o3炸场之后，我拿“清洗电话号码”虐了它：前沿模型真正有用的，可能只有这4步

o3刚在数学和编程基准上刷屏时，很多人的第一反应是：这是不是意味着日常办公也要被彻底改写了？

AIME、Codeforces、ARC-AGI、SWE-bench……这些名字听起来很硬核，也确实代表了模型在复杂推理、代码修复、抽象问题解决上的能力跃迁。

但我更关心另一个问题：

一个在数学竞赛里“炸场”的模型，能不能帮普通人把一段口头需求，变成一段以后能反复调用的脚本？

所以我没有先拿它解奥数，也没有让它写复杂系统架构。

我故意选了一个最土、最常见、最像真实工作的任务：

去重、统一格式、标记异常、封装成 Python 函数——这类活不性感，但几乎每家公司、每个运营、销售、数据同学都遇到过。

结果有点反直觉：o3确实很强，但真正帮我提效的，不是它长篇大论的“链式思考”，而是里面少数几个关键中间步骤。

剩下的大半内容，更像是在空转 token。

这篇文章，我想把这次测试拆开讲透：前沿模型不是不能用，而是你要学会让它少表演、多干活。

---

第1章：o3刚刷新基准，我却先测了个“土”任务

先说背景。

根据 OpenAI 公开材料和第三方讨论，o3在多个复杂任务上表现非常亮眼：

• 在 AIME 2024 这类数学竞赛任务中，o3展示了很强的多步推理能力；
• 在 Codeforces 风格的编程竞赛任务中，o3被重点强调具备更强的代码推理和问题拆解能力；
• 在 SWE-bench Verified 这类真实 GitHub issue 修复任务中，o3也被拿来证明“模型不只是会写小段代码，而是能理解项目上下文”；
• 在 ARC-AGI 这类抽象推理基准上，o3同样引发了大量讨论。

配图建议：这里放 OpenAI 官方发布页或 ARC Prize 相关页面截图，标注 AIME、SWE-bench、ARC-AGI 等基准位置。

注意：不同测试设置、计算预算、评测版本会影响结果，建议引用官方原图，不要二次加工成夸张结论。

这些成绩当然重要。

但问题是，大多数普通用户每天并不在做 AIME，也不在修 Linux 内核 bug，更不会天天刷 ARC-AGI。

更多人的真实工作是这样的：

• Excel里电话格式乱七八糟；
• 客户名有重复；
• 手机号里混着空格、横杠、括号；
• 有些号码少一位、多一位、带国家区号；
• 老板只会口头说一句：“你帮我整理干净，下次也能复用。”

这才是 AI 是否能落地的关键场景。

于是我设计了一个非常朴素的测试：

更重要的是，我不只看最终代码能不能跑，还要看它中间“想了些什么”。

因为很多人用高级模型时，会被长长的推理过程震住：看起来很聪明、很严谨、很高级。

但问题是：

---

第2章：任务拆解——从“口头需求”到可复用脚本的完整链条

先看我给模型的原始需求。

我没有写成标准 PRD，也没有给字段字典，只用真实工作里常见的口语表达：

我有一个销售线索表，里面有一列叫 phone，客户电话格式很乱，有的有空格，有的有横杠，有的写了 +86，有的是 0086 开头，有的还带括号。

你帮我写一个 Python 函数，把这些电话清洗干净：

1. 中国大陆手机号统一成 11 位数字，比如 13800138000；

2. 如果是 +86 或 0086 开头，要去掉国家区号；

3. 去掉空格、横杠、括号等符号；

4. 如果号码不是合法大陆手机号，要标记为 abnormal；

5. 同一个手机号重复出现时，只保留第一次，后面的标记 duplicate；

6. 最后返回一个新的 DataFrame，保留原始 phone，新增 clean_phone 和 status 两列；

7. 希望以后别的表也能直接调用这个函数。

这段需求很典型：描述清楚了大方向，但没有完全形式化。

模型如果直接写代码，很容易漏掉边界条件，比如：

• +86 138-0013-8000
• 0086-13800138000
• (+86) 138 0013 8000
• 1380013800 少一位
• 23800138000 不是合法大陆手机号
• 空值、None、nan
• 重复手机号如何标记

