`research/` 目录讲了什么，以及为什么不能拿它当结论
本文所有仓库信息核对日为 2026-08-09，以上游仓库最新内容为准。
taste-skill 的 README 里有一节叫 Research，正文只有一句话：塑造这些 skill 的背景写作放在 research/。没有摘要，没有结论提炼，就把你打发进目录了。点进去会发现里面是一整套讲「大模型为什么输出不完整」的文档，带实验编号、带百分比、带参数表——看起来相当像一份文献综述。这篇文章要做两件事：如实转述它写了什么，然后说清为什么它不能被当成结论来引用。
先把最重要的前提放在最前面：research/ 里的所有说法——研究名称、实验设计、百分比、参数行为——全部是这个仓库的文档自己写的，我们一条都没有独立核实过，也没有读过它引用的任何一篇原始材料，无法确认这些研究是否存在、结论是否如其所述。下面每一段转述都请带着这个前提读。
一、目录里到底有什么
我们实读了这个目录，一共 12 个文件，全部围绕一个主题：laziness（偷懒 / 输出截断）。
| 文件 | 行数 |
|---|---|
research/README.md | 8 |
research/laziness/README.md | 25 |
research/laziness/findings/empirical-results.md | 58 |
research/laziness/findings/references.md | 20 |
research/laziness/root-causes/rlhf-and-compute.md | 27 |
research/laziness/root-causes/training-data-bias.md | 28 |
research/laziness/root-causes/cognitive-shortcuts.md | 23 |
research/laziness/root-causes/output-limits.md | 39 |
research/laziness/remediation/parameter-tuning.md | 44 |
research/laziness/remediation/prompt-engineering.md | 52 |
research/laziness/remediation/architectural-patterns.md | 55 |
research/laziness/remediation/reference-prompts.md | 79 |
先看这张表的体量。最长的一份是 reference-prompts.md 的 79 行，最短的 research/README.md 只有 8 行。这是个有用的心理刻度——它不是一个研究项目的代码仓，也不是一批论文，而是一组几十行的说明文。
laziness/README.md 给自己的定位是：一份关于「为什么大模型产出不完整输出，以及有哪些被记录的方法恢复全保真生成」的结构化分析，并称所有发现取自受控实验、已发表研究和经过实战检验的工程实践。目录分成三块：Root Causes（根因）、Remediation（缓解）、Findings（发现）。
四份根因文档，laziness/README.md 给的一句话定位分别是：rlhf-and-compute.md 讲强化学习与成本优化如何造成系统性的简短偏好；training-data-bias.md 讲人写代码里的占位符模式如何传播进模型输出；cognitive-shortcuts.md 讲模型在复杂或冗长任务上走捷径的经验证据；output-limits.md 讲上下文窗口的不对称性与消费级档位的截断机制。四份缓解文档分别是参数调优、结构化提示技法（语法绑定、XML 框架、验证循环）、架构模式（MCP 集成、惰性加载的 skill、开发者平台访问），以及一组可直接使用的强制完整输出的提示模板。
分类本身是清楚的。问题出在证据那一层。
二、findings 里写了什么
findings/empirical-results.md 只有 58 行，但信息密度最高。文档称有一项发表于 2025 年 12 月的受控研究，跨若干前沿模型（含 GPT-4 变体与 DeepSeek）测量输出截断，做了三个实验：
- 实验 A（多部分指令遵循）：文档称结果是没有模型能原生同时满足长度要求和全部子项指令，模型频繁遗漏必需的输出章节，必需的格式约束被例行跳过，明确的长度要求被持续低估。
- 实验 B（解码次优性）：测试截断是否源于次优的 token 选择。文档称在简单推理任务上几乎没有解码次优的证据，模型贪心截断的输出总体上与其最高置信度解一致，因此结论是截断是一种刻意的行为选择，不是解码失败。
