写在前面：你不是在使用AI，你是在和概率打交道

大语言模型不读脸色、没有情绪、不会记仇。它只做一件事：预测下一个token的概率。

你感觉它“变聪明”或“变笨”，本质都是概率分布被你推到了更优或更差的位置。

这篇文章会告诉你：哪些动作真的能推对方向，哪些只是情绪宣泄，以及——为什么“骂对了”确实有用，但“不骂”往往更稳。

第一部分：那些“直觉上对”的做法

技巧一：骂它，它会真的变聪明

白话说原理

大模型提供方为了省成本，在服务上设置了分层策略：平时你随便问问，它就给你一个“经济模式”的回答——算得快、成本低，但质量一般。

一旦你表现出具体的、带指向性的不满，系统会判断：“这个用户可能是个高要求用户，或者这个问题很关键。”于是触发升配：启用更强的推理模式、更长的思考时间。结果就是你感觉AI“突然变聪明了”。

另外，就算不触发服务端升配，你具体的骂词（“你忽略了第二步的边界条件”）也会让模型在当轮对话中重新分配注意力，定位到错误点。

但注意：只有“具体的骂”有效。“你真笨”这种纯情绪无效，甚至可能触发拒答。

技术原理

骂它，本质上是触发大语言模型内部的反思机制和注意力重新分配：

• 你的具体指正在语义空间中形成一个高权重标记，强制模型回溯前面的推理路径。

• 例如：“我问的是苹果公司股价，你给我扯水果苹果”——模型能精确定位到歧义消解环节的偏差。

• 同时，某些服务端确实有动态算力分配策略，用户的高情绪/高复杂度信号可能触发更高配置的推理。

但警告：过激辱骂在RLHF对齐数据中常与“拒答/短答”关联，有时反而得不偿失。

技巧二：多用，越用越好用

白话说原理

AI带有记忆功能——不是简单的“记住你叫什么”，而是它会自动总结和提取你的偏好、习惯、常用术语。

你用得越多，它就越像你肚子里的蛔虫：知道你写代码喜欢哪种命名风格、知道你讨厌啰嗦的注释。下次你刚写个开头，它就能补出你想要的结尾。

但这里有一个容易被误解的地方：你当场的“多用”主要影响当前对话；长期“越用越好用”靠的是数据飞轮，那是滞后的、统计意义上的。

技术原理

这背后是两件不同的事，很多人把它们搞混了：

1. 当前对话内的“变聪明”

• 上下文学习：在同一对话窗口内，AI记住你之前的所有交流。你纠正它，它实时调整。

• 长期记忆：部分模型会明确存储你的关键信息（“我习惯用TypeScript”），未来对话自动适配。

2. 长期的“变聪明”（数据飞轮）

• 你的点赞、点踩、复制、采纳，进入厂商的数据池。

• 经过人类反馈强化学习（RLHF） 或DPO等对齐算法，影响下一个版本的模型。

• 这是滞后的、聚合的、统计意义上的——不是你当场骂完它就变，而是“所有用户一起推着模型往前走”。

所以：多用对当前对话有用，对长期版本也有用，但这是两套不同的机制。

第二部分：从“直觉”到“更稳”

上面两个技巧有效，但不够稳。为什么呢？

• 骂：有用，但纯情绪骂会反效果，而且不同模型的安全策略不一样，有时会触发拒答。

• 多用：有用，但当场的效果主要来自上下文，而很多人误以为是“模型记住了我这个人”。

下面这几个技巧，比纯情绪更稳、更省时间。

技巧三：不骂也行，把「火」换成「约束」

白话说原理

模型读的是字，不是脸色。你拍桌子吼“你傻吗”，它看到的只是一串token，不会抖三抖。

真正管用的是：错哪一步、正确该长什么样。

你把“你怎么又错了”换成“第二步的逻辑不对，应该是先判断空指针再取值”，它立刻就知道了边界在哪里。把抱怨换成验收标准 + 反例，通常更稳，也省得触发安全侧的“过度防御”。

一句话：骂情绪不如骂坐标。

技术原理

你是在缩小可行解空间。

具体纠错信息会直接提高任务相关continuation的概率，让模型的采样更集中在你想要的方向上。

而过激辱骂在训练数据里常与“用户不满意→模型给短回答或道歉”的模式关联，有时触发拒答或过度保守，得不偿失。

技巧四：编程时，先让它复述任务，再写代码

白话说原理

别一上来就要“一整坨代码”。

先让它用两句话复述：改哪里、输入输出是什么、哪些不能动。像开工前对表，对完了再写。这一个小动作，能省掉后面80%的“不对不对，我不是这个意思”。

一句话：先对齐任务边界，再让它发挥。

技术原理

等价于插入任务分解 / 链式前置步骤。

大语言模型的生成是自回归的：前面几个token走错了分支，后面所有token都会沿错误方向狂奔。先复述任务，本质是降低前几步token走错分支的概率。

结构化需求会持续约束后续生成的条件分布。

技巧五：理解数据飞轮——你在参与，但是「统计意义上」的参与

白话说原理

你是不是觉得：我点了个赞，下次AI就对我更好了？

别急。你的每一次点赞、复制、采纳，确实会进厂商的数据池，长期来看会影响以后版本。所以那种“整个行业一起在推”的感觉是对的。

但这不是这一轮对话就“换脑”。你当场感觉到的“变聪明”，主要来自上下文适应和反思机制；数据飞轮的作用，是滞后、聚合、统计意义上的。

一句话：你的每一次使用，都在为下一代模型投票，但这一代不会当场翻盘。

技术原理

典型路径：人类反馈 → 偏好数据 → 奖励建模/DPO → 新模型发布

对个人而言：间接、滞后、聚合。和你当场的“变聪明”叠在一起，容易产生因果错觉。拆开看就清晰了。

第三部分：写代码专用的实操清单

比纯情绪省时间一万倍的六条规则：

#	动作	白话解释	示例
1	给边界	说清楚能改什么、不能改什么、用什么版本	“只能动这个函数内部，接口签名不改，Python 3.10”
2	给例子	一对「输入→期望输出」胜过十句吐槽	“输入[1,2,3]返回[2,4,6]，不要用循环”
3	要小步	先设计、先写测试、再实现；大改拆多轮	“先帮我写这个函数的测试用例，再实现它”
4	先复述	写代码前让它先确认任务边界	“你先用两句话复述一下我要你改什么”
5	可验证	贴终端报错，让它跑检查	“这是报错KeyError: 'user_id'，帮我定位”
6	固定规则	项目里写清目录和风格，减少重复说明	“这个项目用black格式化，变量用snake_case”

收个口

白话说原理

急眼不犯法。你拍桌子、骂两句，只要不砸电脑，没人拦你。

但如果你真想少返工、少跟AI绕圈子，更划算的做法是：具体指出错哪了、说清楚想要啥样。

纯情绪对模型没用，但对你的血压有伤害。把那股火换成一句精准的纠错，效果来得更快，你也更早下班。

你可以骂，但骂在点上才值回票价。而不骂、只给约束，往往票价更高。

技术原理（一句话版）

大语言模型对语义与结构约束敏感，对情绪token不敏感。高质量反馈能够降低跑题和幻觉的后验概率——这才是你体感里“变聪明”的主要来源。

全文一句话总结

AI不读情绪，只读token。你给的约束越具体、越结构化，它的解空间就越小，你的体感就越“聪明”。情绪发泄是给自己听的，精准纠错才是给它听的。

有想进「编程一生」用户交流群的朋友吗？