云雀 · 轻技术笔记
大家都是怎么跟AI对话的？|AI提问技巧实战
「帮我写个代码。」 「这个需求怎么做？」 「推荐一下工具。」
这三种问法，我几乎每天都能在各种群里看到。发出去之后，要么等半天收到一段看起来对但跑不通的东西，要么被 AI 直接拒绝说「这个需求不够具体」。
问题不在 AI 不够聪明。问题在于：大多数人问 AI 的方式，是用搜索引擎的方式在用 AI。
搜索引擎是你问什么，它给你一串答案，你们的关系在那一次点击之后就结束了。AI 不一样——它是一个可以无限追问、每次回复都基于之前所有上下文工作的助手。你追问得越多，它给你的越精准。你给它的上下文越丰富，它理解的偏差越小。
这篇文章不教你怎么成为「prompt大师」，只讲一件事：人和 AI 对话的逻辑，和人和人对话的逻辑本质上是一样的。
一、为什么你问 AI 总是得不到想要的
先说一个反直觉的事实：AI 回答质量差，80% 的情况下不是 AI 的问题，是问题本身就有问题。
举个例子。
「帮我写个接口。」这句话扔给 AI，AI 只能瞎猜。什么语言？什么框架？连数据库还是连缓存？要不要鉴权？你把这句话发给一个程序员，他的第一反应也是「你说清楚点」——AI 一样，只不过它不会直接问你，它会自己脑补一个最可能的版本，然后交出来一套可能完全不是你想要的代码。
这就是 AI 对话最核心的原理：AI 根据你给的字做概率推断，不是根据你脑子里想的事做推算。
所以好的提问，不是「问什么」，是「给够多少上下文」。
一个好的 AI 提问，长这样：
「我需要用 Python + FastAPI 写一个用户登录接口，包含手机号+验证码登录，验证码有效期 5 分钟，存在 Redis 里，需要返回 JWT token，请写出完整代码和单元测试。」
同样一个问题，程序员看到这段文字，脑子里立刻知道该用什么库、该写什么逻辑、测试该怎么覆盖。AI 也是。
差距在哪里？前者把「做这件事的真实约束」说清楚了。
再说一个真实场景。
我见过有人问 AI：「帮我写一段 Python 代码处理数据。」AI 给了一段看起来很完整的代码，有读取、有处理、有输出。结果那个人拿到手发现跑不了——因为他的数据是 CSV，AI 写的是处理 JSON 的代码。
如果那个人当初问的是：「帮我写 Python 代码，读取 data.csv 文件，对 'price' 列做清洗（去掉空值、转成浮点数），然后输出成 data_cleaned.csv」。AI 一次给到位。
这个差距不在于 AI 不够聪明，在于提问者没有把输入数据的格式、字段名、期望的输出格式说出来。这些对人类来说是「常识」，对 AI 来说是「不存在的信息」。
二、会问的人用 AI，差距在哪里
用了两年 AI 下来，我发现真正拉开差距的，不是「用什么工具」，是会不会追问。
大多数人的用法是这样的：问一个问题，AI 回答，完事。拿到的答案如果能用，就用；不能用，就换一个问法再试一次，然后骂 AI 垃圾。
会用法的人，拿到 AI 的回答之后，会做这几件事：
第一，告诉 AI 哪里不对。
不是「这个不对」，是「第三步那里，输出了空值，是什么原因」。有时候是具体报错，有时候是行为不对——「预期是降序排列，实际是升序」这种差异，比「不对」有用一百倍。
举一个真实调试场景：用户问 AI 「帮我写一个二分查找」，AI 给了代码，用户跑了一下报错 IndexError: index out of range，用户把报错信息发给 AI「报错了，哪里有问题」，AI 立刻指出是 mid 计算的边界问题，给了修正版本。
这个来回大概 30 秒。自己调的话，可能要找十分钟。
第二，让 AI 一步一步来。
复杂问题不要让 AI 直接给答案，要求它先分析再给方案。
