夜雨聆风AI 最危险的时刻，不是它答不上来。
是问题还没说清楚，它已经给出了一份结构完整、措辞专业、看起来几乎无法反驳的答案。
比如你让 AI “优化一下这个系统”。
它很快就会列出缓存、并发、索引、重构、监控，甚至顺手帮你排好优先级。整份方案看起来很专业，但最关键的问题可能还没人回答：
这里的“优化”，到底是要降低响应时间，提高吞吐量，减少服务器成本，还是让代码更容易维护？
目标不同，方案可能完全相反。
回答越完整，人越容易忘记检查问题本身。这是我使用 AI 越久，越警惕的一件事。
AI 擅长补全答案，却不会替你承担判断
生成式 AI 的工作方式，决定了它很擅长沿着已有表达继续往下推。
你给它一个含糊的问题，它通常不会停下来追问“这个词是什么意思”。它更可能根据常见语境，自动补上缺失的前提，然后生成一个最像答案的答案。
问题也出在这里。
被补上的前提未必是你的前提，常见答案也未必适合眼前的场景。可一旦它们被包装进流畅的文字里，我们很容易把“表达完整”误认为“问题已经想清楚”。
所以我现在处理重要任务时，不会一上来就让 AI 给方案。
我先让它帮我拆问题。
苏格拉底式追问，解决的不是哲学问题
苏格拉底式方法最有价值的地方，不是把对话变得深奥，而是不断检查一个说法里的定义、前提和矛盾。
一个人说自己知道某件事，接下来就要回答：
•你说的这个词具体指什么？
•这个结论依赖哪些前提？
•有没有一个反例能让它失效？
•如果现实结果不同，你愿不愿意修改判断？
把这套方法放到 AI 协作里，作用非常实际：在答案快速膨胀之前，先把问题里模糊的部分照出来。
这里需要说清楚：下面的“五问法”是我针对 AI 工作整理出的现代用法，不是苏格拉底本人提出的一套固定流程。
我现在会先问这五个问题
第一问：定义是什么？
需求里的“好”“快”“安全”“智能”，分别怎样才能被观察？
“提升用户体验”听起来像目标，其实只是一个方向。把它改成“新用户能否在三分钟内完成第一次操作”，讨论才真正开始。
第二问：目的是什么？
最终希望改变谁的什么行为或结果？
同样是增加 AI 功能，有的产品是为了减少操作步骤，有的是为了提高内容质量，还有的是为了降低客服成本。目的不同，应该测量的结果也不同。
第三问：前提是什么？
哪些已经是事实，哪些只是为了继续讨论而暂时采用的假设？
AI 很容易把两者写在同一个段落里。如果不主动区分，假设重复几次之后，看起来就会越来越像事实。
第四问：反例是什么？
在什么场景下，当前结论明显不成立？
如果一个方案声称“自动化能提高效率”，那就应该继续问：当任务低频、异常很多、维护成本高于人工操作时，它还成立吗？
反例不是为了抬杠。它是在帮我们找到方案的边界。
第五问：怎样证伪？
出现什么证据时，我们愿意承认当前方向错了？
如果没有任何结果能够推翻一个判断，它就很难被验证，只能被不断解释。
一段可以直接交给 AI 的提示词
遇到重要任务时，我会先发类似下面这段话：
暂时不要给方案。先检查我的问题：1. 标出没有定义清楚的关键词；2. 区分事实、假设和推断；3. 列出最可能改变方案的三个前提；4. 给出一个能够推翻当前方向的反例；5. 说明还需要确认哪些信息，才能开始行动。
它的作用不是让 AI 变得更聪明，而是阻止一个含糊的问题过早进入执行阶段。
但也不要把追问变成拖延
不是每件事都值得连续追问五轮。
改一个按钮颜色、整理一份临时清单、生成一个可以随时丢弃的草稿，先做再调整通常更快。
真正需要停下来追问的，是那些一旦理解错了，就会明显增加返工、成本或风险的任务：产品方向、架构选择、生产操作、重要对外内容，以及多人协作的需求。
我的判断标准很简单：
如果某个问题的答案不同，会不会显著改变接下来的方案？
会，就先问清楚。
不会，就先行动。
最后
AI 让得到答案变得越来越便宜，但这不会让好问题自动出现。
以后真正稀缺的，可能不是“谁更会问 Prompt”，而是谁能在一个完整答案面前，仍然注意到那个没有被定义清楚的问题。
今天可以做一个很小的练习：打开最近一次让你返工的 AI 对话，回到第一条需求，看看里面有没有一个从未定义过的词。
如果有，试着用上面的五问法重新问一次。
你最近遇到过哪种“答案没错，但问题问错了”的情况？欢迎留言告诉我。
本文是《AI 时代的判断力》系列第 1 篇。下一篇，我会写：怎样用费曼的方法，检查一个看似正确的 AI 答案。
参考资料：Stanford Encyclopedia of Philosophy，Plato’s Shorter Ethical Works[1]。本文中的“五问法”为面向 AI 协作场景的现代整理，不作为苏格拉底原话或固定方法引用。
