AI Collaboration Decision Tiers
AI Collaboration Decision Tiers 指的是：把 AI 協作中的操作先分成不同風險等級，讓低風險操作自動執行、中風險操作先回報、高風險操作必須先確認。這篇 Rex 雷 的貼文把重點放在「省下的不是寫 code 時間，而是決策次數」；當任務邊界與安全限制先定義好，人類就能把注意力留給產品方向、系統整合與真正值得拍板的節點。
三層決策
- 自動執行：讀檔、搜尋、看 log、跑型別檢查、檢查 branch 等低風險操作。
- 先做再回報：技術分析、修改計畫、風險清單、資料流設計、UI flow 規劃。
- 必須先確認：改 schema、建 migration、push main、deploy production、刪資料、批次修改會員資料、改權限模型。
這個分層的關鍵不在「讓 AI 更自由」，而在於「讓 AI 少問不重要的問題」。如果每個小動作都要人重新判斷，人會被大量微決策打斷；把規則前置後，AI 才能在固定邊界內持續前進。
核心原則
- 把即時決策變成預先規則：先寫清楚哪些操作可以直接做、哪些一定要問。
- 先 Discovery，再 Coding：先找根因、定義 scope，再讓 AI 實作。
- 切小 task：每個任務只包含少量決策，降低大腦切換成本。
- 寫細一點的指令：背景、已確認決策、scope / non-scope、安全限制與輸出格式要先講清楚。
與其他概念的關係
- loop-engineering：這裡補的是 loop 的「決策閘門」；不是只有執行與驗證，還有什麼時候該停下來問。
- dynamic-agent-workflows：動態 workflow 需要明確的操作邊界，否則 agent 會反覆把低價值決策丟回給人。
- harness-engineering-for-ai-coding：harness 負責回饋與約束，決策分層則是讓 harness 更懂哪些狀況該自動、哪些狀況該升級。
- agentic-product-building-workflow：產品開發的瓶頸不只是實作，還包含產品決策與驗證流程的設計。
實務意義
這種做法的真正收益不是讓 AI 完全自動化，而是讓人類只在高風險節點介入。對長時間協作、跨系統整合、以及需要法規或品牌限制的內容生成來說，這能顯著降低決策疲勞，也更容易維持穩定的輸出品質。