你可能在时间线上刷到过这样一张截图：Andrej Karpathy，那位在OpenAI和特斯拉都留下深刻印记的AI研究者，在分享大语言模型使用心得时，提出了一个“四层输出阶梯”的说法。那篇内容确实在海内外社区拿下了400多万浏览、5.7万多次收藏——收藏量比点赞更说明问题，因为大家不是点个赞就完事，而是真的打算照着去用。这篇博文，我就把这个“四层输出阶梯”完整拆开：每一层到底在做什么、为什么要这样分层、每一步怎么操作，以及如何把它变成你自己可复用的内容工作流。内容可能会有点长，但如果你也苦于“模型输出的东西总差那么一口气”，这四步值得认真看完。
1. 为什么Karpathy要把LLM输出分成四层：核心逻辑与适用边界
1.1 一步到位生成高质量内容的幻觉
很多刚接触大模型的人都有过这种体验：给一个提示词，期望它直接给你一段能发布的最终版本。但用上三个月之后，你会发现自己成了一个“反复拉扯工程师”——要么嫌内容太空洞，要么嫌逻辑不连贯，要么觉得深度不够。你不断追加“再写详细一点”“换个例子”“别这么书面化”，最后还是不满意。
问题不在于模型笨，而在于你把它当成了一个“一次成型”的工具。LLM本身的预测机制决定了，它在生成第一个token时并不知道最后一个token会落在哪里。它擅长的是在给定上文后预测下一个最合理的词，而不是端到端规划一篇宏观文章。所以单轮对话产出的内容常常是“局部通顺、整体平庸”，像一篇由聪明但没经验的新手写的初稿。
Karpathy在多个公开分享里强调过类似观点：LLM不是答案机器，而是一个需要被引导的思维放大器。你给它多少思考空间，它就能放大多少价值。四层输出阶梯的底层逻辑，就是放弃“一把梭”，用一次次独立的思考步骤逼近高质量结果。
1.2 分层输出的本质：把“思考”交给模型，把“质量”交给流程
为什么偏偏是四层，不是三层也不是五层？结合我自己的使用经验，四层分别对应内容产出必经的四个能力循环：
- 第一层做发散，解决“有什么”的问题，把素材铺满；
- 第二层做收敛，解决“像不像样”的问题，把骨架立住；
- 第三层做深化，解决“凭什么信你”的问题，把证据和批判放进文本；
- 第四层做包装，解决“值不值得收藏”的问题，把内容变成可保存可复用的资产。
这正好对应人类创作的四个阶段：搜集、修改、深化、成稿。每一层都是独立的质量门禁。你可以随时停下检查，也可以单独修某一段而不必整体推翻重来。曾经有个做公众号的朋友问我，为什么他让模型写的文章总像“拼凑出来的百科”，我让他把一次生成改成四轮对话之后，效果立刻不一样了。原因很简单：一次性生成要求模型在同一时间内完成所有任务，它必然顾此失彼；分层之后，每个步骤的任务边界清晰，模型反而能发挥得更好。
1.3 这套方法适合谁、不适合谁
我的判断是，以下三类人最应该把这套方法收藏进工具库：
- 内容创作者，尤其是需要持续产出深度文章、行业分析、教程类帖子的人；
- 知识工作者，经常需要把复杂问题整理成可执行路线图、方案文档、培训资料的人；
- 教育工作者，需要为不同基础的学习者准备差异化材料的人。
反过来，有些场景就不太适合四层阶梯。比如你只想查一个简单定义，普通提问就够了。再比如你明确需要调用某个API接口，此时最该做的是去查官方文档，而不是让模型猜参数。还有严格的学术写作，模型生成的所有引用都需要人工核对，分层并不会减少你的核查成本。理解了这条边界，你才不会把一套好方法用成四倍的时间浪费。
2. 第一层：让模型先“话痨”——快速生成与发散
2.1 第一层的目标和操作姿势
第一层的目标只有一个：拿到足够宽的信息覆盖面。在这一步，我不要求模型写得漂亮，不要求逻辑严密，更不要求结构清晰。我只要求它“尽可能多地给出相关内容”，哪怕啰嗦、哪怕重复、哪怕有些点看起来很离谱。
实际操作上，我会在提示词里明确告诉模型：不要怕长，不要管结构，先做头脑风暴。这个阶段是压榨模型关联能力的过程。大模型训练时见过海量语料，它能在概念与概念之间建立许多隐性连接。但如果你一上来就限定一个主题、一种结构、一类表达，这些连接就被剪掉了。发散阶段的本质，就是给模型一个有价值的“思维奔跑”空间。
2.2 一个具体的提示词例子与背后的理由
比如我想写一篇关于“如何用笔记软件管理个人知识”的深度文章。第一轮我不会问“你能帮我写一篇知识管理文章吗”，而是会这样问：
