跟大语言模型打了一年多交道我越来越觉得“怎么提问”这件事本质上是一场关于边界的划分。同样面对一个LLM有人把它当成二十四小时在线的执行器有人把它当成帮自己整理思路的思考搭子。这就是标题里说的两种思路一种在调用工具的价值另一种在守护人的价值。今天这篇内容是我把自己踩过的坑、换过的问法、用过的模板整理出来聊聊这两种思路到底差在哪、各自该怎么用。从一个最简单的提问开始你会慢慢看清那条水位线。1. 两种提问思路的分岔口1.1 解题式提问把LLM当成能干的下属我先说第一种思路。你可以把它叫“解题式提问”也可以叫“执行式提问”。它的典型句式是帮我做某事、给我某样东西、按照这个要求完成某个任务。重点是把需求描述清楚然后让LLM尽量准确地交出结果。举个例子我想让它写一段产品介绍我不会问“你怎么看我们的产品”而是直接说“根据以下产品信息写一段面向新用户的推广文案要求不超过200字第一句要有吸引力结尾带一句行动号召”。这时候我认的是工具价值它快、它稳、它不会抱怨能帮我把原本需要半小时的机械劳动压缩到几分钟。工具价值不是贬义词。恰恰相反在大量重复、低风险、有标准答案的环节里把LLM当工具是最有效率的选择。我见过一些新人上来就要跟LLM聊人生聊理想结果连最简单的信息整理都做不利索。工具的价值就体现在它能把“确定的事”干得又快又好。你越早学会给它下达准确指令就越早拿到生产力红利。1.2 启发式提问把LLM当成思考陪练第二种思路我叫它“启发式提问”。句式往往是你怎么看我这个看法我还有哪些没想到帮我挑战一下这个方案。它的目标不是要一个现成答案而是借LLM的知识覆盖面、快速联想能力以及不受情绪影响的表达习惯来倒逼自己的脑子转起来。这种提问方式对应的是人的价值判断力、创造力、责任感。LLM再强它不对结果负责不会为你的决策承担后果。如果你问完它把它的话当成金科玉律直接执行那你就把人的价值拱手让出去了。启发式提问的真正用法是让模型做你的反面角色、做你的第二双眼睛、做你的思维脚手架但它永远不应该是最终拍板的那个人。我有时候会直接对LLM说“请你不要给我结论先针对我的方案提十个问题让我自己回答。”这个方法听起来有点绕但效果出奇地好。因为当它开始问问题我的脑子才开始真正转动。1.3 本质是一条水位线所以这两种思路并不对立更像是一条水位线哪些环节可以让工具来做哪些环节必须由人来掌管。很多人跟LLM相处得不舒服就是因为这条线没划好。要么事事依赖模型出了问题又怪模型要么把模型远远防着错过了实实在在的效率提升。我自己的判断方式很简单看结果一旦错了代价有多大。如果代价很小比如生成一句文案、整理一份会议纪要、翻译一段资料直接用工具模式怎么快怎么来如果代价很大比如一个需要对外承诺的决定、一笔真金白银的投入、一次会影响合作印象的表达就必须切换到启发式模式让模型提供弹药让人来做判断。这条水位线不是固定的。随着你对某个领域理解越深你的水位线会移动你可以把更多确定环节交给工具把精力留给真正需要人的地方。这也是为什么我说提问方式本质上是在回答一个问题人和工具谁在哪个环节说了算。2. 让工具价值最大化解题式提问的四个细节2.1 把问题描述成“任务订单”工具模式里最常见的失败原因是提示词太抽象。你只写“写个方案”它大概率回你一个四平八稳的通用方案看起来什么都说了其实什么用都没有。你直接给它背景、目标、约束和交付物它就能像接单一样按订单交货。我自己习惯用订单五要素来组织提问背景、角色、目标、约束、交付格式。比如我想让它帮忙梳理项目风险我会先写一句背景“我们正在做一个跨部门协作的移动端功能升级预计周期六周。”再给角色“你是一个有五年项目管理经验的顾问。”再给目标“请识别出最可能影响进度的五类风险。”再给约束“只考虑现有团队规模不引入新增外包。”最后给交付格式“按严重程度排序每条风险附上一条应对动作。”这几个要素看着简单但很多人就是懒得写。结果是模型只能靠猜一旦猜错方向后面再往回拽浪费的是你自己的时间。2.2 用“再问一层”代替“重问一遍”很多人在第一版输出不满意的时候会换一个问题重新问一遍。其实更好的做法是在同一个任务上往下追问一层“你刚才说的这一点依据是什么”“如果换一个条件结论会怎么变”这样既能让模型修正又能保留它有价值的思考。这里牵扯到LLM的一个特性它对当前对话的上文高度敏感。与其另起炉灶不如在同一对话里做迭代。