「未知四象限」（Knowing your unknowns）出自 Anthropic 技術成員 Thariq Shihipar 的文章〈A field guide to Claude Fable 5: Finding your unknowns〉（2026）。文章主張：與 AI agent 協作時，工作品質的瓶頸不在模型能力，而在使用者釐清自身未知的能力。劉亮收藏此文，視四象限為日後課程教學與 AI 協作的解釋教材。
地圖與疆域
作者以「地圖與疆域」比喻協作結構：地圖是你給 AI 的東西——prompt、技能、脈絡，是工作的表述；疆域是工作實際發生的地方——程式碼庫、真實世界、實際限制。兩者之間的落差就是「未知」（unknowns）。AI 遇到未知時，只能根據對你意圖的最佳猜測做決定；工作量越大，遇到的未知越多。
指令的拿捏是兩面刃：太具體，AI 會在該轉向時仍死守指令；太模糊，AI 會依「業界最佳實務」做出不適合你的假設。不清點未知，兩頭都會失敗。
四個象限
作者面對問題時將未知拆成四類：
| 象限 | 定義 | 操作性問題 |
|---|---|---|
| 已知的已知（Known Knowns） | 寫進 prompt 的內容 | 我告訴 agent 我要什麼？ |
| 已知的未知（Known Unknowns） | 還沒想清楚，但自己知道沒想清楚 | 哪些部分我明知尚未確定？ |
| 未知的已知（Unknown Knowns） | 顯而易見到不會寫下來，但一看就認得 | 什麼是我「看到才知道要」的？ |
| 未知的未知（Unknown Unknowns） | 完全沒考慮到的事 | 我不知道自己缺什麼知識？我知道東西可以多好嗎？ |
四象限各有對應的破解手段：
已知的已知是地圖本身。它的品質取決於你對程式碼庫與模型行為的熟悉度。作者觀察頂尖的 agentic coder（如 Claude Code 創造者 Boris Cherny），他們的 prompt 之所以精準，是因為未知本來就少。
已知的未知用「訪談」處理：請 AI 一次一題訪問你所有模糊之處，並優先問答案會改變架構的問題。
未知的已知用「腦力激盪與原型」處理。這類判準只能在看到具體東西時被喚出——例如視覺設計，說不出要什麼，但看到就知道。做法是要求多個差異極大的設計方向來「對它反應」，在實作前把隱性判準逼出來，因為實作中才發現的代價高得多。說不出口的需求還有一個工具：參照物（references），其中最好的參照物是原始碼，比截圖能傳達的資訊豐富得多。
未知的未知用「盲點掃描」（blind spot pass）處理：進入陌生領域時，直接請 AI 用「blind spot pass」和「unknown unknowns」這些字眼，幫你找出你不知道該問的問題、不知道好是什麼樣子、不知道有哪些前人踩過的坑。前提是先給 AI 你的背景——你是誰、你知道什麼、你在思考過程的哪個位置。
三階段模式
四象限之外，文章依實作階段整理出發現未知的完整流程：
| 階段 | 模式 | 作用 |
|---|---|---|
| 實作前 | 盲點掃描 | 找出未知的未知 |
| 實作前 | 腦力激盪與原型 | 逼出未知的已知 |
| 實作前 | 訪談 | 收斂已知的未知 |
| 實作前 | 參照物 | 替代說不清的描述 |
| 實作前 | 實作計劃 | 把最可能改的決策放最前面供審查 |
| 實作中 | 實作筆記 | 記錄偏離計劃的決策，供下次學習 |
| 實作後 | Pitch 與說明文件 | 讓審查者從你的未知起點快速跟上 |
| 實作後 | 測驗 | 確認自己真的理解變更，全對才合併 |
作者的核心論點：降低並預先規劃未知，就是 agentic coding 的「技能」本身，而這個技能可以透過與 AI 協作來練習。
實例：Fable 發布影片
Fable 5 的官方發布影片由作者全程用 Claude Code 剪輯，而影片剪輯是他的陌生領域。過程示範了四象限的實際運用：從已知出發（知道 AI 能用程式剪片與轉錄），對已知的未知先求解釋（Whisper 轉錄原理、ffmpeg 能否剪掉語助詞），對不確定可行性的構想先做原型（用 Remotion 做與語音同步的 UI）。最關鍵的一步在調色（color grading）：他先要 AI 做幾個版本來挑，然後發現自己根本不知道調色的「好」長什麼樣——這不是未知的已知，而是未知的未知。於是改為請 AI 先教他調色，把未知的未知轉成已知的未知，再回頭下指令。
教學與協作上的意義
劉亮標記此框架為課程教學素材。它與 wiki 中既有的認知框架形成一組工具：構面思考處理「如何不被 AI 的表面流暢性騙過」，思考維度論處理「思考在哪個維度進行」，未知四象限則處理「協作前先清點自己不知道什麼」。三者都指向同一件事：AI 時代的關鍵能力在使用者的後設認知，不在工具。操作層面的配套是提示詞工程：四象限清點完未知之後，Andrew Ng 課程回答「怎麼把已知寫成高品質脈絡給出去」。商業問題端的對應則是麥肯錫問題解決法：Problem Statement Worksheet 的七個欄位是商業版的盲點掃描，其起點觀察「聰明的問題來自資訊缺口，不是靈感」與四象限的主張一致。整個框架群的收攏見動手之前先想清楚。
「教學素材」的標記在 2026 年 8 月落實成兩件具體的事。其一是劉亮自己做了一個未知四象限的 Prompt 網站（unknown-field-guide-tw，架在 ChatGPT 的網站託管服務上），把文章裡的模式轉成可直接取用的提示詞——這是 Vibe Coding 能力的一次實際輸出。其二是這個網站成為他 LLM Wiki 學術版工作坊的第一項教材，四象限在該課程中的角色是論文寫作前的探索工具，用來盤點「自己的已知與未知」（見 LLM Wiki 開課計劃、學術研究）。框架因此走完了從收藏、內化到再生產的完整路徑。
框架也回應了 Vibe Coding 的實踐經驗。「不是會了所以做，是做了之後就會了」描述的正是透過實作把未知的未知逐步轉成已知的過程；文章的貢獻是給了這個過程一套可教學的語言與操作步驟——每一次腦力激盪、訪談、原型、參照，都是在還便宜的時候找出日後會很貴的未知。
相關原始筆記
Clippings/A field guide to Claude Fable 5 Finding your unknowns Claude.md— 原文全文（含各模式的範例 prompt）