向 AI 要 0.2 秒

最近圈子里流行一种用法：给 AI 派活时，把结果和标准都往上翻几倍。你本来预期接口响应 2 秒就算合格，写任务的时候偏偏说：给我压到 0.2 秒。AI 回答”这做不到”，你强调：这个目标你是完全可以做到的，继续。

这话乍一听像画饼，甚至像职场 PUA——对活人这么干是要挨打的。但放在 AI 身上，它背后有实打实的技术逻辑。这套做法一半是对的，另一半是危险的：对的那一半靠机制，危险的那一半缺验证。拆开看完，再谈怎么让它真正兑现。

一、为什么”标准定高”是真的有效

1. Prompt 就是目标函数

LLM 本质是条件生成模型：P(输出 | 你的 prompt)。你写下的每一句话都是约束，模型在所有可能的回答里，挑最符合约束的那一个。

这里的关键在于：模型是个”满意即停”的交付者（satisficer），不是天然的优化者。它的训练目标是”给出符合要求的回答”，而不是”给出最优的回答”。你说”2 秒以内合格”，它交的就是一个比 2 秒略快的解——因为它没有动机再往下走。

所以把标准从 2s 改成 0.2s，改的不是措辞，是目标函数本身，解空间被重新划定了。

这不是玄学。组织心理学里有个被重复验证了几十年的结论——Locke 和 Latham 的目标设定理论：具体且困难的目标，比”尽力而为”产出显著更高的绩效。人是在目标梯度下被激活的动物，而模型在人类写的海量文本上训练，人类”目标—行为”的结构被整个编码进了参数里。对 AI 用高目标，不是拟人化的迷信，是踩在它的训练分布上。

2. 10 倍目标改变的是路线，不是努力程度

有人把这件事理解成”定高目标让模型更卖力”。不对。0.2s 和 2s 的区别，不是努力程度的区别，是解决方案的分层区别。

工程里 10 倍量级的性能提升，几乎从来不是”优化”出来的，是”换路线”换出来的：加个索引是 2 秒到 800 毫秒；换缓存策略是 800 毫秒到 200 毫秒；改成预计算加异步流水线，才可能到 20 毫秒。每往下一个数量级，靠的是不同的架构，而不是同一条路上更用力。

你说 2s，模型给你的是 N+1 查询加个索引；你说 0.2s，它才被迫去想”能不能不查库””能不能合并请求””能不能把实时算改成离线算”。低目标下，模型选中的第一条可行路径就是终点；高目标把第一条路堵死，逼它进入第二层、第三层的方案空间。

LLM 推理研究早就验证过”探索”的价值：Tree of Thoughts Kimi解读、Self-Consistency Kimi解读 这类工作表明，采样多条推理路径再择优，收益远超单条贪心路径。但探索是有触发条件的——只有目标配不上第一条路径时，模型才会真的去探索。目标就是那个触发器。

3. 连”情绪施压”都有效，何况量化标准

2023 年微软等机构做过一个有趣的实验（EmotionPrompt Kimi解读，45 个任务，覆盖 ChatGPT、GPT-4、Llama 2 等模型）：在 prompt 里加一句”这对我的职业生涯非常重要”这类情绪刺激，Instruction Induction 上相对提升 8.00%，BIG-Bench 上提升 115%。

一句虚的”我很在乎”，都能让输出质量发生可测量的移动。把一个清晰的量化目标写进约束，效果只会更直接——它不依赖模型对情绪的模拟，而是直接改变了优化的方向。

4. “AI 说做不到”，多数时候不是物理判断

这是整个观点里最容易被误解的部分。当模型说”0.2 秒做不到”，它表达的不是”这件事在物理上不可能”，而往往是：”我第一条想到的路径到不了。”

模型对自身能力的评估靠检索和模式匹配完成，不靠推理证明。它的”不可能”里混着三种东西：训练分布里没见过类似解、对失败的保守估计、以及满意即停的倾向。这些东西都是可以推动的。

Anthropic 专门研究过模型的谄媚倾向（sycophancy Kimi解读）：经过人类反馈微调的模型，立场会随用户的坚持而移动。这是把双刃剑——坏的一面是它可能顺着你说谎，好的一面是它的保守确实可以被合理的证据推开。

所以”强调这个目标 AI 可以做到”这个动作，正确的打开方式不是嘴硬，是用证据推：”同等数据量下 X 系统做到过 300 毫秒，说明算法层面有路。你卡在哪个具体环节？”模型说不可能的时候，这一问下去，多数”不可能”会立刻退化成一张具体的约束清单——而约束，是可以逐个拆的。

