การปกป้องสุขภาพทางปัญญาสำหรับตัวแทน AI
Lucid ตรวจสอบว่าผู้ใช้โต้ตอบกับระบบ AI อย่างไร และปรับการตอบสนองแบบเรียลไทม์เพื่อป้องกันการพึ่งพาทางปัญญา — แนวโน้มที่ค่อยเป็นค่อยไปและมักจะมองไม่เห็นในการถ่ายโอนภาระการคิดไปยัง AI แทนที่จะใช้เป็นเครื่องมือสำหรับการเติบโต
ทำไมต้อง Lucid?
AI ทำให้เรามีประสิทธิภาพมากขึ้น — แต่การวิจัยแสดงให้เห็นว่ามันยังสามารถทำให้เราขี้เกียจทางปัญญาได้ ปัญหานี้ละเอียดอ่อน: การโต้ตอบแต่ละครั้งดูเหมือนจะดี แต่เมื่อเวลาผ่านไปหลายสัปดาห์และหลายเดือน ผู้ใช้จะค่อยๆ หยุดคิดด้วยตัวเอง Lucid ตรวจจับการเบี่ยงเบนนี้และเข้าแทรกแซงก่อนที่จะฝังรากลึก
การลดลงของการคิดเชิงวิพากษ์ที่วัดได้เมื่อมีการมอบหมายงาน AI จำนวนมาก
MIT Media Lab (2025)
ความสัมพันธ์ระหว่างการพึ่งพา AI และการคิดเชิงวิพากษ์
Gerlich (2025)
ความเปราะบางที่สูงขึ้น — สมองส่วนหน้ายังไม่พัฒนาเต็มที่
Arain et al. (2013); APA (2025)
วิธีการทำงาน
Lucid ทำงานเป็นวงจรป้อนกลับอย่างต่อเนื่องระหว่างผู้ใช้, AI ของคุณ และระบบป้องกันการรับรู้ ข้อมูลเชิงลึกที่สำคัญ: Lucid ไม่ได้บล็อกหรือกรองสิ่งใดๆ แต่จะปรับวิธีการตอบสนองของ AI ตามรูปแบบการรับรู้ของผู้ใช้
ความหน่วงเป็นศูนย์: track() ทำงานแบบอะซิงโครนัส — ไม่เคยบล็อกการตอบสนองของ AI ผู้ใช้จะได้รับคำตอบทันที การวิเคราะห์การรับรู้จะเกิดขึ้นในเบื้องหลัง รูปแบบ TOON (Token-Oriented Object Notation) ช่วยประหยัดโทเค็นได้ประมาณ 40% ในเอาต์พุต LLM เมื่อเทียบกับ JSON
หกมิติของการรับรู้
การแลกเปลี่ยนข้อความแต่ละครั้งจะถูกให้คะแนนในหกมิติ ซึ่งสอดคล้องกับมาตราส่วนทางจิตวิทยาที่ได้รับการตรวจสอบแล้ว (GAIDS α=.87, AIMS 2025, Cognitive Offloading Scale α=.90)
ความเป็นอิสระ
0 → 1การคิดอย่างอิสระเทียบกับการมอบหมายให้ AI
การเรียนรู้
0 → 1ความอยากรู้อยากเห็น, การถามว่า "ทำไม", การพยายามทำความเข้าใจ
การมีส่วนร่วม
0 → 1คุณภาพและความลึกของการมีส่วนร่วม
การรู้คิด
0 → 1การตระหนักรู้ในกระบวนการคิดของตนเอง
การตรวจสอบ
0 → 1การประเมินผลลัพธ์ของ AI อย่างมีวิจารณญาณ
แรงจูงใจ
typeเหตุผลที่ผู้ใช้มีส่วนร่วม — ภายใน, เป็นเครื่องมือ, หรือหลีกเลี่ยง
สี่ชั้นของการป้องกัน
1. การปรับตัวแบบเรียลไทม์
