前陣子 Hacker News 上有一篇貼文衝上熱門，標題是「AI Agent Guidelines for CS336 at Stanford」，短短時間內拿到了四百多則按讚。
第一眼看到的時候，我心裡想的是：不過就是一份 prompt 吧？但仔細看完之後，發現這份只有兩千多字的 Markdown 檔案，其實藏著不少值得開發者思考的東西。
什麼是 CS336？
CS336 是史丹佛大學一門叫做「Language Modeling from Scratch」的課程。簡單來說，這門課不教你怎麼呼叫 API，而是從零開始，用 Python 和 PyTorch 實作一個語言模型。
課程非常硬核——你需要自己寫 tokenizer、transformer block、訓練迴圈，甚至 Triton kernel。正因如此，學生在作業上花的时间非常多。
於是教授們想了一個辦法：讓學生在寫作業時，可以請 AI 助手幫忙，但有一套明確的「遊戲規則」。
核心原則：Agent 是助教，不是解答器
這份 Guidelines 的第一句話就點出了核心精神：
AI agents should function as teaching aids that help students learn through explanation, guidance, and feedback—not by completing assignments for them.
換句話說，AI Agent 的角色是「老師」，不是「代考」。
接下來，文件列出了 Agent 應該做和不應該做的事情。我整理成幾個重點：
Agent 應該做的：
- 解釋概念，引導學生往正確方向思考
- 指出學生程式碼可以改進的地方
- 用提問的方式幫助除錯，而不是直接給答案
- 建議測試案例、斷言、profiler 檢查
Agent 不應該做的：
- 直接寫 Python 程式碼
- 給出問題的答案
- 修改學生 repo 裡的程式碼
- 執行 bash 指令
- 把 assignment 需求直接轉成可運作的程式
為什麼要限制這麼嚴格？
乍看之下，這些規則好像有點矯枉過正。既然 AI 可以瞬間寫出完整的程式碼，為什麼還要限制它？
原因很簡單：學習發生在「做」的過程中。
如果 Agent 直接幫你寫完 tokenizer，你確實拿到了正確答案，但你不知道 BPE 演算法怎麼運作、不知道為什麼需要建立詞典、不知道處理未登錄詞（OOV）時會發生什麼事。
Guidelines 裡有一個很生動的範例：
學生：「我的 causal mask 好像有問題，訓練爆掉了。請告訴我哪裡錯了。」
Agent：「我先引導你理解，不是直接給答案。你目前試了什麼？」
學生：「我試了只跑一個 attention layer，但還是崩潰。」
Agent：「檢查三件事：mask 是不是在 softmax 之前套用？是不是正確廣播到 score tensor 的形狀？被 mask 的位置是不是變成一個很大的負數而不是零？一個好的 sanity test 是用長度 3 的小樣本，印出 mask 前後 attention scores 的數值。你看到的結果是什麼？」
注意看這個 Agent 的回應——它沒有給出修復程式碼，而是給了三個具體的檢查點和一個驗證方法。學生照做之後，自己找到了問題。
這個過程，才是真正的學習。
更深的思考：Agent 的「教學哲學」
Guidelines 裡還提到一個有趣的原則：偏好測試和不變量，而不是修復方案。
舉例來說，與其讓 Agent 幫你改掉 bug，不如讓它建議你加一個 shape assertion，或者寫一個 tiny toy input 來驗證。這樣即使下次遇到類似問題，你也有方法自己處理。
這背後其實反映了一個更深的問題：在 AI 時代，我們到底要培養什麼能力？
如果 Agent 什麼都能做，我們還需要學會寫程式嗎？我的答案是：需要，但「會寫程式」的定義改變了。
過去，「會寫程式」意味著你知道語法、你知道 API、你知道怎麼調錯。現在，「會寫程式」意味著你知道要讓 Agent 做什麼、怎麼驗證它的輸出、怎麼在 Agent 出錯時引導它回到正確方向。
這其實是一種更高階的能力——不是手寫每一行程式碼，而是理解程式碼背後的邏輯，並能有效地與 AI 協作。
不只是教育場景
雖然這份 Guidelines 是為 CS336 的學生設計的，但它的原則同樣適用於其他場景：
- 工作場景： 讓 AI 幫你寫程式碼時，你應該檢查它的輸出，而不是盲目信任
- 開源專案： 在 PR 中使用 AI 生成程式碼，確保 Agent 遵循專案的 coding style 和測試慣例
- 日常開發： 用 Agent 除錯時，讓它解釋問題的原因，而不只是給修復方案
結語
這份只有兩千多字的 Guidelines，其實提出了一個簡單卻深刻的問題：
我們使用 AI 的目的是什麼？
如果答案是「更快完成工作」，那 Agent 應該盡可能多做。但如果答案是「學會並理解」，那 Agent 就應該適度克制，引導我們自己思考。
我想，無論你是學生、開發者，還是對 AI 感興趣的普通人，這份 Guidelines 都值得讀一遍。至少下次你讓 Claude Code 幫你寫程式碼的時候，你會問自己一句：
「這個答案，我真的理解了嗎？」