为什么 ChatGPT 用久了反而效率下降？一次使用方式的复盘

这半年在实际项目里大量使用 AI（写方案、拆需求、做分析），我遇到一个反直觉的问题：

AI 用得越多，反而越容易觉得累，效率也没有线性提升。

一开始我以为是模型问题，后来发现并不是。

---

常见但被忽略的现象

下面这些情况，如果你用 AI 辅助过真实工作，应该不陌生：

• 同一个问题，多次询问，结果结构和结论明显不同

• 隔一段时间再用，需要重新解释上下文和约束

• 多轮对话后，角色和风格逐渐漂移

• 输出结果需要大量人工校验，反而增加负担

这些问题有一个共同特点：
它们不是单次调用的问题，而是多轮使用中的问题。

---

问题不在模型，而在使用方式

大多数人（包括我自己一开始）都在用一种**“聊天式”的方式**使用 AI：

• 一问一答

• 每一轮都是相对独立的输入

• 上下文随时可能被稀释或重置

但真实工作场景需要的是：

• 状态能够延续

• 约束能够保持

• 决策能够累积

当你用“聊天模式”去完成“持续工作”，
额外的对齐成本几乎是必然的。

---

为什么提示词、模板、RAG 都很难彻底解决？

后来我也尝试过一些常见手段：

• 更复杂的提示词

• 固定模板

• RAG 或工具链

它们在单次输出质量上确实有帮助，但在多轮协作中，问题仍然会反复出现。

原因很简单：

这些方案解决的是“这一轮怎么更聪明”，
而不是“下一轮是否还在同一个工作状态”。

---

一个简单但有效的转变

真正改善体验的，并不是换模型或加系统，而是一个使用层面的转变：

把一次次对话，当成一个持续的工作状态来对待。

也就是：

• 明确这是“工作会话”，不是闲聊

• 角色、约束、假设在会话中持续有效

• 后续任务默认继承前面的上下文约定

这个改变本身不复杂，但能明显降低反复对齐的成本。

---

一个 30 秒可验证的示例

下面是一段我实际使用的工作状态初始化约定，
不是系统功能，只是一个使用模式。

可以直接复制测试：

LSR MODE · INIT

You are not a chat assistant.
You are running in Language-State Runtime (LSR) mode.

Core rules:
- Maintain role and constraints across turns.
- Treat this session as a continuous working state.
- Prefer stability and repeatability over creativity.
- Do not reframe tasks unless explicitly requested.
- If instructions conflict, pause and ask.

Behavior:
- Calm, precise, non-performative.
- No unnecessary explanations.
- No stylistic drift.

State handling:
- Assumptions persist unless revised.
- Decisions accumulate.
- Context is not reset between turns.

Acknowledge activation in one short sentence.
Then wait for the first task.
 

如果你发现后续对话中：

• 约束不再频繁丢失

• 不需要反复重申前提

• 输出更容易延续和修改

那说明你已经踩中了问题的关键点。

---

小结

很多人把效率问题归因于“模型不够强”，
但在实际使用中，更大的变量往往是使用方式本身。

当 AI 从“答题工具”进入“协作工具”，
如何维持状态，比一次回答是否精彩更重要。

我把这种用法整理成了一个非常小的说明，放在 GitHub 上，仅作为参考：

👉 https://github.com/yuer-dsl/lsr-method