Andrej Karpathy 最近干了一件会让整个提示工程社区皱眉的事。他不再花时间打磨 prompt，而是打开语音输入，对着屏幕自顾自地说了十分钟废话——意识流、跳跃、前言不搭后语。结果呢？大模型的回应比他预想的更精准、更简洁，甚至比他最初的思路还要清晰。这并非偶然。这位前特斯拉 AI 总监、OpenAI 联合创始人踩中了一个多数人尚未觉察的真相：大型语言模型真正的强项不是处理精确指令，而是从混乱中提炼意图。
十分钟胡言乱语，为什么比精巧提示更管用
Karpathy 做了一场反直觉的实验
他在 X 上轻描淡写地分享了这个习惯。用语音，不是打个草稿再说，而是直接把脑子里正在翻滚的一切倒出来——不编辑、不回删、不组织。十分钟下来，积攒了密密麻麻的凌乱词句。这种输入方式他称之为 “rambling”，漫谈，或者说胡诌。换成别处，这就是沟通灾难，但大模型处理完后给他的回应几乎不需要二次修正。他刻意描述了那个微妙的心理开关：一旦脑子里判定了自己在“写 prompt”，就会有意识地修剪、格式化，想让它井井有条；可一开口，语言反而回到最自然的状态，错误的开头、重复、自我纠正全盘托出。模型却正是吃这一套。它需要的不是你已经消化好的结论，而是你消化不良的全过程。
混乱是另一种精确
我们习惯了把清楚表达当成对 AI 的尊重。可对基于 Transformer 的模型而言，上下文越长，读取到的隐性结构反而越多。你的支离破碎里藏着犹豫、优先级、未被表述的前提。当你说“这个项目，其实我想说的不是技术选型，而是……怎么说呢……团队协作问题”，模型会直接捕捉到那句被拖拽出来的真实议题。相反，一句精修的“请分析团队协作中的沟通障碍”虽然干净，却丢失了思维轨迹。Karpathy 的发现本质上是这样一个事实：LLM 是出色的模式重构引擎，你送进去的噪音在它那里全是信号。把原始思维交给它，远比交一份人工摘要有效。
从修正次数看人机对齐效率
最核心的变化指标是二次修正量。用了漫谈模式后，Karpathy 观察到自己后续调整 prompt 的次数断崖式下降。原因不言自明：初始回应已经直接命中他大脑里还没说出的那部分需求。传统 prompt 如同把菜单递给服务员，每次都得看菜名对不对，反复确认；漫谈像是带厨师进厨房，看了一圈你零乱的备料，他直接炒出了一盘你真正想吃的东西。对齐不再是单向输入、检错、再输入的循环，而变成了模型在浓雾里帮你指路。省下的不只是时间，更是认知摩擦。
提示工程那套，该被重新掂量了
模板化的 prompt 正在失效
过去两年，“元提示”“思维链”“少样本模板”被捧成了工程信条。红队、社区、培训课都在教人怎么写结构清晰的提示词，仿佛写 prompt 本身就是一门严格的语言。但更强大的基座模型正在悄悄瓦解这些努力。GPT-4 Turbo、Claude 3.5 乃至最新的开源模型，对模糊输入的容错和理解能力都在飙升。很多时候，你塞一个又长又乱的段落，它们反而拿出一份条理分明的回答。固守模板的人开始发现，指令越精致，模型的自由度越低，被框住的常常是创造性的解决方案。Karpathy 的语音漫谈就是这趋势的一个极端样本——它告诉我们，最能激发模型潜力的，也许恰恰是不那么精确的东西。
从指令编排者变回对话者
写提示词写到像在编程，本就是不正常的信号。人类与人类沟通时，极少有人用项目清单加格式约束的方式开口说话。语音漫谈把角色扳了回来——你不再是调度员，只是对话者。这种回归自然语言的交互，对提升“对齐”质量至关重要。因为对齐不是要把你的话翻译得更准，而是让模型理解那些你没说的、甚至你自己都没理清的意图。板正的 prompt 很难承载这个，而一声叹气、一段反复拉锯的表述却可以。Karpathy 的实验暗示：对齐远非 RLHF 或奖励模型的问题，交互方式本身就是最大的杠杆。
语音接口还有多少隐藏红利
速度只是最肤浅的优势
一提起语音输入，多数人想到的就是“比打字快”。这当然是事实，成人说话速度是打字速度的两到三倍。但这压根不是重点。真正的奖赏在于思维流不被键盘打断。打字需要将思维转译成手指动作、再回看屏幕上的文字，每一次拼写纠正、每一次标点选择，都在悄悄掐断思路。张嘴说话则让认知输出保持连贯，即便前言后语拧成了结，那股流的能量还在。Karpathy 十分钟的漫谈量换作打字，可能要花半小时，并且后续的疲惫感会直接扼杀迭代热情。高速输出，在量变积累下最终引发质变——模型拿到了完整语境，你也保留了脑力。
声音里的元数据，文本永远给不了
目前大多数语音接口都在做 ASR 转文字，再把文字喂给 LLM。这个过程其实丢掉了大量信息。不过即便只转成文本，你说话时的暂停、重复、加重语气仍然会留下痕迹。拿 Karpathy 的 rambling 说吧，反复出现的词、突然拔高的那一句、一段自问自答的嘟囔，全成了线索。把同样的内容写成整齐的 prompt，这些线索就消失了。未来一旦多模态语音模型成熟，声调、语速、音量变化都能直接参与推理，那时语音输入的优势将是碾压级的。Karpathy 现在做的事情，只是提前享受到了这个红利的皮毛。
上手试试：让乱成为你的工具
别自我审查，先说完十分钟
第一步最难受。因为你在对抗惯性。你总想停顿，想把刚才那句改成更得体的说法，想删掉那段无用的牢骚。得忍住。把语音输入当作一个安全出口，你只管倾倒。一开始可以像 Karpathy 那样设定心理锚点：“我这十分钟不追求任何可读性。”内容可以从“我今天其实在想……”起头，然后放任它漂移。你可能会发现大量重复和即兴联想，但这些恰恰是模型整理素材。结束后把整段文字抛进大模型，看它回什么。大概率你会愣一下——怎么比我说得还明白。
迭代是做减法，不是加法
漫谈模式最大的行为改变，是后续交互变成了一连串删削。过去写 prompt，你要不断添加指令、补充约束、调整格式，就像给草稿一层层涂油漆。现在呢？模型第一版回应已经抓住了基调，你只需要说：“再简短点，删掉关于预算的那部分。”或是“把第三段换成更直接的说法。”迭代不再是修补输入，而是修剪输出。这个过程不仅快，而且让人愉悦——你终于把脑力聚焦在决策而非执行上。Karpathy 描述过的那种“轻松感”，根源就在这里。
何时该拿起老办法
当然，漫谈不是万灵丹。极度结构化的任务，比如提取某个特定字段、生成固定格式的代码，还是直接下指令更快。但任何涉及探索、分析、创作、策略的开放式交互，语音漫谈几乎肯定占优。你可以交替使用两种模式，在发散和收敛之间切换。真正的启示不在于丢弃 prompt engineering，而是承认混乱本身可以是一种高级的输入语言。Karpathy 只是比我们更早意识到，大模型不是需要说明书才能操作的机器，它更像一个能听懂牢骚、读出言外之意的同事。跟这样的同事说话，你还拿着提前打好的字条，就有些见外了。
