夜雨聆风刚开始用AI 的时候，经常会有一种感觉：它回答得很快，也回答得很完整，但看完以后，好像并没有真正帮到我。
比如我问它：“我想找一份更好的工作，应该怎么办？”
它通常会告诉我：优化简历、提升技能、多投递岗位、准备面试、拓展人脉、保持积极心态。
这是一堆正确的废话。
因为“更好的工作”本身就是一个很模糊的说法。
如果我没有告诉AI：我现在处在什么阶段、有什么能力、想在什么方向发展、想去什么平台、最焦虑的问题是什么，它其实只能给我一套适用于所有人的标准答案。
前面的文章里强调了很多次问题“背景”的重要性，如果我把问题改成这样：
“我现在有两年数据分析经验，主要会SQL、Excel、Tableau，日常主要做业务分析，计划继续在这个方向发展，最好是大一点的平台。我的担心是，面试不够自信，业务分析也还没有形成完整方法论。请你帮我判断，我接下来一个月最应该补哪三块能力，并给我一个具体准备计划。如果有需要补充的细节，请继续向我提问。”
这个问题给了背景、目标、限制和当前卡点，它就不会再给我一堆“你要努力”的建议，而是会先确认是否有需要补充的问题（比如薪资涨幅、目标行业等），然后帮我拆解：我的优势是什么，短板在哪里，哪些事情最影响求职结果，哪些事情看起来重要但短期内不该优先做。
所以我慢慢意识到，很多时候不是AI 回答得浅，而是我们问得太宽，它是一个很能干的助手，但是不够了解我。
也正是在这类问题上，我开始打开“深度思考”，因为有些问题，不适合让AI 立刻回答。它需要先停下来，把问题拆开，看清楚里面真正的矛盾，再给出建议。
1.AI如何深度思考？
AI的“深度思考”并不是像真人一样思考，而是在回答之前，多做了几步：先理解问题，再拆解问题，接着寻找关键因素，最后再组织答案。
普通回答更像是“听到问题以后马上接话”。
而深度思考更像是，回答之前停下来问几个问题：
这个人说的“更好的工作”，到底指什么？
是更高薪资，还是更少消耗？
她现在的能力基础是什么？
她想去的方向和现在的经历之间，有没有明显差距？
如果只能先做一件事，哪件事最影响结果？
吴恩达的《AI Prompting for Everyone》里提到了一个很重要的思路：把AI当成一个可以一起推敲问题的思考伙伴。
既然是思考伙伴，就不能只丢给它一句很大的问题，然后期待它直接给出完美答案。
我们需要给它背景，也需要允许它先分析，而不是立刻总结。
面对一个复杂问题，处理过程是这样的：
1.判断问题类型：事实类问题（讲解概念、规律等）、决策类问题（比如买房、投资、换工作等）还是创作类问题（画图、写作等）
2.拆解问题：“要不要换工作”背后，包含收入、成长、环境、机会成本、风险承受能力、市场行情等很多小问题。如果不拆开，答案就只能停留在“看你自己的选择”。
3.找到真正影响结果的关键因素：复杂问题的信息很多，但关键变量只有几个。深度思考的价值，就是帮我们从一团乱麻里，先找到最该看的那几根线。
4.比较不同方案，而不是只给一个结论：现实生活的问题不是数学题，没有唯一正确答案。好的回答不是替我们做决定，而是告诉我们：方案A 适合什么情况，方案B 有什么风险，方案C 为什么短期内更容易执行。
5.检查答案有没有漏洞：一个好的建议，要经得起反驳。它需要想一想：这个判断有没有忽略什么？有没有过度乐观？有没有把复杂问题说得太简单？
所以，“深度思考”是在回答前先把问题想清楚。
2.适用深度思考的场景
并不是所有问题都适合深度思考，值得深度思考的，一般是那些没有标准答案的问题。
它们通常涉及到的信息很多、变量很多、选择很多，这就需要把利弊摆出来，判断什么方案更适合当前的自己。
特别适合让AI 深度思考的大致有以下几类：
决策类问题
