让大模型通过自我访谈来反向工程自己的运行逻辑这招真的绝了

直接看结论，DeepSeek 尝试了一种非常有意思的路径：让模型扮演面试官和被面试者，通过不断的自我问答来挖掘自己内部的推理机制和指令遵循逻辑。这种做法其实是在尝试把 LLM 那个黑盒一样的“潜意识”给显性化。以前我们分析模型行为大多靠外部观察（比如输入 A 得到 B），但这次是让模型自己把内部的执行链路给“说”出来。

这种方法的实操逻辑大致可以拆解为以下几个阶段：

一、构建对立人格
首先需要给模型设定两个截然不同的角色。一个扮演严苛的审计员，专门负责追问细节和挖掘矛盾点；另一个扮演被审计的助手，负责诚实地陈述自己的处理流程。

二、迭代式追问
审计员角色会针对某个具体的输出结果，连续追问三到五次“为什么你会这么想”或者“在这一步你参考了哪个隐含指令”。

三、共识提取
当两个角色在某个逻辑点上达成一致，且该逻辑能解释多个样本的输出时，研究者就记录下这个潜在的“内部规则”。

我尝试用类似的思路去分析一个复杂的工作流，发现这种自我剖析能揪出很多隐藏的 Prompt 冲突。比如你给模型的指令里有两句看似不矛盾但实际在权重上打架的话，模型在常规输出时会模糊处理，但在这种“自我访谈”模式下，它更容易暴露出在哪个环节产生了犹豫。

这种反向工程的实战价值在于，它能帮我们快速定位模型在哪个环节掉链子。如果你在部署一个复杂的业务逻辑，与其盲目地修改提示词，不如先让模型自己分析一遍它为什么没按预期执行。

# 模拟自我访谈的 Prompt 结构参考
System: 你现在分为两个人格。
人格 A (审计员)：负责分析人格 B 的逻辑漏洞，不断追问其推理步骤。
人格 B (执行者)：详细描述在处理任务时的内部思考路径。
任务：针对 [具体错误输出] 进行反向推演，直到找到导致偏差的根源指令。

这种方式虽然不能完全替代对权重和激活值的分析，但对于我们这些做应用层开发的人来说，效率比死磕参数高得多。