为了合规说明一下：现在很多模型和 API 并不会、也不建议直接暴露完整隐藏链式思考。更好的做法是让模型输出可审计的关键路径摘要，也就是“它做了哪些判断、为什么这么设计”，而不是要求它把所有内部推理逐字吐出来。

我让模型输出的是类似下面这种结构化推理摘要：

任务理解摘要：
1. 输入是一个 pandas DataFrame，至少包含 phone 列。
2. 输出应保留原始 phone，并新增 clean_phone、status 两列。
3. clean_phone 只在合法且非重复时保留标准化后的手机号。
4. status 至少包含 ok、abnormal、duplicate。
5. 手机号合法性按中国大陆手机号基本规则判断：11位、1开头、第二位为3-9。
6. 清洗流程应先统一字符串，再去除国家区号和非数字字符。
7. 去重应基于清洗后的合法手机号，并保留第一次出现。
8. 函数应可复用，字段名最好允许参数化。

这部分是有用的。

它把口头需求变成了工程步骤。

接下来是最终生成的 Python 脚本，我做了少量整理，让它更适合直接复制使用：

import re
import pandas as pd
from typing import Optional

def normalize_china_mobile(raw_phone: Optional[object]) -> Optional[str]:
"""
将原始手机号清洗为中国大陆 11 位手机号。
如果无法清洗为合法手机号，返回 None。

合法规则：
- 11 位数字
- 以 1 开头
- 第二位为 3-9
"""
if pd.isna(raw_phone):
return None

phone = str(raw_phone).strip()

if not phone:
return None

# 去掉常见分隔符前，先处理 +86 / 0086 等国家区号形式
# 例如：+86 138-0013-8000、0086-13800138000
phone = phone.replace("（", "(").replace("）", ")")

# 去掉所有非数字字符，+86 会变成 86
digits = re.sub(r"\D", "", phone)

# 处理 0086 开头
if digits.startswith("0086") and len(digits) > 11:
digits = digits[4:]

# 处理 86 开头
if digits.startswith("86") and len(digits) > 11:
digits = digits[2:]

# 校验中国大陆手机号
if re.fullmatch(r"1[3-9]\d{9}", digits):
return digits

return None

def clean_phone_dataframe(
df: pd.DataFrame,
phone_col: str = "phone",
clean_col: str = "clean_phone",
status_col: str = "status"
) -> pd.DataFrame:
"""
清洗 DataFrame 中的手机号字段。

返回：
- 保留原始 phone 列
- 新增 clean_phone 列
- 新增 status 列

status 说明：
- ok：合法且首次出现
- abnormal：无法识别为合法中国大陆手机号
- duplicate：合法手机号，但此前已经出现过
"""
if phone_col not in df.columns:
raise ValueError(f"DataFrame 中不存在字段：{phone_col}")

result = df.copy()
seen = set()

clean_values = []
status_values = []

for raw_phone in result[phone_col]:
clean_phone = normalize_china_mobile(raw_phone)

if clean_phone is None:
clean_values.append(None)
status_values.append("abnormal")
continue

if clean_phone in seen:
clean_values.append(clean_phone)
status_values.append("duplicate")
continue

seen.add(clean_phone)
clean_values.append(clean_phone)
status_values.append("ok")

result[clean_col] = clean_values
result[status_col] = status_values

return result

if __name__ == "__main__":
demo = pd.DataFrame({
"name": ["张三", "李四", "王五", "赵六", "钱七", "孙八"],
"phone": [
"+86 138-0013-8000",
"0086-13900139000",
"(137) 0013 7000",
"23800138000",
"13800138000",
None
]
})

cleaned = clean_phone_dataframe(demo)
print(cleaned)

