場景痛點：無 PRD 狀態下的邏輯逆向工程
PM、SA 與 RD 常面臨接手遺留系統或無文件功能的狀況。當缺乏產品需求文件 (PRD) 時，唯一的真相來源只剩下程式碼。手動追蹤龐大專案中的跨檔案調用、資料流向與條件判斷極度耗時。直接檢視原始碼雖然準確，但對於非原開發者而言，理解並重新結構化當中的業務邏輯是一項成本極高的工作。
本文實作的前提條件：MCP 程式碼讀取環境建置完成
在開始前請內部工程師已架設好 MCP 伺服器，並完成與 AI Agent（如 Antigravity）的介接。AI Agent 已具備直接存取、搜尋與讀取目標功能所有底層程式碼檔案的權限。
滿心期待但缺乏 Prompt 策略導致的 AI 幻覺
覆盤我跟 AI 對話如下：
- 1. 我下 prompt： 「請告訴我『月度履約統計表』中，『歷史遞延可出貨數』的計算邏輯，『可出貨』的程式碼定義是什麼？」
- 2. AI 如何理解： AI 擷取了「遞延訂單」與「可出貨」的字面語意。在沒有被強制要求追蹤資料流向的前提下，AI 直接進行全域搜尋。它依賴過往訓練的命名慣例進行假設：判定「未出貨」資料理應放在處理待辦清單的模組（例如某個暫存表），且認為「可否出貨」必然對應實體模型中的某個布林值 (Boolean) 變數。
- 3. AI 找出來的答案： AI 輸出結論：「該欄位的資料來源為『本月待處理明細』，系統會遍歷該列表，並篩選出資料實體中標記為
isShippable = true的訂單筆數，加總後即為最終數值。」 - 4. 為什麼會錯誤： 這是典型的 AI 捏造幻覺。
- 變數不存在： 經檢視底層的 OrderFulfillmentDTO 實體，系統中根本沒有 isShippable 這個屬性。
- 資料源誤判： 真實邏輯並非來自單一的待處理明細。程式碼的真實作法是跨模組聚合：提取「已補貨清單」與「上月保留庫存」，並透過時間函數比對「預計交期月份 == 報表查詢月份」來動態判定，而非單靠一個簡單的 Boolean 欄位。
所以直接向 AI 提出如「這個報表欄位的計算邏輯是什麼？」的高層次問題，會觸發嚴重的 AI 幻覺。AI Agent 會基於模糊的關鍵字在程式碼庫中進行零散搜尋，隨後依賴變數命名慣例進行猜測。在此模式下，AI 極易將不同模組的概念混淆，甚至憑空捏造出程式碼中根本不存在的變數名稱與判斷條件，並給出看似合理卻完全錯誤的結論。
問 AI 反向建議的 Prompt 框架
經過多次來回糾錯並強制 AI 讀取正確檔案後， AI 最終釐清了真實的程式邏輯。基於此次除錯經驗，我要求 AI 針對「如何避免再次發生通靈與幻覺」提出防呆策略。AI 建議放棄直接詢問最終答案的做法，改採「由上而下(top-down)、驗證先行」的三階段 Prompt 驗證法，強制模型在給出結論前，必須先輸出原始碼證據。
具體實作步驟：三階段 Prompt 驗證法
在進行 Code Review 與邏輯盤點時，依序執行以下三個 Prompt 階段，強制規範 AI 的檢索與推論路徑。
- 盤點資料來源（找源頭）
主旨：要求 AI 說明資料是從哪個系統模組或報表撈取，阻斷錯誤推論。
直接詢問資料的源頭，強迫 AI 在給出計算結果前，先確認它是拿哪一包資料在算。這能避免 AI 拿 A 功能的資料去算 B 功能的邏輯。我要盤點 [目標功能/報表名稱] 的邏輯。請先告訴我，系統是從哪裡撈資料來產出這個功能的？是去抓哪一個模組的清單、還是跨哪幾個功能抓資料？請單純列出資料來源就好，先不要解釋後續的計算規則。
- 拆解運算規則（挖規則）
主旨：針對單一欄位，要求 AI 一步步列出系統實際運作的判斷條件。
請 AI 將程式碼翻譯成「人聽得懂的過濾條件」或「加減乘除的步驟」。針對剛剛拿到的資料，[目標欄位名稱] 這個數字具體是怎麼算出來的？請條列出系統實際設定的「過濾條件」（例如：遇到什麼狀態要排除、日期大於幾號才納入）。請直接根據系統真實的規則回答，不要自己通靈猜測。
- 驗證底層欄位（對實體）
主旨：要求 AI 出示底層資料表或結構中真實存在的欄位名稱，戳破捏造的幻覺。
即使看不懂程式碼，依然可以要求 AI 證明它剛才講的規則是基於系統中真實存在的狀態標記，而非字面上的語意推論。
你剛剛提到的判斷條件裡，用到了哪些具體的狀態或標記？請幫我確認系統底層的資料結構中，確實有這些「欄位名稱」嗎？請直接列出系統真實存在的英文欄位名稱，用來證明這個過濾條件是真的。踩坑與除錯復盤：從 AI 幻覺到結構化 Prompt 的協作心得
在這次無 PRD 的邏輯逆向工程中，最耗時的環節並非理解底層程式碼，而是處理「錯誤協作預期」所產生的技術債。初期直接向模型索取最終計算結果的作法，暴露出大語言模型在缺乏檢索邊界時，傾向利用變數命名慣例進行「合理化猜測」而非「精準溯源」，進而引發嚴重的邏輯幻覺。
導入「三階段 Prompt 驗證法」後，帶來了與 AI 協作的底層思維轉變：從「單次 QA 索取答案」升級為「建立防呆的資料驗證管線 (Validation Pipeline)」。作為系統分析師或開發者，必須認知到 AI Agent 具備極強的程式碼讀取能力，但缺乏對商業邏輯絕對正確性的約束力。
有效駕馭 MCP 與 AI Agent 的關鍵並非「問出好問題」，而是「控制推論路徑」。透過強制模型依序揭露資料源、拆解運算規則，最終與底層資料實體進行交叉對質，才能有效限縮 AI 的發散範圍。掌握這套限制模型思考路徑的 Prompt 策略，才能確保盤點出的業務邏輯是建立在真實運行的系統之上，而非 AI 迎合提問所生成的虛構產物。
PM/SA 無 PRD 透過 MCP 進行 Code Review 一：如何下 prompt 避免 AI 幻覺
