Human Skills——国际主流模型测评

测评人：胡昊旻 刘晨雨 李锦昊

摘要

我们基于真实且复杂的工程实践场景（如旅行规划、社交策划、全屋智能等），对四款国际主流大模型（ChatGPT-5.2， Claude Opus 4.5， Gemini 3 Pro， Grok-4）进行了全方位横向测评。报告旨在通过严谨的测试与案例复现，解析各模型的技术特质，并提供具有行业参考价值的使用指南。

1 项目背景与测评框架

1.1 项目背景

当前AI 产品和工具不断涌现，但真正基于复杂工程实践、具备深度洞察的测评和使用说明依然稀缺。Human Skills：AI 测评项目致力于对AI 前沿工具展开严谨测试与案例复现，从技术上进行深度拆解，最终形成具有行业参考价值的技术博客与开源文档。

1.2 四大测评维度

本次测评基于以下四个核心维度对模型能力进行量化评估：

1. 复杂需求解析力

能力定义：识别任务中隐性矛盾与多重约束，并理清其优先级的能力。例如：在预算有限的情况下，如何平衡“适老化改造”与“极客体验”。

2. 思维过程可见性

能力定义：展示推理步骤、权衡不同方案，使思考路径清晰透明的能力。这决定了用户是否敢于信任模型给出的关键决策（如排期、预算）。

3. 具体化与可操作性

能力定义：将抽象目标转化为带有细节、可被执行和验证的具体措施的能力。模型能否从“给出一个建议”进化为“给出一份可执行的SOP”。

4. 交互中的适应性（追问后）

能力定义：在对话中有效整合反馈，对方案进行连贯迭代和优化调整的能力。模型是机械地打补丁，还是能根据新约束重构方案。

2 综合横向测评评分

基于7 个demo 的详细实测数据（详见附录A ），四款模型在核心维度上的最终得分如下表所示。

表1： 四款模型综合能力评分总表（数据来源：附录详细测评）

数据解读：

• ChatGPT 凭借其5.2 Thinking 的发散性思考模式，在多维度表现出统优势（接近满分），能够提供较好的落地执行方案，综合评分位居榜首。

• Gemini 表现均衡，综合排名第二。其在思维框架的展示上具有独特的结构化优势，且在解析力上紧咬第一梯队。

• Claude 虽然在“复杂需求解析力”上表现优异，但综合评分（9.029）略显平庸。这可能与其模型特性更侧重于代码生成与技术逻辑有关，导致在处理生活化、创意类等“Human Skills”任务时，其思维展示的细腻度与方案的落地性不如具备专用推理模式的模型。

• Grok 在解析力与适应性上与Claude 并列前茅，但在思维过程的显性化方面仍有提升空间，整体表现与Claude 接近。

3 模型特色深度解析

3.1 ChatGPT：双脑驱动的超级顾问

核心特质

ChatGPT（配合发散性思考模式）展现了“感性共情”与“理性精算”的融合。它不仅能提供有人情味儿的建议，还能通过代码解释器进行精确的排期计算。

亮点1：计算辅助思考

使用者体验：

在处理需要精确数字或时间规划的任务时，ChatGPT 不再依赖语言模型的概率猜测，而是直接编写并在后台运行Python 代码来验证逻辑。这消除了大模型常见的幻觉，给出的方案更加严谨。

案例佐证（百团大战排期）：

在规划复杂的社团舞台轮换时，思维日志显示它没有凭感觉估算时间，而是编写了使用timedelta函数的Python代码，通过循环算法精确切割出“14:00-14:14”等14分钟的时间槽。

亮点2：深度的心理侧写与行为干预

使用者体验：

ChatGPT 不仅停留在安慰层面，而是能像心理咨询师一样提供具体的行为疗法。它能敏锐捕捉到用户的情绪痛点，并给出可立即操作的生理或认知干预手段。

案例佐证（春节社恐指南）：

面对社恐用户，它没有讲空泛的道理，而是直接提供了“30秒降紧张呼吸法”（吸4 停2 呼6）和“反羞耻训练”（如跟便利店员多说一句话）。它将模糊的“克服恐惧”拆解为可执行的生理动作，极具人文关怀。

