旧稿是这样写的：
请仔细分析这份日志，选择推理深度：低/高/最大。
十六个字。看着没什么问题。"分析日志"是个明确动作，"低/高/最大"是个明确选择。但模型跑出来的结果，三档的边界是糊的——低档输出的东西和高档几乎没区别，全都往"努力分析"上靠。
问题出在【请仔细分析】这五个字上。"仔细"是态度词，不是指令。模型不会因为被夸就多长一个心眼，也不会因为"仔细"二字就把边界情况都列一遍。它只会往"认真"这个方向上使劲，而"认真"在两档之间的区分度约等于零。
V1 我想着给三档配上具体的行为描述。低档对应"只报结论"，高对应"列出所有边界情况后再给结论"，最大对应"额外给出每条边界情况的处理建议"。写出来长这样：
分析这份日志。推理深度：低（只给出结论）；高（列出所有边界情况后再给结论）；最大（列出边界情况并给出每条的处理建议）。
四十八个字。问题是清楚了，但像是把说明书塞进了 system prompt。模型读懂了，可整条 prompt 的重心被扯到"那个长长的括号说明"上去了——用户真正关心的"哪一行是根因"反而被挤到后面。
V2 砍掉括号，把档位和指令揉到一起：
分析这份日志。不要展开，只报结论。
这样低档是有了，但高档和最大档去哪了？我又不能让用户手动改 system prompt 来切换档位——那等于没做。
V3 才想明白一件事：问题不在档位字本身，在"推理深度"这个词和模型预期之间的落差。模型没见过"推理深度"这个抽象名词，它见过的更多是"think step by step"这种具体动作。抽象名词对模型来说就是一个待猜测的变量，猜对了算运气好。
所以我把档位名整个换掉。低、高、最大，改成"快、细、穷尽"。
分析这份日志。回答模式：快（三句话内给结论）；细（把边界情况列完再给结论）；穷尽（列出边界情况，并标注哪些没有数据支撑）。
"快"是速度预期，"细"是覆盖预期，"穷尽"是极限预期。三个字全是动词性的形容词，不需要模型去额外解码"推理深度"这个抽象层次。
为什么"穷尽"而不是"最大"？"最大"是程度词，模型不知道最大到什么程度为止；"穷尽"是动作，暗示着"把所有可能的边界情况都找出来"，还把"没有数据支撑的判断"也捎带上了。这一个字的替换，把"尽量"变成了"到底"。
这时候想到缓存。Telnyx 给 Kimi K3 默认开了前缀缓存，缓存输入一百万 token 只要 0.27 美元，正常输入是 2.70 美元——十倍价差。一条 system prompt 改得再长，只要长在前缀里，反复请求的边际成本几乎可忽略。但这不是让"长"免责，是你长出来的每个字都得有明确的活儿要干。"细"和"穷尽"是两个字，各自扛了一档行为差异，值这个位置。上一版那个括号里"如果有多个边界情况请全部列出"这种话，才是真的冗字。
扯一句题外话。"推敲"这个词本身，据说是有人为诗句里用"推"还是"敲"在驴背上想了半天，撞进了别人仪仗队。为一个字纠结到不看路，放在 prompt 上一点没变——模型对"穷尽"和"最大"的语义感知差距，在 token 空间里可能就隔了一个向量维度，但输出差得远了。
说到"最大"又想起一个岔子。V3 改完后我顺手试了把档位名换成全英文的 "fast, thorough, exhaustive"，因为指令风格更贴英文语料。结果模型倒是接得很顺——这也印证了刚才的判断：它认知的不是档位的名分，是档位字背后那个具体行为的轮廓。中英文都行，说明这个方向是对的。
最后定稿：
分析这份日志。回答模式：快（三句话内给结论）；细（把边界情况列完再给结论）；穷尽（列出边界情况，并标注哪些没有数据支撑）。
从最初十六个字改成四十多个字，变长了，但这次每多出来的字都有它要干的活。"请仔细"没了，换成三个具体档位的行为描述；"深度"没了，换成"回答模式"这个模型更容易接住的词；"最大"没了，换成"穷尽"这个把行为逼到极限的动词。
不敢说这就是终版。"穷尽"这两个字，我拿不准它是不是在所有场景下都贴合，万一模型把它理解成"把所有字都写完"就麻烦了。先这么用着，哪天它理解岔了，再改一版，不丢人。