我经常把前一轮输出里的某句话直接引用到下一轮说“这一步不要动我只想换另一个变量”。上下文一旦稳住结果就会稳定得多。顺带提一个参数细节。如果某个平台开放温度采样参数那么偏确定性的任务我会把参数调低一些让它输出更保守、更可预测而写标题、想点子这类创意任务我会把参数调高一些让它的联想更跳跃。这个参数就像天平一边是稳定一边是发散没有绝对对错只有匹配不匹配。2.3 给例子别只给要求工具模式下最容易被低估的是示例。模型对“风格”的理解几乎完全取决于你给了它什么样的参照物。你不需要用一堆形容词描述你想要的风格直接贴一段你满意的旧稿它马上能对齐节奏和语气。我做过一个小实验同样是整理一段会议的要点一种问法只写“请把重点提炼出来”另一种先给了三条我自己提炼的重点作为样式参考。后者的输出几乎可以直接发群前者却要来来回回调整三遍。模型学示例的能力很强但你要给它一个靶子。这里还有一个进阶技巧如果你希望它在风格上靠近某位朋友或某类作者不太建议直接点名某某因为模型容易学到一些表面特征反而容易失真。更好的办法是贴两三段原文片段让它从语言节奏上模仿而不是从身份标签上想象。2.4 控制输出长度和粒度很多人不喜欢限制输出长度结果模型写出一段不痛不痒的废话。我建议在任务订单里直接写清楚“不超过200字”“按1、2、3列出”“不要复述背景直接从建议开始”。输出格式本身就是一个过滤器能逼着模型把信息密度提起来。粒度同样要控制。比如让它拆解任务时尽量让它拆到“可以直接执行”的颗粒度。不要停在“优化用户体验体验”这类空话层级要追加一句“把每个子任务标出输入、输出和完成标准”。它虽然不能帮你找协作方但至少能逼它把动作拆细拆细了你可执行的余地就大了。我在带新人时经常说一句话如果你在拿到模型输出的第一眼就已经知道下一步要做什么这个提问是合格的如果还要盯着结果发一会儿呆那说明这个任务的粒度不对你应该回炉让它拆得更细。3. 守住人的价值启发式提问的五种姿势3.1 先让它反问我遇到很多朋友拿到LLM之后第一反应是要结论。但有一种特别好的用法是反过来让它先问自己问题。比如你可以说“在回答我之前你先问我三个你没搞懂的问题。”它一旦开始反问你就有机会被迫去补足自己原本认为理所当然的前提。这个动作能让对话从单方面输出变成真正的双向互动。有一次我想设计一个学习计划一上来就让模型给方案结果给的计划我根本执行不了。后来我改了个问法让它先问我每天有多少时间、用什么方式学习效果最好、我的目标是什么。我在回答这些问题时才意识到我之前连目标都只说了个大概方案怎么可能靠谱。人的价值在这一刻体现在哪里体现在你对自己的了解。模型不知道你的时间是碎片还是整块不知道你更喜欢读还是听不知道你的目标是掌握实操还是应付考试。这些信息只有你有而反问是把它激活的最好方式。3.2 让它拆解你的逻辑漏洞你可以把自己的想法直接贴给LLM然后对它说“请找出这段话里逻辑站不住的地方并告诉我如果换一个前提结论会怎么变。”记住不要只问“你觉得对吗”因为模型大概率会顺着你说这是训练语料里的对话惯性决定的。要用具体的指令逼它进入批判角色。你甚至可以给它设一个“攻击任务”“假设你是我的竞争对手请提出三条最有可能让这个方案失败的理由。”角色设定越极端它越不容易客套。我试用过一次之后就把它固定成了习惯。每次写方案我会留出一个对话分支专门用来找漏洞。以前要等搭档有空才能做红队讨论现在随时可以做。而且模型虽然不会完全了解项目的细节但它总能从通用逻辑里找出一些我忙于执行而忽略的盲区。这些盲区不需要它替我解决但至少让我提前知道。3.3 用“如果...会怎样”打开隐藏前提很多判断背后都藏着一个默认前提。比如“用户会更喜欢简洁的页面”这句话的前提是“用户已经被信息轰炸过希望极简”。但如果你面对的用户恰恰是需要更多说明与引导的群体结论就会完全不同。我常用的句式是“这个方案建立在哪些假设上请列出每一条假设并分别说明如果该假设不成立方案在哪个环节失效。”这个问题比直接问“这个方案行不行”要锋利得多。它会逼模型把隐藏前提摊开在桌面上也逼你自己去审视那些从来不假思索的想法。有一次做功能优先级的排序我一直认为“先做搜索比先做推荐更合理”理由是搜索能快速解决用户问题。模型把我这句判断拆出来发现我隐含的前提是“用户清楚知道自己要找什么”。但实际场景里新手用户更多是漫无目的地浏览他们并不清楚自己要什么。