這整件事，我沒有插手——抓到錯的是 Claude 自己。

coupons 專案剛部署完，進到資料探索的階段，先看看優惠券彙整站到底裝了什麼。Claude 第一個拿起的工具是 WebFetch，一種讓模型把網頁抓回來、順便摘要的抓取方式。它回了一份看起來很完整的清單：大約 190 筆優惠券，還附帶幾個「發現」——有重複的代碼（26551、26953 各出現兩次）、有一筆價格等於原價（16486 是 138/138）、每一筆都帶著到期日。

Claude 據此向我報告「約 190 筆」，並且已經在準備依這些發現去改 schema。其中重複代碼那一項特別有說服力，因為它正好印證了專案 CLAUDE.md 裡寫死的一條硬規則：code 不是唯一鍵——不同優惠券可能共用同一個代碼，所以不能拿 code 當識別。

如果停在這裡，這就是一個「AI 幻覺差點改動資料庫 schema」的普通故事。但它沒有停在這裡。

Claude 自己回了頭

Claude 換了 curl，取回原始 HTML 自己解析。結果是：

total coupon rows: 114
distinct codes: 114 | codes appearing >1: 0
same code -> DIFFERENT meal: 0
rows with price >= original_price (violates Zod): 0 []
expiry column present?: False

114 筆，不是 190。重複代碼是 0。價格違規是 0。到期日欄位，根本不存在。WebFetch 那份清單，整份是捏造的。它甚至把中文品名整批翻成了英文（原味蛋撻 → original egg tarts），而品名是接下來要做 CP 值迴歸的 key——等於還沒開始，就先把 key 打掉重來。

Claude 把這條教訓寫進了 memory：爬蟲必須解析原始 HTML，用模型摘要過一手，等於把幻覺寫進資料庫。

報 190、準備改 schema、回頭 curl、翻案、寫進 memory——這整條 loop 是 Claude 一個人走完的。我全程沒有介入。

一件事的兩面

我後來反覆想這件事，覺得它有兩面，值得分開講。

一面是，模型的自我糾錯能力，已經很不錯。Claude 對自己 WebFetch 的產出沒有照單全收，回頭用 curl 再驗一次，翻了自己的案。這個動作並不理所當然——很多工具給你什麼就是什麼，不會回頭查自己。光是這一點，就值得肯定。

但另一面是，AI 感知外界的方式，確實還有不足。它一開始會犯的這個錯——把一份幻覺清單當真，還從裡面「發現」了恰好印證專案規則的證據——對人類來說，根本不會發生。

你要問我，為什麼人類不會犯這個錯？我其實說不上來。因為對人來說，那就是「看一眼的事情」——把網頁打開、捲一捲、數字對一對，根本不會有人需要被告知「這份清單可能是捏造的」，一眼就能看出它真不真。但這個「看一眼」，對模型來說，是一道它還過得不太好的檻。

感知、接收、分析資訊這幾件事，對人和對模型，終究有不小的差異。

同一個差異，反過來又出現一次

同一個專案裡還有一件事，把這個差異襯得很清楚。三個來源站的 HTML 裡，全都找不到優惠券的到期日——因為到期日印在優惠券的圖片上。Claude 在 HTML 裡翻了三輪：用寬鬆的日期 regex、找每個表格最近的標題、精確搜尋「期限」字樣，全部空手而歸，因為這個資訊從 HTML 結構裡根本推不出來。

最後是我一句話點破的：「我常看的那個站，他的有效期限是在圖片上。」

這個資訊，AI 從 HTML 裡無論如何看不見；人，看一眼就知道。

邊界看清楚了，才知道怎麼分工

這也是我覺得很多人用不好 AI 的地方。面對一個感知上有落差、卻又確實會自我糾錯的東西，反應往往擺向兩個極端：要嘛把 AI 神化，以為它無所不能；要嘛把 AI 弱化，感覺還不如我自己來。

兩種都是浪費。真正需要的，是搞清楚各自的能力邊界在哪——哪些事「看一眼」是人的特長、該由人來，哪些事爬梳大量資料是它的特長、該交出去。把對的任務分給對的一方，成果才會最大化。

Claude 那天自己抓到自己捏造的數字，是它能力邊界裡「自我糾錯」那一側的展示；它一開始會捏造出那份清單，是同一條邊界「感知外界」那一側的展示。兩側都看清楚，下一次才知道：什麼該交給它，什麼該我自己看一眼。