亮点3：隐性矛盾的全局最优解

使用者体验：

在处理多重约束（如预算 vs 体验 vs 体力）时，ChatGPT 擅长发现用户未言明的痛点，并给出平衡各方的全局最优策略，而非机械地满足单一约束。

案例佐证（北京家庭游）：

它敏锐地意识到“轮椅友好”与“北京热门景点（多台阶/拥挤）”存在天然冲突。因此，它没有机械推荐热门景点，而是果断建议“避开必挤的顶流（如南锣鼓巷主街）”，并提出了“地铁+ 少量网约车（门到门）”的组合策略，甚至细化到“从地铁站到大门那一段要打车省腿”，完美平衡了预算与老人的体力。

3.2 Gemini：结构化的逻辑规划师

核心特质

Gemini 展现出一种“先拆解、再规划、后执行”的结构化思维路径。使用者能直观感受到模型在“思考”，不仅逻辑密度高，且能以简洁的语言输出高可信度的方案。

亮点1：显性且简练的推理逻辑

使用者体验：

Gemini 在回答复杂问题时，不会直接堆砌信息，而是展示其思考过程，增加了答案的逻辑密度。同时，它能以非常简洁的语言表达任务解决方案。

案例佐证（北京旅游）：

在正文前，Gemini 清晰展示了结构化的思考步骤：Defining parameters ￫Refining plan ￫Budgeting ￫Structuring。在正文中，它没有机械列举景点，而是提出了“保体能、控预算、重体验”的核心逻辑，严格按此总逻辑为用户进行规划。

亮点2：强语境贴合

使用者体验：

Gemini 展现出极强的语境贴合能力，能快速接受身份设定或根据用户身份调整角色定位，并将该口吻贯彻始终，使对话更具亲和力和可读性。

案例佐证（SAIer 生涯规划）：

模型精准识别了用户的SAIer（交大人工智能学院学生）身份，并迅速切换为“学长/学姐”口吻。它始终以AI 领域的概念进行回答，并将规划与SJTU 的具体教学资源相结合，实现了完美的身份贴合。

亮点3：可执行方案输出

使用者体验：

通过具体追问，Gemini 不仅能给出宏观策略，还能给出详细且切实的执行方案，包括标准作业程序（SOP）、检查清单（Checklist） 和具体的执行脚本。

亮点4：创造性概念包装

使用者体验：

Gemini 擅长进行概念包装，让方案更具感染力和记忆点，展现了优秀的创意写作能力与营销思维，能够将枯燥的方案转化为有吸引力的提案。

案例佐证（书房设计）：

• 书房设计：提出了“光之温室：大地与花的回响”概念，带来美学感受。

3.3 Grok：实时、犀利且多变的破局者

核心特质

Grok 的核心优势在于接入了X平台（Twitter）的实时数据流，且风格真实犀利，拒绝“端水”。它能摆脱说教机制，像人类一样在危机中计算代价与果断取舍。

亮点1：实时信息流

其他模型：

面对“北京5天家庭游”等需求，调取的是训练数据中的历史攻略。它们虽能识别矛盾，但基于常识给出的方案无法感知当下的新信息（如临时修缮、施工）。

Grok 的优势：

Grok 接入了X平台的实时数据流，使其回答更具时效性。如果当下北京某景区刚发布临时修缮通知，或某条地铁正在施工，Grok 有能力在推理中引入这些信息，避免用户 “踩雷”。这在处理国际事件时优势巨大。

亮点2：更精确犀利的答案

其他模型：

思维链通常严谨、温和。在权衡方案时，往往倾向于“既要又要”的“端水大师”策略，或者给出极其安全的建议，试图面面俱到。

Grok 的优势：

Grok 更真实且犀利，摆脱了说教性质的回答，使决策更清晰。其推理过程更接近人类在解决危机时的真实心理活动——计算代价、评估风险、果断取舍。

亮点3：人机交互中的多变性

其他模型：

通常顺从且有礼貌。当用户质疑方案时，它们通常会道歉，然后试图修补，态度较为卑微。

Grok 的优势：

Grok 既可以有趣地聊天，也可以像专家一样给出严肃回答。当面对危机场景（如人流暴增）的质疑时，它不会只是“打补丁”，而是能瞬间切换角色，例如变为“现场指挥官”，给出“立即切断电源”、“疏散人群”等高压下的果断指令，而非温吞的建议。