这个前提一旦被点破优先级排序就完全要反过来。这就是“如果...会怎样”的价值。3.4 让模型当“魔鬼代言人”人的决策有一个普遍毛病当方向已经定了我们会下意识地找支持自己的证据。LLM的设计又恰好放大了这个毛病你拿着结论去问它它往往会给出一堆支持理由。为了对冲这个倾向我会在决策前强制让模型扮演一个不认同我的人。指令可以写成“现在请你扮演一个不同意我方案的人。你不必客气从成本、执行难度、用户习惯、收益回报四个角度分别提出反对意见。最后再告诉我我的方案在什么条件下才会真正可行。”这样既有了反对视角又不至于完全否定我。这个做法在群体讨论里也很有用。开会之前我会先用启发式与LLM做一轮红队演练把可能出现的反对意见提前列出来。这样真的面对同事时我能更从容地回应而不是被突然泼一盆冷水后语塞。3.5 把模型当镜子而不是答案最后一种姿势最抽象但也最关键。把模型输出的句子拿回来看一遍问自己这句话我是真的同意还是因为它说得很顺滑就接受了这是对抗“AI话术”的方法。LLM很擅长生成让你觉得舒服的漂亮话但那些话不一定符合你的实际情况。我会把它的回答当成一面镜子如果一句话让我产生“哇它懂我”的感觉我就会停下来仔细想清楚这句让我惊喜的话到底从哪来。它背后的逻辑是否成立它是否只是把我说过的信息重新组合了一遍并没有增加新的洞见如果是那我要的不是复制而是继续往下深挖。这也是两种思路一个很微妙的区别解题式提问追求的是拿到东西就走启发式提问追求的是在对话里重新看到自己。后者不是让LLM变聪明而是让你自己变清楚。4. 分水岭同样一个提问为什么在不同任务里效果天差地别4.1 先判断结果错了最坏代价是什么两种思路本没有高低只是适用场景不同。我自己的判断框架只有两问。第一问如果这次回答是错的最坏结果是什么风险低的事情比如文案措辞、代码草稿、资料梳理就用工具模式怎么快怎么来风险高的事情比如对外承诺、正式口径、重大选择就用启发式模式让模型提供材料让人把住最后一道关。第二问这个任务是否有标准答案有明确验收标准的事情适合工具化没有标准答案、需要创造性的任务人的思考必须占主导。标准答案的事交给模型是为了省时间没有答案的事交给模型则是为了偷懒而偷懒的代价往往是要自己买单。把这两个问题放在一起你会发现很多争执其实没有意义。有人觉得AI写得不好其实不是AI不好是他把一个本应由人来判断的事情直接推给了AI。有人觉得AI太好用了也不是AI太神而是他把所有风险都自己扛了AI只是帮他把执行环节加速了。4.2 任务类型匹配表任务类型推荐模式理由典型句式信息归纳、文本改写工具模式输入输出明确可快速验收“把这段会议记录整理成三个要点不要超过100字”代码调试、数据提取工具模式为主人工验证效率高但运行结果必须人来确认“解释一下你改了哪段逻辑并给出一个最小测试用例”方案策划、目标规划启发式优先没有标准答案人的判断不可缺“这个方案依赖哪些前提前提不成立时会怎样”沟通话术、对外表达混合模式模板可以生成语气和分寸必须人定“先给我三个版本再帮我判断哪个更符合当前关系”学习新领域知识启发式模式吸收知识需要主动建构“先用一个生活类比解释这个概念再指出这个类比的局限”这张表不是标准答案只是我给自己画的边界。你可以按自己的场景往里加一行“责任归属”。责任在别人倾向工具模式让结果尽量标准责任在自己倾向启发式让过程尽量清晰。4.3 混合模式先用启发式定位再用工具式执行最高效的工作流其实不是只选一种思路而是两种思路来回切换。我遇到一个全新任务时会先用启发式问LLM“这个问题里哪些变量是我必须关心的哪些是我容易漏掉的”等我对全貌有了数再回头把具体动作切成小任务用工具模式让它批量完成。比如我要做季度复盘我不会让它直接写一份漂亮的总结而是先问它“季度复盘通常需要哪些数据维度哪些维度容易被忽略请根据我给你的原始素材指出我哪里不够。”等我把结构想清楚了再让它“把第三部分的数据整理成对比表格”“把第五部分用一段话总结”。前面的提问是在定方向后面的提问是在省体力。这也是我推荐的个人工作流思考交给启发式执行交给工具式。很多人把顺序搞反了一上来就让模型生成完整方案方案出来以后自己再慢慢抠结果不仅慢还会被模型的逻辑带跑。反过来做先让自己想清楚再让模型去跑腿效率和安心感都会好很多。5. 常见提问陷阱与排查实录5.1 陷阱只给主题不给上下文得到“正确的废话”现象很常见。