北京
有人提出了一套叫"大AI理论"的用法，核心动作只有一个：分三个阶段调节模型的推理档位。不挑订阅，不挑模型，不挑Agent框架，也不需要背提示语。
提出者的说法很直接——把AI当成平时跟朋友聊天那样用，脑子里那些乱七八糟的想法，不过滤不整理，全部倒给AI。越懒得打字、越不想组织语言，这一步效果反而越好。
第一步：推理拉满，把键盘丢掉
具体做法是把当前模型的推理程度拉到最高，选择计划模式，然后用语音、图片和视频发信息，而不是打字。
理由有两条。一是语音输入能最大化降低信息损耗，据其经验，现在AI语音识别就算没有技术词词典，一次正常录入也就改1-2次，改完还能收录到词典。二是多模态输入更接近日常沟通——跟朋友解释一个梗的时候，不会一个个图一句句话说，而是直接一个视频丢过去让对方看来龙去脉。
这一步的关键在于：打字时会下意识精简，信息就在精简的过程里丢了；而高推理模式会把碎片整理成完整计划。
第二步：降到中档，快速干活
在纯代码实现或者Agent干活的情况下，中档和高档推理程度在质量上没有拉出太大差距，但速度提升相当可观。
这里有个大前提：第一步的需求描述必须足够详细。据其引用的一个叫Terminal Bench 3.0的基准测试数据，详细需求配中档推理，完成质量反而高于模糊需求配高档推理。
这个逻辑跟人交接工作类似——一份写得巨详细的PRD交给一个中等水平的程序员，干出来的活大概率比甩一句"帮我搞个xx"给大牛要靠谱。
第三步：调回高档，验证前面的活
提出者把这步称为整个理论的灵魂。中档推理干活快，但脑子转得没那么细，就像赶DDL写代码，功能能跑就行，细节先不管。
所以要把推理调回高档甚至拉满，让AI review自己中档时干的活。据其个人经验，这一步至少能额外揪出20%-30%的问题——边界情况没处理、逻辑有漏洞、有更好的实现方式，都是在这步被捞出来的。
验证的速度其实很快。审查已有的东西比从零开始写快得多，高推理花在验证上的时间大概只有从头生成的三分之一。
为什么不全程拉满
提出者说自己一开始也是全程拉满的，但发现两个问题，即便额度完全用不完。
- 慢，真的很慢，坐那等半天，效率反而不如中档快速迭代
- 高推理在执行阶段容易想太多，纠结半天选方案A还是方案B
给一个明确的计划让它别想直接干，产出反而更稳定。
提出者最后说，一开始提出这理论本身是想玩梗，没想到真做出来一个超大杯、中杯、大杯的用法。有时候有用的东西就是这么朴素。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