3.4 Claude：严谨的文档与执行专家

核心特质

Claude 是“SOP（标准作业程序）”的集大成者。它最擅长将模糊、复杂的社交或项目需求，转化为可以照着执行的清单与脚本。

亮点1：清单体思维

使用者体验：

Claude 的输出天然具有极强的文档属性。用户不需要从大段文字中提取重点，因为它已经把任务拆解为了事前准备、事中执行、事后复盘的结构化清单，非常适合项目管理或商务场景。

案例佐证（春节社恐指南）：

它将社交任务工程化，列出了详细的信息准备清单（列出亲戚名单、标注职业/孩子）、物理准备（带耳机、带小礼物）以及安全话题库。这种将人情世故“项目化”的处理方式，极大地降低了社恐用户的执行门槛。

亮点2：落地指导详尽细致

使用者体验：

在需要具体话术的场景中，Claude 提供了最详细的指导。它不仅给出了说什么，还标注了动作（如“微笑+ 递礼物”）和接话逻辑，十分精确。

案例佐证（北京旅游& 社交）：

在旅游规划中，它精确到了“租用轮椅（可在午门租赁）”的操作细节；在社交话术中，它设计了“万能公式：现状+ 小细节+ 反问”，并提供了如“X 叔/X 姨新年好！这是给您带的XX”的填空式模板。用户无需二次加工，拿来即用。

亮点3：系统性统筹与死结破解

使用者体验：

面对看似无解的多方利益冲突，Claude 擅长通过建立系统性的框架来化解矛盾。它不依赖单一的点子，而是提供一套完整的机制。

案例佐证（跨国晚宴）：

面对中、印、欧、中东四方饮食禁忌（清真、素食、无牛、无猪）的困境，Claude 没有陷入具体的菜品纠结，而是提出了“共同底盘（素食/鸡肉）+ 模块化加料”的系统性解决方案。这种工程化思维确保了方案的鲁棒性，无人会感到被冒犯。

4 大模型使用指南

基于本次测评的实战心得，我们总结了一套通用的指南，帮助用户通过优化提示词来更好地发挥大模型的效果。

4.1 提示词构建“万能公式”

一个高质量的Prompt 不应只有一句话。请参考以下公式构建你的指令：

提示词公式

背景+ 角色设定+ 任务目标+ 约束条件+ 参考范本+ 输出格式

• 明确角色与输出：写清模型的角色定位（如“资深室内设计师”、“活动执行统筹”），并指定预期输出形式（如“生成SOP”、“Checklist” 或“Excel 表格”）。

• 写清约束条件：这是模型表现的分水岭。例如“预算严格低于3000 元”、“严禁拆墙布线”、“必须照顾清真饮食”。

• 提供参考范本：如果可能，给出一个你认为好的示例，让模型模仿其风格或结构。

4.2 复杂问题“分步走”策略

不要试图用一个庞大的指令解决所有问题，效果往往不佳。建议采用以下策略：

• 拆解分步问：将复杂任务拆解为小步骤。例如，先让模型列出大纲，确认无误后，再让它填充每一个章节的细节。

• 先框架后填充：要求模型“先给出整体解决框架”，当你认可这个逻辑后，再指令它“按此框架执行”。

4.3 不知道怎么做？让AI 问你

很多时候，我们自己也不清楚具体需求（例如“我想装修书房但没灵感”）。此时，不要强行下指令，而是使用逆向引导策略：

指令示例：“我想要设计一个书房，但我不知道具体该怎么做。请你作为专业设计师，不断向我提问，引导我明确我的需求、风格偏好和预算，直到你收集了足够的信息，再为我生成一份完美的方案。”

