AI 代理的認知健康保護
Lucid 監控用戶如何與 AI 系統互動，並即時調整回應，以防止認知依賴——一種逐漸的、通常是無形的傾向，將思考卸載給 AI，而不是將其用作成長的工具。
為什麼選擇 Lucid？
AI 提高了我們的生產力——但研究表明它也可能使我們在認知上變得懶惰。問題很微妙：每次單獨的互動似乎都很好，但經過數週和數月，用戶逐漸停止獨立思考。Lucid 會在這種漂移根深蒂固之前檢測並干預。
大量 AI 委託導致可測量的批判性思維下降
MIT Media Lab (2025)
AI 依賴與批判性思維之間的相關性
Gerlich (2025)
較高的脆弱性 — 前額葉皮層尚未完全成熟
Arain et al. (2013); APA (2025)
運作方式
Lucid 在用戶、您的 AI 和認知保護系統之間形成一個持續的回饋迴路。關鍵洞察：Lucid 不會阻擋或過濾任何內容。它根據用戶的認知模式調整 AI 的回應方式。
零延遲： track() 異步運行 — 它從不阻礙 AI 回應。用戶即時獲得答案；認知分析在後台進行。TOON 格式（面向令牌的對象表示法）與 JSON 相比，在 LLM 輸出上節省了約 40% 的令牌。
六個認知維度
每次訊息交換都會在六個維度上進行評分，這些維度與經過驗證的心理測量量表（GAIDS α=.87，AIMS 2025，認知卸載量表 α=.90）保持一致。
自主性
0 → 1獨立思考與委託給 AI
學習
0 → 1好奇心，問「為什麼」，尋求理解
參與度
0 → 1參與的品質和深度
後設認知
0 → 1對自己思維過程的自我意識
驗證
0 → 1對 AI 輸出的批判性評估
動機
type用戶參與的原因 — 內在、工具性或迴避
四層保護
1. 即時適應
注入 AI 系統提示的指南根據用戶的認知狀態（自主性、學習、後設認知、驗證、動機）調整回應。
2. 會話疲勞檢測
監測會話持續時間、訊息量和回應縮短模式，以便在認知超載之前建議休息。
3. 長期漂移檢測
認知漂移指數 (CDI) 比較早期與近期每週模式，以捕捉會話級別指標遺漏的逐漸下降。
4. 信任與動機意識
檢測過度信任（接受一切）和迴避動機（利用 AI 逃避思考）——這是認知依賴最強的兩個預測因子。
自適應認知檔案
分數使用具有自適應 alpha 的指數移動平均線進行平滑處理。新用戶的檔案形成迅速，而老用戶的檔案穩定且不易受異常情況影響。單一的錯誤訊息不會扭曲一個完善的認知檔案。
// 隨著分析的訊息越多，Alpha 越小
α = max(0.02, 0.1 / log₁₀(total_messages + 10))
| 訊息 | Alpha (α) | 效果 |
|---|---|---|
| 1 (新用戶) | ~10% | 檔案形成迅速，對早期模式反應靈敏 |
| 50 | ~6% | 逐漸穩定，中等穩定 |
| 100 | ~5% | 完善，不易受異常情況影響 |
| 500+ | ~4% | 穩定 — 長期漂移檢測啟動 |
| 5000+ | 2% (最小值) | 非常穩定，需要持續的轉變才能改變 |
漸進式鷹架
基於維果茨基的近側發展區理論，Lucid 隨著用戶的成長逐步減少 AI 支援。鷹架級別由自主性、學習和後設認知分數決定 — 後設認知是準備就緒最強的信號。
循序漸進的指導，每一步都檢查理解程度
結構化提示、引導性問題、部分解決方案
最少的提示，讓使用者主導並確認方向
蘇格拉底式對話，突破界限，提出更難的問題
基於年齡的保護
25歲以下的使用者會根據前額葉皮層成熟度的研究，受到更嚴格的閾值限制。發育中的大腦神經可塑性增強，使其既更具適應性也更脆弱。
成人 (25歲以上)
- 會話限制：45 分鐘
- 訊息限制：30 條/會話
- 標準指南
25歲以下
- 會話限制：30 分鐘
- 訊息限制：20 條/會話
- 始終以教學為先的方法
快速入門
即插即用 SDK。透過 baseURL 支援任何與 OpenAI 相容的提供商。
// 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;
靈活的儲存與分析器
MemoryStore
dev開發/測試 — 零配置，記憶體內
PrismaStore
prod生產 — PostgreSQL, MySQL, SQLite, MongoDB
RedisStore
prod分散式部署，共享會話
LLM 分析器使用 OpenAI SDK 作為通用客戶端 — 透過 baseURL 支援 Together AI、Groq、Ollama、OpenRouter 和任何相容的提供商。便宜、快速的模型 (Llama 3.1 8B, Gemini Flash) 效果很好 — 無需前沿模型。
理念
不是評判者
沒有「好」或「壞」的分數。系統會適應，而不是評估。
預設隱形
除非您顯示，否則使用者看不到分數。
隱私優先
僅限聚合指標，絕不包含訊息內容。
符合 GDPR
deleteUser() 可應要求完全刪除資料。
×Teti AILucid 是 Teti 認知保護的幕後引擎
Teti AI 中的每一次對話都會在後台由 Lucid 進行分析。您的認知檔案會隨著時間的推移而調整，AI 的行為也會隨之改變——當您委派任務時會提出更多問題，當您表現出色時會進一步挑戰您，當您感到疲勞時會建議休息。