你有沒有遇到過這種情況：讓同事幫你處理數據，你說"把這個欄位標準化一下"，同事立刻就懂了，因為你們合作了三個項目，他早就知道你說的"標準化"永遠是指減去均值除以標準差，而不是壓縮到0到1之間。
但如果換成一個剛來的實習生，或者一個AI編程助手，這句話就變得模稜兩可了。它可能會選擇另一種同樣"技術上正確"但完全不是你想要的實現方式。
這不是一個假設的場景。事實上，這正是一群來自東南大學和香港科技大學的研究者盯上的問題：**當你已經和某個AI編程助手合作過很多次，它是否應該、以及能不能，從你之前的對話歷史裡學會你的"潛規則"，從而在新一次對話里少問幾句廢話，直接給出你想要的代碼？**
這個問題聽起來簡單，但仔細想想會發現它藏著一個挺尷尬的現狀。
現狀：AI要麼裝懂，要麼問不停
現在主流的AI編程助手處理歧義請求的方式大概分兩種。
第一種是"揣測型"，你說什麼它就按最常見的理解去實現，賭一把。賭對了皆大歡喜，賭錯了你就要重新解釋一遍，甚至要指出"不對不對，我要的不是這個"。
第二種是"追問型"，遇到任何可能有歧義的地方就停下來反問你。這在單次交互里是個穩妥的策略，但問題是，如果你和這個AI已經合作了幾十次，每次遇到同一類問題它都要重新問一遍，那這個"追問"就從"負責任"變成了"記性差"。
> 大語言模型（LLM）：本文中指GPT、Claude、DeepSeek
等能理解和生成自然語言及代碼的AI系統，是當前AI編程助手的技術底座。
這兩種策略有一個共同的盲點：它們都把每一次編程請求當成孤立事件來處理，完全沒有利用"這是同一個用戶"這個資訊。而這恰恰是問題所在。人類協作者之所以能減少溝通成本，靠的正是記住了對方過去的偏好和習慣。AI要想真正成為"長期搭檔"而不是"每次都要重新認識的陌生人"，就必須學會做這件事。
於是這篇論文提出了一個新的研究任務，叫做**個性化歧義適應**。簡單說，就是給AI助手看一個用戶過去幾次已經解決完的編程對話記錄，然後看它能不能從中總結出這個用戶特有的表達習慣和歧義模式，用在一次全新的對話里，儘量少問、快答對。
這事兒到底難在哪：先看看AI在"裸考"下的真實水平
在講研究者怎麼解決這個問題之前，得先弄明白這件事本身有多難。
研究團隊做了一個對照實驗，叫作"空白對照實驗"。他們拿HumanEval（一個經典的編程能力測試集，包含164道函數級編程題，題目描述是完整清晰的，沒有故意設計的歧義）直接測試模型，看它們在資訊完整、沒有任何模糊表達的情況下能做到什麼程度。
> HumanEval：由OpenAI發布的編程能力評測基準，包含164道函數實現題目，每道題都有完整的需求描述和可執行的測試用例，長期被用作衡量代碼生成模型基礎能力的標尺。
結果是，ChatGPT-5.5和DeepSeek V4 Pro在這個"裸題"測試里都拿到了100%的最終成功率，也就是說，只要給出完整、無歧義的需求，加上代碼報錯反饋可以來回修改，這兩個模型幾乎能解決所有題目。DeepSeek甚至有91.46%的題目是一次性寫對的，壓根不需要調試。
這個結果其實很關鍵，它說明了一件事：**當前頂尖大模型的基礎編程能力已經不是瓶頸了**。
它們卡住的地方，不是"能不能寫出正確代碼"，而是"能不能理解你到底想要什麼"。這也是為什麼這篇論文要專門設計一套充滿歧義的測試集，去暴露模型在需求理解層面的真實短板，而不是繼續測試它們早已擅長的代碼生成能力。
六種"話沒說清楚"的方式：給歧義建一個分類賬