我正在准备一篇关于用笔记软件管理个人知识的深度内容。 请把你能想到的所有相关方向都列出来，包括：方法论、工具、问题、误区、进阶技巧。 宁可发散，不要收敛。不需要排序，不需要成文，不需要考虑语气。 如果有可能，加入一些反常规或冷门的视角。这样得到的输出往往让我惊喜：除了常见的“卡片笔记法”“双向链接”“文件夹结构”之外，它还能列出“检索焦虑”“知识仓库与项目仓库的分离”“渐进式总结”“PARA方法”“Zettelkasten工作流”等方向。其中有几个点是我事先没想的。这些就是第一层最有价值的产出——不是最终文章，而是创作地图。
2.3 第一层常见错误：急着追求完美
我发现很多人的第一层错误，是看到模型输出结构混乱就开始“纠正”，要求它“认真一点”“写一篇优美的文章”。这样一来，你实际上跳过了发散阶段，直接进入了一个难得多的问题。模型为了满足你“优美”的要求，反而会把内容收窄到它最有安全感的几个常见观点上，输出变得模板化。
正确的做法是：如果第一层输出太短，就追加一句“继续补充，尤其是那些大家平时不会谈到的细节”；如果方向太集中，就追加一句“请换一个完全不同的角度再思考一次”。把第一层当作一场没有压力的头脑风暴来用，你会惊讶于模型能给出的可能性有多丰富。
3. 第二层：用“灵魂三问”完成自我修正
3.1 为什么模型自己看得出来问题
这一层要回答一个很多人困惑的问题：模型生成的时候明明写得平平无奇，为什么要求它自我批评时，它却能说出“这段话逻辑不够紧密”“这个例子不够具体”？
原因在于，语言模型生成和文本审阅是两种不同模式。生成时，它逐token往后推，没有全局视野，写出第三句时可能已经忘记了第一句在哪里。但当你把完整文本一次性抛给它，并要求它以审稿人的身份阅读时，它的注意力窗口里同时包含整篇文章，能够进行全局比对。换句话说，模型虽然不能保证生成完美，但它“见过”大量高质量文本，对文本好坏有很强的统计感知。第二层就是要把模型从“作者模式”切换到“编辑模式”。
3.2 灵魂三问的具体问法
我在第二层会固定让模型回答三个问题，然后再修改。这三个问题我称之为“灵魂三问”：
- 第一问：这篇文章的目标读者到底是谁？他们最关心什么问题？以现在这个写法，他们能顺利读进去吗？
- 第二问：这篇文章的核心观点是否足够鲜明？哪些句子删掉后完全不影响理解？哪里正在说废话？
- 第三问：文章里有没有明显信息错误或逻辑缺口？如果你有相反观点，请直接指出来。
注意一个关键细节：不要让模型直接去改，而是让它先逐条回答这三问，再基于回答进行重写。直接让它改，它可能只是把词句替换一下，不会动结构。但通过“回答问题”来倒逼它分析，它更可能发现深远的问题，比如“目标读者定位错了”“开头没有给阅读理由”。
3.3 一个实战修改示范：从啰嗦到聚焦
还用笔记软件的案例。第一层输出了一大堆方向，像一盘大杂烩。第二层我会把之前的内容贴回去，附上这样的指令：
请阅读上面这份素材，然后回答三个问题： 1. 如果目标读者是完全不懂知识管理的新手，什么内容可以删除？ 2. 这篇文章最想让读者记住的唯一一句话是什么？ 3. 目前这份素材里最大的写作问题是什么？ 回答完这三个问题后，再基于你的回答重写一份800字左右的文章初稿，要求有清晰的小标题。你会看到，模型会自动砍掉“双链图谱的算法细节”这类进阶主题，把重心放在“为什么要管理知识”“三个能立刻上手的姿势”上。文字从最开始的堆砌变成有明确结构的骨架。这一步完成后，文章已经有“人样”了。
4. 第三层：从修正走向深度——证据、对比与批判
4.1 第三层要做到什么：信息增量
第二层解决了“通顺”问题，但还没解决“凭什么信你”。普通内容与优质内容的差距，往往不在文笔，而在信息密度和可信度。第三层要做的就是给每个关键断言补上支撑。
我会让模型做三件事：为每个核心观点补充一个具体例子或可验证信息；主动寻找一个支持立场和一个反对立场；检查关键概念是否过于模糊，如果模糊，就必须定义清楚。这三件事做完，内容才有从“泛泛而谈”到“值得收藏”的质变。
4.2 提示词技巧：要求模型给出证据、反方观点、关键假设
这一层的提示词可以这样写：
