语音意识流与 AI 追问：把想法说清楚
用语音意识流、AI 追问和复述校对，逐步澄清未成形的想法。
来源摘录
分享一个 Karpathy 的用法，我看完立刻加进了自己的工作流 我本来就重度依赖语音输入，跟 AI 对话从来不打字，想法有多细说多细，但他这个思路更好： 1、/voice，对着 LLM 意识流乱说 10 分钟，想到哪说到哪 2、说不下去就让 AI 反过来采访你，几轮问答把想法全逼出来 3、最后让它把你的想法复述一遍，那个版本经常比你脑子里的还清楚 聊几轮下来，想不清楚的事，说着说着就清楚了，这可能是 /voice 被低估的用法
One pattern I find useful for working with LLMs is a nice long ramble session. Sometimes the LLM needs more bits to understand what you're trying to achieve, but you're too lazy to type them. In these cases I like to lean back, switch to /voice and just ramble for like 10 minutes, total mess, anything goes, full stream of consciousness. Sometimes I declare it up top, something like "switching to speech recognition sorry for any typos...". Sometimes I turn it into a small interview of a few turns. But I find that the LLMs are somehow very good at reconstructing long incoherent rambles and often their echo of your own tangle of thoughts comes out quite a bit cleaner than what you started with. The result is that you improve the mind meld and have to correct things less from that point on.
深度解析
是什么 这是一种以语音为入口的 LLM 思考整理工作流。用户先用约十分钟连续表达未经整理的想法，再在卡住时让 AI 通过几轮访谈主动追问，最后要求模型复述整体意图。
核心设计 它把交互拆成“低摩擦输入—主动澄清—结构化回声”三段。语音降低输入成本，使用户能够提供更多上下文；采访模式让模型从被动响应者变成提问者；复述则提供一个可校对的外部认知镜像。整体节奏是先发散、后收敛。
关键洞察 长而不完整的表达不一定是噪声，足够上下文可能帮助模型重建用户意图。复述的价值也不只是摘要，而是暴露隐藏假设，让用户发现自己真正想解决的问题。这种模式可借鉴到需求梳理、写作构思和 Agent 工作流中。
边界与风险 语音识别错误、模型过度脑补、追问方向偏置或过长上下文，都可能制造虚假的清晰感。涉及决策、隐私或高风险事项时，应保留原始转写，逐条核对复述内容，并区分用户原意、模型推断与最终结论。