要研究個性化歧義，第一步得先搞清楚，人到底會以哪幾種方式把話說不清楚。
研究者從一篇語言學論文（Li等人2024年的工作）里借來了11種語言歧義類型，然後結合真實的人機編程對話（數據來自WildChat，一個包含上百萬條真實ChatGPT對話記錄的數據集），重新歸納整理，最終提煉出六種編程場景下特有的歧義機制。
這六種機制分別是：領域認知多義、結構邏輯錯位、習慣性語境省略、系統邊界誤解、對話語境錯位、隱含約束欠說明。
聽起來有點繞，我用大白話拆解一下每一種到底是什麼樣子。
領域認知多義，說的是不同專業背景的人對同一個術語有不同理解。比如一個生物資訊學背景的用戶說"跑一批樣本"，他腦子裡想的是特定的批處理邏輯，而一個通用程序員可能理解成完全不同的東西。
> 多義：同一個詞在不同語境或不同人的理解中，指向了不同的含義，這是歧義產生最常見的源頭之一。
結構邏輯錯位，指的是用戶嘴上說得很隨意，比如"把小的那些過濾掉"，但心裡其實有精確的數值邊界和邏輯判斷，只是沒有說出具體數字和判斷條件。
習慣性語境省略更好理解，就是用戶把團隊內部約定俗成的東西當成"大家都懂"的常識，直接省略不說，比如欄位命名規範、接口路徑這些。
系統邊界誤解則有點意思，是用戶把AI當成了一個可以直接操作你電腦、連SSH、能讀日誌文件的"人形助理"，而實際上AI只是在對話框裡回話，根本碰不到你的伺服器。
對話語境錯位說的是多輪調試中，用戶經常用"就是上面那個函數"這種代詞指代，但對話里可能有好幾個候選對象，容易產生歧義。
隱含約束欠說明，是用戶只說了"我要功能能跑起來"，但心裡默認包含了安全校驗、邊界處理、異常捕獲這些工程師的常識性要求，卻完全沒提。
為了驗證這套分類是不是真的能被人理解和識別，研究者還專門找了20名志願者做了一次人工標註實驗，每個樣本讓兩個人獨立判斷屬於哪種歧義類型。最後算出來的一致性指標（Fleiss' κ）是0.66，這個數值在標註任務里屬於"實質性一致"，說明這套分類框架不是研究者自娛自樂編出來的概念遊戲，而是真的能被普通人識別出來的現象。
造數據的三段流程：如何讓AI假裝是同一個"有個性"的用戶
光有歧義分類還不夠，接下來的難題是：**怎麼造出一批真實可信、又能反覆驗證的多輪編程對話數據？**
研究者設計了一套三階段的數據生成管線。
第一階段是構造"故意含糊"的初始請求。他們從HumanEval里挑出一道原本描述清晰的編程題，先提取出這道題所有關鍵的實現約束條件，然後按照分配給這個"虛擬用戶"的歧義機制，故意抹去或替換掉其中一部分關鍵資訊，同時套上一個用戶人設的表達風格（比如是急脾氣的實習生，還是嚴謹的架構師），最終生成一句聽起來自然、但確實缺了關鍵資訊的初始提問。
這裡有個設計細節值得說一下：每個虛擬用戶會被分配兩種歧義機制的組合，而不是單一一種。這是為了增加數據的多樣性，讓生成的對話更貼近真實場景里"一句話里往往同時藏著好幾個理解漏洞"的情況。
第二階段是把這句含糊的初始請求，擴展成一整段多輪對話。研究者搭建了一個叫做AmbiSimu的模擬環境，裡面有三個角色：一個用戶智能體、一個對話大模型、一個代碼執行環境。用戶智能體這邊又拆成兩個獨立的子模組，一個負責"怎麼說話"（表達），一個負責"怎麼判斷對不對"（評判），這樣設計是為了避免兩者互相干擾，保證生成的對話既符合人設，又能被客觀地判斷任務是否完成。
對話過程就是模擬真實調試：AI要麼反問一句澄清問題，要麼直接給出代碼，代碼會被丟進執行環境裡跑一遍隱藏測試用例，用戶智能體拿到結果後決定繼續對話還是結束會話。
