三个反直觉的AI工程技巧

原创

liuzhen007

发布于 2026-09-12 23:49:20

920

想象一下，你是一个仓库主管，老板给你配了个AI助手帮你管理仓库。你会怎么用？大多数人的第一反应是：找个最聪明的AI，让它从头干到尾。但真正懂行的工程师会告诉你：这么干又贵又容易翻车。

下面这三个“反直觉”的技巧，才是把大模型用在生产环境里的正确姿势。

场景： 你要AI帮你规划明天的仓库拣货方案。

小白做法： “AI，给我最优方案！”（然后祈祷它别出错）

高手做法： “AI，给我三个方案：一个求最快，一个求最省钱，一个求大家工作量均匀点。”

对比项	只给一个方案（Plan A）	给三个方案（Plan B）
像什么	闭着眼睛走独木桥	给你三座桥，你选着走
翻车后果	方案里出现“走3号门”，结果3号门在装修，直接凉凉	方案1凉了，方案2备用，无感切换
AI心理活动	“我寻思这应该行吧？”	“你只让我挑一个，那我真的只挑一个；你让我挑三个，我就得认真琢磨琢磨。”
成本	1倍Token	2~3倍Token，但比重新跑一遍便宜
适合场景	简单任务（比如“帮我写个周报”）	复杂任务（仓库调度、方案设计）

底层原理一句话： 大模型擅长“发散”不擅长“收敛”。你让它给一个答案，它其实也是“蒙”一个概率最高的。你让它给三个，它反而被迫从不同角度认真思考，相当于用数量换质量。

场景： AI写完了一套仓库系统的代码，或者设计了一个调度方案，谁来检查？

小白做法： “AI，你刚才写的代码，自己检查一下有没有bug？”

高手做法： “GPT-5，来审一下Claude写的这套代码。”

对比项	自己审自己	换一个模型来审
像什么	让犯罪嫌疑人审自己的案子	让隔壁辖区的刑警来办案
实际效果	AI会说：“嗯，我写得挺好的，逻辑严谨，无明显错误。” 🫠	另一个模型可能会说：“这里有个空指针风险，那里变量命名不对，还有安全漏洞。” 😲
为什么	AI本质上是在续写，它倾向于顺着自己的思路走，不太会否定自己	不同模型训练数据、架构偏好不同，你的“舒适区”就是我的“找茬点”
成本	0（但毫无意义）	1份额外API费用，性价比极高
工程类比	程序员自测	Code Review（代码评审）

底层原理一句话： 这就像你写的字永远看不出自己错别字，但别人一眼就能发现。不同模型就是“别人”——它没有你上一轮输出的“记忆包袱”，审起来毫不留情。

场景： 你要开发一个仓库管理系统，需要“设计架构”和“写代码”两步。

小白做法： 用最强最贵的模型干所有活，从头写到尾。

高手做法： 设计阶段用“教授”，搬砖阶段用“本科生”。

底层原理一句话： 写代码本质上是“翻译”——把设计文档翻译成编程语言。这种活，70分的模型和90分的模型写出来的代码差距不大。但方案设计是“从0到1”的创造性工作，70分和90分之间差了20分的真金白银。

终极心法： 大模型不是万能的“一个大脑”，它是一群水平不一的“数字员工”。管理这群员工的关键，不是找一个全知全能的神，而是把对的人安排在对的岗位上。 😎

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。