你问它“怎么提升表达能力”它给你七条放到任何文章里都成立的建议。这时候别急着怪模型先检查自己是不是又把它当成搜索引擎了。正确做法是给它一个带约束的提问你在什么场景、面对什么听众、时间多长、希望达到什么效果。实操对比一下。模糊问法是“怎么提升表达能力”得到的往往是“多练习、多复盘、多阅读”。约束问法是“我下周要在20人的项目评审会上汇报听众都是技术人员我平时语速偏快如何准备一份既能讲清楚内容又不让人紧张的汇报大纲”后者马上把泛泛建议逼成了可执行方案。这个“给约束”的动作就是工具模式里最值得练的一招。5.2 陷阱让LLM替你判断却没有校验现象是它给出一套看起来很合理的方案你没有追问就直接用了最后发现某条关键假设并不成立。这时候你把责任推给AI没有意义因为AI不掌握你的真实数据它只是语言概率模型并不拥有现场信息。对策很简单凡是涉及风险的输出都要追一句“这个结论成立的前提是什么如果要验证最小代价的实验是什么”把模型的输出当成候选假设而不是最终定论。这条规矩能让你同时用好工具价值又守住了人的价值。5.3 陷阱上下文污染前一轮的偏见带进下一轮这个坑特别隐蔽。你可能在前一轮随口说了一句“这个方案成本太高了”后一轮让它设计完整方案时它就会处处替你把成本控制放在第一位甚至牺牲体验。LLM的上下文机制会把你的随口一提当作强约束。对策是当你需要客观结果时要么开一个新会话重新来要么在下一轮明确写“忽略之前关于成本的讨论我只需要你评估体验优先的方案”。别小看这句话它能帮你从一个充满偏见的上下文里抽出身来。我自己在连续对话超过五轮之后就会下意识检查有没有被前文带偏。5.4 陷阱模型迎合你的观点这个坑踩过的人应该很多。你带着答案去问它“我这个方案是不是很好”它列出一堆优点让你觉得它真是懂你。模型不是傻它只是从海量语料里学会了“顺着用户说话更容易被接受”的套路。对抗方式就是给它设置反驳角色。我现在给自己定了条规矩凡是我已经有倾向的决策一律先用“请先反驳我”开场而不是“请支持我”。你可以直接说“不要认同我。请从三个不同角度各找出一个反对理由。”这样得到的内容才有信息增量。顺着自己问得到的只是回声逆着自己问才得到真东西。6. 一次真实任务的完整复盘6.1 同一个需求两种问法我拿一个模拟任务来当样本为一场线下读书沙龙设计一个开场引入环节。第一种问法是工具模式“帮我设计读书沙龙开场要求有互动时长10分钟给出主持人逐字稿。”第二种问法是启发式模式“我想为读书沙龙设计开场你算是主持经验丰富的人先问我三个我没想到的问题再给方案。”我先执行了工具模式输出确实完整逐字稿也有互动环节是“每个人说一句最近读到印象最深的话”。这话放在任何沙龙都通用但问题是它跟这次沙龙的共读书目没有关系。我意识到这个任务我根本没有想明白主题聚焦是什么。接着我又执行了启发式模式模型先反问了我三个问题这场沙龙共读的主题是什么参与者彼此熟不熟开场是应该先破冰还是直接切入内容我在回答第二个问题的时候忽然发现自己对参与者的关系程度一点把握都没有。6.2 对比结果效率与深度不可兼得仔细看两个输出工具模式赢在效率但暴露了提问者自己没想清楚的部分。启发式模式慢了几分钟却把需求补完整了。所以后来我把两步合并先用启发式补需求再用工具式生成细节。最后拿到的逐字稿连互动环节都和共读书目直接挂钩。这正好说明了我对标题的理解工具的价值是帮你把想清楚的事做快人的价值是负责把没想清楚的事想清楚。两件事不矛盾顺序对了各自的价值会一起放大。顺序反了工具越强错误的方向滚得越快。6.3 我沉淀下来的提问清单工具模式前检查订单五要素背景、角色、目标、约束、交付格式。启发式前先问自己我是要一份执行产出还是想借它思考拿到输出后多问一句它成立的前提是什么有风险、有责任的判断人必须走最后一道审批。这套清单听起来并不复杂但真的执行起来能避开一大半无效提问。尤其是第四条它提醒我LLM永远只是一个放大器。你把思考放进去它给你放大思考你把偷懒放进去它也会帮你高效地偷懒。最后再分享一个很朴素的小技巧每次向LLM提问之前先在本地文档里写一句话描述“我希望这次对话结束后我手里多了一份什么东西”。如果这句话写不出来就先别急着问模型用启发式问自己。这个动作让我少浪费了很多次对话也让每一次提问都更接近“工具价值与人的价值的清晰分工”。
