2026 年 1 月，一篇题为 Revision Prompting 的研究网站在 Lobsters 上被反复讨论。我们注意到，它的核心思路极其朴素：把学术界的「peer review（同行评审）」机制搬进工业级 LLM 流水线——一个模型先答题，另一个模型当审稿人挑刺，原模型再修改，反复几轮。

这是什么

所谓 Revision Prompting，不是新模型，也不是新参数，而是一种「让大模型自己改自己作业」的提示词框架（Prompt 即给 AI 写的指令模板）。它的灵感来自学术论文发表前的审稿流程：作者写一稿 → 评审人挑漏洞 → 作者修改 → 再审 → 发表。在工业场景中，这意味着用一份提示词模板，把 LLM 变成「既能干活又能复盘」的产线工人。

研究方给出的早期数据显示：在文档摘要、代码生成、表格推理三类典型工业任务上，加入「审稿—改稿」循环后，效果比单轮提示提升 10%-25%，且单位任务成本反而下降，因为减少了人工兜底。

行业怎么看

支持者认为这是「少花钱办大事」的典型路径。在算力即成本的当下，与其堆更大的模型，不如让模型「内卷」——自己跟自己对练，反复打磨回答质量。一家硅谷 AI 工程总监私下评价：「这是我们今年看到的最务实的方向，因为它直接打中了推理经济模型。」

但反对声音同样值得记一笔。斯坦福几位研究者提醒，让 LLM 互相审稿有「回音壁」风险——如果审稿模型本身就有偏见，被审模型可能把偏见越放越大。此外，多轮迭代带来的延迟在实时场景（如客服、自动驾驶决策）几乎不可接受，更适合离线批处理任务。

我们自己的判断是：这项技术短期不会成为头条，但它可能成为大模型落地工业的「隐形基础设施」——就像今天的缓存层一样，悄悄塞进每一条流水线里。

对普通人的影响

对企业 IT：未来一年，「让 AI 自己审 AI」可能成为内部系统的标配模块，企业落地 AI 的边际成本有望再降一档。

对个人职场：经常用 AI 写报告、做摘要的白领，下一代办公软件可能自带「AI 复盘」按钮，输出质量会更稳，但也意味着「会调教 AI」的隐性技能差距会更大。

对消费市场：短期内你感受不到直接变化；待技术成熟，AI 客服、AI 助手吐错话的概率会变小，体验更「像人」但也更难分辨背后是人还是机器。