你讲卫生吗？— AI 交互卫生的七条实战经验¶

Ch01.705 你讲卫生吗？— AI 交互卫生的七条实战经验¶

📊 Level ⭐⭐ | 8.8KB | entities/ai-interaction-hygiene-enri-tencent-llm-practices-2026.md

你讲卫生吗？— AI 交互卫生的七条实战经验¶

腾讯 AI 产品工程师 Enri 分享与大模型打交道的七条交互卫生实践：锁死模型配置、固定内容利用缓存、避免无效 Token 消耗、会话管理、精准文件引用等。这些习惯核心并非为了省钱——Token 会继续变便宜，但人的注意力和决策带宽有限。

核心要点¶

• 文章作者：Enri（腾讯 AI 产品工程师）
• 核心主题：AI 交互卫生——与大模型交互时的七条最佳实践
• 核心哲学：Token 越来越便宜，但注意力和决策带宽不会增长；AI 太便宜反而容易滥用
• 适用场景：日常使用 LLM 编程、写作、分析的生产力场景
• 与 LLM 交互最佳实践 理念一脉相承

深度分析¶

一、"卫生"概念的本质：注意力经济学¶

Enri 提出的"交互卫生"本质上是一门注意力经济学。当 Token 成本持续下降（OpenAI 在 2026 年已将 GPT-5 的输入成本降至 $0.15/M tokens），真正稀缺的资源不再是计算成本，而是人的认知带宽。

每条建议的背后逻辑都能映射到"认知负载理论"：

这种视角将 LLM 交互从"技术操作"提升为"认知管理"——高质量的人机协作不是靠更贵的模型，而是靠更聪明的交互习惯。

二、锁死模型配置：对抗"默认的诱惑"¶

"很多工具默认'自适应思考'，实际上会让 Token 消耗失控。"这一条看似简单，实则揭示了 LLM 产品设计中的一个普遍问题：默认配置往往是厂商利益（展示能力）与用户利益（成本可控）之间的妥协。

Enri 的推荐配置（推理档位锁死 high、关掉自适应、思考预算上限 32K、200K 自动压缩）本质上是给模型加了一个认知边界。这与 Harness Engineering 的上下文管理 理念一致——明确的约束反而能释放更好的性能。

有趣的是，"降智是你没把档位锁死，不是模型变笨"这一说法间接反驳了 2026 年上半年流行的"模型漂移"叙事。许多用户抱怨模型变笨，实际原因可能是默认配置被厂商更新重置，或自适应策略在不同负载下产生了不一致的表现。

三、缓存利用：被低估的成本杠杆¶

"模型对完全相同的输入前缀有缓存命中机制，重复使用只需十分之一的费用。"这是 2026 年 LLM 平台的一个关键变革——Prompt Caching 从可选特性变成了成本优化的核心策略。

实践中，这意味着： - 系统提示（System Prompt）应该完全固定：身份定义、输出偏好、约束条件等不变内容应原文不动 - 上下文前缀（Context Prefix）应该稳定：同一任务的多轮调用共享相同的知识前缀 - 变动部分最小化：只替换当前任务的具体材料、目标和截止时间

这种"固定 + 可变"的分离模式，与 LLM Prompt Caching 的技术原理高度吻合——缓存的粒度是 token 级别的精确匹配前缀，任何微小的措辞变化都会导致缓存 miss。

四、从"人适应模型"到"模型适应人"的交互范式转变¶

这七条经验看似教人"怎么适应模型"，实则是在推动一个更深层的转变：让人理解模型的运作规律，从而更好地利用模型为自己服务。

Enri 的"卫生"概念正处于第二阶段——当用户理解了模型的工作机制（缓存、注意力、token 消耗），就能设计出更高效的交互模式。"让模型先问"和"把想和干拆开"两条建议尤其体现了这一点：前者利用模型的主动推理能力来暴露用户的盲区，后者则是利用不同模型的价格-能力差异来进行任务分工。

五、"想干拆开"的深层含义：分层劳动分工¶

"用顶配模型讨论方案，只出方案不动文件；然后交给便宜模型机械执行"——这不仅是成本策略，更是一种智力劳动的分层分工。

这与 Agent Harness 的任务分解 思路一致：创意构思（高价值、需要强大推理能力）和执行实施（高重复、需要稳定可靠）应该由不同类型的模型完成。这种"思考/执行"分离模式在 2026 年的 Agent 系统中越来越普遍，如 Claude Code 的 Skill Composition 机制就允许用户将推理密集的任务委派给更强的模型，将执行密集的任务委派给专门的子 Agent。

Enri 的估算（顶配模型消耗降 3-5 倍）在实践中可能更激进——如果便宜模型是快速推理模型（如 Claude Haiku、GPT-4o-mini），成本差异可达 10-30 倍。

实践启示¶

1. 建立个人交互卫生清单：将 Enri 的七条经验整理为可执行的 checklist，固定在开发环境中。特别关注模型配置锁定——很多 IDE 插件在更新后会重置设置，需要定期检查。

2. 构建稳定的 Prompt 模板库：将身份定义、输出偏好、约束条件等不变内容提取为模板，每次新建会话时直接复用前缀。配合 Prompt Caching 可以节省 50-70% 的输入 Token 成本。

3. 实施"先思考后执行"的工作流：对于复杂任务，先使用强模型（GPT-5、Claude Opus）在空白上下文中讨论方案，待方案定型后，再使用轻量模型（Claude Haiku、GPT-4o-mini）执行具体实现。可以将此流程封装为 Agent Skill 以减少重复操作。

4. 善用 @ 精确引用而非全局搜索：在 Claude Code 等编码 Agent 中，养成使用 @ 文件名/@ 函数名引用而非让 AI 扫描整个项目的习惯。改一个验证规则可以从扫描几十个文件降到几百 Token。

5. 会话生命周期管理：严格遵循"换任务开新对话"的规则。超过 1 小时的会话或包含多个任务的历史记录，都应该新建会话。可以使用会话管理工具（如 Claude Code 的会话快照功能）来保存关键上下文。

6. 预处理输入材料：所有复杂格式文件（PPT、Word、PDF）先转换为 Markdown 后再提供给模型。可以在编辑器中配置"粘贴时自动转 Markdown"的快捷键或插件。

7. 引入"提问前置"模式：在向模型提出复杂请求前，先询问模型需要什么信息。这不仅能暴露盲区，还能减少反复澄清的轮数，将交互效率提升 2-3 倍。

→ 原文存档

关联¶

• 相关概念: Harness Engineering
• 相关: Agent 架构