语音还是键盘？重新思考我和 AI 沟通的方式
最近刷到不少 AI 博主推荐一个挺有意思的习惯：
少打字，多用语音和 AI 沟通。
这里说的不是让 AI 直接听我的声音，而是最普通的：
说话 → 输入法转成文字 → 发给 AI。
最开始我觉得这只是“打字更快”。
后来仔细想了一下，发现它真正有意思的地方可能不是速度，而是：
语音减少了人在表达之前，对自己想法进行的那一次过滤。
打字，其实是在提前压缩自己的想法
正常打字的时候，我们往往会先在脑子里过一遍：
这个有必要说吗？
这个猜测是不是有点蠢？
这句话好像太啰嗦了。
算了，删掉。
最后真正发给 AI 的，已经是一份经过人工压缩的版本。
而语音不太一样。
嘴通常比手快，尤其是脑子开始乱飞的时候：
“我觉得这里可以这样做……不过等等，好像有性能问题。之前是不是遇到过类似情况？但那个架构又不一样。其实我真正担心的可能不是性能，而是以后不好扩展……”
如果一个字一个字打，我大概说到第二句就已经开始删东西了。
语音却更容易把这些：
猜测、犹豫、突然冒出的点子和尚未成形的需求
一起留下来。
如果借用信息检索里的概念打个比方：
打字偏向 High Precision，语音偏向 High Recall。
打字留下来的东西更精确，语音则更容易把脑子里的东西全部捞上来。
于是开工前梳理需求、讨论架构、分析复杂 Bug、产品脑暴这些场景，语音突然就很好用了。
毕竟如果我要先花十分钟把自己的需求整理得逻辑严密，再交给 AI 帮我整理需求……
那多少有点像：
请了个秘书，然后自己先把会议纪要写好了。
但废话多了，不会干扰 AI 的注意力吗？
这也是我一开始最大的疑问。
如果语音输入把“呃”“等等”“我想想”，甚至各种被自己否定的猜测全部塞进上下文，会不会把模型真正应该关注的信息冲淡？
这里就要稍微碰一下 Transformer 的 Attention Mechanism（注意力机制） 了。
Transformer 最经典的来源是 Vaswani 等人在 2017 年发表的 Attention Is All You Need。论文中提出的 Scaled Dot-Product Attention，并不是简单地把“注意力平均分给上下文里的所有文字”，而是根据 Query 与不同 Key 的匹配关系计算权重，再组合相应的 Value。
非常粗略地理解就是：
“用户真正想解决什么？” ↓目标要求 █████████关键限制 ███████相关猜测 ████“呃……我想想” █无关内容 █所以，上下文多出几十个 token，并不意味着每个 token 都会平均抢走一份固定的“注意力额度”。
模型本身就具备对不同信息赋予不同权重的机制。
这算是打消了我最开始一半的顾虑。
但是——
注意力机制能够区分信息，不代表模型永远能够正确地区分信息。
这才是另一半。
真正危险的不是“废话”，而是“看起来很有用的废话”
比如：
“呃……我想想。”
这种东西语义价值很低。
真正麻烦的是：
可能用 SQLite。
等等，PostgreSQL 好像更好。
不过 SQLite 应该也够。
算了，还是 PostgreSQL 吧。
这些内容全部和任务高度相关，但它们互相冲突。
Shi 等人在 ICML 2023 的研究 Large Language Models Can Be Easily Distracted by Irrelevant Context 中就发现，向推理任务中加入无关信息，确实可能明显影响大语言模型的表现。
也就是说：
Attention 并不是一个“自动过滤所有垃圾信息”的魔法。
模型能够分配注意力，但上下文里如果同时存在大量貌似相关的猜测、旧方案和干扰项，它依然可能判断错“到底应该相信谁”。
还有一个很经典的现象叫 Lost in the Middle。
Liu 等人的研究发现，在长上下文任务中，仅仅改变关键信息出现的位置，都可能影响模型利用它的能力。不少模型对于上下文开头和结尾的信息利用得更好，而埋在中间的关键信息更容易被忽略。
所以：
装得进 Context Window，不等于模型一定能同样好地利用里面每一条信息。
这也是为什么我不会得出“既然能语音，那就连续说二十分钟全部塞进去”这种结论。
探索态用语音，执行态用文字
最后我发现，其实不用纠结：
“长 Prompt 用语音，短 Prompt 用文字？”
更准确的区分应该是：
探索态 → 语音
执行态 → 文字
当我还不知道功能具体怎么设计、真正的问题在哪里、哪种方案比较合理时，就直接说。
想到哪里说到哪里。
这时候我要的是 Recall，有些混乱也没关系。
说完补一句：
先别执行，把刚才的内容整理成确定需求、猜测、已否定方案和待确认问题。
让 AI 先进行一次 Context Compression。
然后我再检查：
这个对。
这个删掉。
这里理解错了。
真正重要的是这一条。
等需求已经确定，要让 Agent 真正开工了，再换回键盘：
按刚才确认的方案执行。
仅修改模型管理模块。
不调整现有下载接口。
完成后运行测试，不提交 Git。
此时我要的已经不是 Recall，而是 Precision。
顺便一提，技术名词、路径、版本号和命令最好也用键盘确认一下。
毕竟输入法面对：
pnpm、Astro、PostgreSQL、Playwright、Claude Code、Codex……
偶尔会表现出惊人的艺术创作能力。
最后
所以我现在比较喜欢这样的 AI 工作流：
Voice ↓Raw Thought ↓AI Context Compression ↓Human Review ↓Clean Context ↓Agent Execution语音负责提高思维输入的带宽。
AI 负责第一次整理。
人负责判断和拍板。
最后再用精确的文字控制 Agent 执行。
如果一定要把整件事情压缩成一句话：
语音适合把脑子交给 AI 看，文字适合告诉 AI 现在该做什么。
这么想以后，语音输入法好像就不只是一个“更快的键盘”了。
它更像是在 AI 时代，给自己的脑子接了一根高带宽数据线。
至于数据线上偶尔夹杂的：
“呃……等等……我刚刚想说什么来着？”
放心。
Attention 还没有脆弱到听见这几个字就宣布罢工。
参考资料
-
Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS 2017.
Transformer 与 Scaled Dot-Product Attention 的奠基论文。
arXiv：Attention Is All You Need -
Shi, F. et al. (2023). Large Language Models Can Be Easily Distracted by Irrelevant Context. ICML 2023.
研究无关上下文如何干扰大语言模型的推理表现。
PMLR：Large Language Models Can Be Easily Distracted by Irrelevant Context -
Liu, N. F. et al. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics.
研究长上下文中关键信息位置对模型利用能力的影响。
ACL Anthology：Lost in the Middle
支持与分享
如果这篇文章对你有帮助，欢迎分享给更多人或打赏支持！