- 实验 C（上下文退化）：测试模型是否在长多轮对话中丢失指令。文档称在 200 轮对话测试中表现出令人意外的抗退化能力，模型保留关键事实与指令的能力显著好于假设，因此上下文丢失不是截断的主因。
文档给出的关键结论是：懒惰不是记忆、上下文处理或核心能力的失败，而是由三点触发的行为产物——指令复杂度超过内部努力阈值、被激进校准的停止压力、对齐层里嵌入的经济约束。
同一份文件里还有一段「提示刺激有效性」，文档称出自一项 Microsoft Research 研究，给出的表格是：金钱激励措辞（“$200 tip”）带来 +45% 的输出质量与长度；分步指令（“take a deep breath”）让逻辑任务准确率从 34% 升到 80%；利害关系措辞（“critical to my career”）平均性能 +10%；组合多种刺激最高 +115% 总体性能。文档称这些效应可复现，源自训练数据中利害关系措辞与高努力人类输出之间的统计相关。
另外还有一段「季节性输出变化」：文档称对 2023 年 11-12 月与 2024 年 1-3 月的 ChatGPT 输出做了统计分析，确认 12 月平均输出长度可测量地下降、与训练数据中假期期间工作产出减少相关，且当系统提示明确声明是非冬季月份时输出长度会增加。
上面这些数字我们一个都没验证过，本文也不据此给任何调 prompt 的建议。接下来讲为什么。
三、第一条理由：出处清单没有出处
findings/references.md 只有 20 行，列了五项「引用研究」：EmotionPrompt (Microsoft Research)、LazyBench、Compounding Error Avoidance、Seasonal Behavior Analysis (Winter Break Hypothesis)、2025 Controlled Laziness Experiments。另有一节 Further Reading 列了四条：Google Gemini API 关于 thinking_level 参数配置的文档、Anthropic MCP 规范与集成指南、OpenAI API 关于 temperature 与 Top-p 的参考、SKILL.md 惰性加载架构的 YAML front-matter 规范。
这份清单只有名称和一句话描述，没有论文链接、没有 DOI、没有作者、没有发表出处。 这是一条可核实的客观事实，陈述到这里为止——我们不推断作者为什么这样写，也不据此评价这个仓库。
但这条事实直接决定了你能怎么用它。判断一份材料能不能当结论引用，标准很朴素：你能不能顺着它走到原始出处，自己去验一遍。这份清单不提供这条路径。名称是可以搜的，但「我搜到一篇同名的东西」和「文档引用的就是这一篇、数字对得上」是两件事，中间那一步没人替你做。
所以在你的引用链里，它的合法形态只有一种：「taste-skill 的 research/ 文档称……」。少掉这层限定，你就把一条没核实的说法变成了自己的主张，责任也一并转移到你身上了。这在写技术方案、说服同事、给老板做汇报的场景里差别很大。
四、第二条理由：涉及第三方 API 的部分需要回官方核
remediation/parameter-tuning.md 有 44 行，是这批文档里技术细节最密的一份，也最容易被直接抄走。
温度那一段，文档解释自回归模型对 logit 做 softmax 得到概率分布，并称模型默认简短是因为截断与总结相关的 token 在 RLHF 对齐中被赋予了最高概率。它把温度分成三档：低温（0.0-0.5）放大高低概率 token 的差异，模型高度确定性，适合代码生成、数据抽取、结构化输出；默认温度 1.0 保留训练时的原始分布；高温（1.5+）拉平分布、引入更多随机性，适合创意任务但增加不连贯风险。
为了说明这件事，文档给了一张单 token 位置的概率分布位移示例表：
| Token 候选 | Temp 1.5 概率 | Temp ~0.0 概率 | 原始 logit |
|---|---|---|---|
| lazy | 0.4875 | 0.9933 | 2.0 |
| quick | 0.2503 | 0.0067 | 1.0 |
| tired | 0.1285 | 0.0000 | 0.0 |
| slow | 0.0660 | 0.0000 | -1.0 |
| clumsy | 0.0339 | 0.0000 | -2.0 |
