夜雨聆风先跟第 16 篇划清界限，免得你觉得又在讲拆问题。
第 16 篇是横向：给一句模糊需求，让 AI 一口气列出 10 个不同角度的问题，你再用三分法筛。那一步解决的是「广度」——别漏了角度。
这一篇是纵向：角度选定之后，一个问题往往还是太粗，没法直接取数。比如「关注转化下降」你根本不知道该查哪张表、按什么口径。这时候要做的不是再列 10 个平行问题，而是盯住这一个，让 AI 像挖井一样一层层往下追问，每追一层你答一句，直到问到「能直接写成取数条件」为止。
新手最容易犯的错：把 AI 当答案机，一上来就要它给结论；或者停在第 16 篇那种平铺问题清单，问题还是模糊，取数时又卡住。真正难的是把一个问题追问到底。
我们用一组小数据练一下（一条追问链）：
起点问题：最近关注转化下降了。
AI 追问第一层：下降是和哪个基准比？（你答：最近 14 天 vs 前 14 天） AI 追问第二层：关注转化率的分母用阅读量还是曝光量？（你答：阅读量） AI 追问第三层：新增关注要不要排除历史文章带来的回流？（你答：排除，只算当篇 7 天内） AI 追问第四层：下降要按全站看，还是先按选题类型拆开看？（你答：先按选题类型）
四层问下来，「关注转化下降」已经变成了：最近 14 天各选题类型，当篇发布后 7 天内、以阅读量为分母、排除回流的关注转化率，对比前 14 天。这句话可以直接交给取数了。
可以照着这几个步骤做：
只锁定一个问题。这一篇不追求广度，广度交给第 16 篇。这里就盯一个往深挖。 让 AI 扮演追问者，规则是：每次只问我一个最关键的澄清问题，等我回答后再追下一层，不许一次抛一堆，也不许下结论。 每一层你都要给出明确回答，答不上来的地方，就是你口径没想清楚的地方，先停下补上。 追问的收敛信号是：出现了具体的分子、分母、时间窗口、拆解维度和排除项。凑齐了就可以停。 把最后一层的完整问题原样抄下来，它就是下一步取数的输入，也顺势成了第 32 篇那张口径卡片的初稿。 全程你只做两件事：回答、喊停。方向盘始终在你手里。
把上面的分析写成结论，可以这样表达：横向拆问题（第 16 篇）保证不漏角度，纵向追问链（这一篇）保证问题够具体。一个模糊需求，只有被追问到出现了分子分母和时间窗口，才算真的可以取数了。AI 负责一层层追问，你负责逐层回答和喊停。
AI 可以怎么帮你：让 AI 当一个「只会连环追问、绝不下结论」的助手。它每问一层都逼你想清楚一点，问题就是这样被它问明白的。
可复制模板：
追问链 Prompt：我要分析的问题是【一个问题，不用拆多个】。请你扮演追问助手，规则：一、每次只问我一个最关键的澄清问题；二、等我回答后，基于我的回答再追问下一层；三、全程不许给结论、不许一次抛多个问题；四、当问题已经具体到有明确的分子、分母、时间窗口、拆解维度和排除项时，停下并把完整问题复述给我。现在开始问第一个。
收敛清单（凑齐即停）：分子、分母、时间窗口、拆解维度、排除项。
你可以这样练：拿「我的简历投递没回音」当起点，让 AI 按追问链规则连环追问你，你如实回答。数一数它追了几层，你会发现真正把问题问清楚，靠的不是一次列 10 个，而是被追着答到无处可躲。
下一篇：把拆解树交给 AI 跑一遍，人只做一件事：挑主因。
[往日推荐]
Skill 和 Agent 到底有什么区别？用数据分析场景讲明白
用 AI 帮我拆一个业务问题：从“数据不好”到“到底哪里不好”
不会写 SQL 也能查数？用 AI 生成 SQL 的正确姿势（和坑）
AI 都会写 SQL 和 Python 了，新手还要不要学数据分析？