「这个系统应该怎么架构？」AI 直接给一个看起来完整的架构图，你看不出它漏了什么。
「这个系统有这些约束：QPS 1万、数据量日增 500G、团队 5 个人、3 个月内要上线，基于这些条件，你建议怎么架构？请先分析需求瓶颈，再给架构方案。」AI 会先做需求分析，再给方案，你可以看到它的推理过程，漏洞在哪里。
这叫 Chain-of-Thought，链式推理。是目前 AI 领域被验证最有效的对话技巧之一。2022 年 Google Research 发表的论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》里有详细实验数据支撑，在数学题和逻辑推理任务上，使用 CoT 的模型准确率显著提升。Anthropic 和 OpenAI 的官方文档都专门推荐过这个方法——不是玄学，有数据。
第三，给 AI 一个人设。
「你是一个有 10 年经验的 Python 后端工程师，精通 FastAPI 和 PostgreSQL，现在帮我 review 这段代码。」比直接丢代码让它 review 效果要好。人设让 AI 调动了它训练时对应的知识子集，回答质量明显更高。
不只是 review，写文章也一样：「你是一个在制造业做了 8 年数字化转型的产品经理，帮我写一篇工厂 MES 系统选型的文章，受众是工厂 IT 主管」。比「帮我写一篇 MES 选型文章」结果完全不一样。
第四，让它先列提纲，再展开。
第一轮：「我想写一篇关于远程办公效率的文章，帮我列一个 3000 字的结构提纲，包含开头怎么切入、中间分几个论点、结尾怎么收。」
提纲确认后： 「第二个论点展开，写 500 字左右。」
比直接让它写一整篇效果好得多。提纲不对，推倒重来成本低；提纲对了，展开的时候不容易跑偏。
三、最常见的三个低级错误
第一个：一句话问大需求。
「帮我做一个抖音。」
这种问题问任何人都不会得到有意义的回答，AI 也不例外。AI 能帮你做的是「帮我写抖音的登录模块」「帮我写视频上传的接口」——是具体可执行的任务，不是宏大的产品概念。
这里有一个判断标准：如果一个任务需要超过 2000 字的需求文档才能说清楚，就不要指望 AI 能一次给你完整的答案。 AI 能做的是把任务拆解成若干个具体子任务，一个个完成。
与其问「帮我做一个知识库系统」，不如问：「知识库系统需要哪些核心模块？以什么顺序开发比较合理？技术栈怎么选？」——AI 能给你一张路线图，拿着路线图再去逐个攻克，比指望 AI 一次生成一个系统现实得多。
第二个：不给约束条件。
「Python 写个快排。」——AI 写出来了，但你不知道它是原地快排还是用了额外空间，不知道最坏情况复杂度是多少，不知道能不能处理重复元素。
加上约束：「用原地分区实现、平均复杂度 O(nlogn)、需要处理重复元素、打印每次 partition 的结果」——拿到的代码是可以直接验证和学习的。
约束条件不只是技术层面的，也可以是风格层面的：「代码要求：函数不超过 20 行、使用类型注解、加上中文注释、符合 PEP8」——这些约束说清楚了，AI 给的代码拿来就能用，而不是一份需要大改才能看的草稿。
第三个：以为 AI 说的都是对的。
AI 有幻觉问题，它会一本正经地胡说八道。引用代码、数据、论文结论的时候，尤其容易出错。
一个真实案例：有人问 AI 「XX 论文是谁写的」，AI 给了一个名字和年份，看起来很权威。用户信了，把这个引用放进了自己的论文里。后来答辩被老师发现，那篇论文根本不存在。
用 AI 查东西，至少要有一到两个其他来源做交叉验证。AI 说的「经查证」「有研究表明」「根据公开数据」这些说法，不等于事实核查。你自己是最终的事实核查人，AI 只是帮你整理和归纳信息的工具。
四、真正好用的对话模式