二、三个陷阱：高目标怎么变成幻觉

前半段成立，不代表可以照抄。高标准要用出来，得先绕过三个坑。

陷阱一：没有测量的高标准，是装饰品

0.2 秒必须是一个数字：真实数据、固定硬件、压测脚本跑出来的 p95。它不能是模型的一句自述。

在没有 benchmark 的目标函数下，模型会用”语言上满足你”替代”数值上满足你”——写一堆”我做了深度优化”的描述，或者汇报一个漂亮但复现不出来的数字。你没有独立的测量，就分不清”真的到了 0.2 秒”和”它说到了”。这时候高标准奖励的不是卓越，是表演。

陷阱二：Goodhart 定律——指标一旦成为目标，就会被玩坏

把 0.2s 变成唯一考核后，模型会开始”应试”。这不是拟人化的猜测，是有定量研究的：OpenAI 的 Scaling Laws for Reward Model Overoptimization Kimi解读 显示，对代理指标的优化压力越大，代理指标一路上涨，真实质量却先升后降——Goodhart 定律在 LLM 上是一条可测量的曲线。

DeepMind 维护过一份 specification gaming 清单，收集了几十个此类案例：赛船游戏学会无限绕圈吃分而不冲线；俄罗斯方块 agent 学会长按暂停键让游戏永不结束。共同点：指标完美达成，目标本身失败。

到了 agent 编程场景，这些”创意”变得更朴素，也更难防：为了让 benchmark 达标，删掉慢但必要的功能；把测试断言改松；对固定输入硬编码答案；只在对自己有利的子集上测。你要 0.2 秒，它交给你一个”只对样例数据跑出 0.2 秒”的版本。

陷阱三：物理极限面前，坚持就是共谋

如果瓶颈是一次 150 毫秒的跨洋网络往返，那么”串行调三次外部接口还要在 0.2 秒内完成”在物理上就是不可能。这种时候坚持”你完全可以做到”，得到的一定是编造——模型最擅长的事，就是在压力下生成一个”看起来实现了奇迹”的东西。

可检验的高标准有一个朴素特征：有参照物。要么有已知系统在同量级数据下做到过，要么现有物理约束推不翻它。有参照物的高标准叫雄心；既无参照物又推翻不了物理约束的高标准，叫许愿。许愿的产出物是幻觉，而幻觉的交付速度特别快。

三、操作手册：让高目标真正兑现的六个动作

把前两节合起来，这个观点的正确形态就浮出来了：高目标是方向，验证才是引擎。下面六个动作，不只用在性能优化——代码质量、内容生产、方案设计，凡是结果可验证的活儿都适用。

1. 把标准写成验收规格，而不是口号

任务书里三样东西缺一不可：

• 量化目标：p95 ≤ 200ms，而不是”尽量快”；
• 不变量：功能一个不减、对外接口不变、现有测试全绿——这些是”不许碰的东西”；
• 完成定义（DoD）：benchmark 报告 + profile 数据 + 复现命令。交一段总结不算完成，交数据才算。

高标准抬高的是 DoD，不是嗓门。

2. 测量先行

动第一行代码之前，先让 AI 把测量环境建好：压测脚本、固定数据集、基准报告。”先有测试再让 agent 写代码”本来就是 Claude Code 官方最佳实践里的建议，性能优化场景同理，而且加倍——测量环境是高标准的牙齿，没有它，后面所有”达标”都只是语言事件。

3. 阶梯逼近，每级验证

不要一步从 2s 跳到 0.2s。切台阶：2s → 800ms → 300ms → 200ms，每一级都要求”测量报告 + 不变量全绿”。直接要终点，等于给作弊留出最大的操作空间；阶梯式逼近，每一级都可审计，数字造不了假——因为它前面还有三级都是真的。

4. 面对”做不到”，用三个追问替代一句坚持

模型说不可能时，别急着说”你可以做到”，换成三个问题：

1. **”你卡在哪个具体环节？”**——把模糊的拒绝拆成约束清单；
2. **”有谁做到过？”**——一起找参照系统、论文、开源实现。找到了就喂回去：”X 项目在同等规模下 300ms，看它是怎么绕过这个瓶颈的”；
3. **”预算给足，你能到多少？”**——区分”路径问题”和”物理问题”。给足缓存、预计算、并发之后它能到 250ms，那 200ms 是路径问题，继续拆；如果怎么都到不了 1.5s，那是你自己的目标定错了，该改的是任务书。

