一句话回答
AI 的价值不是“说得多”，而是“用合适的长度解决问题”。控制输出长度不是降低 AI 能力，而是在提高信息效率。
01 先看一张图：长答案 ≠ 好体验
short can be better
过度回答
您好，根据您提供的信息……
关于订单状态，我们需要……
目前物流状态显示……
同时需要注意的是……
如果后续发生变化……
继续展开更多背景
用户最后还要追问：所以到底发没发？
直接回答
已发货
顺丰 SF123456789
预计明天下午送达
用户一眼就看懂：已发货，有单号，知道什么时候到。
两边都回答了问题，但第二种更短，却可能拥有更好的用户体验。
02 用户要的是答案，不是文章
answer, not essay
今天上海会下雨吗？
下午有雨，出门建议带伞。
会员什么时候到期？
2026 年 9 月 18 日到期，还剩 35 天。
用户真正想知道
结果、影响和下一步，而不是长篇背景。
输出长度应该由任务决定，而不是模型能力决定。
03 什么叫信息效率？
less reading, more value
答案靠前
用户第一眼就知道结果。
少放无关内容
背景、概念和扩展知识按需再给。
信息效率更高
用户用更少阅读量拿到真正有用的信息。
好的 AI 产品应该追求：让重要答案尽量靠前。
04 输出越长，本身也会增加成本
output tokens cost too
100 Token
本来需要
简单查询只要一句结果。
1000 Token
过度生成
多出来的大部分不是用户要的。
more time
等待更久
模型继续生成，用户继续等。
more cost
成本增加
输出 Token 也是要付费的。
控制输出长度，同时也是成本优化。
05 不同任务应该有不同输出长度
task decides length
极简
查询类
订单发货了吗？已发货，预计明天送达。
简短
操作类
已创建：明天下午 3:00，项目周会。
中等
解释类
先给一句话定义，再用一个例子解释。
详细
学习类
从零理解完整流程时，详细才有价值。
完整
研究类
比较方案、优缺点、风险和依据。
06 先给答案，再给解释
conclusion first
结论
适合，但建议先小范围测试。
关键原因
原因有三个，先讲最影响决策的部分。
详细解释
需要时再展开背景、依据和限制。
补充信息
给想深入的人继续阅读。
用户第一眼先拿到核心结论，想了解为什么，再继续往下看。
07 AI 产品可以使用分层输出
progressive disclosure
快速结论
一句话看结果。
标准分析
结论、原因、下一步。
深度报告
完整背景、依据和风险。
默认只显示最重要的信息，需要深入了解的用户再展开详细内容。
08 客服 Agent 尤其不要写成小作文
solve, do not decorate
小作文客服
尊敬的用户您好，非常感谢您对本平台一直以来的支持与信任……
解决问题客服
进入「我的订单 → 订单详情 → 申请退款」即可。
必要补充
如果订单已经发货，需要先申请售后。
AI 客服真正应该追求解决率，不是字数。
09 Agent 执行完成后，不要把内部过程倒给用户
process stays in logs
01
识别客户
内部步骤。
02
查询 CRM
内部步骤。
03
拿到客户 ID
内部步骤。
04
查询订单库
内部步骤。
05
返回用户
有。最近一笔订单是 8 月 12 日，金额 3980 元。
系统过程 ≠ 用户答案。
10 短，不代表什么都不说
short but complete
结论
付款失败。
必要原因
银行卡余额不足。
下一步
请更换支付方式或充值后重试。
结论 → 必要原因 → 下一步。
11 还可以让 Agent 自动判断长度
auto depth routing
简单查询？
短。
普通解释？
中。
学习问题？
详细。
深度研究？
长。
用户继续问“为什么”或“详细说说”，再按需展开。
12 多轮对话本身就是一种按需展开
expand by demand
第一轮
RAG 值得做吗？先给一句判断。
第二轮
用户问为什么，再展开三个原因。
第三轮
用户问成本，再讲成本结构。
不需要第一轮就写一篇 5000 字论文。
13 从成本角度再看一次
small cuts compound
优化前
100,000 次 × 1000 Token = 1 亿输出 Token。
优化后
100,000 次 × 400 Token = 4000 万输出 Token。
减少
6000 万输出 Token，具体节省取决于模型价格。
14 把成本优化链路串起来
whole chain efficiency
用户提出任务
先判断是否可复用。
能缓存
直接复用。
减少无效上下文
只获取必要资料。
选择合适模型
不要过度用强模型。
控制输出长度
不要过度生成。
保存可复用内容
为下一次省钱省时间。
15 一张图看懂高效 AI 回答
match depth to intent
判断用户真正要什么
结果、解释还是研究。
要结果
直接回答。
要解释
结论 + 解释。
要研究
完整分析。
控制长度
重要信息放前面。
快速获得价值
用户不用在长文里找答案。
以用户目标决定输出，而不是以模型能力决定输出。
本节练习
给四类问题分别设计输出长度
把“订单发货了吗”“为什么付款失败”“这个方案适合吗”“从零讲清楚 RAG”分别设计成极简、短、中等和详细版本。
查询类
极简：订单发货了吗？已发货，预计明天送达。
操作类
简短：已创建：明天下午 3:00，项目周会。
解释类
中等：先给一句话定义，再用一个例子解释。
学习类
详细：从零理解完整流程时，详细才有价值。
研究类
完整：比较方案、优缺点、风险和依据。
本节小结
真正成熟的 AI 产品，不是让用户觉得“这个 AI 真能说”，而是让用户觉得“它知道我到底想要什么，而且很快就把有用的东西给我了”。
最终目标不是输出最少，也不是输出最多，而是用最少的必要信息，把用户当前的问题解决清楚。
- 用户真正需要的不是更多文字，而是更快得到有用信息。
- 控制输出长度不是降低 AI 能力，而是在提高信息效率。
- 短答案也要完整：结论、必要原因、下一步。
- 最终目标不是输出最少或最多，而是用最少的必要信息把问题解决清楚。
