我们不教 AI 思考

Source: Dev.to

概览

我们大多数人都是通过引导 AI 思考来学习提示的：

• “一步一步思考。”
• “这里有一个解决方案的示例。”
• “先检查 A，再比较 B，最后用 C 作结。”

这些技巧之所以有意义，是因为早期模型需要明确的路径；如果没有结构，它们会匆忙得出结论。

推理模型改变了前提

通用对话模型擅长快速生成自然的答案。对于方向明确的任务——简短摘要、简单解释——这已经足够。

推理模型的工作方式不同。它们不是把问题直接推向结论，而是被设计用来：

• 比较条件
• 跟踪可能的路径
• 在形成答案之前更长时间地保留问题

Claude 的 extended‑thinking 模式或 OpenAI 的 o‑series 等模型体现了这种方向，会在内部推理上消耗更多计算。

推理模型并非仅仅是写出更长答案的模型；它们是为更长时间地处理更困难的问题而构建的。

针对推理模型的提示策略

对于通用模型，“一步一步思考”可能有帮助，因为它强制出现中间步骤，而不是直接跳到结论。
对于推理模型，同样的方法并不总是有效。当你向已经设计好拆解问题的模型强行指定一套任意的思考顺序时，会限制它寻找更佳路径的空间。

同样的道理适用于示例。好的示例为答案设定标准，但过于详细的示例会把模型锁定在特定的解法上——即使存在更优的办法。

这并不是说 Chain‑of‑Thought 错误，而是当你的工具已经根本改变时仍使用相同的习惯。使用推理模型时，有时少说话反而更好。

需要提供的内容

• 明确的目标
• 对好答案的评判标准
• 你需要的输出格式

然后把中间的步骤留给模型。模型不需要你设计它的思考过程；它只需要知道什么算是好答案。

---

这是一段摘录。完整文章——包括并排的提示对比以及何时完全不该使用推理模型——请见 Dechive.