9 条思考规则让 GLM-5.3-Flash 思考 token 降 30%,长任务成绩反升
PilgrimofHaqq2 · reddit · 2026-10-18
作者针对此前质疑「思考规则只在短测试有效、长任务会受伤」的声音，用 Terminal-Bench 2.0 做了对照实验：同一模型(GLM-5.3-Flash, high thinking)、同一 agent(mini-swe-agent)、temperature 0,唯一差异是 prompt 里加入 9 条思考纪律规则。
核心结果(86 任务 × 2 臂，共 62.4 小时):
- 解题数：47 → 53(+6,p=0.18,不显著)
- 每任务思考 token 中位数：16,545 → 11,615(-30%,p<0.001)
- 平均耗时：23.2 → 20.3 分钟(-13%,p=0.003)
- 86 个任务中 63 个思考量减少；撞时间上限的任务 38 → 27
- 带规则得分 59.6%,高于 Claude Opus 4.6 + Claude Code(58.0%)和 Gemini 3 Pro(56.9%);无规则仅 52.8%
9 条规则要点：先核查请求前提、一条路走到底再换、已定结论不再反复重查、模糊的怀疑不是推翻结论的证据、无新证据不因用户压力改口、有新证据立即更新、用外部事实(测试/构建)验证而非自我思辨、不表演式谨慎、只纠正会影响用户决策的错误。
结论：这些规则在长任务上无害甚至略有益，主要收益是大幅省 token 和时间。
「编程与Agent」频道最新
- 用户用 Grok 3-4 天造出替代 Premiere 的剪辑器，将开源 — elonmusk · 2026-10-18
- vLLM 联手 NVIDIA 优化 Kimi K3:GB300 上解码达 842 tokens/s — vllm_project · 2026-10-18
- AI Agent 记忆的三种形态:个性化、自我改进与组织记忆 — TheTuringPost · 2026-10-18
- Linus Torvalds 批评「禁用 AI」规则愚蠢：与禁用编译器同理 — Anen-o-me · 2026-10-18
- RAG 九次全错却句句有据:条件判定交给代码后正确率升至 5/6 — International_Elk_33 · 2026-10-18
- VFX 大师全程语音指挥 Claude 建 Houdini 场景:50 小时渲染成品 — bilawalsidhu · 2026-10-18