这段代码不复杂，但它已经完成了一个从“口头需求”到“可复用函数”的闭环。

它做对了几件事：

• 把手机号标准化逻辑单独拆成 normalize_china_mobile；
• 把 DataFrame 批处理逻辑封装为 clean_phone_dataframe；
• 支持自定义字段名；
• 明确区分 ok、abnormal、duplicate；
• 对空值、非法值、重复值都有处理。

如果你只是想完成工作，到这里其实已经够用了。

但真正有意思的，是拆开看它中间到底“想”了哪些东西。

---

第3章：中间步骤深度解剖——哪些真有用，哪些只是在空转 token

我把模型输出的推理摘要按功能拆开，大致可以分为两类。

第一类，是确实有用的关键步骤。

第二类，是看起来很认真，但对最终代码几乎没有贡献的空转内容。

真正有用的4类步骤

这4类步骤，是我认为普通人最应该学会保留的。

你甚至不需要懂模型内部怎么推理，只要会要求它输出这4项，就能显著提高结果质量。

比如这句提示词就很关键：

请先输出“需求澄清、边界条件、错误处理、可复用设计”四部分摘要，再给代码，不要展开无关推理。

这比“你一步一步思考”更有效。

因为“逐步思考”很容易诱导模型写出一大段看似严谨、实际重复的信息。

最容易空转的4类内容

我在类似任务里经常看到这些内容：

注意，我不是说模型不能解释。

解释当然有价值。

但解释必须服务于决策。

比如：

• 为什么先去符号再处理区号？
• 为什么 86 开头时要判断长度？
• 为什么重复号要基于清洗后的手机号判断，而不是原始字符串？

这类解释是有用的。

但如果它花很长篇幅告诉你“数据清洗是数据分析中非常重要的一环”，那基本就是空转。

token 浪费该怎么算？

这里我不伪造精确 token 数。

因为不同平台、不同 tokenizer、不同模型版本，对同一段中文和代码的计数会有差异。你在实际复现时，应该以 API 返回的 usage 字段或平台界面的 token 统计为准。

