夜雨聆风
很多人用 AI 写代码、做产品方案、拆任务时，最容易踩的坑不是“模型不够强”，而是还没对齐清楚，就让 AI 直接开始执行。
结果往往很熟悉：
• 你以为需求已经说清楚了，AI 却理解成另一个方向； • 你补充一句，它又改偏一块； • 聊到后面才发现，最关键的边界条件一开始根本没讲； • 最后时间没省下来，反而花在反复解释、返工和修 prompt 上。
最近看到一个很有意思的 skill，叫 grill-me。它的思路很简单：不要让 AI 立刻执行，而是先让 AI 像面试官一样追问你，直到双方对计划、边界和取舍形成共同理解。
我把它理解成一种更高效的“AI 需求对齐”工作流。
它不是让 AI 替你想需求，而是逼你先把需求讲清楚。
grill-me 的核心不是生成内容，而是做 Interview。
grill-me skill 源码：https://github.com/mattpocock/skills/blob/main/skills/productivity/grill-me/SKILL.md
官方 skill 的描述大意是：围绕一个计划或设计持续追问，逐步走完决策树，直到达成共同理解；每次只问一个问题；如果问题可以通过查看代码库回答，就优先去查代码。
这类工作流特别适合下面几种场景：
• 准备让 AI 开发一个功能，但需求还比较模糊； • 准备让 AI 重构一块代码，但担心它破坏现有逻辑； • 准备写一篇技术方案，但还没想清楚重点； • 准备做产品设计、项目计划、实验方案，需要先梳理边界。
它真正有价值的地方在于：把“执行前的模糊地带”暴露出来。
很多失败的 AI 协作，本质上不是 AI 不会做，而是人没有提前说清楚：
• 目标是什么； • 不做什么； • 成功标准是什么； • 约束有哪些； • 哪些地方可以自由发挥； • 哪些地方必须严格遵守。
grill-me 就是专门用来把这些问题提前问出来的。
这里有一个关键坑：如果你只给 AI 一两句话，然后直接让它 grill me，它很可能会进入漫长的追问。
原因很简单。你的输入太少，AI 不知道哪些方向重要，只能从各个角度试探：
• 业务目标要不要问？ • 用户是谁要不要问？ • 技术栈要不要问？ • 数据结构要不要问？ • 交互细节要不要问？ • 边界条件要不要问？ • 上线标准要不要问？
于是 Interview 变成了全方位盘问。
在高强度模型配置下，如果只给很简单的初始描述，整个提问过程可能拖得非常久。
所以问题不在 grill-me，问题在使用方式。
它不适合被当成“从零帮我想需求”的万能入口。更好的用法是：先给它足够多的材料，再让它帮你补洞。
我更推荐把整个流程拆成四步。
四步流程：口述完整想法、整理初始文档、启动 AI 追问、输出执行清单。
第一步：先把想法完整说出来
不要一上来就追求 prompt 精炼。先把你脑子里已经想到的东西全部说出来：
• 我想做什么； • 为什么要做； • 用户是谁； • 当前已有基础是什么； • 大概希望怎么实现； • 哪些地方我已经想过； • 哪些地方我还不确定； • 我担心哪些风险； • 最终希望 AI 输出什么。
这一步可以直接用语音转文字。不用写得漂亮，也不用结构完美。它的目标只有一个：让上下文足够完整。
在 AI 协作里，过早精炼有时反而是坏事。因为你删掉的那些“啰嗦细节”，可能正是 AI 判断边界时需要的信息。
第二步：把口述内容整理成初始文档
口述完之后，让 AI 先把它整理成一份初始需求文档。
这份文档不需要像正式 PRD 那么完整，但至少要包含：背景、目标、非目标、用户或使用场景、已知约束、已考虑方案、待确认问题、输出要求。
这样做的好处是，AI 后面的提问会更集中。它不需要从零探索，而是在已有材料上做补充确认。
第三步：再启动 grill-me
有了初始文档后，再让 grill-me 进入 Interview。这时它的角色就变了。
它不再是漫无目的地问“你想做什么”，而是围绕现有文档继续问：
• 这里的目标是否可以量化？ • 这个边界条件是否需要写死？ • 这个功能是否真的属于第一版？ • 失败状态怎么处理？ • 怎么判断任务完成？ • 有没有现有代码或数据可以复用？
原文作者后来的做法是，先准备了一份比较完整的口述文档，再让 AI 采访。这样 Interview 明显更容易收敛。
第四步：让 AI 输出最终执行材料
Interview 结束后，不要直接开工。先让 AI 把所有回答整理成最终材料：最终需求说明、决策记录、非目标清单、风险与假设、执行步骤、验收标准、下一步 prompt。
这一步很重要。因为 Interview 本身只是对齐过程，真正能降低返工的是对齐后的“可执行文档”。
如果你想快速试一下，可以这样写：
下面是一份我口述整理出来的需求草稿。
`请你使用 grill-me 的方式采访我：一次只问一个问题，优先围绕目标、边界、约束、风险、验收标准和执行顺序提问。 如果某个问题可以通过已有材料推断，请先给出你的推荐答案，再问我是否确认。 不要急着执行任务。先通过追问把需求对齐清楚。 采访结束后，请输出：
最终需求说明 明确不做的内容 关键决策记录 风险和假设 可执行任务列表 验收标准
以下是需求草稿：…… 如果是代码任务，我还会加一句： 如果问题可以通过查看代码库回答，请先查看代码，不要问我已经能从代码里确认的问题。`
这句话很关键。因为好的 AI 协作不是把所有上下文都推给人解释，而是让 AI 主动利用现有材料。
我觉得它最适合三类任务：
• 第一类是复杂但还没定型的任务。比如产品功能、技术方案、重构计划、实验设计。这类任务直接执行风险很高，先问清楚能省很多返工。 • 第二类是你自己也没完全想清楚的任务。有时候我们不是缺执行力，而是缺一个会追问的人。grill-me 可以把隐藏的假设挖出来。 • 第三类是需要长期维护的任务。比如代码架构、数据库设计、自动化流程。如果一开始边界没讲清楚，后面改起来成本更高。
但它不适合非常简单的任务。比如“帮我改一个标题”“把这段话润色一下”“写一个临时脚本”，这些任务直接做就行，没必要先 Interview。
三个自检问题：背景是否说清、是否从零探索、能否在几十问内收敛。
在启动 grill-me 前，可以先自检：
1. 我是否已经把背景、目标和约束说清楚了？ 2. AI 接下来是在补充确认，还是需要从零探索？ 3. 这次 Interview 有没有可能在几十个问题内收敛？
如果答案是否定的，说明你应该先补充初始文档，而不是直接进入采访。
这也是我从这个方法里得到的最大启发：AI 不是越早介入越好。
更好的顺序：先把自己的想法倒出来，再让 AI 帮你追问，最后再让 AI 执行。
grill-me 的价值，不是让 AI 变得更会猜。
它真正有用的地方，是让人和 AI 在执行前先完成一次高质量对齐。
如果只给一句粗略需求，它可能会问到很发散；但如果你先准备一份足够完整的口述文档，它就会变成一个很实用的需求审稿器。
技术协作里，很多返工都不是发生在写代码时，而是发生在“以为已经说清楚”的那一刻。
所以，下次准备让 AI 做复杂任务前，可以先别急着说“开始实现”。
先让它问你。
问透了，再开工。
你是如何跟AI协作的，评论区聊聊呗。