第三階段是一致性校驗。因為同一個虛擬用戶會在多個不同的編程任務上生成對話，研究者需要確保這個用戶"說話不清楚的方式"在每一次對話里都保持穩定，而不是這次是這種歧義、下次又變成另一種歧義。如果發現前後不一致，這條數據就會被打回重新生成。
這個三階段流程其實很像電影選角和排練的過程。你先寫好一個角色的性格設定和台詞大綱（第一階段），然後讓演員在不同場景里即興發揮對話（第二階段），最後導演要檢查這個演員在每一場戲裡是不是都保持了同一個人設，沒有前後OOC（第三階段）。
如果跳過第三階段的一致性校驗會怎樣？那這批數據就毫無意義了，因為你沒辦法驗證AI是不是真的學到了"這個用戶的說話習慣"，還是只是巧合般地蒙對了這一次。整個個性化適應的研究前提就會崩塌。
CAPA基準：600段對話，60個用戶格子
經過這套流程，研究者最終搭建出了一個叫CAPA（Cross-Session Adaptation to Personalized Ambiguity，跨會話個性化歧義適應）的基準測試集。
> CAPA：本文提出的評測基準，全稱是跨會話個性化歧義適應，專門用來測試AI編程助手能不能利用同一用戶過去的對話歷史，減少新對話里的反覆澄清。
具體規模是600段編程對話，被組織成60個"用戶-歧義類型"格子，每個格子裡有10段對話，前5段作為"已解決的歷史記錄"給AI參考，後5段作為"待評估的新任務"來評分。
十個用戶人設各自出現在6個格子裡，六種歧義機制兩兩組合成15種搭配，每種搭配出現在4個格子裡，整體設計是均衡分布的，避免某一種人設或歧義類型被過度代表而扭曲最終結果。
按任務難度劃分，300道待評估任務里有97道簡單題（1到2輪對話就能解決）、89道中等題（3到4輪）、114道複雜題（5到8輪），複雜題占比接近四成，說明這套測試集本身有相當的挑戰性梯度。
三把尺子：怎麼衡量AI適應得好不好
評測這件事光看"最後有沒有做對"是不夠的，研究者設計了三個指標來立體地衡量表現。
第一個是可執行成功率（ES），就是在規定的對話輪次內，模型最終有沒有做出能通過隱藏測試的正確代碼。
第二個是首輪可執行成功率（FT-ES），更嚴格，看的是模型能不能在第一次回復里就直接給出正確答案，壓根不用來回澄清。
第三個是完成輪數（TTC），衡量平均需要幾輪對話才能做對，沒做對的按最大輪次（8輪）計算，這個數值越低說明交互效率越高。
這三個指標搭配起來看的意義在於，ES反映"最終能不能做對"，FT-ES和TTC反映"做對的過程有多順暢"。一個模型可能ES很高但FT-ES很低，說明它總能通過反覆試探最終蒙對，但每次都要多問幾句才行，這和"一步到位"的體驗是完全不同的。
實驗結果：歷史記錄確實有用，但用得還不夠好
研究者拿這套基準去測了12個當下比較主流的大模型，涵蓋閉源頂尖模型（比如GPT-5.5、Claude Opus 4.8）、開放權重的頂尖模型（比如DeepSeek V4 Pro、GLM-5.2）和體量更小的開源模型（比如Qwen3-8B）。
每個模型都在兩種條件下被測試：一種是"無歷史"，完全不給任何過去對話記錄，純靠這一次的提問去猜；另一種是"同用戶歷史"，給它看同一個虛擬用戶過去5段已解決的對話記錄，再讓它處理新任務。
結果相當有說服力。**12個模型里有11個模型在有歷史記錄時ES提升了，12個模型的FT-ES全部提升，TTC全部下降**。
