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 |