LLM 的“高效沟通”背后：反向实验揭示的结构化冗余

在尝试 Your AI Slop Bores Me 项目时，我通过模仿 AI 赚取点数的过程，意外发现当前大模型的输出模式存在显著的“沟通冗余”。这些冗余并非随机生成，而是源自 LLM 概率预测的固定模式，如「总括 → 分点（1. 2. 3.） → 总结性祝愿」的闭环结构。这在默认温度设置下，是 GPT-4 或 Claude 3 等主流模型的共性表现。

项目的核心机制是通过点数激励，迫使参与者在 150 秒内模拟 AI 语气。当点数不足时，系统强制切换至 LARP as an AI 模式，要求用户在倒计时内发送符合 AI 特征的回复。只有被真人用户认定为“AI 语气”且伪装成功，点数才会恢复。这一过程揭示了 LLM 输出的三大典型模板：

1. 结构化陈述：默认采用“总括 → 分点 → 总结性祝愿”的闭环结构。
2. 过度礼貌前缀：如“作为一个大语言模型，我建议您…”或“这是一个非常深刻的问题，我们可以从以下几个维度分析…”。
3. 强行给出错误答案：面对模糊指令时，模型不直接承认未知，反而以确定性语气强行输出。

这些模式在反向扮演中被视为“AI 特征”，但实际是 LLM 概率分布的副产品。在实际应用中，开发者可通过在 System Prompt 中添加限制指令来优化回复，例如：

• 禁用礼貌性开场白（如 “I hope this helps” 或 “Certainly!”）。
• 禁用总结性祝愿语。
• 强制直接输出核心答案，除非明确要求，否则禁止使用分点陈述。

然而，过度精简回复（如单词回复）会触发 “Response too human” 的报错，说明系统定义的“AI 特征”实际上是“冗长且结构化”。这表明，当前的 LLM 交互逻辑正在将人类沟通逐步“模型化”，使得用户潜移默化地适应机器的概率分布，而非追求信息传递的高效性。