別人制定的標準

今天看到知識衛星推出一個 AI 能力測驗，他把使用 AI 的能力分成六個等級，分別是：

L1 基石：能在具體工作中說清需求，並查核、修正 AI 的產出，完成可用的成果。
L2 造物：能運用可重用的方法，穩定做出符合需求與風格的成果。
L3 分身：能讓 AI 接上工作所需的資料與工具，完成中間處理，並將成果送到需要的位置。
L4 流程：能依照實際需求，安排 AI、程式與人工的分工，讓整體工作更有效率、更可控。
L5 產品：能讓 AI 工具與流程持續投入真實工作，並在需求改變、功能調整或發生問題後維持正常交付。
L6 進化：能建立品質判準與運作邊界，讓 AI 系統自行檢查、定向修正與重新驗證，並在必要時交回給人。

我剛好在等 agent 跑某個規模有點大的重構，就登入帳號來測試看看。

測驗一開始詢問我最近一次用 AI 完成的工作是什麼，我就分享了目前工作上在做的事：從 9 月下旬以來，我就開始為新公司製作生產管理系統。原本公司在這件事情上是採取紙本的方式進行，紙本開單後會交由工廠的員工開始根據單據組裝，然後再檢核、包裝、出貨。我跟另一位同事逐步把這段流程全部數位化，他負責調查與理解現場狀況與工作流程，並跟 Claude 討論 prototype，我則是用 Claude Code 把 prototype 實際做出來。

在大約幾週的迭代與測試後，這個系統已經開始上線給同事們使用了。同事們若使用上遇到任何問題或者有回饋，可以用頁面上的「回報」按鈕填寫細節，送出後就會在 Github 上面自動建立 issue，然後我開啟 Claude Code session 後會去拉取還未處理的 issues，並且用一個「分析意見」的 skill 找出同事回報問題裡面真正希望解決的核心問題，然後提出建議的做法（以及潛在的成本）給我判斷，完成後再開始安排順序實作，實作後會進行自動的 code review & security review。

我大概就跟這個測驗的 AI 分享這些東西，然後它有問我一些細節，我也簡單回答，問了幾輪後，沒有要補充的東西，就送出了，結果過兩分鐘測驗結果出來，我被評為 L5。

看了測驗系統的回饋，我以為他在意的是「AI 系統自行檢查」這一塊，所以我又補充說明開發的時候，Claude Code 都會用 playwright 打開介面截圖檢查，也會進行完整的測試。

但補充完畢後，還是一樣是 L5。我又再補充了一段我的用法，結果還是 L5。

由於這個測驗只允許補充說明兩次，若要再補充或再測試，就要買課程，所以我就不再補充與測試了。

晚上回家後，我跟我自己的 agent 分享這件事，跟他講這個測驗的六個等級標準，然後請他用最嚴格的方式也幫我評分一次。他知道我的 repo 在做什麼，於是他直接去讀 repo 的規則、還有規則的變更紀錄、開發紀錄等等，最後他的評分也是 L5（嚴格版），他說：「用嚴格的標準看，七個條件裡大部分都有，有幾項做得很紮實。差在人的位置：你是每一次都要過的關卡，不是只在例外時才被找回來。所以測驗給 Level 5，以這兩張截圖的標準來說，我認為講得通。」

我跟我的 agent 討論了兩輪後，感覺到的狀況是，如果以知識衛星這六個等級來判斷評分，我確實在某些細項上可能沒達標，所以判 L5 合理。但我們的共識是，這個 L6 的判準有兩個問題：

目前的系統分級看起來是照「交給系統做的範圍有多大」往上排，最高級是人只處理例外。但是他沒有去區分「做不到」與「刻意不這麼做」的差別以及背後的原因。
目前的系統分級假設了每個工作目標都能寫成可以檢查的條件（判準），但某些任務的目標可能不存在這種可以檢查的判準。（例如我自己的 agent repo 的目標是「更讓我理解我自己」，但這件事缺乏某種量化的標準，就很難達標 L6。

分析完後我突然頓悟，有道理，如果我自己用 agent 用的很開心、很有用（三個多月來開了近 400 個 sessions，幫我做了好多事，累積了好多深度對話），也開發出公司同事們實際在用而且持續迭代改進的系統，好像沒什麼需要在意某個特製標準下的評分。

這時我又好像頓悟一個更上層的大道理，所謂的自由，就是可以不用活在別人制定的標準和評分裡吧？