更好的提问：如何让模型给出可检查的答案？

核心问题

为什么有些人问 AI 得到的答案清楚、有用、可执行，有些人得到的却很泛、很虚、很难落地？差别不只在模型能力，也在问题是否给出了足够上下文和检查标准。

更好的提问，不是把 Prompt 写得像咒语，而是让模型知道：你是谁、要完成什么、有哪些边界、输出给谁看、结果如何判断好坏。

先建立直觉

想象你让同事“帮我写个总结”。他会问：总结哪份材料？给老板看还是给客户看？要一页还是三句话？重点是风险、进展还是下一步？如果这些都不说，对方只能凭猜测完成。

问模型也是一样。模糊问题会迫使模型猜你的目标，猜错后就会产生看似完整但不合用的答案。清楚问题不是让模型更听话，而是减少它需要猜的部分。

概念拆解

一个可检查的 Prompt 通常包含四类信息。

第一是背景：你在什么场景下使用答案，读者是谁。第二是任务：模型具体要做什么，是总结、改写、比较、提取还是生成。第三是边界：不要做什么，哪些信息不确定，哪些结论必须保守。第四是输出格式：列表、表格、步骤、JSON、邮件草稿还是提纲。

如果任务涉及事实，还应该加上检查要求。例如“请区分原文明确说的内容和你的推测”“引用依据句”“不确定时直接说明不知道”。这些要求会让答案更容易被人类复核。

互动理解

下面的组件会逐步展开可检查的推理步骤。你可以观察：把条件、顺序、计算和检查拆开后，错误更容易被发现。

常见误区

第一个误区是相信万能 Prompt。没有一个提示词能适合所有任务。写总结、做计划、查事实、改代码、生成创意，需要的上下文和检查方式都不同。

第二个误区是 Prompt 越长越好。长 Prompt 如果堆满无关背景，会浪费上下文并干扰重点。好的 Prompt 是信息密度高，而不是字数多。

第三个误区是用命令语气替代质量标准。反复说“你必须认真”“不要出错”帮助有限。更有效的是告诉模型如何判断答案合格，例如“列出依据”“给出反例”“说明不确定性”。

实用方法

可以用一个简单模板开始：

你扮演的角色是什么？要完成的任务是什么？输入材料是什么？输出给谁看？必须遵守哪些边界？答案应该是什么格式？哪些地方需要标注不确定？

比如，不要只说“帮我分析这份报告”。可以说：“你是面向非技术管理者的产品顾问，请把这份用户访谈整理成 5 条主要痛点，每条包含原话证据、影响、建议动作。不要编造未出现的信息；不确定的地方单独列出。”

这样的提问不是为了讨好模型，而是为了让输出能被检查、复用和交付。

自我检查

把一个模糊问题改造成好问题，可以按“补四件事”练习：补读者、补目标、补边界、补格式。例如“帮我写一份方案”可以改成“面向部门负责人，用 800 字说明引入客服机器人试点的收益、风险和三周执行计划，风险部分必须包含人工兜底”。

如果你经常觉得 AI 回答“很空”，通常不是因为它不会写，而是因为你没有告诉它什么叫不空。给出判断标准，模型才知道该往哪里用力。

真实场景

同样是让 AI 写周报，“帮我写周报”会得到通用模板；“请根据以下 5 条进展，写给项目负责人看的周报，分为本周完成、风险、下周计划，每条不超过 40 字，风险必须给出负责人”就更可交付。后者不是更玄学，而是把读者、材料、结构和验收标准说清楚了。

一个好习惯是先让模型复述任务理解。如果复述都偏了，后面生成再长也不值得信任。

另一个好习惯是把“不要做什么”说清楚。比如“不要编造未提供的数据”“不要使用夸张营销语”“不要替医生下诊断”。这些边界会直接影响输出质量，也能提醒你自己哪些地方需要人工确认。

如果输出仍然不理想，不要只换模型。先检查 Prompt 是否缺少材料、读者、格式或验收标准。很多所谓模型能力问题，其实是任务描述没有进入上下文。

把好问题写清楚，本身就是一种工作能力。它会倒逼你明确目标，也会让团队对交付标准形成共识。

长期看，优秀的 Prompt 会沉淀成团队知识：新人可以复用，项目可以追踪，输出可以持续改进。它不是个人小技巧，而是流程资产。

流程资产越清晰，模型越稳定。

也越容易交接。

延伸阅读

• 本章的提问技巧直接服务于让推理更可检查——回顾第 10 章：推理
• Prompt 不只是提问，更是上下文控制——第 16 章：Prompt给出完整的 Prompt 编写框架

一句话总结

好 Prompt 的核心不是神奇措辞，而是给足上下文、边界和检查标准，让模型少猜、让人类好查。