具體到數字，GPT-5.5在無歷史情況下ES是74.3%，FT-ES只有可憐的2.3%，也就是100次對話里只有2到3次能一次說對。加上歷史記錄後，ES漲到84.3%，FT-ES直接跳到31.0%，翻了十幾倍。
表現最好的Claude Opus 4.8，無歷史時FT-ES是24.3%，有歷史時飆升到60.3%，幾乎翻倍。
這裡有個特別值得琢磨的現象：歷史記錄帶來的提升，**在"首次答對率"上比在"最終答對率"上更明顯**。平均來看，12個模型的ES平均提升了6.8個百分點，FT-ES平均提升了15.6個百分點，是ES提升幅度的兩倍多。這說明歷史記錄的作用主要體現在讓模型"少走彎路、一步到位"，而不是把原本徹底做錯的任務硬生生扳回正確。
這個區別其實挺微妙的，好比一個新來的實習生本來就能通過多次試錯把事情做對，只是過程磕磕絆絆；給他看了老員工的工作筆記之後，他還是能做對，但這次是直接一次做對，不用來回被上級打回來修改。任務的最終結果變化不大，但過程中的溝通成本和試錯次數大幅下降了。
不過話說回來，即便是表現最好的模型，加上歷史記錄後的FT-ES也才60.3%，意味著接近四成的新任務還是需要反覆澄清或者一開始就答錯。跟前面提到的空白對照實驗裡100%的成功率相比，這個差距清楚地說明了：**個性化歧義理解這件事，目前的大模型遠沒有做到位**。
有一個特別值得單獨拿出來說的反例。ChatGPT-5.6-Sol這個模型，加上歷史記錄後FT-ES提升了15.6個百分點，看起來是進步了，但它的ES反而從79.0%微降到78.7%。這說明歷史記錄並不是萬能藥，用得不好反而可能帶來一些副作用，具體機制論文沒有深挖，但這提醒我們，"給更多資訊"不等於"給出正確的幫助"，關鍵還要看模型能不能正確解讀這些資訊。
三個追問：難度、身份、記憶方式分別造成了什麼影響
研究者沒有止步於"歷史有用"這個結論，而是進一步做了三組對照實驗，試圖搞清楚這件事背後更細緻的機制。
**第一個問題是任務難度的影響。**
按前面提到的簡單、中等、複雜三檔難度切分待評估任務，結果很直白：即使給了歷史記錄，複雜任務的表現依然明顯更差。以GPT-5.5為例，簡單任務的ES是91.75%，複雜任務掉到71.05%，掉了整整20.7個百分點，完成輪數也從2.2輪漲到3.97輪。DeepSeek V4 Pro的落差更大，簡單任務ES是88.66%，複雜任務只有62.28%，掉了26.4個百分點。
這說明歷史記錄能幫上忙，但幫不了太多忙，尤其是面對本身就複雜的任務時，光靠"記住你之前的習慣"是不夠的，模型自身的推理能力還是決定性因素。
**第二個問題更有意思，也是我覺得整篇論文裡設計得最巧妙的一組實驗：歷史記錄帶來的提升，究竟是因為它真的讀懂了"這個用戶的特有習慣"，還是僅僅因為多看了幾段編程對話，學到了一些通用的編程套路？**
為了回答這個問題，研究者設計了一個"打亂歷史"的對照組：把原本屬於A用戶的歷史記錄，換成從其他用戶那裡隨機抽來的歷史記錄，數量保持一致，但內容對不上號。然後對比三種情況：完全沒有歷史、打亂的歷史、正確匹配的同用戶歷史。
結果顯示，即便是打亂的、完全不匹配的歷史記錄，ES也比沒有歷史時提升了不少，最高提升了10.67個百分點。這說明模型確實能從任意的編程對話記錄里學到一些通用的模式，比如常見的代碼風格、調試思路，這部分收益跟"這個用戶是誰"無關。
但當研究者換回真正匹配的同用戶歷史後，FT-ES和TTC又有了進一步的提升，FT-ES額外提升2到12個百分點，TTC額外減少0.04到0.19輪。雖然這個額外收益的幅度不算特別誇張，但方向是一致且穩定的。
