先鋒小隊改成先分享工作、再補技術概念之後，很多問題開始用不同的方式冒出來，有人可能發現 AI 每次回答的方向都不太一致；有人已經放進很多資料，結果仍然不是自己要的；也有人想讓 AI 幫忙做更多事情，卻不知道除了下 Prompt，還需要準備什麼。這些狀況表面上不一定叫做 Context Engineering。對先鋒小隊成員來說，它可能只是：「AI 為什麼不知道我要什麼？」「我明明跟它說過，它怎麼又忘了？」「為什麼它會回答，卻不能直接幫我把事情做完？」

技術名詞不是大家一開始遇到的問題。技術名詞的作用，是等問題浮現之後，幫我們把原本模糊的狀況說得更清楚。所以，我不是完全放棄原理和架構，而是把它們放到一個更適合出現的位置。

如果 AI 像一個人，它的架構會長什麼樣子？

這張圖也不是突然冒出來的。那段時間，我一直在想，怎麼把 LLM、RAG、MCP、Function Calling 這些技術名詞，轉化成大家比較容易理解的東西。想著想著，自然而然又接回我一直相信的一件事：把 AI 當成一個人來理解。

既然如此，乾脆直接把 AI 的技術架構畫成一個人的樣子。LLM 像人的大腦，負責理解、推理和產生回應。System Prompt 像是這個人接到的角色設定與工作原則，告訴他自己是誰、應該怎麼做事，以及有哪些限制。人會記得剛才說過的話，也會從過去的經驗和外部資料取得資訊。這些可以放在 Memory 的概念裡：Chat Memory 保存對話脈絡；RAG 協助從外部知識中找出相關內容；Status Memory 則記錄工作進行到哪裡、目前處於什麼狀態。但一個人不能只有大腦和記憶，也需要伸手做事。AI 如果要讀取檔案、查詢資料、寄送訊息或操作其他軟體，就需要可以使用外部工具。我當時把 MCP 畫在大腦與手臂之間，像是一套讓 AI 知道有哪些工具、這些工具能做什麼，以及該怎麼使用的共同規格；Function Calling 則像是 AI 決定伸出哪一隻手，提出一次實際的工具呼叫。

這當然不是一張精確的系統架構圖。真實系統裡，MCP、Function Calling 和各種 Memory 的關係，比人的大腦、記憶和手複雜得多，也不能完全一一對應，但可以幫助先鋒小組的成員，更容易知道每個元件大概扮演什麼角色，之後再慢慢補進更精確的技術細節。

陌生的名詞，終於有地方可以放

圖畫出來之後，效果比我預期得好。大家當下的反應是：很容易理解。原本每個人對技術名詞的熟悉程度都不一樣。有人完全沒聽過 MCP；有人聽過，卻不知道它跟 Function Calling 有什麼差別；也有人用過知識庫，但不清楚那跟 LLM 本身的能力有什麼不同。可是套進「大腦、記憶、手」這套說法後，陌生的技術名詞好像突然都有了位置。LLM、RAG、MCP 這些詞，第一次聽到時，可能只會留下幾個英文縮寫，很難在腦中形成具體的樣子。但大腦、記憶、伸手做事，是每個人都有的身體經驗。當陌生的概念掛到熟悉的經驗上，理解的門檻就降下來了。這個比喻不會讓大家立刻懂得怎麼架設一套 AI 系統，但至少可以先建立一張共同的地圖。之後再聽到新的技術名詞時，大家比較知道應該把它放在哪裡，也比較容易理解它試圖解決什麼問題。

好的比喻，不只讓人聽懂，也建立共同語言

後來我發現，這張圖帶來的效果不只是「大家聽懂了」，也替先鋒小隊建立了一套共同語言。在那之前，每個人提到 AI，腦中想的可能不是同一件事。有人想到 ChatGPT，有人想到自動化流程，有人想到知識庫，也有人把所有能回答問題的東西都叫做 Agent。當我們開始用大腦、記憶和手來討論，很多原本模糊的問題變得具體了一點。
「現在是大腦本身不會回答，還是它沒有取得需要的資料？」「這個問題需要補一段記憶，還是要多接一隻可以做事的手？」「它知道應該做什麼，但有沒有可以使用的工具和權限？」這些說法不一定是工程師描述系統時最精確的語言，卻讓一群技術背景不同的人，可以先確認彼此談的是不是同一件事。

「把 AI 當人」，從協作心法變成導入方法

一開始，我把 AI 當成一個人，是為了幫助自己跟它協作。我會像面對一位剛加入團隊的夥伴一樣，交代工作的背景、目的、限制和驗收標準；也會考慮它知道什麼、缺少什麼資訊，以及能不能使用完成任務所需的工具。到了先鋒小隊，這個想法又換了一種用途，「把 AI 當人」不只幫助我使用 AI，也開始幫助我向別人解釋 AI。而這背後還多了一層新的教學順序：先聽一個人正在做什麼，找到他真正卡住的地方，再補進能幫助他理解問題的技術概念；最後，用他原本就熟悉的經驗，替陌生概念找到一個可以放置的位置。