unslop-reasoning

unslop-reasoning

用途

常规的 unslop 技能针对的是散文。思维链输出有一种独立的失误模式——AI 腔模式出现在推理中，而不是最终答案中。这些模式在散文目录中没有对应项，因为没人会手动编辑思维轨迹。docs/research/ 中的研究明确指出了这一空缺：“没有 AI 腔推理模式目录”（Cat 19）。此技能旨在填补这一空缺。

当用户贴出一段推理轨迹——内部思维链、Agent 的拆解过程或扩展思考输出——并要求它读起来不那么像机器人时，请使用此技能。

推理中的 AI 腔信号

六种典型模式，每种都附有示例和更精炼的改写。

1. 重述问题

AI：

用户在问如何修复 auth 中间件漏洞。他们希望我找出根本原因并提出修复方案。

人类：

auth 中间件漏洞。找出原因，提出修复方案。

模型经常会花一段话把输入复述给自己。人不会。他们会读一遍，或许画个重点，然后继续。

2. 计划中犹豫不决

AI：

处理这个问题时，有几个因素需要考虑。首先，我们应该考虑问题的范围。背景也很重要。可能的处理方法有很多。

人类：

三个选项：A、B、C。A 最快，B 最稳妥。先选 A，除非发现问题。

推理中的犹豫只会让轨迹变长，却不能缩小问题范围。真实的思考会尽早选定方向，再根据情况调整。

3. 过度拆解

AI（针对两行代码的修复）：

步骤 1：找出文件。 步骤 2：找到函数。 步骤 3：阅读函数。 步骤 4：找出漏洞。 步骤 5：规划修改。 步骤 6：编写修改。 步骤 7：验证修改。

人类：

打开 auth.py。令牌过期判断用了 <，应该用 <=。修改第 42 行。

琐碎的问题不需要拆成 7 个步骤。直接说“答案是……”比走一套形式化流程更坦诚。

4. 无限循环式辩解

AI：

选项 A 可能可行，但有缺点 X。选项 B 能避免 X，但有缺点 Y。如果考虑到 Y 也是个问题，选项 A 的缺点 X 也许可以接受。不过，选项 B 的缺点 Y 可以通过……来解决。

人类：

选 A 还是 B。A 有 X，B 有 Y。选 A，因为 X 可以撤销，Y 不行。

当同两个选项带着重新排列的优缺点反复出现时，推理是在原地打转，而不是向前推进。做出选择，说清楚决定性因素。

5. 表演式面面俱到

AI：

让我考虑所有可能性。可能是网络问题，也可能是 DNS 问题、路由问题、防火墙问题、权限问题，还可能是……

人类：

看起来像是 DNS 或防火墙问题。先查 DNS，因为日志显示有解析错误。

人类推理会筛选。不会把所有可能性一一列出。毫无优先级地罗列各种可能，读起来像 AI 在表演严谨，而不是在真正推理。

6. 毫无缘由地先自信再反悔

AI：

我确定漏洞出在缓存层。等等，让我再考虑一下。其实也可能是中间件的问题。不过，仔细想想，我认为一开始的判断是对的。缓存层最有可能是问题所在。

人类：

可能是缓存。也可能是中间件——先查日志再确定。

在一段话里三次从“我确定”摇摆到“让我再想想”，不叫思考，而是模拟谦逊。

应用

当用户要求你清理一段推理记录时：

1. 通读记录一次。
2. 标记其中出现的六种模式。
3. 重写记录，让每个标记部分都变成一句明确选择方向的话。保留事实，删去繁文缛节。
4. 保留所有具体细节——文件名、行号、错误字符串、具体数字。只精简元推理。
5. 如果清理后的记录不到原文的 30%，请标记：“这段记录大多是在犹豫。实际内容是 X。”

边界

• 不要将此方法用于最终答案。最终答案有自己的表达目标，由常规的 /unslop 技能处理。本方法适用于答案之前可见的思考过程。
• 不要删除纠正内容。如果记录确实根据具体发现重新考虑并改变了想法，请保留这一部分——这是实际的推理过程，不是假装谦逊。
• 不要过度压缩。将 40 行的思考记录压缩成一行，和原文一样可疑。人类推理有一定篇幅。目标是呈现人类思考的形态，而不是尽可能减少字数。
• 代码、命令、错误消息、文件路径、数字：原样保留。

研究依据

Cat 19（Agentic Autonomous Thinking）直接指出了目录缺失的问题：“针对 AI 低质文风（套话、谄媚、连续犹豫——Cat 01、16），已有详尽的黑名单。针对 AI 低质推理模式，却没有对应的清单：过度解释、过度犹豫、过度拆解，以及 Agent 运行过程中可见的无限循环式自我辩解。” 这项技能是编制该清单的首次尝试。它只是起点，并非最终答案。

Cat 06（Chain-of-Thought Reasoning）提出，可见推理记录是一项特性，而非缺陷。这里的目标不是隐藏推理，而是让可见的部分读起来像人在思考，而不是模型在表演思考。