请将上面的文章升级为深度版本。要求： 1. 每个核心观点下列出至少一条具体证据，可以来自公开课程、开源项目、行业报告或可验证实验的参考文献。 2. 加入一个“这个话题的常见误区”部分，列出三个容易踩坑的理解偏差。 3. 如果某个结论在一定条件下不成立，请把这个适用边界明确写出来。 4. 全文控制在1500字以内，但保证信息密度不降低。模型经常会补进一些非常具体的信息：某个工具的名字、某个研究者的观点、某个开源项目的适用场景。比如在知识管理文章里，它可能补充“卢曼的卡片盒笔记法原本是为了学术写作设计，直接搬到日常笔记场景会产生大量管理成本”“双向链接不是知识管理的必需品，很多成功用户只用文件夹就能构建系统”。这些都是有价值的信息增量，让内容从“正确的空话”变成“有血有肉的经验”。
4.3 深度思考不等于长篇大论：控制信息密度
我见过很多人把第三层理解为“让模型写更多字”。结果模型从1500字一路扩张到4000字，塞进大量并列信息，读起来像产品说明书。收藏型内容靠的从来不是字数，而是“信息密度×易读性”。
因此第三层有一个额外约束：宁可删减，也要保证每个段落都有不可替代的信息。我的经验是，在提示词里明确写死亡线：“如果某段信息在其他书籍或文章里很容易找到，就不用写；只保留需要解释才能理解的难点和容易混淆的对比。”这样模型会把力气花在刀刃上，文章读起来才会有“每句话都有用”的感觉。
5. 第四层：把碎片拼成作品——结构化输出与收藏钩子
5.1 第四层的核心：组织信息
第三层结束后，内容已经很充实，但组织形式可能还是段落流。你需要把它重新设计成“收藏后能快速重读”的东西。人类收藏一篇文章，不是因为它辞藻华丽，而是因为它“结构清晰，下次能用上”。
这一层我会要求模型做五件事：给出一个信息量足够高的标题；设计分层小标题，让读者扫一眼就知道文章讲了什么；把关键流程改成步骤清单或表格；把容易忽略的坑点放在醒目的引用块里；在开头写明“读完你能得到什么”，在结尾给出“下一步可以怎么做”。这本质上是把文章从“线性文本”变成“可操作资源”。
5.2 收藏钩子：让读者觉得“现在用不上，以后一定用得上”
“收藏钩子”听起来玄乎，其实就是一种心理触发。收藏对应着“延迟阅读”和“复用预期”。别人收藏你的内容，不是因为当下马上要用，而是觉得“未来某个时刻一定会需要”。所以真正高收藏率的内容，往往都具有某种“地图属性”：步骤清单、资源汇总、避坑指南、决策路线图。这些形式给读者一个强烈的暗示——以后照着做就行。
我在第四层会让模型把内容包装成某种“可执行资产”。比如标题从“知识管理的重要性”改成“知识管理入门：三种方法、四个工具、五个避坑点”。读者扫一眼就能判断：这内容有清单、有对比、有警告，值得存。这也是我理解的“400万浏览、5.7万收藏”背后的方法论：不是天才式的灵光一现，而是把内容设计成可保存的工具。
5.3 输出格式：清单、表格、决策树等
具体到格式，我会根据内容类型给模型指定视图：
- 步骤型内容，用有序清单展示，每一步配套预期结果和常见失败信号；
- 对比型内容，用表格列维度、优劣、适用场景；
- 提醒型内容，用引用块和加粗强调，放在文末或对应章节末尾；
- 路线图型内容，用阶段划分，每阶段搭配资源和里程碑。
模型对格式的服从能力很强，只要你给出明确要求，它就能把同一段信息改写成不同视图。这一步看似是排版问题，实际是认知效率问题。信息还是那个信息，但组织方式决定了读者是“读完就忘”还是“收藏后用上好几回”。
6. 一篇普通回答如何变成5.7万收藏：完整实操演示
6.1 初始提问与第一层结果
假设你想写一个非常常见的问题：“想学大模型，应该怎么开始？”直接问LLM，它大概率会给你一段四平八稳的回答：先学数学和Python，读Transformer论文，跑Hugging Face代码，再做一个小项目。完全正确，却完全没有收藏欲望——因为类似回答随便搜就能搜到一万篇。
按四层阶梯走一遍。第一层，我要求模型发散：
请列出与“零基础学大模型”相关的所有方向，包括学习方法、课程资源、项目实践、常见误区、知识预备等，越多越好，不需要排序。拿到十几条方向之后，进入第二层。
6.2 第二层修正后的结果
第二层我贴入上面的方向，加上限定条件：