這個實驗的價值在於，它把"歷史記錄有用"這個籠統的結論，拆解成了兩層：一層是"看到更多樣本"帶來的通用學習收益，另一層才是真正的"認出這是同一個人"帶來的個性化收益。**如果沒有這組打亂對照實驗，我們根本無法區分這兩種效應，很可能會把功勞全部錯誤地歸給"個性化理解"，實際上大部分提升可能只是來自"見多識廣"。**
這就好比你去一家新開的餐廳，服務生對你的口味判斷準不準，可能一部分來自他今天已經服務過十桌客人積累的經驗（通用經驗），另一部分才是真的因為他認出了你就是上周來過、點過微辣不要香菜的那位老顧客（個性化記憶）。如果不做對比測試，你根本分不清這家餐廳的貼心服務到底靠的是哪一種。
**第三個問題是關於記憶管理方式的。**
現在市面上已經有一些專門做長期記憶管理的開源系統，比如mem0和A-mem，它們的思路是把原始對話記錄提煉、總結、組織成更精簡的記憶條目，而不是每次都把完整的歷史對話原封不動地塞給模型。研究者好奇，這些現成的記憶系統是不是天然就適合處理這種個性化歧義問題。
> mem0：一個開源的AI智能體長期記憶管理框架，核心功能是從對話中抽取、更新、檢索關鍵事實資訊。
>
> A-mem：另一個智能體記憶系統，特點是把記憶組織成互相關聯、可以動態演化的筆記結構。
結果有點意外：這兩套現成的記憶系統，在DeepSeek V4 Pro和GLM-5.2上，三項指標全面不如直接把完整原始歷史丟給模型。哪怕是在GPT-5.5上表現稍好一些，也只是有得有失，沒有全面優勢。
研究者分析原因，認為問題出在"目標不匹配"上。mem0關注的是抽取和更新事實性資訊，A-mem關注的是把記憶組織成結構化筆記，但這兩者都沒有專門設計用來識別"用戶反覆出現的歧義解決模式"這件事，也沒有主動判斷"當前這些記憶證據是否足夠支撐我直接寫代碼，還是應該再問一句"。通用的記憶管理工具解決的是通用的記憶問題，但個性化歧義適應是一個更細分、更專門化的需求，直接套用通用工具效果反而打了折扣。
這個發現挺重要的，它提醒我們一個更普遍的道理：**工具的通用性和針對性之間存在權衡，一個為A場景設計得很好的系統，直接搬到結構相似但目標不同的B場景里，未必好用，甚至可能因為優化方向不對而幫倒忙。**
一個輕量級的解決方案：讓AI自己先判斷"這段歷史夠不夠用"
既然發現通用記憶系統不夠對症，研究者乾脆自己設計了一個針對性的輕量級方法，叫做"同用戶歷史門控"。
這個方法的思路其實挺樸素的。它引入一個專門的"門控大模型"，在正式處理新任務之前，先讓這個門控模型審查一遍用戶的歷史對話記錄，判斷裡面有沒有足夠清晰、一致的證據能說明這個用戶的歧義解決習慣。如果證據充分，門控模型就把最有參考價值的那一段歷史對話高亮出來，直接推薦給主模型參考；如果證據不夠，門控模型就生成一段"澄清指引"，提示主模型這次應該重點問哪個方面，而不是漫無目的地反問。
這個高亮出來的證據或者澄清指引，會被一併塞進主模型的上下文裡，配合新的用戶提問，讓主模型要麼直接寫代碼，要麼帶著明確方向去追問。
評測結果顯示，跟直接使用原始的完整歷史記錄相比，這個門控方法在三個模型上都讓FT-ES提升了0.66到13.33個百分點，同時ES基本保持穩定（波動在1個百分點以內），TTC在GPT-5.5和GLM-5.2上也有所下降。