比如：要不要换工作？要不要开始做副业？这些问题最难的地方，不是没有答案，而是每个答案都有代价。
但是不要只问“我要不要换工作”，而是问“在我目前的经验、目标、风险承受能力下，换工作有哪些机会和代价？”
分析类问题
这类问题在工作里特别常见。
比如：为什么这个月收入下降了？为什么一个功能上线后，数据没有变化？为什么一篇文章阅读量不高？
分析类问题最适合深度思考，因为它不是要AI 立刻给答案，而是要它先帮我们排查原因。
方案类问题
比如：如何做一次活动策划？如何优化一个产品功能？如何准备一次面试？
写作和表达类问题
AI在写作里真正有价值的地方，不一定是替我们写完全文，而是帮我们一起想清楚文章的方向、结构和表达。
如果给一个简单判断标准，是这样的：
只需要“快”，不一定要深度思考。
需要“准”，可以让AI 多确认背景。
需要“权衡”，就值得打开深度思考。
我后来慢慢形成了一个习惯：凡是问出口以后，自己都觉得“这件事没那么简单”，我会先告诉它：
“这个问题比较复杂，请你不要急着给结论。先帮我拆解问题，判断关键因素，再给出建议。”
这一句话，其实就是打开深度思考最简单的方式。
4.使用深度思考的小技巧
知道了哪些问题适合让AI 深度思考之后，更重要的问题是：具体该怎么用？
最简单的做法，是在提问时补上四件事：背景、目标、限制和期待。
比如不要只问：
帮我做一个学习计划
而是换成：
我现在不是技术背景，想用AI 提升写作和工作效率。每天大概能投入30 分钟，希望一个月后能明显感觉到变化。但我不想学太复杂的技术内容。请你先帮我判断我应该优先练什么，再设计一个低门槛的4 周计划。
同样是让AI 做计划，后面这个问题给出了背景、目标、时间限制和执行难度，AI 就更容易给出真正能落地的答案。
如果不知道怎么写，可以直接套下面几个模板（可以直接复制使用）。
第一个模板：让AI 先别急着回答
这个问题比较复杂，请你不要马上给结论。
先帮我拆解这个问题，判断影响结果的关键因素，再给出你的建议。
这个模板适合用在决策类问题上，比如要不要换工作、要不要报课、要不要开始做一件新事情。
第二个模板：让AI 先问问题
在回答之前，请先判断我提供的信息是否足够。
如果信息不够，请先向我提3-5 个关键问题，再根据已有信息给出初步分析。
这个模板适合用在自己也没想清楚的问题上。很多时候，我们不是缺一个答案，而是连问题本身都还没有整理清楚。
第三个模板：让AI 比较方案
请不要只给我一个方案。
请给出3 个可选方案，并分别说明适合什么情况、优点、风险和执行难度。最后帮我判断，哪一个更适合我现在的情况。
这个模板适合用在方案类问题上，比如做学习计划、准备面试、优化产品功能、设计文章结构。
第四个模板：让AI 检查自己的答案
请先给出你的建议，然后站在反对者的角度指出这个建议可能存在的问题，最后再修正你的答案。
这个模板很有用。因为AI 的回答有时会很顺，但太顺的答案也可能忽略风险。让它反过来检查一次，往往能发现一开始没有想到的问题。
所以，使用深度思考的关键，其实不是把提示词写得很复杂，而是让AI 多走几步：先理解，再拆解，再比较，最后再检查。
当然，也不是所有问题都需要这样问。翻译一句话、润色一小段文字、解释一个简单概念，不必每次都让AI 深度思考。
真正值得这样做的，是那些你自己也觉得“没那么简单”的问题。它真正有用的地方，是在面对复杂的问题时，提醒AI 先慢下来，也提醒我们自己先把问题说清楚。
很多时候，我们缺的是把问题梳理清楚的过程：
先告诉它你的背景、目标、限制和困惑。再让它拆解问题、比较方案、检查漏洞。
也许这才是普通人使用AI 最重要的意义：借助AI，把自己的问题想得更清楚。