目标读者是完全没有机器学习基础、但具备编程经验、希望3个月内能动手微调模型的在职程序员。请先回答三个问题：这个读者应该放弃哪些高投入低回报的内容？他最可能在哪个阶段放弃？哪些学习顺序是反直觉的？然后再重写一份学习路线初稿。模型开始发生明显变化：它会建议压缩数学学习时间，只学“微积分直观理解、线性代数主成分直觉、概率重点”；会提醒不要从论文开始，而要先跑通最小案例。这个版本已经像一篇“过来人”写的帖子了，而不是资料搬运。
6.3 第三层深化后的结果
接着进入第三层：
请在上文基础上补充：三个具体开源项目及其难度等级、各自需要的基础；三个新手最容易踩的坑；如果某个方法在什么条件下不适用，请说明。全文控制在1200字内。模型会给出类似这样的内容：fast.ai《Programming Machine Learning》适合零基础快速建立信心；Hugging Face的transformers库适合作为第一个实战项目；Karpathy的nanoGPT适合在具备一定基础后逆向阅读；坑点包括“在数学上耗费三个月却什么都没做出来”“直接去读GPT-4技术报告导致劝退”“跳过调试直接复制开源代码但环境问题卡了一周”。这些信息把路线图从“方向正确”升级为“做得到”。
6.4 第四层包装后的最终结果与读者反馈
第四层，我把内容重新包装：
请把上面的路线重新设计为一个“3个月学习路线表”：按月划分，每个月包含核心资源、每周目标、每月自测题。再添加一个“避坑速查表”，用markdown表格把常见错误、原因、解决方案列出来。最后，给文章起一个高质量标题。最终成品会呈现为：表格里第1个月“建立最小知识底盘：Python、PyTorch忙上线实战”，第2个月“理解Transformer内部机制并微调中等模型”，第3个月“独立完成一个垂直领域微调项目”。避坑表里清晰列出“死磕数学、不看代码、只追前沿”三大坑。读者在时间线上看到这样的内容，第一反应就是“先收藏，之后真的可能照着做”。这就是四层阶梯从普通回答走向高收藏内容的过程。我拿这个方法做过很多次内容实验，虽然不能保证每篇都爆，但收藏率确实比一次生成高出一个量级。
7. 我在落地这套方法时踩过的坑与调优心得
7.1 分层流程的工程化：把四层做成可复用模板
一开始我每次都要临时敲提示词，效率很低。后来我把四层整理成固定模板，存成了一个“内容工作流”笔记。每个模板都带变量，实际使用时只需要替换主题、目标读者、产出长度。操作顺序是：复制模板，替换{主题}与{读者}，逐层提交，每层之间把上一轮输出贴回去。整个过程大概五分钟左右，比一次次想词快得多。如果团队协作，这份模板还能统一大家的质量标准，减少“凭感觉写提示词”的随机性。
7.2 模型版本不同，各层能力差异很大
我试过不同规模和风格的模型，发现它们对分层的需求差异很大。轻量级模型在第一层输出经常信息不给力，需要多问几次才能展开；能力强的模型有时候直接做第二层也能有不错效果。比较稳定的现象是：就算再强的模型，直接输出一篇复杂主题的长文，也容易前面高开后面低走，原因还是全局规划能力有限。所以我的建议是，把四层理解为一种“能力组合”，而不是死规定——模型弱，就在第一层多停留几轮；模型强，可以从第二层开始；但尽量别跳掉第三和第四层，因为深度的补足和最终的包装决定了内容的下限。
7.3 别把“阶梯”变成“繁琐”：什么时候可以跳过
不是每一次都需要走满四层。如果你只是在群里回复一个问题，或者写一条朋友圈，第一层输出已经能解决问题。我自己判断是否需要走完整流程，会问自己一个问题：“这篇内容值不值得别人收藏？”如果可以回答“值得”，我才会上四层阶梯。判断标准包括：内容里有没有别人不容易整理出的资源清单？有没有一套可执行的步骤？有没有一张决策对照表？只要三个条件占了一个，就值得完整走一遍；否则就果断跳过，别为仪式感浪费时间。
7.4 一些个人体会
踩了几次坑之后，我发现这套方法真正厉害的地方，不在于某个提示词写得多精妙，而在于它强制把“创作”和“评价”分开。人脑很难一边写一边批判，LLM也一样。你让它同时完成这两个任务，它只会给你一个平庸结果。但当你把“生成”和“审阅”拆成独立步骤，每一步都只承担一个认知负荷，模型的能力立刻变强。四层输出阶梯，本质上是把写作流程外置到了模型对话里。如果你也经常觉得AI写的东西“差那么一点”，不妨从今天开始试试这条阶梯。它不保证你篇篇爆款，但一定能让你产出的内容比大多数人的“一次性生成品”更接近一篇真正值得收藏的作品。
