task-complexity-to-model-type-mapping

name	task-complexity-to-model-type-mapping
description	当评估一个任务是否值得使用更昂贵、更慢但推理能力更强的AI模型时

task-complexity-to-model-type-mapping

When to Use

当评估一个任务是否值得使用更昂贵、更慢但推理能力更强的AI模型时description

Core Logic

执行步骤

1. 分解任务步骤与认知负荷

   • 输入：待评估的任务描述。
   • 操作：将任务拆解为必须按顺序或逻辑完成的子步骤。评估每个子步骤所需的认知操作类型，例如：信息检索、简单归纳、逻辑推导、创意构思、多条件约束下的规划、代码调试、发现隐藏假设等。
   • 判断标准：任务是否可被清晰地分解为多个非琐碎的、相互关联的步骤。
   • 输出：任务步骤分解图及每个步骤的认知负荷定性描述。

2. 识别“标准模型失败模式”迹象

   • 输入：任务步骤分解图、对标准LLM（非思维模式）常见局限的了解（如：逻辑跳跃、忽略细节、规划能力弱）。
   • 操作：检查分解后的任务是否存在以下一个或多个特征：
     • 多步逻辑链：后续步骤严重依赖前序步骤的精确输出，且推理路径非直线。
     • 模糊或冲突约束：任务目标中存在需要权衡或解读的隐性要求。
     • 需要验证或自我修正：任务本身包含对中间结果的正确性检查或迭代改进环节。
     • 对“思维过程”有要求：用户不仅需要最终答案，还需要理解模型是如何得出该答案的（如：教学、审计、复杂决策支持）。
     • 历史尝试失败：IF 此前使用标准模型处理类似任务时，结果出现逻辑错误、遗漏关键点或质量不稳定，THEN 标记为高风险任务。
   • 判断标准：识别出至少一个“标准模型失败模式”的迹象。
   • 输出：风险特征列表。

3. 做出模型类型决策

   • 输入：风险特征列表、任务价值评估（如：重要性、对质量的要求）。
   • 操作：应用决策规则：
     • IF 风险特征列表为空，THEN 选择标准模型（更快、更经济）。
     • IF 风险特征列表不为空 AND 任务价值高（如：关键决策、对外交付物、复杂问题解决），THEN 选择“思维/推理”模型（如 ChatGPT o1, Claude Sonnet 3.7 思维模式）。
     • IF 风险特征列表不为空 BUT 任务价值低或对成本极度敏感，THEN 可尝试用标准模型，但需投入更多精力进行任务拆解、提示工程和结果验证。
   • 判断标准：决策理由清晰，且与输入的风险特征和价值评估相匹配。
   • 输出：模型类型选择建议（标准模型 / 思维模型）及简要的决策依据。

输出格式要求

提供一个简明的决策摘要，包含：

1. 任务复杂度评级：低 / 中 / 高，基于步骤1和2的分析。
2. 关键风险点：列出识别出的“标准模型失败模式”迹象。
3. 推荐模型类型：标准模型 或 思维/推理模型。
4. 预期收益与权衡：说明使用推荐模型类型可能带来的质量提升，以及需要承受的成本或速度上的权衡。

Metadata

属性	值
领域	人工智能应用
类型	procedural (procedural)
置信度	85%
前置条件	已清晰定义待解决的任务
来源	人工智能入门指南：2：人工智能模型与工具的基础