与其控制模型算力，不如让 AI 适配用户水平

随着模型与算力档位（model:effort）组合的增多，AI 界面的交互方式正被重新讨论。一位开发者在社交平台撰文提出：用户真正想控制的并非模型的运算强度，而是自己的投入程度。

专家场景下的「噪声」问题

作者以数学家陶哲轩（Terence Tao）与 ChatGPT 围绕「雅各比猜想」的公开对话为例。陶哲轩始终主导方向，对模型建议多数予以忽略，但 ChatGPT 仍输出大量冗余表述，例如「真正特别之处在于……」「我更喜欢这种描述……」等。这类对专家毫无价值的内容，对新手却可能有引导意义——说明当前模型缺少对用户专业度的判断。

• 现象：模型倾向输出自我确认式语句
• 后果：专家用户的阅读与决策成本被抬高
• 根因：模型未根据用户表达动态调整回复详略

「实习生」隐喻：把控制权交回用户

文章主张，理想的智能体应像一位「积极主动、能力出众的实习生」：

• 善意揣测用户提示的真实意图
• 主动提出经过深思熟虑的建议
• 仅在确有必要时才提出非显然的问题

而非让用户在下拉菜单或专用键盘中选择模型档位。控制权的转移意味着，AI 应通过前几轮交互自动识别用户水平，并相应调整输出密度。

新手场景与能力边界

在用户完全陌生的领域，例如让 AI 代理处理税务、学习新知识时，AI 又需要切换到「专家模式」——主动承担判断、组织步骤化讲解。两种模式的共同前提是：AI 应坦诚说明自身能力局限，避免在超出能力范围时仍硬撑输出。

文中还借 OpenAI 传闻中的专用键盘产品反问：与其让厂商投入资源做精细的算力档位，是否更应聚焦于让 AI 真正理解用户的专业度？这与近期业内对自适应推理、用户画像驱动等方向的研究趋势相呼应，但目前尚无主流产品完整落地该范式。