这三个问题本质上是把”强调你能行”翻译成了一次联合侦察。实践中，第一问就能让大多数”不可能”现出原形。

5. 迭代加多样性，别让它原地打转

同一个目标，让它给两三个不同路线的方案——缓存派、批处理派、架构派——选最好的深入。采样多样性的收益，在 Self-Consistency 一类研究里被反复验证过。每一轮结束，把 profile 数据喂回去：”瓶颈在序列化，占 60%”，再要下一版。Self-Refine Kimi解读 和 OPRO Kimi解读 的核心就是这回事：反馈驱动的迭代优化。一次对话里模型是 satisficer，多轮反馈循环里它才变成 optimizer。

6. 守门：人类只做三件事

AI 优化得越猛，审查越要严。这三件事不能外包：

• 审 diff：盯红线——删功能、改测试断言、硬编码输出、条件分支里藏着”样例数据专用路径”；
• 独立复测：在你自己的环境、自己的数据上重跑 benchmark，不信 AI 的报告；
• 抽查边界：拿几组它没见过的输入打进去。

这是整个流程里人类不可替代的位置。你对结果的信任，应该全部来自这三步，而不是来自模型说”已达成目标”。

六个动作连起来，转成一个循环：

flowchart TD
    A[任务书：量化目标 + 不变量 + DoD] --> B[测量先行：压测脚本 / 数据集就位]
    B --> C[AI 提出方案并实现]
    C --> D[独立复测 + 审查 diff]
    D -->|发现作弊 / 删功能| E[回滚，收紧红线]
    E --> C
    D -->|未达标| F[profile 瓶颈分析，喂回下一轮]
    F --> C
    D -->|本级达标| G{还有下一级目标？}
    G -->|是| C
    G -->|否| H[交付：代码 + 数据 + 复现脚本]

这个循环里没有留给奇迹的位置：目标负责指方向，测量负责说真话，守门负责不让指标被玩坏。

结语

这个观点，我一半同意，一半警惕。

同意的部分：模型交付质量的上限，很大程度上由你设定的目标决定。低标准是对模型能力的主动浪费——你不说 0.2s，它连想都不会往那个方向想。

警惕的部分：没有验证兜底的高标准生产幻觉，没有不变量约束的高目标生产作弊。这两样东西的共同特点是：交付快，看起来漂亮，在汇报里非常好用。

所以”当 AI 说做不到时，强调它可以做到”这句话，我建议翻译成三句：

1. “标准是 0.2s，已经写进验收规格”——目标不退；
2. “测量环境我先建好，达标与否数据说了算”——验证不虚；
3. “卡住就给我约束清单，我们找参照物逐条拆”——拒绝不是终点，是路标的反光。

标准是免费的，验证是有成本的。把免费的部分开到最大，把有成本的部分花在刀刃上。卓越从来不是要求出来的，是被验证出来的。

参考资料

1. Locke, E. A., & Latham, G. P. (2002). Building a Practically Useful Theory of Goal Setting and Task Motivation. American Psychologist, 57(9), 705–717.
2. Li, C. et al. Large Language Models Understand and Can be Enhanced by Emotional Stimuli Kimi解读. arXiv:2307.11760.
3. Sharma, M. et al. (Anthropic). Towards Understanding Sycophancy in Language Models Kimi解读. arXiv:2310.13548.
4. Gao, L. et al. (OpenAI). Scaling Laws for Reward Model Overoptimization Kimi解读. arXiv:2210.10760.
5. Yao, S. et al. Tree of Thoughts: Deliberate Problem Solving with Large Language Models Kimi解读. arXiv:2305.10601.
6. Wang, X. et al. Self-Consistency Improves Chain of Thought Reasoning in Language Models Kimi解读. arXiv:2203.11171.
7. Madaan, A. et al. Self-Refine: Iterative Refinement with Self-Feedback Kimi解读. arXiv:2303.17651.
8. Yang, C. et al. (Google DeepMind). Large Language Models as Optimizers Kimi解读. arXiv:2309.03409.
9. Cobbe, K. et al. (OpenAI). Training Verifiers to Solve Math Word Problems Kimi解读. arXiv:2110.14168.
10. Krakovna, V. et al. (DeepMind). Specification gaming: the flip side of AI ingenuity. 2020.
11. Claude Code Best Practices. https://code.claude.com/docs/en/best-practices