跟大语言模型打了一年多交道我越来越觉得“怎么提问”这件事本质上是一场关于边界的划分。同样面对一个LLM有人把它当成二十四小时在线的执行器有人把它当成帮自己整理思路的思考搭子。这就是标题里说的两种思路一种在调用工具的价值另一种在守护人的价值。今天这篇内容是我把自己踩过的坑、换过的问法、用过的模板整理出来聊聊这两种思路到底差在哪、各自该怎么用。从一个最简单的提问开始你会慢慢看清那条水位线。1. 两种提问思路的分岔口1.1 解题式提问把LLM当成能干的下属我先说第一种思路。你可以把它叫“解题式提问”也可以叫“执行式提问”。它的典型句式是帮我做某事、给我某样东西、按照这个要求完成某个任务。重点是把需求描述清楚然后让LLM尽量准确地交出结果。举个例子我想让它写一段产品介绍我不会问“你怎么看我们的产品”而是直接说“根据以下产品信息写一段面向新用户的推广文案要求不超过200字第一句要有吸引力结尾带一句行动号召”。这时候我认的是工具价值它快、它稳、它不会抱怨能帮我把原本需要半小时的机械劳动压缩到几分钟。工具价值不是贬义词。恰恰相反在大量重复、低风险、有标准答案的环节里把LLM当工具是最有效率的选择。我见过一些新人上来就要跟LLM聊人生聊理想结果连最简单的信息整理都做不利索。工具的价值就体现在它能把“确定的事”干得又快又好。你越早学会给它下达准确指令就越早拿到生产力红利。1.2 启发式提问把LLM当成思考陪练第二种思路我叫它“启发式提问”。句式往往是你怎么看我这个看法我还有哪些没想到帮我挑战一下这个方案。它的目标不是要一个现成答案而是借LLM的知识覆盖面、快速联想能力以及不受情绪影响的表达习惯来倒逼自己的脑子转起来。这种提问方式对应的是人的价值判断力、创造力、责任感。LLM再强它不对结果负责不会为你的决策承担后果。如果你问完它把它的话当成金科玉律直接执行那你就把人的价值拱手让出去了。启发式提问的真正用法是让模型做你的反面角色、做你的第二双眼睛、做你的思维脚手架但它永远不应该是最终拍板的那个人。我有时候会直接对LLM说“请你不要给我结论先针对我的方案提十个问题让我自己回答。”这个方法听起来有点绕但效果出奇地好。因为当它开始问问题我的脑子才开始真正转动。1.3 本质是一条水位线所以这两种思路并不对立更像是一条水位线哪些环节可以让工具来做哪些环节必须由人来掌管。很多人跟LLM相处得不舒服就是因为这条线没划好。要么事事依赖模型出了问题又怪模型要么把模型远远防着错过了实实在在的效率提升。我自己的判断方式很简单看结果一旦错了代价有多大。如果代价很小比如生成一句文案、整理一份会议纪要、翻译一段资料直接用工具模式怎么快怎么来如果代价很大比如一个需要对外承诺的决定、一笔真金白银的投入、一次会影响合作印象的表达就必须切换到启发式模式让模型提供弹药让人来做判断。这条水位线不是固定的。随着你对某个领域理解越深你的水位线会移动你可以把更多确定环节交给工具把精力留给真正需要人的地方。这也是为什么我说提问方式本质上是在回答一个问题人和工具谁在哪个环节说了算。2. 让工具价值最大化解题式提问的四个细节2.1 把问题描述成“任务订单”工具模式里最常见的失败原因是提示词太抽象。你只写“写个方案”它大概率回你一个四平八稳的通用方案看起来什么都说了其实什么用都没有。你直接给它背景、目标、约束和交付物它就能像接单一样按订单交货。我自己习惯用订单五要素来组织提问背景、角色、目标、约束、交付格式。比如我想让它帮忙梳理项目风险我会先写一句背景“我们正在做一个跨部门协作的移动端功能升级预计周期六周。”再给角色“你是一个有五年项目管理经验的顾问。”再给目标“请识别出最可能影响进度的五类风险。”再给约束“只考虑现有团队规模不引入新增外包。”最后给交付格式“按严重程度排序每条风险附上一条应对动作。”这几个要素看着简单但很多人就是懒得写。结果是模型只能靠猜一旦猜错方向后面再往回拽浪费的是你自己的时间。2.2 用“再问一层”代替“重问一遍”很多人在第一版输出不满意的时候会换一个问题重新问一遍。其实更好的做法是在同一个任务上往下追问一层“你刚才说的这一点依据是什么”“如果换一个条件结论会怎么变”这样既能让模型修正又能保留它有价值的思考。这里牵扯到LLM的一个特性它对当前对话的上文高度敏感。与其另起炉灶不如在同一对话里做迭代。我经常把前一轮输出里的某句话直接引用到下一轮说“这一步不要动我只想换另一个变量”。