---
title: '08 LLM 与 Python 脚本之别'
video_id: MxyRjL7NG18
part: 8
---

> 章节 8 / 37 · [[00-总览|课程总览]] · 起始 [1:07:09](https://youtu.be/MxyRjL7NG18?t=4029)


## 章节主旨

用「给列表排序」这个最简单的任务,现场对比 LLM 原生智能 vs Python 脚本两种做法,得出一条贯穿全课的原则:LLM 只留给判断,确定性执行交给代码。

## 核心论点

1. **同一件确定性小事,脚本比 LLM 快几百倍、便宜几百倍且更准**——排序 demo 里脚本 53 毫秒完成,LLM 逐 token 输出要十几到三十秒。([[#1-排序-demo原生-llm-vs-脚本-10742|→ 详解1]])
2. **该原则=把确定性工作推进工具**:LLM 负责决策,脚本负责执行,二者分工。([[#2-原则确定性工作推进工具-10924|→ 详解2]])
3. **这正是 DOE 框架的落点**,后续所有工作流都按「LLM 判断 + 代码执行」搭建。([[#3-接入-doe-框架-10949|→ 详解3]])

## 知识点详解

### 1. 排序 demo:原生 LLM vs 脚本 [1:07:42](https://youtu.be/MxyRjL7NG18?t=4062)

Nick 让 agent 先只用 LLM 原生智能排序,禁用任何工具,并自行计时。展开 reasoning 面板能看到模型在逐个 token 手动输出整份排好序的列表,从头到尾约花了半分钟。模型自称「没有内部时钟」,但肉眼可见其慢。

再让它「改成跑脚本」——agent 转而调用一个现成的 Python 排序脚本,右侧几乎瞬间给出结果,且准确度显著更高。

脚本实测 53 毫秒完成 [1:08:48](https://youtu.be/MxyRjL7NG18?t=4128);而 LLM 那侧即便不算调用它的往返延迟,也在十几到三十秒量级。

差距不只是速度。Nick 强调脚本还「几百倍地更省钱」[1:08:56](https://youtu.be/MxyRjL7NG18?t=4136):在自己或云端 CPU 上跑一段排序脚本几乎零成本,而 LLM 每次调用都在烧 token。

### 2. 原则:确定性工作推进工具 [1:09:24](https://youtu.be/MxyRjL7NG18?t=4164)

Demo 里连模型自己都总结出了这条:这是「把确定性工作推进工具」的核心论据——LLM 处理决策,脚本处理执行。

一句话概括:把大模型调用留给需要判断的环节,其余交给代码 [1:09:36](https://youtu.be/MxyRjL7NG18?t=4176)。这样做同时换来更快、更可靠、更便宜三重收益。

这条分工是概率系统 vs 确定性工作的具体操作化:排序这种有唯一正确答案的确定性任务,没必要交给一个概率性生成器去猜。

### 3. 接入 DOE 框架 [1:09:49](https://youtu.be/MxyRjL7NG18?t=4189)

这条「判断归 LLM、执行归代码」的分工,正是 DOE 框架(Directive Orchestration Execution,指令-编排-执行)的落脚点。

Nick 说本课后续所有工作流都会按这个框架搭建,本章的排序对比就是它最小的代表性例子。

## 术语

- native LLM intelligence(LLM 原生智能,不借助任何外部工具、纯靠模型本身推理生成的能力)
- deterministic(确定性,同输入必得同输出、有唯一正确答案的计算)
- DOE / Directive Orchestration Execution(指令-编排-执行框架,本课搭建工作流的主线方法)

## 自检问题

1. 同样给列表排序,为什么优先用 Python 脚本而不是让 LLM 直接排?
   **答案**:脚本快几百倍(53 毫秒 vs 十几到三十秒)、便宜几百倍(几乎零成本 vs 烧 token)、且准确度更高。排序是有唯一正确答案的确定性任务,不需要概率性生成器去猜。[1:08:48](https://youtu.be/MxyRjL7NG18?t=4128)
2. 「LLM 负责什么、代码负责什么」这条分工怎么说?
   **答案**:把大模型调用留给需要判断/决策的环节,其余确定性执行交给代码。换来更快、更可靠、更便宜。[1:09:36](https://youtu.be/MxyRjL7NG18?t=4176)
3. 本章的排序对比对应课程里哪个框架?
   **答案**:DOE(Directive Orchestration Execution,指令-编排-执行)框架,本课后续工作流都按此搭建。[1:09:49](https://youtu.be/MxyRjL7NG18?t=4189)