但可以给一个可执行的统计方法：

1. 记录原始回答总 token；

2. 把回答按段落分为“关键路径”和“空转解释”；

3. 删除空转段落后再次运行同一任务；

4. 对比：

- 代码是否可运行；

- 测试样例是否通过；

- token 是否下降；

- 人类阅读时间是否减少。

建议你用下面这张表记录自己的实测结果：

如果你跑完发现：裁剪版代码一样能运行，测试样例一样通过，而 token 和阅读成本都更低，那就说明原来的长推理里确实存在大量“表演性内容”。

配图建议：这里放两张实际对话界面截图。

一张是“长推理版”，标注输出很长、token 较高；

一张是“裁剪版”，标注结构更短、token 更低。

注意不要手动篡改 token 数，直接截平台统计即可。

这也是我这次最大的感受：

我们要做的，不是鼓励它越想越长，而是让它只保留能改变结果的思考。

---

第4章：给普通人的落地指南 + 可直接复制的提示词模板

如果你只是普通用户，不想研究模型论文，也不想理解什么推理范式，我建议你记住一句话：

不要让模型“自由发挥式思考”，要让它“沿关键路径思考”。

具体怎么做？

我总结成三个动作。

动作一：先限定输出结构

不要说：

请一步一步思考，然后帮我写代码。

更推荐说：

请只按以下结构输出：
1. 需求澄清
2. 边界条件
3. 错误处理
4. 可复用设计
5. 最终代码
不要输出与任务无关的背景介绍。

这会明显减少废话。

动作二：要求模型自我剪枝

你可以让模型在输出前先做一次“删减”。

比如：

在给出最终答案前，请删除以下内容：
重复解释
与代码无关的背景知识
没有影响实现决策的推理
空泛的总结性句子

只保留会影响代码正确性的关键判断。

这句话很有用。

它相当于给模型加了一个“编辑器”。

动作三：用测试样例约束结果，而不是用长推理制造安全感

很多人喜欢看模型解释很久，因为这会带来一种“它很认真”的错觉。

但在代码任务里，最靠谱的约束不是长解释，而是测试样例。

比如：

请同时给出 5 条测试样例，覆盖：
1. +86 开头
2. 0086 开头
3. 带空格和横杠
4. 非法手机号
5. 重复手机号

有测试，才有可验证性。

没有测试，再长的推理都只是作文。

---

可直接复制：强制关键路径版提示词模板

下面这段可以直接复制使用，适合数据清洗、Excel处理、批量脚本、自动化办公类任务。

你是一个擅长把口头业务需求转成可复用脚本的 Python 工程助手。

请根据我的需求生成代码，但必须遵守以下规则：

【输出结构】
1. 需求澄清：用不超过 5 条 bullet 总结输入、输出、核心规则。
2. 边界条件：列出会影响代码正确性的边界情况，不要泛泛而谈。
3. 错误处理：说明缺失字段、空值、非法值如何处理。
4. 可复用设计：说明函数如何封装、哪些参数可配置。
5. 最终代码：给出完整可运行代码，代码中加入必要注释。
6. 测试样例：给出最少 5 条测试数据和预期结果。

【强制剪枝】
不要输出长篇链式思考。
不要解释与实现无关的背景知识。
不要重复举例。
不要写“我将仔细思考”这类无实际信息的句子。
只保留会影响最终代码正确性的关键判断。

【代码要求】
使用 Python。
如果处理表格，优先使用 pandas。
函数要可复用，不要只写一次性脚本。
对异常输入要有明确处理。
输出字段命名要清晰。

我的需求如下：
<<<
在这里粘贴你的口头需求
>>>

小白版用法

如果你刚开始用 AI 写脚本，建议这样做：

1. 先复制上面的模板；

2. 把自己的需求用大白话写进去；

3. 让模型先生成代码；

4. 把代码复制到本地或在线环境跑；

5. 把报错信息原样粘回去，让模型修。

重点不是一次写完，而是形成闭环。

进阶版用法

如果你已经会一点 Python，可以再加两句：

请把核心清洗逻辑和 DataFrame 处理逻辑拆开。
请补充 pytest 风格的单元测试。

这样模型会更倾向于写可维护代码，而不是一坨脚本。

如果你想亲自复现，或者直接调用最新 o3 系列模型测试自己的清洗任务，我把完整可运行环境放在了 api.884819.xyz。

8848AI 的注册流程很简单：用户名+密码即可注册，不需要邮箱验证。平台注册后内置 AI 对话功能，直接就能用；国产模型如 Deepseek、通义千问等完全免费；没有月租、没有订阅，按量付费。

复制上面的模板，就可以立刻开测，不用自己折腾代理和复杂计费。

---

结尾：会用，比会追新更重要

o3这类前沿模型的出现，当然值得兴奋。

但对普通人来说，真正的分水岭不是“谁第一时间知道了新模型”，而是：

复杂 benchmark 证明了模型的上限。

而“清洗电话号码”这种土任务，才检验它能不能进入日常。

这次测试给我的结论很明确：

• 前沿模型确实更擅长理解口头需求；
• 它能把模糊任务拆成工程步骤；
• 但长篇链式思考并不天然等于高质量；
• 真正有用的，往往只有需求澄清、边界条件、错误处理、可复用抽象这几步；
• 学会裁剪 token 空转，才是普通人使用高级模型的生产力护城河。

下一篇，我会把同样的口语任务同时丢给 o1、Claude 3.5、DeepSeek-R1 和 Gemini 2.0，做一次“链式思考空转率”横向对比，并给出不同模型最适合普通人的裁剪配方。

想知道谁最“诚实”不装吗？

关注不迷路。

#AI教程 #o3 #Prompt技巧 #数据清洗 #Python #人工智能 #8848AI #AI学习