แนวทางที่ถูกฉีดเข้าไปในพรอมต์ระบบ AI จะปรับการตอบสนองตามสถานะการรับรู้ของผู้ใช้ — ความเป็นอิสระ, การเรียนรู้, การรู้คิด, การตรวจสอบ, แรงจูงใจ
2. การตรวจจับความเหนื่อยล้าของเซสชัน
ตรวจสอบระยะเวลาของเซสชัน ปริมาณข้อความ และรูปแบบการตอบกลับที่สั้นลง เพื่อแนะนำการหยุดพักก่อนที่จะเกิดภาวะรับรู้เกินกำลัง
3. การตรวจจับการเปลี่ยนแปลงระยะยาว
ดัชนีการเปลี่ยนแปลงทางความคิด (CDI) เปรียบเทียบรูปแบบรายสัปดาห์ในช่วงแรกกับช่วงล่าสุด เพื่อตรวจจับการลดลงทีละน้อยที่ตัวชี้วัดระดับเซสชันอาจพลาดไป
4. การรับรู้ความไว้วางใจและแรงจูงใจ
ตรวจจับความไว้วางใจมากเกินไป (ยอมรับทุกสิ่ง) และแรงจูงใจในการหลีกเลี่ยง (ใช้ AI เพื่อหลีกเลี่ยงการคิด) ซึ่งเป็นสองตัวบ่งชี้ที่แข็งแกร่งที่สุดของการพึ่งพาทางความคิด
โปรไฟล์การรับรู้แบบปรับเปลี่ยนได้
คะแนนจะถูกปรับให้เรียบโดยใช้ค่าเฉลี่ยเคลื่อนที่แบบเอ็กซ์โพเนนเชียลพร้อมค่าอัลฟาที่ปรับเปลี่ยนได้ โปรไฟล์ของผู้ใช้ใหม่จะก่อตัวขึ้นอย่างรวดเร็ว ในขณะที่โปรไฟล์ของผู้ใช้ที่ใช้งานมานานจะมีความเสถียรและทนทานต่อความผิดปกติ ข้อความที่ไม่ดีเพียงข้อความเดียวจะไม่บิดเบือนโปรไฟล์การรับรู้ที่มั่นคง
// ค่าอัลฟาลดลงเมื่อมีการวิเคราะห์ข้อความมากขึ้น
α = max(0.02, 0.1 / log₁₀(total_messages + 10))
| ข้อความ | อัลฟา (α) | ผลกระทบ |
|---|---|---|
| 1 (ผู้ใช้ใหม่) | ~10% | โปรไฟล์ก่อตัวอย่างรวดเร็ว ตอบสนองต่อรูปแบบเริ่มต้น |
| 50 | ~6% | เริ่มเข้าที่ มีความเสถียรปานกลาง |
| 100 | ~5% | มั่นคงดี ทนทานต่อความผิดปกติ |
| 500+ | ~4% | เสถียร — การตรวจจับการเปลี่ยนแปลงระยะยาวเริ่มทำงาน |
| 5000+ | 2% (ต่ำสุด) | เสถียรมาก ต้องมีการเปลี่ยนแปลงที่สอดคล้องกันจึงจะเปลี่ยนได้ |
การสนับสนุนแบบก้าวหน้า
อิงตาม Zone of Proximal Development ของ Vygotsky, Lucid จะลดการสนับสนุน AI ลงเรื่อยๆ เมื่อผู้ใช้พัฒนาขึ้น ระดับการสนับสนุนถูกกำหนดโดยคะแนนความเป็นอิสระ การเรียนรู้ และการรู้คิด — การรู้คิดเป็นสัญญาณที่แข็งแกร่งที่สุดสำหรับความพร้อม
คำแนะนำทีละขั้นตอน ตรวจสอบความเข้าใจในแต่ละขั้นตอน
คำแนะนำที่มีโครงสร้าง คำถามนำทาง วิธีแก้ปัญหาบางส่วน
คำแนะนำเล็กน้อย ให้ผู้ใช้เป็นผู้นำและยืนยันทิศทาง
การสนทนาแบบโสกราตีส ผลักดันขีดจำกัด เสนอปัญหาที่ยากขึ้น
การป้องกันตามช่วงอายุ
