太长不看
与其猜测AI需要什么背景,不如声明目标,并命令它面试你 —— 一次一个问题 —— 直到它能出色完成工作。一轮便宜的澄清,替代"草稿→偏差→解释→重试"的昂贵循环。
类比
想象你走进一家裁缝店,凭记忆描述一套西装:"深蓝色。不 —— 藏青。翻领要有,但别太宽。婚礼用的。还是葬礼?面料要透气。"
裁缝点头、猜测、缝制。返回的是符合猜测的西装形状的物品。你一次都不会穿。
再想象你走进同一家店,只说七个字:*"我需要一套夏季婚礼西装。"*然后看专业人士工作。他不缝纫。他量体。他问场地 —— 海滩还是宴会厅?问月份。问你的角色 —— 宾客、新娘父亲,还是要跪一下午的摄影师?他感受面料的垂坠,检查你的站姿,问你穿什么鞋。量完之后,剪刀才出场。西装合身得像个秘密 —— 因为每个问题都是你自发记忆不会提供的尺寸。
大多数人像第一位顾客那样使用AI —— 领着一批关于重要细节的猜测,寄望这堆细节恰好是正确的细节。**"先问我"把你变成第二位顾客:**给出最终目标,让专业人士掌管卷尺。裁缝一直都知道哪些问题重要。你不知道。这种不对称就是整个技巧。
经济学也遵循店铺的逻辑:试身花的是一次对话的价钱;缝坏花的是一套西装的价钱。澄清问题是你能买到的最便宜的token —— 而它们避免的后续修正,是你本会做的最昂贵的消费。
工作原理
公式分为三部分,全部装进第一条消息:
目标+面试指令+格式
-
目标 —— 用一句平常的话描述"完成"是什么样子。*"起草一条宣布我晋升工程经理的LinkedIn帖子。"*不是细节 —— 是终点。模型必须先知道它在做什么,才能知道缺什么。
-
面试指令 —— 动手前先提问的明确许可与指示:*"在写任何内容之前,先问我最多5个 —— 一次一个 —— 让这个帖子出色的必要问题。"*这翻转了模型的默认设置。被训练成交付答案的模型,很乐意从虚无中产出自信的草稿 —— 除非你把面试变成任务本身。
-
格式 —— 最终成果物的形状,如同任何好提示词:*"然后用150词以内、温暖而专业的语气、无标签交付帖子。"*面试填充容器,格式定义容器。
| 部分 | 实际措辞 | 存在理由 |
|---|---|---|
| 目标 | "起草宣布晋升的LinkedIn帖子" | 在细节存在之前定义"完成" |
| 面试指令 | "先问我最多5个,一次一个" | 把收集信息变成任务 |
| 格式 | "150词以内,温暖语气,无标签" | 答案要填充的容器 |
注意这个技巧的本质:**"先问我"是收集完美单发提示词零件的方法。**面试就是你独自写不出来的那部分背景 —— 裁缝的问题是你不知道自己需要的规格。而答案恰好在它该在的地方堆积:上下文窗口,即模型每条回复前重读的书桌。五轮简短问答占用几百token的桌面空间,并在整个会话可见;一次"想到什么全写上"的臃肿头脑倾倒更贵,而且仍可能漏掉那个关键的尺寸。
改写前后(提示词)
示例1 —— 公告
为我晋升工程经理写一条LinkedIn帖子。很兴奋,在公司第四年,从初级做起,喜欢带人,团队最棒,用TypeScript和React,老板叫Sarah,上季度还有一次重组。要谦逊但自信,别太长,要吸引人且专业。
凭记忆描述西装的顾客。这堆细节有一半是裁缝永远不会选的面料 —— 而返回的帖子读起来正像这条提示词:拥挤、喘不过气、主题不明。
我需要一条宣布晋升工程经理的LinkedIn帖子。写之前,先问我最多5个 —— 一次一个 —— 把这个帖子做对所需的问题。然后交付:150词以内,温暖而专业的语气,无标签。
七个字版本。模型会问你最自豪的是什么 —— 帖子突然有了骨架而非清单。会问对谁说话 —— 同事?整个行业?—— 语气自动对准。每个答案都是尺寸,而非猜测。
