前一篇 case study 紀錄的是「實作驅動」的閉環 — 從一個 bug 出發、逼出新卡片。

本篇紀錄的是 「對話驅動」的閉環 — 不修任何 production code、純粹從對話中浮現新卡。觸發點是 user 的一句反思：「剛剛提出很多不同方向的決策做選擇、這些選擇應該被做成卡片然後分析或者分拆細節研究」。

接下來六輪 spiral 迭代、產生 8 張新卡（#74-#81）+ 1 份 SKILL reference + skill v0.5。本文紀錄這條路徑、當作 #81 卡片系統的迭代浮現 的具體實例。

起點：對話中的反思訊號

對話到第 N 回合時、agent 已經在多次出現「決策呈現」的場景：

• 「Content mode 三選一」 → user 答 (a)
• 「一次 ship 全部 vs 分批」 → user 答「一次」
• 「五策略選一」 → user 答 「C 主 + D 補」
• 「ship D 還是 B/C」 → user 答 「先 D、B/C 下輪」
• 「反省選哪幾個」 → user 答 「1+2」

每次 agent 都呈現得不一樣、user 也每次回得不一樣。反覆出現但形式各異 = 抽 meta 的訊號（#42 2 次門檻 + #81 迭代浮現）。

User 的「這些選擇應該被做成卡片」就是 meta-訊號的明確化 — 不是 agent 自己浮現的、是 user 點出來的。External trigger（#72）才能逼出抽 meta 這個高 ROI 但無觸發的工作。

迭代過程：六輪 spiral

輪 1：列候選、不寫卡

User 的「應該被做成卡片」沒指定要寫幾張、寫什麼。Agent 列五個候選（A-E）+ 推薦 B+C 組合。User 回「每個都做成卡片」+ 給出迭代原則：「先拓展知識庫、然後才整理成上層的抽象決策依據、最後才做決策」。

這個原則 = [#81] 的 process explicit form：先原子卡 → 後 meta-卡 → 最後決策（套用）。

輪 2：寫五張原子卡（#74-#78）

每張一個維度：

• #74 呈現格式（選項表 + 推薦 + 開放修改）
• #75 主策略 + 補強疊加（不必互斥）
• #76 分批 ship（三軸切分）
• #77 「現在不決定」是合法選項
• #78 反省任務預設複選

寫的時候各自獨立、沒明確意識到「這五張其實是同一回事的五個面向」。在第 5 張寫到一半才開始覺得「好像每張都在打開一個固定的 default」。

訊號：[#81] 「寫第 N 張卡、發現大段內容跟前一張重複」 → 抽 meta。

輪 3：抽 meta-卡 #79

User 接著問「都做、用多層迭代去拓展卡片」、agent 回應時自己浮現了 meta-發現：這五張其實對應五個獨立維度、可組合成 2^5 = 32 種對話形態。

寫 #79 時、把五張卡的「打開的 default」歸納成五個維度 + 五步判讀。Meta-卡讓五張原子卡從「平行五張」變成「有結構的網」。

回頭給每張原子卡補上「跟 #79 的對應」 cross-link、迭代結束。

輪 4：沉澱成 reference

光有卡還不夠 — 實作中要翻 5 張卡才能完整 apply、太貴。

寫 references/decision-dialogue.md、把五步判讀 + 完整模板 + self-check 沉澱成一份可直接套用的 protocol。同時更新 SKILL.md 加 trigger route（「呈現決策 / 開放問 / 反省題」）+ Directory Index + 抽象層原則段。

訊號：[#81] 「實作中要回查 ≥ 3 張卡」 → 沉澱 reference。

輪 5：dogfood + 反向補卡（#80-#81）

User 的「我們想得到的都作、直到推演到極限」逼 agent 自查：

自查 1：回頭看 agent 在這輪對話的回應、找 collapse 反模式。發現 4 處：

• 「需要我繼續嗎？」 = yes/no（最隱形的 collapse）
• 「下一層候選」用 bullet 沒適配欄
• 推薦騎牆「A 比較好不過 B 也行」
• 反省題列點未明示「互不衝突」

→ 寫 #80 Yes/No 二選、把 dogfood 4 例寫進 reference 作為「Bad/Good 對照」。

自查 2：「這套迭代過程本身是不是 cardable？」是 — 寫 #81 卡片系統的迭代浮現、紀錄「原子 → meta → reference」的 spiral 結構。

訊號：[#81] 「meta-卡寫太早、新 case 一直破壞」的反面 — 寫得剛好、反而能容納新 case（#80、#81 自己）。

輪 6：跨連 + 補強

把 #75（主+補強疊加）展開到 selector pattern：[#46-#49] 看似互斥（每個元件選一個起點）、實際在同一份 code 內可疊加（document + closest 共用）。Meta-原則的價值之一就是回頭發現舊卡之間有新關係。

更新 #59（五策略選擇矩陣）加「並用」段落、引用 #75 + #76。

過程中的觀察

1. User 的 prompt 直接決定 spiral 深度

User 的三句話分別觸發三層深度：

每句話都是 [#72] L4 外部觸發 — 沒這些話、agent 不會自己走到第 5 層。Spiral 深度由 trigger 決定、不由 agent 紀律決定。

2. Dogfood 回饋的 ROI 比新卡高

#80（yes/no）的內容比 #74 短得多、但 ROI 可能更高 — 因為它捕捉的是「最常見、最隱形」的反模式。同樣 reference 的「dogfood Bad/Good 4 例」比抽象描述有用 — 將來 agent 看到自己寫類似格式、能直接認出來。

訊號：具體例子（特別是反例）的 ROI 通常 > 抽象描述。

3. Meta-卡跟 reference 的職責不同

寫完 #79 還不夠、需要 reference — 因為：

• 卡片回答「為什麼」、reference 回答「怎麼做」
• 卡片是讀爽的、reference 是被翻的
• 卡片可選、reference 在實作中是 must

兩者缺一不可：只寫卡 → 知道但忘記用；只寫 reference → 知道做但不知道為什麼、難 maintain。

4. 真實的 spiral 不是線性

寫 #74 時不知道有 #79、寫 #79 時回頭改 #74-#78、寫 reference 時又發現 #80 漏了、寫 #80 時補 reference 的 dogfood 段。每一層完成後都會反過來修上一層。

線性思維（「先寫完 layer 1 才寫 layer 2」）會卡住、spiral 思維（「來回修、每輪都加深」）才能浮現完整結構。

跟既有原則的關係

本次 spiral 的 output 清單

整輪迭代的成本：純對話、無 production code 改動、無新測試。整輪迭代的價值：未來 agent 在每次「決策呈現」場景都有 reference 可翻、有 self-check 可用、有 dogfood 例子可對照。

結語

本系統的成型不是「用心寫文件」、是接受**「對話會浮現結構、原子卡會自我串連、meta-卡會回頭修原子卡」這個 spiral 真相**、然後讓每輪迭代都加深一點。

下一次 user 在對話中又出現「這個應該被做成卡片」訊號時、流程已經是現成的 — 套 [#81] 的三層展開 + [#72] 的 L4 觸發、就能繼續長新卡。真正的 knowledge infrastructure 不是寫一次的文件、是長期 spiral 的 living system。