇到的一大痛點。
即使沒有完善的文件與工單管理，事情還是能運作。
但是會讓工作中的瓶頸（自己 🥹）需要花更多心力來管理。
在人類的注意力和判斷力相對稀缺的情況下，值得靜下來想想如何優化。
在處理業務邏輯比較複雜、條件分支較多的需求時，我們當下可能花了很多力氣釐清。
但這些知識往往只留在當時跟 AI 來回對話裡，沒有做好歸檔。
一個月後需要重新梳理邏輯時，可能已經很難從大量對話紀錄中找到原本的討論。
最後只能重新讓 AI 搜尋程式碼或對話紀錄，再把整套邏輯梳理一次。
目前缺乏的是一套好的知識管理機制。
我們也沒有把已經梳理好的邏輯，進一步轉化成架構圖等人類更容易吸收的形式。
即使當下已經把問題想清楚了，過一段時間後，還是很難快速恢復對整體邏輯的掌握感。
當我們對某個專案非常熟悉時，會建立很多自己的 skill，放在本機執行。
這些 skill 累積了我們對專案的理解，也讓日常工作更方便。
但目前這些 skill 都侷限在本機。
當專案需要交接給其他同事接手時，就必須額外花力氣整理。
原本只有自己使用時，不一定需要處理的結構、說明與使用方式，到了交接階段都需要重新補齊。
這也代表累積在本機的能力，還沒有自然地變成團隊其他成員可以接手使用的內容。
每個人在各自習慣的工作系統中，都需要有一致且系統化的方式，管理各個環節產出的知識。
其中一個重點，是先把 knowledge management schema / scale 定義清楚。
不管是在開發、開會、突然接到需求，還是研究檔案系統或 codebase，過程中得到的知識都能有一套系統化的方式妥善管理。
當我們接受一個任務，或已經明確知道要做哪些事情時，AI 可以進一步把方向 break down 成更具體的步驟。
接著，我們可以指派 AI 完成這些工單，並清楚看到每一項工作的執行狀況，以及已完成內容的連結。
這樣在任務的管理與執行上會更清晰，也能更加自動化。
不過我現在想想，其實我提到的這些痛點，未來在 token 用量和速度都不是問題時，AI 應該也都有辦法解決，算不上什麼大問題。
前面的兩個例子，其實都可以直接變成一句話丟給 AI。
對第一個問題，我可以直接說：「我一個月前對這個需求做過比較長的討論，幫我找出那個對話串，然後做一個方便我理解的架構圖跟動畫。」
如果這件事一下子就能完成，那以後就算再遇到同樣的狀況，我也不確定還需不需要特別去解決它。
對第二個問題也一樣：「我現在想把這些 skill 整合到專案裡，讓團隊其他成員都能方便使用。幫我做一版整理，並針對 skill 這個項目再做一份交接文件。」
所以這兩個痛點到底值不值得花力氣建一套系統，我自己也還沒有答案。
※ 本文架構與觀點由我構思，成稿過程使用生成式 AI 協助整理與潤飾，內容經本人驗證。系列說明見 Day 1。
iThome鐵人賽
看影片追技術