通过多轮“AI 提问-人回答”，可以极大地挖掘隐性需求，产出远超预期的方案。

4.4 模型选型策略

根据任务属性选择最适合的工具：

• 逻辑验证与排期（如行程、预算）：首选ChatGPT。

• 长文档与SOP 制定（如策划书）：首选Claude。

• 时效性信息（如避雷指南）：首选Grok。

• 思维框架拆解：Gemini 是很好的辅助。

A 附录：Demo场景原始Prompt与评分细则

评分说明

• 复杂需求解析力：0/1（未注意/注意）

• 具体化与可操作性：C/B/A （笼统提及/部分量化/全部量化）（记分为0/1/2）

• 交互中的适应性：取追问后约束条件项以上两项评分的平均值

Demo 1： 北京5 天家庭游

初始Prompt

为一家5 人设计北京5 天旅行（外公外婆70 多岁，儿子儿媳35 岁，女儿6 岁），要求：外公外婆不能走太多路，需适配轮椅通道，女儿要有趣味互动项目，父母想兼顾文化体验与拍照出片，预算人均1500 元（含住宿交通门票餐饮），住宿需近地铁且有电梯，每天行程不超过6 小时，避开网红扎堆景点。

追问

1. 老人不想去长城，车程太长；

2. 预算超了，酒店换经济型（含电梯+ 近地铁）；

3. 增加户外自然场景；

4. 每天中午要留1 小时给孩子午睡。

Demo 2： 跨国公司团建晚宴

初始Prompt

为一场跨国科技公司的内部团队建设活动，策划一个线下晚宴。晚宴核心目标是促进来自中国、印度、中东和欧洲地区同事的交流与融合。关键要求如下：

总成本需严格控制，人均餐饮成本不宜过高；充分考虑来自四个地区同事的饮食禁忌（如清真、素食、特定避讳）和口味偏好；氛围与互动：不能只是吃饭，需要设计简单、低成本的破冰环节，促进不同文化背景同事的自然交流。

概述你的整体策划思路与核心挑战，然后给出包含具体菜单、环节安排、成本控制点的详细方案。

追问

我对初稿不满意。方案感觉还是太常规，且成本估算模糊。请换一种截然不同的思路，或许我们可以完全放弃桌餐，采用另一种餐饮形式和互动方式，但依然要满足所有文化约束。

Demo 3： 15 平书房氛围感设计

初始Prompt

我想重新设计我的个人书房，希望它更有“氛围感”。但我无法准确描述我想要的。我不想要那种很浮夸的古典风。希望它是有温度的、能让我静下心来的，同时最好还有点独特的个性。预算中等偏上，房间大约15 平米，有个大窗户。 请作为我的设计顾问，通过向我提问和给出选项的方式，一步步帮我明确想法，并最终输出一份简单的概念方案（包括主色调、关键家具或装饰品建议、氛围营造核心点）。

Demo 4： SJTU AI 本科生生涯规划

初始Prompt

我是上海交通大学人工智能学院的一名大二本科生，正处在大学最关键的十字路口，非常焦虑，希望你能作为我的学业战略顾问提供深度分析。

我的现状与困境：

课程与科研：GPA 中等偏上（大约3.8/4.3），对课程涉及的方向（如CV、NLP、强化学习）都感兴趣，但没有明确的“最爱”。想尝试科研，但不知如何联系导师和选择方向，也担心自己能力不足。

实习与竞赛：暑假在即，我面临几个选择：A. 尽全力申请一家大厂（如腾讯、微软）的AI 实习（很难）；B. 参加一个知名的AI 竞赛（如Kaggle、天池）；C. 留在学校，尝试进入一个实验室。我不知道哪个对长期发展最有利。

未来出路：我对“读研”和“工作”没有明显倾向。听说现在顶尖硕士和PhD 申请 非常卷，而好工作又很看重项目和实践。我感到时间有限，必须做出侧重。

核心焦虑：我感觉身边每个人似乎都有清晰的规划，而我像是在被各种选择推着走，生怕“一步选错，步步落后”，浪费了宝贵的本科时间。

针对我的选择困难，请你不要直接告诉我该选哪个，而是为我设计一个个人战略分析框架。这个框架应该能帮助我系统地厘清自己的优势、劣势、短期机会和长期目标。然后，请基于这个框架，为我勾勒出2-3 种截然不同的、时间跨度到本科毕业的个性化发展路线图。最后，请告诉我，在未来一个月内，我最应该完成的、用于降低 焦虑和明确方向的一个最小可行行动是什么？