這個結果說明，**光是"多給點歷史資訊"效果有限，更關鍵的是讓模型學會主動判斷"這段資訊到底能不能支撐我直接下判斷"**。這有點像一個剛接手項目的新員工，如果給他一整箱過去的項目文檔，他可能翻半天也找不到重點；但如果有個老員工先幫他標出"這幾份文檔是關鍵，其他的可以先不看"，他上手的速度就會快很多。如果沒有這一步篩選，海量的歷史資訊反而可能變成噪音，拖慢而不是加速判斷過程。
六種歧義機制里，哪種最容易被AI破解
論文還補充分析了GPT-5.5在六種不同歧義機制下的表現差異（因為每段對話都同時攜帶兩種機制，這裡統計的是每種機制單獨出現時的邊際表現）。
結果顯示各機制之間的差距並不算特別懸殊，ES範圍在81.0%到88.0%之間，FT-ES在24.0%到38.0%之間。習慣性語境省略這一類的ES最高、完成輪數最短，說明模型相對更容易從歷史記錄里學到用戶的隱含約定；而隱含約束欠說明這一類的完成輪數最長，說明那些藏在字裡行間、連用戶自己都沒意識到要說出口的工程細節，是AI最難從歷史裡總結出來的。
這個細節其實挺耐人尋味的：**越是"看不見的默認假設"，越難通過歷史記錄去學習**，因為這類資訊本身就是用戶下意識省略的，連顯性的表達痕跡都很少留下。
寫在後面
讀完這篇論文，我最先想到的不是編程助手，而是我自己和朋友的日常對話。我們經常會說一些只有彼此才懂的"黑話"，外人聽了完全不明白，但我們從不覺得這是歧義，因為共享的歷史消解了這種模糊性。這篇論文本質上是在問：AI能不能也建立起這種"共享歷史"？
有個細節我覺得值得單獨拎出來說：論文裡那個"打亂歷史"的對照實驗，其實暗示了一件讓人略微不安的事。**很多我們以為是"個性化理解"的AI表現，可能有相當一部分只是"看了更多例子"帶來的普通泛化能力，而不是真的認出了你是誰。**這提醒我，以後評價任何聲稱"記住你的偏好"的AI產品時，都應該多問一句：如果給它看的是別人的歷史記錄，它的表現會不會差不多？
還有一點讓我意外，就是通用記憶系統mem0和A-mem在這個任務上反而打不過最原始的"直接塞歷史對話"。這打破了我之前的一個默認假設，就是"專門做記憶管理的工具，肯定比什麽都不做更好"。事實證明工具設計的目標和實際任務目標如果不對齊，工具反而可能是負資產。
論文沒有回答的一個問題是：如果用戶的偏好本身會隨時間變化怎麼辦？比如一個人從"z-score標準化"的堅定支持者，某天因為項目需求變成了"min-max歸一化"的支持者，這時候歷史記錄反而可能變成誤導資訊。這個動態演變的場景，或許是這條研究路線接下來最值得啃的硬骨頭。
Q&A
Q1：CAPA是什麼？
A：CAPA是論文提出的一個跨會話個性化歧義適應基準測試集，包含600段編程對話，用於測試AI編程助手能不能利用同一用戶過去解決過的對話歷史，來減少新對話里的反覆澄清，更準確地寫出用戶想要的代碼。
Q2：有歷史記錄的AI編程助手真的比沒有歷史記錄表現更好嗎？
A：是的，論文測試了12個主流大模型，結果顯示有歷史記錄時，11個模型的最終成功率提升，全部12個模型的首輪直接答對率提升，平均完成對話所需輪數也明顯減少，其中Claude Opus 4.8的首輪答對率從24.3%提升到60.3%。
Q3：通用的AI記憶管理工具能不能直接解決這個問題？
A：論文測試了mem0和A-mem這兩個現成的記憶管理系統，發現它們整體表現反而不如直接把完整歷史對話丟給模型，原因是這些工具關注的是抽取事實或組織筆記，沒有專門針對識別用戶歧義解決模式做優化，研究者因此設計了一個更對症的輕量級歷史門控方法。