示例2 —— 旅行计划
规划一次日本7日游。喜欢美食,一点文化,不太走路,中等预算,第一次去,讨厌人群。
六项约束,全靠猜。规划师真正需要知道:落地哪个机场?和谁同行?"第一次"是指日本还是旅行本身?有什么忌口?错误的猜测会变成别人的完美假期。
规划一次日本7日游。先面试我 —— 一次一个问题,最多5个 —— 关于所有会改变计划的事。然后才制定逐日行程。
现在缝隙在规划开始前闭合。第四个问题发现你不是早起的人?第一天就不会包含凌晨4点的鱼市。
示例3 —— 邮件
给房东写一封关于暖气的礼貌而坚定的邮件。坏了2周,打过2次电话,当面说过1次,天在变冷,不懂法律,不想显得攻击性,但必须修好。
细节都在 —— 但策略缺失。坚定到什么程度?截止日期明示还是暗示?正式升级现在提,还是留作底牌?草稿会去猜,而对升级的猜测是危险的猜测。
我需要就进入第3周的暖气故障给房东发一封邮件。先面试我 —— 一次一个,最多5个 —— 关于一切会改变这封邮件分量的事。然后起草:180词以内,礼貌而坚定。
模型会问你不知道该被问的问题 —— "租客权利是现在就提,还是留作下一张牌?"—— 邮件获得的是杠杆,而不是音量。
常见陷阱
- **让AI一次问二十个问题。**没有约束,面试会以审讯墙的形式到达 —— 墙难以回答,而且第一个答案一到,半数问题就过时了。永远限制数量("最多5个")并要求一次一个:每个答案都会改变下一个值得问的问题。这才是试身,而非表格。
- **仍然预先回答问题。**在"先问我"提示词里附上一段"背景",等于一边凭记忆描述西装、一边要求卷尺。给目标,让问题去挖掘。
- **用于琐事。**对"把这个单词翻译成法语"应用"先问我",是给T恤安排裁缝试身。该技巧在失败昂贵的交付物上 —— 帖子、邮件、计划、文档 —— 最有价值。简单任务想要的是一发瞄准的单发提示词。
- **中途放弃面试。**回答三个问题后打字"就直接写吧",会在正要被消除的时刻重新注入猜测。如果问题显得无关,就说为什么无关 —— 那也是答案,而且往往信息量最大。
- **跳过格式。**没有目标格式的面试,会以模型问"要什么格式交付?"告终 —— 那本来是你该指定的。目标、面试、格式:公式是三部分,不是两部分。
常见问题
什么是反向提示?
反向提示是翻转提问方向:不是用户问AI,而是AI问用户 —— 在生产之前收集所需背景。"先问我"技巧是它的结构化形式:声明目标,命令一次一个的限量面试,并定义输出格式。结果是首稿建立在测量过的事实上,而非猜测上。
应该预先给背景,还是让它问?
两者都要 —— 比例正确。目标预先给(一句话,终点);背景让面试去拉取。你能自发说出的很少是完整规格,而模型的问题会揭示你不知道的维度。经验法则:写得出一发完整的单发提示词就直接写;不确定什么重要,就给目标并开启面试。
先问问题浪费token吗?
不浪费 —— 是重新分配。5个问题的面试可能几百token;而偏题草稿加两轮修正是几千token,终点还更糟。澄清在对话早期便宜,后期昂贵。唯一真正的浪费是对不需要的任务做面试 —— 所以该技巧留给交付物,不用于查询。
下一课
"先问我"让AI在制造之前修正事实。但已经到手的答案 —— 草稿、计划、看似完整的论证 —— 呢?有一招几乎能改善一切输出而无需新信息:把机器转向它自己,雇佣它作为自己最凶狠的批评家。
继续下一课:审计员提示词
离开前的练习:选一件你盘中的下一个真实交付物,用三部分公式 —— 目标、面试指令、格式 —— 开场。只回答被问的。然后把首稿与平时的首稿对比,数一数没有发生的修正轮次。