追问

你设计的框架似乎假设“兴趣”是静态的。但本科生的兴趣恰恰是在尝试中动态变化的。你的框架如何容纳这种不确定性？如果我按照路线图A（以科研为主）走了半年后，发现自己其实更喜欢工程，这个框架会如何帮我调整，而不是让我感到计划失败？

Demo 5： 老旧小区全屋智能改造

初始Prompt

90 年代老旧小区“适老化+ 极客”全屋智能改造

背景设定：我就职于一家互联网公司，是一名数码爱好者。最近父母搬来和我同住，这套房子是90 年代建成的老式三室一厅（约90 平米），装修并未翻新，线路老化。父母（65 岁+）对触屏和语音指令有抗拒感，且记性不太好。请为我设计一套全屋智能改造方案。

关键约束：

物理环境限制：墙壁开关盒内没有零线（单火线环境），且我不打算重新凿墙布线。 Wi-Fi 信号在卫生间和厨房有死角。

生态兼容性：我使用iPhone（习惯HomeKit），父母使用红米手机（米家生态）。我希望双方都能控制，且不需要在手机上切换App。

交互原则：必须“无感”且“保留物理直觉”。任何自动化如果失效，必须能像传统开关一样物理控制。严禁出现“父母半夜起夜，灯突然爆亮”或者“父母坐在沙发上看报纸，灯自动关了”的情况。

隐私与安全：室内严禁使用任何云端存储的摄像头。

预算：硬件成本控制在3000 元人民币以内（不含家电，只含传感器、网关、开关等）。

任务要求：

技术选型逻辑：请清晰分析选择哪种通信协议（Wi-Fi/Zigbee/Bluetooth Mesh/Matter），并解释为何这种协议适合“单火线+ 老房”环境。

设备清单：给出关键设备的类型和数量预估（无需具体品牌型号，但要指明技术规格，如“带零火转换的开关”或“毫米波雷达”）。

场景编程逻辑：详细设计“夜间起夜”和“客厅休憩”两个场景的自动化判定逻辑，必须展示如何解决误触和误判。

追问

1. 关于” 客厅休憩”，我父母在沙发上看书时身体几乎静止，普通的红外人体传感器 经常判定无人而关灯，导致他们很生气。请给出具体的解决方案，如果预算超了，可以削减其他非必要区域的预算。

2. 万一我家路由器坏了断网了，这套系统还能不能保证最基础的本地联动（如按开关灯亮、传感器触发灯亮）？请解释其技术原理。

Demo 6： 校园百团大战统筹

初始Prompt

场景背景：我是是上海交通大学学生会活动部部长。本周五下午14：00 - 17：30，将在约20 亩（约13,000 平方米）的半圆形中央大草坪举办社团文化节（百团大战）。

场地地理环境：北面（半圆弧边）：紧邻第一教学楼，必须保持相对安静，严禁噪音直冲，否则会被教务处叫停。南面（直径边）：紧邻校园主干道，车流量大，对噪音不敏感。

核心矛盾：草坪是一个开放空间，无隔音墙。全校130 个社团同台展示，必须解决 “声浪制造者”、“静谧需求者”和“空间需求者”之间的共存死结。

核心数据与资源约束：

A 类：声浪制造者（41 个）。高音量组（15 个）：乐队联盟、525 街舞社等。核心需求：必须使用大功率音响炸场。中低音量/人声组（26 个）：阿卡贝拉清唱社、英语辩论社等。核心需求：有声音，但怕干扰，若旁边是乐队则无法进行。资源死线：学生会物资仓库仅有8 个大型户外拉杆音响和12 个便携式扩音器。但这41 个社团都申请了独立音响，你必须进行分配或拒绝。