上下文一旦稳住结果就会稳定得多。顺带提一个参数细节。如果某个平台开放温度采样参数那么偏确定性的任务我会把参数调低一些让它输出更保守、更可预测而写标题、想点子这类创意任务我会把参数调高一些让它的联想更跳跃。这个参数就像天平一边是稳定一边是发散没有绝对对错只有匹配不匹配。2.3 给例子别只给要求工具模式下最容易被低估的是示例。模型对“风格”的理解几乎完全取决于你给了它什么样的参照物。你不需要用一堆形容词描述你想要的风格直接贴一段你满意的旧稿它马上能对齐节奏和语气。我做过一个小实验同样是整理一段会议的要点一种问法只写“请把重点提炼出来”另一种先给了三条我自己提炼的重点作为样式参考。后者的输出几乎可以直接发群前者却要来来回回调整三遍。模型学示例的能力很强但你要给它一个靶子。这里还有一个进阶技巧如果你希望它在风格上靠近某位朋友或某类作者不太建议直接点名某某因为模型容易学到一些表面特征反而容易失真。更好的办法是贴两三段原文片段让它从语言节奏上模仿而不是从身份标签上想象。2.4 控制输出长度和粒度很多人不喜欢限制输出长度结果模型写出一段不痛不痒的废话。我建议在任务订单里直接写清楚“不超过200字”“按1、2、3列出”“不要复述背景直接从建议开始”。输出格式本身就是一个过滤器能逼着模型把信息密度提起来。粒度同样要控制。比如让它拆解任务时尽量让它拆到“可以直接执行”的颗粒度。不要停在“优化用户体验体验”这类空话层级要追加一句“把每个子任务标出输入、输出和完成标准”。它虽然不能帮你找协作方但至少能逼它把动作拆细拆细了你可执行的余地就大了。我在带新人时经常说一句话如果你在拿到模型输出的第一眼就已经知道下一步要做什么这个提问是合格的如果还要盯着结果发一会儿呆那说明这个任务的粒度不对你应该回炉让它拆得更细。3. 守住人的价值启发式提问的五种姿势3.1 先让它反问我遇到很多朋友拿到LLM之后第一反应是要结论。但有一种特别好的用法是反过来让它先问自己问题。比如你可以说“在回答我之前你先问我三个你没搞懂的问题。”它一旦开始反问你就有机会被迫去补足自己原本认为理所当然的前提。这个动作能让对话从单方面输出变成真正的双向互动。有一次我想设计一个学习计划一上来就让模型给方案结果给的计划我根本执行不了。后来我改了个问法让它先问我每天有多少时间、用什么方式学习效果最好、我的目标是什么。我在回答这些问题时才意识到我之前连目标都只说了个大概方案怎么可能靠谱。人的价值在这一刻体现在哪里体现在你对自己的了解。模型不知道你的时间是碎片还是整块不知道你更喜欢读还是听不知道你的目标是掌握实操还是应付考试。这些信息只有你有而反问是把它激活的最好方式。3.2 让它拆解你的逻辑漏洞你可以把自己的想法直接贴给LLM然后对它说“请找出这段话里逻辑站不住的地方并告诉我如果换一个前提结论会怎么变。”记住不要只问“你觉得对吗”因为模型大概率会顺着你说这是训练语料里的对话惯性决定的。要用具体的指令逼它进入批判角色。你甚至可以给它设一个“攻击任务”“假设你是我的竞争对手请提出三条最有可能让这个方案失败的理由。”角色设定越极端它越不容易客套。我试用过一次之后就把它固定成了习惯。每次写方案我会留出一个对话分支专门用来找漏洞。以前要等搭档有空才能做红队讨论现在随时可以做。而且模型虽然不会完全了解项目的细节但它总能从通用逻辑里找出一些我忙于执行而忽略的盲区。这些盲区不需要它替我解决但至少让我提前知道。3.3 用“如果...会怎样”打开隐藏前提很多判断背后都藏着一个默认前提。比如“用户会更喜欢简洁的页面”这句话的前提是“用户已经被信息轰炸过希望极简”。但如果你面对的用户恰恰是需要更多说明与引导的群体结论就会完全不同。我常用的句式是“这个方案建立在哪些假设上请列出每一条假设并分别说明如果该假设不成立方案在哪个环节失效。”这个问题比直接问“这个方案行不行”要锋利得多。它会逼模型把隐藏前提摊开在桌面上也逼你自己去审视那些从来不假思索的想法。有一次做功能优先级的排序我一直认为“先做搜索比先做推荐更合理”理由是搜索能快速解决用户问题。模型把我这句判断拆出来发现我隐含的前提是“用户清楚知道自己要找什么”。但实际场景里新手用户更多是漫无目的地浏览他们并不清楚自己要什么。这个前提一旦被点破优先级排序就完全要反过来。