上周有个数据挺扎眼：一个产品经理平均每周要输入"act as a senior architect"47次。不是47条指令，是47次手动选角色。AI明明该自己判断，却逼用户当客服。
这周他把菜单拆了。PRISM Forge的signal-based routing（信号路由）上线，你正常说话，系统自己听信号、组团队。但"build in public"的规矩是连伤疤一起晒——他公开了3次翻车记录。
四层引擎：从"你选"到"它猜"
传统角色系统像餐厅菜单：先选品类，再点单品，最后备注忌口。信号路由更像急诊分诊——你说"auth模块卡住了"，系统同时捕捉到两个信号："卡住了"（需要创造性解题）和"bug"（需要调试验证）。
路由引擎四层递进，每层都有明确的"逃生口"：
第一层是硬规则。三条红线直接绕过后续所有逻辑：安全关键词、系统命令、显式角色召唤。这三个检查极轻量，没触发才往下走。
第二层做意图分类。9个类别覆盖从Plan到Challenge的全谱系。关键设计在这里：单条消息可以横跨多个意图。"规划一下auth重构——我觉得太复杂了"同时触发Plan+Build+Challenge，引擎做整体评估，不是"先到先得"。
第三层查信号表。两张表分工明确：共享信号（24个）像多选题，"audit"同时激活Mary（调查）、Quinn（验证）、Boris（结构合规）；专家信号（23组）像单选题，"第一性原理"只唤醒Musk（激进还原论者），"英雄之旅"只匹配Campbell（神话叙事者）。
第四层组团队。不是挑一个最佳人选，是搭一个临时班子。你说"auth太复杂，简化重建"，引擎派出：Musk主导（激进简化）、Boris审查（结构风险）、Quinn验证（方案可行性）。三个视角，各自署名，没有"混合共识"的模糊声音。
Susie：那个从不露面的指挥官
四层之上有个隐形角色Susie，头衔是Chief of Staff（幕僚长）。用户直接对话的23个角色都是"前台"，Susie是唯一的"后台"。
每场对话的第一轮，Susie无条件激活。她扫描项目状态：git提交、待办清单、交接记录、历史记忆，然后输出sitrep（态势报告）。报告格式固定——当前焦点、阻塞项、建议的下一步。之后每轮消息，Susie重新评估，但只在团队阵容变化时才出声。连续5条都在聊规划？团队保持稳定，不刷存在感。
设计者的原话：「Susie的评估是全景式的。所有信号、所有领域匹配、所有跨工作流钩子都是输入。」翻译成人话：她不是"先问意图再查数据库"的流水线，是把所有线索摊在桌上同时看。
三次翻车：当信号互相打架
公开失败案例是这套叙事里最诚实的部分。
第一次翻车：信号冲突。用户说"帮我audit这个API设计，但用第一性原理来审"。共享信号"audit"想拉三人小组，专家信号"第一性原理"只认Musk。引擎选了Musk独挑，但用户实际想要的是"审计流程+激进质疑"的混合视角。修复：给专家信号加权重调节，允许"强制组队"的显式指令覆盖。
第二次翻车：领域误配。用户聊的是"数据库分片策略"，但用了大量游戏术语（"shard"在玩家嘴里是服务器分区）。信号表把"shard"标记为基础设施专家信号，结果派出了DBA而非游戏策划。修复：增加领域上下文检测，同一关键词在不同项目类型中走不同分支。
第三次翻车最隐蔽：沉默的Susie。用户在第12轮突然切换话题，从"技术方案"跳到"团队沟通"，但Susie判断"仍在同一工作流"未触发重组。结果Musk继续用技术语言回应人际关系问题。修复：Susie现在监测"语义漂移度"，话题切换超过阈值强制重新分诊。
23个角色，47条激活路径
所有角色都有文档化的激活路径，没有黑箱。23个角色对应47条路径（部分角色多路径触发），24个共享信号+23组专家信号构成完整的"词汇-人格"映射表。
设计者强调：「Nothing is magic -- it's a lookup table with contextual judgment on top.」这句话本身就是对行业黑话的反叛。没有"涌现"，没有"智能体网络"，就是查表+规则+权重。
这种诚实反而让系统更可预测。用户知道说"第一性原理"一定出Musk，说"审计"一定出三人组，说"我卡住了"会触发创造性解题模式。可预测性降低学习成本，也降低信任成本。
对比之下，那些宣称"AI自动理解你"的产品，用户永远不知道下一秒会冒出什么人格。菜单系统的确定性是伪确定性——你得记得菜单在哪。信号路由的确定性是真确定性——你说话的方式本身就是指令。
47次"act as"的摩擦，本质是控制权错位。用户被迫承担本应由系统承担的模式识别工作。信号路由把控制权还回去：你说人话，系统做功。
但代价是透明度的压力。当AI出错时，菜单系统可以甩锅"你选错了角色"；信号路由必须解释"为什么这次听错了信号"。公开三次翻车，是在预支信任。
现在的问题是：当你的AI开始"懂你"，你是更放心，还是更警惕？
热门跟贴