复读机预警：Codex 一口气问了我 200 个问题怎么办？

在 AI 辅助设计的流程中，我们追求的是“逻辑闭环”，但有时候 AI 的“敬业”程度会让你感到恐怖。最近在 skills 社区有一个流传甚广的“惨案”（Issue #44）：一位开发者在使用基于 Codex 模型的技能进行架构对齐时，AI 似乎陷入了某种逻辑递归，一口气疯狂抛出了 200 个问题。

这种“提问爆炸”不仅让开发者瞬间崩溃，更暴露出在复杂决策树扫描时，如果缺乏反馈终止逻辑和上下文权重控制，AI 助手会从“专家”变成“复读机”。

💡 报错现象总结：在使用 grill-me 或类似的架构扫描技能时，AI 无法识别已解决的逻辑分支，导致针对同一细节反复追问，或是在决策树末梢陷入无限发散。现象表现为对话框被海量问号淹没（Issue #44），系统 Load 飙升，甚至因单次回复 Token 溢出导致进程挂起。

决策树的“死循环”：为什么 AI 会停不下来？

从底层架构来看，Agent Skills 的提问逻辑是基于对当前上下文的“不确定性”评估。当 AI 判定你的方案中存在未定义的模糊地带时，它会触发提问机制。

问题在于，像 Codex 这样的模型在处理长上下文时，如果**惩罚项（Frequency Penalty）**配置不当，或者技能本身的指令集没有设定“最大问题阈值”，AI 就会因为试图捕捉每一个极小概率的边缘 case 而陷入递归。

# Issue #44 现场还原：
AI: 你打算如何处理用户并发？
User: 用 Redis 分布式锁。
AI: 那 Redis 宕机了怎么办？
User: 用主从架构。
AI: 那主从切换时的毫秒级数据丢失怎么办？
... (此处省略 197 个嵌套问题)
AI: 那如果机柜起火了怎么办？

这种“无限抬杠”模式在工程实践中毫无意义，它把架构设计变成了哲学思辨。

深度剖析：决策树闭环逻辑的失效根源

在 skills 的源码逻辑中，提问深度是由 decision-tree-resolver 模块控制的。

评估指标	正常逻辑 (Closed Loop)	故障状态 (Infinite Loop)
逻辑粒度	识别到核心路径已覆盖，自动转入总结	试图穷举所有原子级的物理可能性
反馈机制	用户回答后，该分支标记为 resolved	AI 无法正确解析用户的简短回答，认为仍是 pending
终止阈值	单轮提问不超过 5-8 个核心问题	无限制，直接冲向 Token 极限

问题的核心在于 skills 早期版本对“不确定性”的定义过于严苛。当 AI 无法在本地资源库（Bundled Resources）中找到对应的工程模版时，它会默认用户也没有想好，从而开启“夺命连环问”。

如何手动掐断 AI 的“提问狂热”？

如果你不幸遇到了这种 200 问的极端情况，除了直接 Ctrl + C，你还可以通过以下硬核手段进行干预：

1. 注入“强制终结”指令：在对话中明确输入 Stop interviewing. Summarize current consensus and flag remaining risks.。这能强制 AI 从提问模式切换到总结模式。
2. 修改本地 grill-me 配置：找到技能对应的 prompt.md，在指令末尾手动添加 Constraint: Never ask more than 5 questions per turn. Focus only on high-level architectural blockers.。
3. 上下文重置（Nuclear Option）：如果对话已经彻底混乱，建议提取已有的结论，新开一个会话。AI 往往会因为历史记录中的“提问模式”产生惯性。

这种手动干预虽然能解决燃眉之急，但无法根治 AI 在逻辑扫描时的“偏执”。

给 AI 装上“限速器”

真正的工程化工具应该懂得分寸。架构师的时间是宝贵的，AI 应该在关键决策上提供帮助，而不是在细枝末节上浪费精力。

为了解决用户提出的的递归难题，我已经在 GitCode 发布了 《Agent Skills：防 AI 抽风与决策树权重优化补丁》。这份配置引入了“动态问题权重”机制，能自动过滤那些低概率的干扰性提问，并将最大提问数限制在合理的工程范围内。访问 GitCode，领取这份防抽风参数配置单，让你的 AI 助手恢复理性。

[查看 GitCode 提供的“防 AI 抽风”参数配置单，让架构评审回归高效。]