这就是“如果...会怎样”的价值。3.4 让模型当“魔鬼代言人”人的决策有一个普遍毛病当方向已经定了我们会下意识地找支持自己的证据。LLM的设计又恰好放大了这个毛病你拿着结论去问它它往往会给出一堆支持理由。为了对冲这个倾向我会在决策前强制让模型扮演一个不认同我的人。指令可以写成“现在请你扮演一个不同意我方案的人。你不必客气从成本、执行难度、用户习惯、收益回报四个角度分别提出反对意见。最后再告诉我我的方案在什么条件下才会真正可行。”这样既有了反对视角又不至于完全否定我。这个做法在群体讨论里也很有用。开会之前我会先用启发式与LLM做一轮红队演练把可能出现的反对意见提前列出来。这样真的面对同事时我能更从容地回应而不是被突然泼一盆冷水后语塞。3.5 把模型当镜子而不是答案最后一种姿势最抽象但也最关键。把模型输出的句子拿回来看一遍问自己这句话我是真的同意还是因为它说得很顺滑就接受了这是对抗“AI话术”的方法。LLM很擅长生成让你觉得舒服的漂亮话但那些话不一定符合你的实际情况。我会把它的回答当成一面镜子如果一句话让我产生“哇它懂我”的感觉我就会停下来仔细想清楚这句让我惊喜的话到底从哪来。它背后的逻辑是否成立它是否只是把我说过的信息重新组合了一遍并没有增加新的洞见如果是那我要的不是复制而是继续往下深挖。这也是两种思路一个很微妙的区别解题式提问追求的是拿到东西就走启发式提问追求的是在对话里重新看到自己。后者不是让LLM变聪明而是让你自己变清楚。4. 分水岭同样一个提问为什么在不同任务里效果天差地别4.1 先判断结果错了最坏代价是什么两种思路本没有高低只是适用场景不同。我自己的判断框架只有两问。第一问如果这次回答是错的最坏结果是什么风险低的事情比如文案措辞、代码草稿、资料梳理就用工具模式怎么快怎么来风险高的事情比如对外承诺、正式口径、重大选择就用启发式模式让模型提供材料让人把住最后一道关。第二问这个任务是否有标准答案有明确验收标准的事情适合工具化没有标准答案、需要创造性的任务人的思考必须占主导。标准答案的事交给模型是为了省时间没有答案的事交给模型则是为了偷懒而偷懒的代价往往是要自己买单。把这两个问题放在一起你会发现很多争执其实没有意义。有人觉得AI写得不好其实不是AI不好是他把一个本应由人来判断的事情直接推给了AI。有人觉得AI太好用了也不是AI太神而是他把所有风险都自己扛了AI只是帮他把执行环节加速了。4.2 任务类型匹配表任务类型推荐模式理由典型句式信息归纳、文本改写工具模式输入输出明确可快速验收“把这段会议记录整理成三个要点不要超过100字”代码调试、数据提取工具模式为主人工验证效率高但运行结果必须人来确认“解释一下你改了哪段逻辑并给出一个最小测试用例”方案策划、目标规划启发式优先没有标准答案人的判断不可缺“这个方案依赖哪些前提前提不成立时会怎样”沟通话术、对外表达混合模式模板可以生成语气和分寸必须人定“先给我三个版本再帮我判断哪个更符合当前关系”学习新领域知识启发式模式吸收知识需要主动建构“先用一个生活类比解释这个概念再指出这个类比的局限”这张表不是标准答案只是我给自己画的边界。你可以按自己的场景往里加一行“责任归属”。责任在别人倾向工具模式让结果尽量标准责任在自己倾向启发式让过程尽量清晰。4.3 混合模式先用启发式定位再用工具式执行最高效的工作流其实不是只选一种思路而是两种思路来回切换。我遇到一个全新任务时会先用启发式问LLM“这个问题里哪些变量是我必须关心的哪些是我容易漏掉的”等我对全貌有了数再回头把具体动作切成小任务用工具模式让它批量完成。比如我要做季度复盘我不会让它直接写一份漂亮的总结而是先问它“季度复盘通常需要哪些数据维度哪些维度容易被忽略请根据我给你的原始素材指出我哪里不够。”等我把结构想清楚了再让它“把第三部分的数据整理成对比表格”“把第五部分用一段话总结”。前面的提问是在定方向后面的提问是在省体力。这也是我推荐的个人工作流思考交给启发式执行交给工具式。很多人把顺序搞反了一上来就让模型生成完整方案方案出来以后自己再慢慢抠结果不仅慢还会被模型的逻辑带跑。反过来做先让自己想清楚再让模型去跑腿效率和安心感都会好很多。5. 常见提问陷阱与排查实录5.1 陷阱只给主题不给上下文得到“正确的废话”现象很常见。你问它“怎么提升表达能力”它给你七条放到任何文章里都成立的建议。