"想得久"不等于"答得对"
推理型模型会先输出一段思考再给结论。很多团队一上线就把思考长度拉到最大 ✗，
结果：成本翻几倍、延迟翻几倍，而正确率提升有限 ✔。所以"思考长度"要像输出长度一样设上限与预算 ✔。
一、先分清两类预算
- 输出（含思考）token 预算：直接决定成本 ✔；
- 时限预算：决定 P95 延迟（用户感知）✔。
两者要同时设 ✔：只限 token 可能仍然很慢（思考多但输出短 ✗），只限时间可能截断在半路 ✗。
二、按任务难度分层设定
| 任务 | 建议 |
|---|---|
| 分类/抽取/格式化 | 不需要思考（关掉，直接答）✔ |
| 单跳问答、短改写 | 小额度（例如几百 token）✔ |
| 多跳推理、代码修复 | 中额度 ✔ |
| 复杂规划/数学证明 | 大额度，但必须有超时与兜底 ✔ |
关键：把"需不需要思考"做成可判定的路由（按任务类型/输入长度）✔，而不是全局开关 ✗。
三、思考被截断时怎么办
- 必须能识别（响应里有截断标记 ✔）；截断但当成正常结果返回 ✗ 是最危险的 ✗；
- 降级策略：给一个"缩短思考、先给结论"的重试 ✔；
- 如实标注：告诉用户结果可能不完整 ✔（见可解释那篇 ✔）。
四、该观测的四个指标
- 思考 token 的分布（P50/P95，看长尾 ✗）；
- 截断率（被上限切掉的比例 ✔）；
- 单位成本与 P95 延迟（分任务类型 ✔）；
- "思考更长但没更好"的比例（改动是否白花钱 ✔）。
五、三条纪律
- 每次只调一个维度（额度或时限），用同一批样本对照 ✔；
- 结论要写样本量（见小样本那篇 ✔）；
- 上限进配置（版本化 ✔），别散在代码里 ✗。
一条判据
如果能证明"把额度从 X 提到 2X，正确率没变、成本翻倍"，那就该把上限设回 X ✔。
这件事必须用数据说，不能凭"感觉更稳" ✗。