人机协作中的非均匀性原则

随着生成式AI被越来越多地用于自动化多步骤、高风险工作流，人类判断与参与对保障AI输出质量仍然不可或缺。实践中，人类专家定期监督AI——审查中间输出、反馈纠错、引导后续步骤——是理想的，但这种监督受制于人力可负担的时间与资源。这在监督需求与AI以更少干预产出更多成果的效率之间形成张力。于是，一个重要但未被充分探索的问题是：如何最优地把人类纳入人机协作。本工作最初源于一个经验观察：在长AI工作流中，人类监督常在提升用户满意度的同时减少不必要的返工与token消耗。由此，我们把“在人机协作中把监督阶段放在哪里”形式化为一个优化问题。在合理假设下，我们发展出非均匀性原则：最优的监督阶段安排应沿工作流以非递减的间隔分布。我们在两个常见的AI智能体工作流——撰写文献综述与构建网站——上对该原则做了实证验证。