一、提问的本质：为什么AI需要好问题？提示词工程师的思维模型
你有没有想过一个问题——
为什么同样用ChatGPT，有人能写出惊艳的方案，有人只能得到一堆废话？
答案其实很简单：问题决定了答案的上限。
我做了这么多年AI提示词工程，最深的体会就是：AI不会思考，它只会回应。你给它什么，它就还你什么。你问得模糊，它答得含糊；你问得精准，它答得漂亮。
1.1 好问题 = 好答案
先讲个我自己的经历。
有一次，我需要AI帮我写一份产品需求文档。我随口问了句：
❌ 帮我写个PRD结果呢？AI给我吐出了一堆通用模板，完全没法用。
后来我换了个问法：
✅ 我需要写一份面向电商平台的PRD，核心功能是“智能推荐”。目标用户是25-35岁的女性，预算50万，周期3个月。请按以下结构输出：1. 背景 2. 目标 3. 功能清单 4. 技术方案 5. 排期这次的结果，直接能用。
为什么会这样？
因为AI本质上是一个概率预测器。它根据你给的输入，去预测最可能的输出。你给的信息越少，它的预测空间就越大，结果就越随机。你给的信息越多，它的预测就越精准，结果就越贴近你的需求。
核心公式：
好问题 = 清晰的目标 + 具体的约束 + 明确的格式
1.2 提示词工程师的思维模型
做提示词工程师，说白了就是学会翻译。
把人类模糊的需求，翻译成AI能理解的精确指令。
我总结了一套思维模型，叫「三问法」：
- 我要什么？ —— 明确目标
- AI需要知道什么？ —— 提供上下文
- 我希望它怎么输出？ —— 指定格式
举个例子。你想让AI帮你写一封邮件。
普通人会问：
帮我写封邮件提示词工程师会问：
我要给客户写一封道歉邮件，原因是发货延迟了3天。客户是合作3年的老客户，语气要诚恳但不要太卑微。请用以下结构：1. 道歉 2. 原因说明 3. 补救措施 4. 再次道歉你看，区别就在这里。
普通人只给了任务，提示词工程师给了任务+上下文+格式。
1.3 避坑指南：我踩过的三个坑
做这行久了，踩的坑也不少。分享三个最常见的：
坑一：问题太宽泛
我曾经问AI：「怎么提高工作效率？」
结果它给我列了20条建议，从时间管理到冥想，没一条能用。
后来我改成：「我是一名程序员，每天被会议打断，怎么安排时间才能保证4小时专注编码？」
这次，它给了我具体的日程模板和工具推荐。
坑二：忽略负面约束
有一次我让AI写营销文案，只说了要「吸引人」。
结果它写得很夸张，像电视购物广告。
后来我加了句：「不要用感叹号，不要用'限时抢购'这类词，语气要专业。」
效果立刻不一样了。
坑三：不给示例
AI对抽象概念的理解有限。你让它「写得幽默一点」，它可能理解成冷笑话。
我现在的习惯是：给一个示例。
比如：「请模仿《吐槽大会》的风格，用自嘲的方式写一段自我介绍。」
有了参照物，AI的输出质量会提升一个档次。
1.4 好问题的五个特征
根据我的经验，一个好问题通常具备以下特征：
| 特征 | 说明 | 示例 |
|---|---|---|
| 具体 | 避免模糊词汇 | 「写一份500字的周报」而不是「写个周报」 |
| 有上下文 | 告诉AI背景信息 | 「我是市场部的新人，这是第一份周报」 |
| 有约束 | 明确限制条件 | 「不要超过200字，语气正式」 |
| 有格式 | 指定输出结构 | 「用表格输出，第一列是日期，第二列是工作内容」 |
| 有示例 | 提供参考样本 | 「类似这样的风格：……」 |
小技巧：
如果你不确定问题好不好，可以问自己一句：
「如果我把这个问题交给一个刚入职的实习生，他能直接上手做吗？」
如果不能，那就说明问题还不够好。
1.5 从「问问题」到「设计问题」
最后我想说一点。
提示词工程师和普通用户的区别，不在于会不会用AI，而在于会不会设计问题。
普通用户把AI当搜索引擎，问完就走。
提示词工程师把AI当合作伙伴，会花时间设计问题、调试问题、优化问题。
我个人的习惯是：
- 第一版问题，先写个草稿
- 看AI的回答，找出不满意的地方
- 修改问题，再试一次
- 重复3-5次，直到满意为止
这个过程，我称之为「提问的迭代」。
你想想看，如果你愿意花10分钟设计一个问题，AI就能给你省下1小时的工作量。这笔账，怎么算都划算。
好了，这一章就到这里。
下一章，我们会聊聊「提示词的结构化设计」——怎么把一个问题拆解成AI能理解的步骤。
到时候见。