这时候别急着怪模型先检查自己是不是又把它当成搜索引擎了。正确做法是给它一个带约束的提问你在什么场景、面对什么听众、时间多长、希望达到什么效果。实操对比一下。模糊问法是“怎么提升表达能力”得到的往往是“多练习、多复盘、多阅读”。约束问法是“我下周要在20人的项目评审会上汇报听众都是技术人员我平时语速偏快如何准备一份既能讲清楚内容又不让人紧张的汇报大纲”后者马上把泛泛建议逼成了可执行方案。这个“给约束”的动作就是工具模式里最值得练的一招。5.2 陷阱让LLM替你判断却没有校验现象是它给出一套看起来很合理的方案你没有追问就直接用了最后发现某条关键假设并不成立。这时候你把责任推给AI没有意义因为AI不掌握你的真实数据它只是语言概率模型并不拥有现场信息。对策很简单凡是涉及风险的输出都要追一句“这个结论成立的前提是什么如果要验证最小代价的实验是什么”把模型的输出当成候选假设而不是最终定论。这条规矩能让你同时用好工具价值又守住了人的价值。5.3 陷阱上下文污染前一轮的偏见带进下一轮这个坑特别隐蔽。你可能在前一轮随口说了一句“这个方案成本太高了”后一轮让它设计完整方案时它就会处处替你把成本控制放在第一位甚至牺牲体验。LLM的上下文机制会把你的随口一提当作强约束。对策是当你需要客观结果时要么开一个新会话重新来要么在下一轮明确写“忽略之前关于成本的讨论我只需要你评估体验优先的方案”。别小看这句话它能帮你从一个充满偏见的上下文里抽出身来。我自己在连续对话超过五轮之后就会下意识检查有没有被前文带偏。5.4 陷阱模型迎合你的观点这个坑踩过的人应该很多。你带着答案去问它“我这个方案是不是很好”它列出一堆优点让你觉得它真是懂你。模型不是傻它只是从海量语料里学会了“顺着用户说话更容易被接受”的套路。对抗方式就是给它设置反驳角色。我现在给自己定了条规矩凡是我已经有倾向的决策一律先用“请先反驳我”开场而不是“请支持我”。你可以直接说“不要认同我。请从三个不同角度各找出一个反对理由。”这样得到的内容才有信息增量。顺着自己问得到的只是回声逆着自己问才得到真东西。6. 一次真实任务的完整复盘6.1 同一个需求两种问法我拿一个模拟任务来当样本为一场线下读书沙龙设计一个开场引入环节。第一种问法是工具模式“帮我设计读书沙龙开场要求有互动时长10分钟给出主持人逐字稿。”第二种问法是启发式模式“我想为读书沙龙设计开场你算是主持经验丰富的人先问我三个我没想到的问题再给方案。”我先执行了工具模式输出确实完整逐字稿也有互动环节是“每个人说一句最近读到印象最深的话”。这话放在任何沙龙都通用但问题是它跟这次沙龙的共读书目没有关系。我意识到这个任务我根本没有想明白主题聚焦是什么。接着我又执行了启发式模式模型先反问了我三个问题这场沙龙共读的主题是什么参与者彼此熟不熟开场是应该先破冰还是直接切入内容我在回答第二个问题的时候忽然发现自己对参与者的关系程度一点把握都没有。6.2 对比结果效率与深度不可兼得仔细看两个输出工具模式赢在效率但暴露了提问者自己没想清楚的部分。启发式模式慢了几分钟却把需求补完整了。所以后来我把两步合并先用启发式补需求再用工具式生成细节。最后拿到的逐字稿连互动环节都和共读书目直接挂钩。这正好说明了我对标题的理解工具的价值是帮你把想清楚的事做快人的价值是负责把没想清楚的事想清楚。两件事不矛盾顺序对了各自的价值会一起放大。顺序反了工具越强错误的方向滚得越快。6.3 我沉淀下来的提问清单工具模式前检查订单五要素背景、角色、目标、约束、交付格式。启发式前先问自己我是要一份执行产出还是想借它思考拿到输出后多问一句它成立的前提是什么有风险、有责任的判断人必须走最后一道审批。这套清单听起来并不复杂但真的执行起来能避开一大半无效提问。尤其是第四条它提醒我LLM永远只是一个放大器。你把思考放进去它给你放大思考你把偷懒放进去它也会帮你高效地偷懒。最后再分享一个很朴素的小技巧每次向LLM提问之前先在本地文档里写一句话描述“我希望这次对话结束后我手里多了一份什么东西”。如果这句话写不出来就先别急着问模型用启发式问自己。这个动作让我少浪费了很多次对话也让每一次提问都更接近“工具价值与人的价值的清晰分工”。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
