前沿洞见 · AI落地 · · 国科智飞 Gavin
AI 的确定不在模型里，在流程里
同一个问题问两遍答案不一样，改一个字的措辞输出天差地别。随机性是大模型的固有属性，不是 bug——确定不在模型里，在流程设计里。
第一次认真用大模型的人，大多经历过同一个瞬间：同一个问题问两遍，答案不一样；改一个字的措辞，输出天差地别；偶尔它还会一本正经地编出一段不存在的事实。
很多人的结论是：AI 不靠谱。
我们的判断相反：**这不是没调好的 bug，而是大语言模型的固有属性。**模型的本质是海量统计模式，不是因果链条——它在根据概率生成下一个词，而不是沿着一条固定逻辑推演。想让模型本身「每次都一样」，方向从一开始就错了。
那确定从哪里来？答案不在模型里，在你和模型之间的流程设计里。
四类不确定性，四种应对
把大家遇到的「AI 不听话」拆开，其实是四类问题：
- 输出随机：同一个 prompt 两次结果不同。应对是指定采样参数、给足示例、让输出结构化。
- Prompt 敏感：措辞微调导致输出剧变。应对是固化指令模板、把系统指令和用户输入分开、锁定输出格式。
- 行为不稳定：单次对话里表现时好时坏。应对是搭工作流——工具调用加验证层，不要把所有要求压在一次提问里。
- 幻觉：自信地生成不存在的内容。应对是检索增强、引用溯源、多次校验。
一条一条看，每一类对应的其实不是「更聪明的提问」，而是一层工程手段。采样参数调低，是把随机空间压窄；输出格式固定，是给结果装上模具；工作流，是把一次赌博拆成多个可检验的步骤；检索增强，是把模型的嘴绑在资料上，而不是绑在记忆上。
这里有一个边界要讲清楚：**这些手段降低不确定性，但都不承诺消除它。**温度调到零，也可能因为推理批次差异偶有波动；检索增强能大幅减少幻觉，但检索到的资料本身错了，模型只会错得更自信。工程手段的作用，是让错误变得可见、可查、可控——而不是让错误消失。凡是承诺「彻底解决」的方案，都值得多问一句。
举个具体的例子：同样是让 AI 做客服回复，散着用，就是每次丢一句话让它「写个回复」，语气和口径全凭运气；放进流程，则变成固定几道关卡——先识别问题类型，再检索产品资料，再按模板生成，最后过人审和敏感词校验。前者靠的是模型这次表现好不好，后者靠的是流程设计得好不好。
再比如提取合同信息：与其叮嘱它「仔细看」，不如把要提取的字段定义清楚，要求它输出结构化结果，再用规则校验金额、日期和主体是否自洽。这时候准确率不来自模型的心情，来自你给它设的轨道。
有人会说：等模型再强一点，随机性不就没了吗？我们的判断是不会。生成能力越强，可选的表达空间越大；随机性是统计生成方式的代价，不是能力不足的表现。要等的不是更好的模型，而是更好的流程。
用约束代替随机，用流程代替信任
我们把上面的做法压成两句话：
用约束代替随机，用流程代替信任。
约束，指的是格式、结构、工具链——让模型在护栏内工作；流程，指的是可复现的步骤——每一步都有验证，而不是把结果寄托在「这次应该没问题」。
这和制造业从老师傅手感走向流水线是同一个道理。手感不是不好，而是不可复制。AI 也一样：单次惊艳不难，难的是每次都能交付。
但约束不是越多越好，它有自己的适用边界。**探索阶段要放开，交付阶段要收住。**让 AI 帮你想十个活动创意、找几个新角度，这时候的随机是资产，不是风险；一旦进入要交付给客户、要写进系统的环节，才轮到模板、校验和审核上场。把流程用在发散题上，等于用模具做雕塑——形状是稳了，东西也死了。
所以流程设计的第一步，其实是分类：这件事，究竟是需要惊喜，还是需要稳定？分错了，再精致的流程也是负担。
说回来
模型会一直有随机性。好的团队不是找到一个不随机的模型，而是设计一个即使模型随机、结果依然稳定的流程。
AI 时代的确定，不在模型里，在你和模型之间的流程设计里。