推理的组织方式：信息、资源约束与 AI 生产

一项 arXiv 论文用受控工作流实验研究 AI 推理中的组织与信息结构问题。在外部验证的软件工程任务上，直接执行的相同成功率 59.6% 不随 12,000 与 24,000 逻辑 token 上限变化；信息受限规划的成功率则从 36.2% 升至 51.2%，劣势缩小 15.0 个百分点。只读规划实验中，12,000 token 下让规划者看到任务 issue 可提升约 16 个百分点。

此前讨论 AI 能力多聚焦模型规模与算力上限，该实验显示：在同一任务和资源面板下，信息是否可见、工作流如何分阶段，会显著改变推理成功率。这意味着生产力差异不只来自“有多少容量”，也来自“信息在流程中如何分配”。

推理的经济价值取决于容量与任务信息在生产各阶段的分布。规划阶段若缺少任务信息，会形成信息约束瓶颈；token 上限提高时，规划工作流的受限率从 46.2% 降至 0.8%，而下游执行贡献了总用量增量的 89.9%。规模决定可用容量，工作流与信息结构决定这些容量的产出效率。

对 AI 产品与研发而言，单纯提高 token 预算或模型容量未必提升端到端成功率；在规划环节接入任务上下文（如 issue 内容）可能比扩容更有效。工作流设计应监控各阶段的信息可见性与资源受限率，并把下游执行成本纳入整体推理预算。

• 在 Agent 或编码工作流中，规划阶段默认注入任务 issue 与验收标准，并做 A/B 验证成功率变化。
• 为推理管线增加按阶段采集的信息可见性指标与 token 受限率监控。
• 针对信息受限场景提供低成本的分阶段规划模板，替代一次性直接执行。

• 该结论能否推广到软件工程之外的任务类型？
• 在不同模型与工具链下，信息可见性的增益是否稳定？
• 任务 issue 的质量与格式如何影响规划提升幅度？
• 长期运行中，下游执行成本增加是否抵消规划带来的成功率收益？