最近在给儿子讲 LLM 的工作原理，做了一套 PPT 。讲到 context window 的时候，我随手举了个例子：

你跟 AI 说“帮我推荐一部电影”，它只能给你一个大众化的答案。但如果你说“我喜欢悬疑片，偏好非线性叙事，最近刚看完《穆赫兰道》想找类似的，但节奏可以稍快一点”——它给出的推荐会精准得多。

儿子问：为什么？

我说：因为你给了它更多的特征维度。它对你的理解从一维变成了多维，自然就能在更小的范围里找到更匹配的答案。

说完这句话，我愣了一下。

这不就是人与人之间沟通的底层逻辑吗？

LLM 让沟通规律变得可观测

人与人之间的沟通效率，一直是一件很“玄”的事。有人天生善于表达，有人说了半天别人还是一头雾水，但很少有人能说清楚，差距到底在哪。

LLM 把这件事变得可量化了。

你给模型的 prompt 越精确、维度越丰富，输出质量就越高。这不是玄学，是数学——更多的特征维度意味着更小的搜索空间，更少的歧义，更高的匹配精度。

反过来，如果你给一个模糊的指令，模型只能在一个巨大的可能性空间里“猜”。猜对了是运气，猜错了你还觉得“AI 不行”。

但问题真的出在 AI 身上吗？

人与人之间的“低维沟通”

把这个逻辑映射到人际沟通，你会发现大部分低效沟通的根因是一样的——信息维度不够。

举个工作中常见的例子：

“这个页面加载太慢了，优化一下。”

这句话有多少维度？一个——“慢”。接到这个需求的工程师，脑子里至少会冒出十个问题：哪个页面？什么场景下慢？慢到什么程度？是首次加载还是每次都慢？有 profiling 数据吗？目标是多少？优先级呢？

如果换一种说法：

“商品详情页在弱网（3G）环境下首屏渲染超过 5 秒，用户跳出率比 Wi-Fi 场景高 40%。目标是把弱网场景的 TTI 压到 3 秒以内，P1 优先级，这个季度内完成。”

同样是“优化页面加载”，第二种表达至少多了六个维度：页面、场景、指标、对比基准、目标、优先级。接收者几乎不需要追问就能开始行动。

沟通效率的差异，本质上就是特征维度的差异。

维度越多，歧义越少

LLM 处理语言的方式，给了这个规律一个非常直观的解释。

Token 进入模型后，会被映射成一个高维向量。单独看一个 token，它可能有无数种含义；但当它和上下文中的其他 token 组合在一起，每增加一个维度，可能的语义空间就被压缩一次。最终，模型能在一个足够小的范围内“锁定”你的意图。

人脑处理信息的方式也类似。你跟对方说“帮我订个会议室”，对方脑中浮现的可能是任何一间会议室、任何一个时间段。但你说“明天下午两点到三点，6 人，需要投屏，最好靠窗”——每多一个约束条件，对方的决策空间就缩小一圈，执行的准确率就高一截。

这不是“沟通技巧”，这是信息论。

为什么大多数人不这么做？

既然多维沟通这么好，为什么大多数人还是习惯一维表达？

因为提供多维信息是有认知成本的。

你要先在自己脑子里把需求想清楚——哪些维度是关键的、哪些是噪音、什么粒度合适。这需要你在表达之前完成一次“内部建模”，把模糊的感受转化成结构化的信息。

大多数人跳过了这一步。不是因为懒，是因为他们自己都没想清楚。

这也是为什么”prompt engineering”说起来简单，但很多人还是写不好 prompt——不是不会跟 AI 说话，是不会跟自己说话。 你没法输出你脑中不存在的结构。

教 LLM 原理的意外收获

回到给儿子讲课的场景。

我原本只是想让他理解 LLM 怎么工作的，但讲着讲着发现，这堂课最有价值的部分不是技术原理本身，而是它揭示的沟通规律：

  • 你想让对方（无论是人还是 AI）准确理解你，就必须提供足够多的有效维度
  • 有效维度不是信息量的堆砌，而是跟目标相关的、能缩小搜索空间的约束条件
  • 表达能力的上限，取决于你对自己需求的理解深度

这些规律在 LLM 身上是即时可验证的——你改一下 prompt，输出马上变化，因果关系清晰可见。而在人与人之间的沟通中，反馈是延迟的、模糊的，你很难精确归因。

LLM 就像一个沟通实验室。 它把“表达越精确，理解越到位”这个规律从玄学变成了可复现的实验。

真正的沟通力是什么？

很多人把沟通力等同于口才、表达力、甚至情商。这些都是手段，不是本质。

真正的沟通力，是把脑中模糊的意图转化成多维结构化信息的能力。

你对自己的需求理解得越深，能提取出的有效维度就越多，对方需要猜测的空间就越小，沟通的效率就越高。

这跟你是在跟人说话还是跟 AI 说话无关。信息传递的物理定律不会因为接收者是碳基还是硅基而改变。

所以下次沟通效率低的时候，先别急着怪对方“理解力差”。

先问自己：我给了几个维度？