跳轉至

人類對齊與偏好系統 (Human Alignment)

如何引導 Boring 的 AI 代理人，使其行為符合您個人或團隊的「人類需求」。

🧠 對齊引擎

Boring 並非在真空狀態下運作。它被設計為能夠適應您的工作方式。這主要透過兩個系統實現：Rubrics（顯式規則）和 Learned Memory（隱性習慣）。

📋 1. 顯式引導：評分表 (Rubrics)

評分表是位於 .boring/brain/rubrics/ 中的 JSON 檔案。它們告訴 AI 在向您展示成品之前，該如何精確評估自己的工作。

如何使用：

  1. 建立評分表：定義一個新的 .json 檔案（例如 mobile_standards.json）。
  2. 定義準則：為「效能」、「無障礙」或「變數命名」等項目添加權重與等級。
  3. AI 自我修正：當 Boring 執行任務時，它會使用這些評分表為自己打分。如果分數過低，它會自動重構程式碼，直到符合您的「人類標準」。

💾 2. 隱性學習：記憶 (Memory)

每當您糾正 Boring（例如說：「我更喜歡在這裡使用 async/await」），Boring 就會使用 boring_learn 工具來保存該偏好。

學習循環：

  • 互動：您提供回饋或修正錯誤。
  • 模式提取：Boring 辨識出「修正模式 (Fix Pattern)」並將其存儲在 .boring/brain/learned_patterns/ 中。
  • 先驗行為：下次發生類似情況時，Boring 會主動採用您偏好的風格。

🔄 3. 適應性工作流 (SpecKit Evolution)

.agent/workflows/ 檔案並非靜態的。Workflow Evolver 會分析您專案的獨特需求，並自動修改這些檢查清單。

讓它「更懂人心」：

  • 如果您的團隊要求每次變更資料庫都必須進行安全審核，只需在 PROMPT.md 中提到這一點。
  • Boring 會進化您的 speckit-tasks.md，自動加入一個強制的 [ ] 安全檢查 步驟。

💡 對齊的最佳實踐

  1. 明確表達：使用 boring profile learn 手動教會 AI 您最喜歡的程式庫或 Linting 風格。
  2. 審核大腦：定期檢查 .boring/brain/learned_patterns/ 看看 AI 學到了關於您的什麼。您可以手動刪除不再適用的模式。
  3. 團隊共享：將 .boring/brain/rubrics/ 資料夾提交至 Git，這樣整個團隊就能共享相同的「人類品質閘道」。