一、引子

你用 AI 做同一件事，两次结果不一样。

第一次它给了三段式分析，第二次它给了五个要点。你拿到的答案不同——你不能确定哪个是对的，哪个是错的。

你的第一反应是：“模型不行，太不稳定了。”

这个判断看起来合理，但实际上它问错了问题。你以为的问题是"这个模型好不好"，但真正的问题应该是"我有没有给它足够的框架、约束和工具来让它稳定"。

二、归因——三层不稳定来源

大模型输出的"不稳定"，真正来源只有三个层面。

约束不足 → 路径随机选择

条条大路通罗马。同一目标的实现路径有无数条——尤其偏文字、结构化、编程类的任务。

如果不给模型足够细节的框架或描述，它会自行从多条路径中随意选择一条去实现。因此每次得到的实现路径不同，呈现方式、排序、结构都会有差异。

人的期望是一条确定的路径，但模型的自由度没有被锁死。你把门敞着让它选，却怪它每次都走不同的路。

输入不足 → 模型自行猜测

当输入信息不充分时，模型会自行弥补缺失。每次弥补的方式不同——尤其受上下文影响，如果上下文发生变化，模型的猜法也会变。

人以为自己"说清楚了"，但信息密度不够、上下文没对齐。模型就像一个能力极强但判断力为零的执行者：你给的输入越模糊，它越需要猜；猜得越多，越不稳定的不是它，是你的结果。

知识盲区 → 真正意义上的幻觉

这一层才是唯一属于"模型本身问题"的部分。模型训练数据的质量参差、检索的随机性、知识的盲区，都会导致错误或遗漏。

但仔细想想——人和模型一样，本质上都是"知识检索+推理输出"的过程。人有盲区，模型也有盲区。把知识问题当作能力问题来批评，对模型不公平，更解决不了你的问题。

归因总结

大模型是一个没有判断力但执行力极强的员工。管理它的方式是"给框架、给约束、给工具"，而不是抱怨它不听话。

三、解法——三层约束体系

L1 模板化：锁死输出结构

  • 固定 system prompt — 明确角色、行为边界、输出格式
  • 指定输出结构（JSON/YAML/固定段落），字段取值枚举
  • 告诉模型"不做什么"比"做什么"更重要

无约束：“分析这个充电数据” 有约束：“按「总体趋势 → 异常点 → 根因分析 → 建议」四段输出”

L2 上下文固化：消除输入侧不确定性

  • 固定参考上下文 — 每次调用携带相同的 RAG 检索片段，不让模型凭记忆"猜"
  • 输入完整性校验 — 调用模型前自动检查输入是否满足最低要求
  • 状态分离 — 每次调用的上下文独立，不依赖前次调用的隐式状态

L3 约束链：多步锁死自由度

  • 思维链分解 — 将复杂任务拆成多步，每一步输出后校验再进入下一步
  • 分步校验 — 每一步有独立的校验逻辑，不符合则打回重做
  • 渐进式自由 — 早期步骤自由度锁死最紧，后期逐步放开

这套体系做好，大多数"不稳定"问题都会消失。但有趣的事情才刚刚开始——当你真正理解了它"不稳定"的原因，你会发现这不是一个需要解决的技术问题。

四、但更重要的——这件事告诉你什么

在搭建三层约束体系的过程中，你会逐渐意识到一个更深层的事实：

大模型的"不稳定"不是 bug，是它的能力特性。

它的能力来自训练数据中的模式识别，而不是规则引擎的确定性逻辑。这意味着：

  • 它不适合"一次写对"的工作方式
  • 它适合"快速试错、快速调整"的工作方式
  • 管理它需要从"一次性期望"转向"迭代式期望"

你不再追求"第一次就得到完美答案"，而是追求"第一轮得到一个框架，然后在迭代中逼近最优解"。

这个转变看似只是一个心态调整，但它通向的东西远不止于此。当你真正接受了"模型需要反复调"这件事，你的算力消费模式、你的组织形态、你的工作方式——都会随之改变。

五、延展——从这条线走出去

超级个体 + 本地算力（月卡模式）

因为模型需要反复调才能出好结果——每次调都消耗 Token。如果你用云端 API（点卡模式），每次迭代都在花钱，成本会迅速失控。

于是你会自然走向"月卡模式"——本地算力，固定成本，最大化了反复试错的经济性。

而"能快速试错、能反复调整、能利用 AI 重构方案"的人，就是超级个体。这不是全才，不是天才，是一个善于利用 AI 做快速迭代的人。

日抛式商品逻辑

一旦你习惯了月卡模式下的快速迭代，你会发现"变化成本趋近于零"的商品设计逻辑也顺理成章。

传统商品设计是组装逻辑——一次设计、长期使用，因为变更成本高。而 AI 时代的变化成本极低——你可以快速定义、快速上架、用完即弃、数据回收、持续优化。

就像隐形眼镜从"月抛"演进到"日抛"——不是技术革命，是一个"变化成本降低"带来的逻辑跃迁。

数字员工

以上所有的终点是一个东西：AI 自主执行，人审异常。

三层约束体系让模型可预期。月卡模式让反复迭代经济。日抛逻辑让快速调整可行。当这三件事都做到了，你的 AI 就不是"辅助工具"，而是数字员工——它能自主处理一个闭环，你只介入异常。

这就是从"大模型不稳定"这个起点，一路走到的地方。