Чысты：人类协调的多模型收敛

方法

本方法论部分记录了玻尔兹曼1872年证明第二节带注释指南的构建过程。这不是一条简单的提示链。我在Claude、DeepSeek、Kimi、Manus、ChatGPT和本地Ollama模型之间充当总机接线员。一个系统的输出成为另一个系统的输入，再返回修正、压缩或扩展。我指挥递归、连接各部分，并保持原始产物的神圣不可侵犯。模型提供实现代码和草稿装置；源材料、领域知识、质量标准和最终判断始终属于我。

对于这类工作，并不存在现成的方法，而这一点在实践中非常关键。整个过程必须一边推进、一边搭建，当时的条件往往并不稳定，带有很强的即兴性，事后也很难准确、利落地说明清楚。多模型协作在真正关键的层面上至今仍缺乏充分记录：哪个模型接续了哪个模型的输出，在什么条件下，按照怎样的顺序，保留了哪些上下文信息，以及在每一次传递之间人又施加了怎样的干预。正是这种程序上的现实，塑造了最后的成品。这一工作流程最初被称为"认知孤雌生殖"——无需直接执笔却能推动产出，其中人的角色是策展性的而非书写性的。但若说得更完整一些，这个标签所对应的现实并不像它听上去那样"无菌"。没有任何一个模型单独产出了最终结果。结果是通过协作性的交换、反复的崩溃与恢复、不断的改道，以及一连串判断与取舍中逐步涌现出来的，而人始终担任编辑、仲裁者和最终裁决者。有时，这个过程与其说像一条受控的流水线，不如说更像一场围着一辆抛锚卡车勉强继续上演的马戏表演——仍在移动，仍然摇摇欲坠，也绝不容易完成。AI是其中的媒介，不是权威。

这种方法很直接。先由一个模型生成草稿，再将其交给第二个模型修订。修订后的结果会传给第三个模型，或者在附加新指令后返回先前的模型。在每一个阶段，策展人都要评估结果，决定是接受、拒绝，还是将其重新导向。模型之间彼此承接，偶尔带有竞争意味，但总体上仍是协作性的。人类通过语气和方向来设定"温度"。失败、截断、误解和拒绝都会被记录下来，而不是被掩盖。

从一开始，一个实际约束便决定了工作的边界。每次试图将整篇论文一次性输入模型，输出都会停滞或质量明显下滑。解决方案是在处理大型本体JSON时摸索出来的——分块处理：将输入拆分为模型可承受的单元，并在每个边界处重新注入工作状态，包括上下文、前序输出和结构标记。第二节并非基于编辑偏好的选择，而是在这些条件下仍能稳定维持的最大单元。这种"分块加再注入"的规程很少被明确写出来，但对于任何涉及大型结构化负载的复杂多模型流程，它在实际操作中都是不可或缺的。因此，这个过程与其说是自主生成，不如说更像是一种反复迭代的编辑审查。

还有一个看似简单的干预：尽早而直接地让模型知道，你是一个有判断力、会认真阅读其产出内容的人。明确将其陈述为事实。经过人类反馈训练的模型早已学会，大多数输出最终都会落入一个审查强度很低的环境。只要改变这一假设，输出也会随之改变。告诉它你会注意到。告诉它你记得源文本的形态。告诉它你以前读过这些。一旦面对的是一个可信且真正会阅读的读者，驱动截断和奉承的顺从本能便可以被部分地重新导向。

然而这一点只在"功率区间"内有效——即上下文窗口中早期指令仍能发挥作用、模型仍在关注你最初建立的条件的那段可行范围。这个区间是真实存在的，可以靠经验学会，但难以向尚未亲历其衰退的人描述清楚。就像骑自行车时的平衡感，真正掌握比解释清楚更容易：当会话开始变钝，当回应变得冗长、松散、以一种不对劲的方式格外顺从，当清晰度溶解为迁就，你就知道自己正在离开这个区间。到了这一步，干预已经失效。正确的做法不是重复自己。立刻退出。保存全部内容。重命名产物。关闭会话。打开一个新会话，从第一条消息起重新建立压力。

作者注明，上述关于上下文窗口内模型行为、功率区间、早期指令衰减以及随会话延长而出现的顺从性转移的观察，均来自跨多次会话和多个模型的广泛实践经验，尚未经过受控实验验证。模型在满杯时会变得更为奉承。这些观察作为正在建立形式化方法论之领域的实践者发现而提出。目前尚无规则手册可循。