有人把跟AI协作的流程拆成了三步，核心动作只有一个：调推理档位。不挑订阅，不挑模型，不挑Agent框架，也不用背提示词，就是把对话分成三个阶段，让模型在不同阶段用不同的推理强度干活。

提出这套方法的人说，一开始只是想玩梗，没想到真做出来一个有用的"超大杯、中杯、大杯"理论。

打开网易新闻 查看精彩图片

第一步：推理拉满，把键盘丢掉

第一步是把当前模型的推理程度拉到最高，选择计划模式，然后别打字了——用语音、图片和视频发信息。

逻辑是：跟朋友解释一个梗的时候，没人会一句一句打字，都是直接丢一个视频过去让对方看来龙去脉。有多模态能力的AI也能接住这种输入方式。

语音输入的价值在于降低信息损耗。按这套方法的说法，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到2次，改完还能收录进词典。

这一步的核心就一句话：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，效果反而越好。因为高推理模式会把碎片整理成完整计划；而打字的时候人会下意识精简，信息就在精简的过程里丢了。

第二步：降到中档，快速干活

第二步把模型推理程度改到中档，进入纯代码实现或者Agent干活的阶段。

按这套方法的观察，中档和高档推理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。一个叫Terminal Bench 3.0的基准测试有过数据验证——详细需求配中档推理，和模糊需求配高档推理比，前者的完成质量反而更高。

这跟人交接工作是一个道理。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

第三步把推理改到高以上的档位，回头验证之前干的活。提出者说这步是整个理论的灵魂。

中档推理干活快是快，但脑子转得没那么细，就跟赶DDL写代码一样，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自己中档时候干的活。

按这套方法的经验，这一步至少能额外揪出来20%到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

有人会问：那直接全程推理拉满不就完了？

提出者说自己一开始也是这么干的，但全程拉满有两个问题，就算额度完全用不完：

  • 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，给它一个明确的计划让它别想直接干，产出反而更稳定。

三步走完，这套方法的主张就是：高推理负责把碎片想法整理成计划，中档推理负责快速执行，高推理再回头做验证。有用的东西有时候就是这么朴素。