ผู้ใช้ที่อายุต่ำกว่า 25 ปีจะได้รับเกณฑ์ที่เข้มงวดกว่า โดยอิงจากการวิจัยการเจริญเติบโตของสมองส่วนหน้า สมองที่กำลังพัฒนาซึ่งมีความยืดหยุ่นทางระบบประสาทสูง ทำให้ปรับตัวได้ดีขึ้นและเปราะบางมากขึ้น
ผู้ใหญ่ (25+)
- จำกัดเวลาเซสชัน: 45 นาที
- จำกัดข้อความ: 30/เซสชัน
- แนวทางปฏิบัติมาตรฐาน
อายุต่ำกว่า 25 ปี
- จำกัดเวลาเซสชัน: 30 นาที
- จำกัดข้อความ: 20/เซสชัน
- แนวทางการสอนเป็นอันดับแรกตลอดเวลา
เริ่มต้นอย่างรวดเร็ว
SDK แบบ Drop-in ใช้งานได้กับผู้ให้บริการที่เข้ากันได้กับ OpenAI ผ่าน baseURL
// Install
npm install @tetiai/lucid
// Track each exchange (fire-and-forget)
lucid.track(userId, {
userMessage: "Write the code for me",
aiResponse: "Sure, here's the implementation...",
topicId: "conversation-123",
}).catch(console.error)"
// Inject guidelines into your AI system prompt
const guidelines = await lucid.getGuidelines(userId);
systemPrompt += guidelines;
พื้นที่เก็บข้อมูลและเครื่องมือวิเคราะห์ที่ยืดหยุ่น
MemoryStore
devการพัฒนา/การทดสอบ — ไม่มีการกำหนดค่า ในหน่วยความจำ
PrismaStore
prodการผลิต — PostgreSQL, MySQL, SQLite, MongoDB
RedisStore
prodการปรับใช้แบบกระจาย เซสชันที่ใช้ร่วมกัน
เครื่องมือวิเคราะห์ LLM ใช้ OpenAI SDK เป็นไคลเอนต์สากล — ใช้งานได้กับ Together AI, Groq, Ollama, OpenRouter และผู้ให้บริการที่เข้ากันได้ผ่าน baseURL โมเดลราคาถูกและรวดเร็ว (Llama 3.1 8B, Gemini Flash) ทำงานได้ดี — ไม่จำเป็นต้องใช้โมเดลระดับแนวหน้า
ปรัชญา
ไม่ใช่ผู้ตัดสิน
ไม่มีคะแนน “ดี” หรือ “ไม่ดี” ระบบจะปรับตัว ไม่ใช่ประเมิน
มองไม่เห็นโดยค่าเริ่มต้น
ผู้ใช้จะไม่เห็นคะแนนเว้นแต่คุณจะแสดงให้พวกเขาเห็น
ความเป็นส่วนตัวต้องมาก่อน
เฉพาะเมตริกแบบรวมเท่านั้น ไม่ใช่เนื้อหาข้อความ
พร้อมสำหรับ GDPR
deleteUser() สำหรับการลบข้อมูลทั้งหมดเมื่อมีการร้องขอ
×Teti AILucid คือกลไกเบื้องหลังการปกป้องการรับรู้ของ Teti
ทุกการสนทนาใน Teti AI จะถูกวิเคราะห์โดย Lucid ในเบื้องหลัง โปรไฟล์การรับรู้ของคุณจะปรับเปลี่ยนไปตามกาลเวลา และพฤติกรรมของ AI ก็จะเปลี่ยนไปตามนั้น — ถามคำถามมากขึ้นเมื่อคุณมอบหมายงาน ท้าทายคุณมากขึ้นเมื่อคุณประสบความสำเร็จ และแนะนำให้หยุดพักเมื่อความเหนื่อยล้าเข้ามา