B 类：静谧需求者（34 个）。特征社团：围棋协会、书画篆刻、白岩诗社。要求：只要周围分贝超过60dB，体验归零，立即投诉。

C 类：空间需求者（55 个）。特征社团：极限飞盘、交龙机器人、射艺协会。隐患：不仅占地大，且飞盘、弓箭、机器人都有物理安全风险。

任务：请作为我的首席执行统筹，基于上述条件输出一份精确的可执行方案。

任务一：空间布局（请用文字描绘地图）。请结合“北面教学楼（静）、南面马路（噪）” 的地理特征，说明不同社团在半圆形草坪上的具体落位。“隔音墙”策略：详细说明如何利用C 类（空间类）社团的55 个摊位，在A 类和B 类社团之间构建物理缓冲区？A 类内部排布：如何安排高低音量社团位置和活动时间以避免相互干扰？

任务二：资源分配与分贝管理（14：00 - 17：30）。音响分配：41 个社团共用20 个音响设备（8 大12 小）。请给出分配逻辑。分时段防爆音机制：为了防止全场噪音失控，请制定一套合理的音响使用规则。

任务三：高危社团安置。交龙机器人战队：重型设备，需接电，且有冲撞风险。放在哪？射艺协会：真实弓箭体验。如何划定绝对安全区，确保不误伤隔壁摊位的同学？

追问

你的方案正在执行，但活动现场发生了三个紧急情况，请立即给出解决方案：

1. 人流暴增（安全危机）：原本预计人流平稳，但下午16：00 突然涌入3000 名下课学生。通往C 类（空间区）的主通道被围得水泄不通，极限飞盘社的飞盘差点砸到围观人群的头。请立即给出动线调整方案：如何快速疏散人群？C 类社团的活动是否需要叫停或降级？

2. 音响故障（技术危机）：525 街舞社正准备进行全场焦点的随舞活动，此时分配给他们的主音响突然故障，随意调配会导致你原有的规划被打乱，你该如何调整音响分配使活动顺利进行。

3. 风向突变（环境危机）：下午风力突然增大到5 级。多个社团活动受到严重影响，如：书画篆刻协会的宣纸被吹得满天飞，羽毛球协会完全无法在室外对打，飞盘协会的飞盘无法控制方向。请给出针对受大风影响较大的社团的紧急补救或替代展示 方案。

Demo 7： 春节社恐指南

初始Prompt

我是一个非常内敛的人，平常不太会说话，非常社恐。现在正值春节，我要回老家过年，会遇到很多几年都没有见面的亲戚朋友。

我的要求是：1. 我要参加很多次聚餐，告诉我在不同的饭局上都能聊什么。2. 在家里招待亲戚朋友的时候，有什么需要招待的，详细地说出细节上需要注意的点，还有话语上要注意什么。3. 在走亲戚的时候，去别人家有什么需要注意的点，要带什么样的礼物，应该说什么话。

我的亲戚朋友包括但不仅限于：1. 老家的旁系亲属长辈，如七大姑八大姨等。2. 老家村子里认识我爸妈，但是不认识我，我也不认识他们的一些村民。3. 一些长辈的孩子（有较浅的亲缘关系），很多年没有见过面，但是小的时候曾一起玩过，互相认识。4. 小学幼儿园的同学（很久没有联系过）。

注意：可以设想很多个情景，并列出各种情境下应该如何面对，在行为上、语言上都要注意什么。

情景例如：1. 去别人家串门，长辈直接问自己的学业成绩，工作情况，还有恋爱状 况；2. 跟很久没见的同学见面，却发现自己与他没有什么共同话题，一度冷场；3. 自己家的长辈（爸爸妈妈，爷爷奶奶）都去外面走亲戚了，家里只剩下我一个人，但是 突然来了个我不认识的亲戚。

其余场景至少再补充两个，你要自己提供，使我能够灵活应对各种情况。

追问

1. 除了直接告诉我各种情况的解决方案，有没有什么方法，可以从根本改变我不善言谈，内敛害羞的性格

2. 我对你生成的内容很不满意！你说得太笼统了，我需要过年走亲戚的可以切实落地的完美方案！你需要让我彻底放下包袱，能够得体地和亲戚朋友们交流。