使用AI的一个小技巧:多问它一句……

现在，我几乎每天都会花十个小时以上和 AI 探讨问题、共创内容。

用得多了以后，我慢慢发现，很多时候，决定 AI 好不好用的，并不是你会不会写那些复杂的提示词，而是一些很小的使用习惯。

其中有一个方法，对我来说十分简单，却很受用。

每当我准备和 AI 开始一项比较重要的工作，在把自己的目标、想法和要求讲完以后，我通常不会马上让它开始干活，而是会多问一句：

“请你根据我上面的表达，说说你对这段话的理解，以及你对此有哪些问题和对下一步行动的建议。”

就是这么一句话。

但它解决的，其实是人和 AI 协作中一个很重要的问题：我们以为彼此已经说清楚了，实际上未必。

一

在人工智能领域，有一个很重要的概念叫做“对齐”，英文是 alignment。

简单来说，就是让 AI 的行为尽可能与人的真实意图、目标和要求保持一致。

这件事听起来很技术，但放到我们每天使用 AI 的过程中，其实非常朴素。

你说了一大段话，AI到底听懂没有？

它理解的重点，是不是你真正关心的重点？

它准备采取的路径，是不是你想走的那条路？

很多时候，我们并不知道。

于是就会出现一种很常见的情况：你把要求说了一大堆，AI也很认真地开始工作，写了两三千字以后，你才发现——方向错了。

最麻烦的还不是它完全没听懂。

完全没听懂，反而容易发现。

真正容易浪费时间的，是它理解了七八成，却恰好把最关键的那一两成理解错了。于是文章看上去结构完整、语言流畅，每一句似乎都有道理，但就是和你想要的东西差了一点。

然后你开始修改。

它继续改。

改了三四轮以后，你才发现，真正的问题根本不在文字，而在于一开始双方就没有把任务定义清楚。

所以，我现在越来越愿意在正式工作开始之前，多花几十秒钟做一次校准。

二

但这句话的价值，还不只是让 AI 理解人。

它还有另外一个方向：帮助人理解自己。

我们经常默认，自己当然知道自己想要什么。

事实上未必。

很多时候，我们只是有一个模糊的感觉：我想写一篇文章，我想解决一个问题，我想设计一门课程，我觉得这里有什么东西不对……

可是这个问题究竟是什么？

你真正想解决的是什么？

哪些东西最重要，哪些只是附带要求？

哪些是已经确定的，哪些其实还没有想清楚？

我们自己也未必已经完成了这些区分。

这时候，让 AI 把你的话重新复述一遍，就像突然在面前放了一面镜子。

你会第一次以一个旁观者的角度看到：原来我刚才表达的是这个意思。

有时你会发现：“对，这正是我要解决的问题。”

有时你会马上发现：“不对，我真正关心的不是这个。”

还有一些时候，AI会把你刚才混在一起讲的三四件事情拆开，你才意识到：原来这个问题里面还藏着几个不同层次的问题。

所以，这一步并不是简单的“检查 AI 有没有听懂”。

它其实在同时完成两次校准：

1、校准 AI：你有没有正确理解我的意图？

2、校准自己：我有没有把自己的意图想清楚？

这两件事情一旦完成，后面的效率会高很多。

三

最近我和 AI 共创一篇文章，题目叫《高中议论文应该如何积累素材》，这个过程让我对这一点感受尤其明显。

最开始，我脑子里有一个大致想法。

很多高中生一说到“积累作文素材”，第一反应就是搜集名人故事、热点事件、名言警句，然后一本一本往素材本里抄。

可是积累了很多，真正写作文的时候还是不会用。

所以我当时想讨论的，并不是“高中生还应该再积累哪些素材”，而是想重新思考一个更根本的问题：

素材究竟应该怎么积累，才能真正转化成写作能力？

我把自己的想法、判断和初步设想讲给 AI 以后，没有马上让它写文章，而是先问了那句话：

“请根据我上面的表达，说说你对这件事情的理解，以及你对此有哪些问题和下一步行动的建议。”

它重新整理之后，大致抓出了这样一条主线：

这篇文章不是要鼓励学生继续扩大素材数量，而是要改变“素材积累”的基本单位。

与其追求几百个零散案例，不如选择少量具有丰富内涵的“核心素材”，把一个素材真正吃透：它发生了什么，可以从哪些角度理解，背后涉及哪些关系，可以支持哪些不同的论题，又有哪些使用边界。

换句话说，重点不是“记住多少素材”，而是训练学生对素材进行观察、拆解、理解、迁移和论证的能力。

接下来，它又提出了几个需要先想清楚的问题：

第一，为什么是少量核心素材，而不是越多越好？

第二，一个素材为什么能够迁移到不同的作文题中？这种迁移的机制究竟是什么？

第三，所谓“吃透一个素材”，到底要吃透到什么程度？

第四，怎样把这套方法转化成学生每天能够执行的具体动作？

第五，教师又怎样以较低的时间成本，把它自然嵌入日常教学？

看到这一步的时候，我其实已经不需要急着让它写文章了。

因为一篇文章真正重要的骨架已经慢慢显现出来。

更重要的是，其中有些问题，是我最开始没有明确意识到的。

比如，“一个素材为什么可以迁移”这个问题。

如果这个问题解释不清楚，那么“少量素材也可以应对很多作文题”就只是一句经验判断。它听起来有道理，却还没有被证明。

于是，我们没有急着写正文，而是继续讨论：一个具体事件究竟可以被拆成哪些层次？事实、人物、关系、原因、结果、价值冲突、时代背景之间是什么关系？学生怎样从同一个材料中抽取不同的问题意识？什么情况下属于合理迁移，什么情况下又是在生拉硬套？

到后来，这篇文章的核心结构，实际上就是在这一轮轮校准中逐渐长出来的。

这和我最初直接说一句“帮我写一篇关于高中生如何积累作文素材的文章”，最后得到的东西，会有很大差别。

四

所以，我现在使用 AI 时，会有意识地区分两个阶段。

第一个阶段，不是生产答案，而是校准问题。

先告诉它：

我想干什么。

我为什么想干这件事。

我现在已经想到哪里。

我有哪些判断。

我有哪些限制条件。

然后暂时不要让它交付成品，而是让它回答：

“你认为我真正想解决的问题是什么？”

“这里面包含哪些不同层次的问题？”

“我的想法里有没有隐含的假设？”

“哪些地方还没有想清楚？”

“你建议下一步先解决什么？”

第二个阶段，才是真正开始共创。

这样做有一个很明显的好处：很多原本要到第三稿、第五稿才能发现的问题，会被提前到第一步。

方向错了，先改方向。

问题定义错了，先重新定义问题。

双方理解不一致，先把理解对齐。

这些问题解决以后，再去讨论结构、案例和文字，成本会低很多。

五

我以前也很关注“怎么写一个好的提示词”。

现在我的看法有了一点变化。

提示词当然重要，但人与 AI 的高质量协作，并不是一次把所有要求写得无懈可击。

现实中的复杂问题，很少能够一次说清楚。

更有效的方式，是建立一个不断校准的过程。

我表达一次。

AI复述一次。

我检查它的理解。

它提出问题和路径。

我再修正自己的想法。

双方在这个过程中逐渐把“我们到底在解决什么问题”弄清楚，然后再进入真正的工作。

所以，如果要把这个小技巧压缩成一句话，我大概会这样说：

在让 AI 给答案之前，先让它告诉你：它认为你究竟想干什么。

这一问，表面上是在校准 AI。

很多时候，它同时也在校准我们自己。