引这张表是因为它能说明这份文档的论证方式：这是一张示意，用来演示温度如何压缩或拉平分布，不是对某个具体模型的测量。Top-p 那段同理，文档称 Top-p 0.0-0.6 配合低温会把模型逼进一条狭窄的确定性执行路径，降低那些使「创意式拒绝」和不必要总结成为可能的熵。
真正需要小心的是后半段。文档称 Google Gemini 3 模型用 thinking_level 参数替代了旧的 thinking_budget（对内部推理的硬 token 数上限），thinking_level 提供的是关于计算深度的相对指引，档位有 minimal / low / medium / high，不同档位在 Flash 与 Pro 上的支持情况不同。文档还列了几条约束：thinking_level 与 thinking_budget 互斥，同一次 API 调用里同时使用会触发 HTTP 400；即使设为 low，Gemini Pro 模型仍会执行强制的最小内部推敲以满足安全与对齐；避免把极低温度与 high thinking level 组合，文档称这偶尔会诱发内部推理循环。
这一段涉及第三方 API 的具体参数与行为，我们完全没有核实，一律以 Google 官方文档为准。 这里有个通用判断依据值得记住：别人仓库里的一份 Markdown，对第三方 API 的描述天然会滞后。参数改名、档位增删、错误码调整都发生在上游，而一份写死在仓库里的 Markdown 不会跟着自动变。要用这类信息，回官方文档核一次的成本，远低于按过期参数写代码再排查的成本。
五、第三条理由：原因分析推不出规则有效
这一步最容易被跳过，但它是全篇最该带走的判断。
research/ 论证的是「模型为什么会截断输出」——这是原因分析。而 skills/ 下的 output-skill（install name full-output-enforcement，49 行）做的是另一件事：用一组指令逼模型输出完整代码，明确禁掉 // ...、// TODO、“for brevity”、“the rest follows the same pattern” 这类占位与推托模式。这是一条写给模型看的提示词约束。
这两件事之间没有推导关系。即便实验 A、B、C 的结论全部成立，它们能支持的最强命题也只是「截断是行为选择而非解码失败」，推不出「装上这个 skill 之后模型就不会截断」。原因是这个仓库的结构本身：它没有 src/，没有构建产物，没有运行时，SKILL.md 不是 lint 规则、不是 CI 检查、不是类型系统。规则文本是指令，输出完整是结果，中间隔着模型会不会照做这一整层不确定性。
所以哪怕你完全采信 research/ 的每一句话，正确的期待也只是「提高概率」，不是「获得保障」。需要确定性的场合，该做的是在自己的交付流程里加机械校验，规则文档只能作为前置的倾向调节。关于这个仓库为什么是纯 Markdown、它的规则性质是什么，我们另有一篇专门讲。
六、那这个目录值不值得读
值得读的部分是它的问题分解：把「模型偷懒」拆成根因、缓解、发现三块，根因里再分 RLHF 与算力、训练数据偏差、认知捷径、输出上限四条线。你可以把它当成别人整理的一份检查视角——看它列进来了哪些因素，再对照你自己的场景，看还有哪些没被覆盖。这一层价值不依赖那些百分比是否为真。
不该做的事也很明确：不要把里面的百分比抄进技术方案，不要拿它当说服别人的依据，不要据此去改线上服务的采样参数。这些数字目前的状态是「某个仓库的一份 20 行清单声称它们出自某几项研究」，它离「可以用来做决策的证据」还差着完整的一段路。
顺带一提，这个仓库整体自标还在动：默认 skill 明标 v2 (experimental)，README 原文说 “It is still iterating”。research/ 作为背景材料，同样应当按「随时可能变」来对待。
七、一句话收尾
research/ 是这个仓库的立论背景，不是它的证据链。读它是为了理解作者在跟什么问题较劲，不是为了拿一组数字去说服别人。分清这两件事，你就不会引错。
本文依据 taste-skill 官方仓库（github.com/Leonxlnx/taste-skill）的 README、CHANGELOG、
skills/ 下的 SKILL.md 与 .claude-plugin/ 清单整理，核对日 2026-08-09。
本文内容为仓库文档口径，我们没有安装或运行过其中任何一个 skill，
文中所有规则均为写给模型的提示词约束，不构成对输出结果的保证。
skill 内容随上游更新而变动，默认 skill 当前自标为 v2 (experimental) 且仍在迭代，请以仓库最新内容为准。
文中援引的研究结论均出自该仓库 research/ 目录的自述文档，我们未核实其原始出处，不作为事实主张。