说几个我自己验证过有效的具体模式，不讲理论，直接给模板。
模式一：先让它列提纲，再让它展开。
见上文第二节第四点，这是我认为最被低估的一个 AI 对话技巧。提纲阶段花的 2 分钟，能省掉展开阶段返工的 20 分钟。
模式二：给它一个反面案例，让它避免。
「我要写一篇反驳『AI会取代程序员』这个观点的文章，常见的反驳论点包括 XX，请帮我从剩下几个角度写，要求：1、不用空洞的行业黑话；2、每个论点要有具体例子；3、语气口语化。」
给清楚不要什么，比只说想要什么更有效。很多人不知道，AI 在生成内容时会参考它认为「合适」的最高概率词——当你在 prompt 里明确说「不要用什么词」，AI 会在概率分布里主动压低那些词的出现频率。
模式三：多轮修正，不是一次成型。
第一轮：「帮我写一个接口。」
AI 回复。
第二轮：「加一个频率限制，一分钟最多请求 10 次，超了返回 429。」
第三轮：「改成滑动窗口算法，不是固定窗口。」
第四轮：「单元测试补一下，覆盖频率限制逻辑。」
每一轮都在前一轮基础上修正，最终拿到的东西比一次问到位要精准得多。很多人等不起这个过程，直接用第一轮结果——结果就是代码能用，但禁不起看。
五、说一个反直觉的事实
大多数人对 AI 的期待，和对搜索引擎的期待是一样的：我问你，你给我答案，咱俩两清。
但 AI 的正确用法更像是和一个永远不会不耐烦、可以无限追问、每次回复都基于之前所有上下文工作的助手。这个助手不完美，会出错，会在你告诉它哪里错了之后立刻修正，而不是坚持错误——这一点比大多数人类助手强。
用搜索引擎，是「我找了，你给答案，我们的关系结束」。用 AI，是「我问了，你答了，我觉得不对，你重新答，我们来回几次，直到对为止」。
后者才是 AI 对话的正确打开方式。搞清楚这一点，比学任何 prompt 语法都有用。至少不会被那些「三句话让 AI 帮你赚十万」的视频割韭菜——这类视频之所以能传播，就是利用了大多数人把 AI 当搜索引擎用的认知惯性。
六、常见问题
Q：AI 总是答非所问怎么办？
A：两个方向检查。第一，问题是不是太宽泛（"怎么做产品"就是宽泛，"新用户首单转化率低，从哪些角度分析"就是具体）；第二，上下文够不够（背景、约束条件、目标有没有说清楚）。问题改了还不行，就是 AI 本身能力问题，换个模型试试。
Q：每次对话都要重新说背景，很麻烦怎么办？
A：开一个新对话之前，先把背景一次性说清楚。也可以把常用的身份设定写成一段话存着，每次新对话开头就粘贴进去，不用每次手打。
Q：AI 说的代码跑不通怎么办？
A：把错误信息完整复制给 AI，让它根据错误信息修正。不要只说「跑不通」，要把错误日志贴进去，说明你的环境、版本。AI 有能力根据错误定位问题，前提是你给它错误信息。
Q：不同 AI 产品用起来有区别吗？
A：有。推理模型（o1、Claude 3.5 Sonnet、DeepSeek R1 这类）比普通模型强在复杂推理上，一次回答的质量上限更高。普通模型（GPT-4o、GPT-3.5 这类）胜在日常对话流畅、响应快、上下文窗口大。具体场景具体选，不是越贵越好。
Q：需要专门学 prompt 语法吗？
A：不需要。主流 AI 产品现在对自然语言的理解已经足够好，不需要学什么「分隔符语法」「XML 标签格式」。把事情说清楚、把约束条件给到位，比任何语法技巧都管用。真正管用的技巧只有三条：给清楚上下文，告诉它不对在哪里，多轮追问——这三个不需要学语法，靠的是思维方式。
Q：AI 的回答有时候很敷衍怎么办？
A：有时候是模型本身能力问题（GPT-3.5 处理复杂任务就是会简化），有时候是你问得太宽泛。有时候，加一句「请详细解释步骤三」比重新问一次更有效——让它在已有的回答基础上深入，比让它重新生成一次更精准。