自洽性采样
Self-consistency
学到 认得 就够：听到能明白
你可能会说
“我让 AI 解一道有标准答案的方法题，每次解法不同，多跑几次取多数能增加多少把握？”
自洽性方法生成多条可能的求解路径，再聚合较一致的答案；它利用多次采样减少某些偶然错误，但多数意见不等于事实证明。
使用 AI
科研里的例子
对一项样本量和比例的计算，让模型独立给出多种解法，再用电子表格重算；把不一致的情况当作排查线索。
原研究针对推理任务，先采样不同的中间路径，再按最终答案的一致程度聚合，并非简单叫同一个回答自我检查。适用前提包括答案可比较、路径具有一定多样性，而且增加调用成本能够接受。研究判断题往往没有唯一的离散答案，机械投票可能压掉重要异议；模型的共同训练偏差也会让多条路径一起犯错。
在你的学科里，直接拿去用
把模糊需求变成可执行任务
我不熟悉AI术语。请把我的需求转成明确的任务说明。 我的原话：[粘贴] 可用材料：[列出文件、表、链接或说明目前没有材料] 使用者与用途：[填写] 先用普通中文复述目标，再给需要时才用的关键中英术语。区分任务、输入、约束、输出和可检查的完成标准。若缺项会实质改变结果，最多问3个问题；其他假设明确列出。先交付任务说明，不擅自执行与改文件。方括号里的内容换成你自己的。来自知识增量《科研中英表达与 Prompt 指南》PG01
判断
亲手检查一次
记录路径是否真的不同，并与可验证答案比较；报告额外调用成本与错误类型，不只展示投票后看起来更稳定。
它做不到的
多次运行同一个模型不能代替独立来源，多数支持也不能建立因果关系；开放性理论争议尤其不宜直接投票裁决。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。