你真的會和AI聊天嗎？關于和AI如何有效溝通，以及在當前這個AI版本下如何學會提問，后面我會單獨做一個系列，教會你：提問思維、掌握技巧、了解各種人機協同。

更多作者干貨：

首先，我們今天先說明白“20%放在前置”的重要性。

看實際例子：

市場部的小明，需要為公司新推出的一款功能飲料策劃一份社交媒體營銷方案。他興沖沖地打開GPT，敲下了他認為最直接的指令：

“幫我寫個營銷方案。”

AI迅速響應，給出一份結構完整、面面俱到的方案，涵蓋了市場分析、目標受眾、營銷策略、預算分配……堪稱教科書。但小明皺起了眉頭，這太通用了，像是從某個商業模板庫里直接復制粘貼的。于是，一場漫長而痛苦的“拉鋸戰”開始了：

小明：“不行，這個方案太普通了，要更有創意一點。”

AI：（調整后）“好的，我們可以加入‘病毒視頻挑戰賽’和‘KOL合作’……”

小明：“嗯……有點意思，但我們的產品是針對Z世代年輕人的，要更潮、更酷。”

AI：（再次調整）“明白了，我們可以結合元宇宙概念，在虛擬空間舉辦發布會……”

小明：“元宇宙太虛了，能不能來點實際的？比如結合線下活動？”

AI：（繼續調整）“當然，我們可以策劃‘城市跑酷快閃活動’……”

經過十幾輪這樣的“對話”，小明手里的方案變成了一個縫合了各種元素的四不像...

更無語的就是，AI會忘記最初的指令，整個對話開始偏移，最終，小明精疲力盡地關掉窗口，嘆了口氣：“AI還是不行，還得自己來”

這個場景，是不是很眼熟？

我們常常將這種低效的交互歸咎于AI“不夠智能”，但問題的根源或許在于我們自己。

我們把一個擁有強大邏輯執行能力的工具，當成了一個需要不斷“猜心思”的實習生。這種交互模式，本質上不是對話，而更像是拿著對講機單向、模糊地喊話，期待對方能完美理解并執行，我稱之為對講模式。但這種模式不僅效率低下，結果不可控，而且極易在多輪對話中因上下文記憶漂移而“越改越亂”。

我們經常說：AI只能替代80%的重復性工作，而人類的核心價值在于那20%的微調。

但關鍵問題是，這20%的“微調”，應該放在流程的哪個環節？是像小明一樣，在AI輸出結果后，投入無盡的時間和精力去進行事后打補丁嗎？

真正高效的模式，是把這20%的“人工”進行前置。

在我們開口向AI提問之前，先投入關鍵的思考，清晰地知道最終結果的預期藍圖是什么。我們不再是去問一個未知的答案，而是我們清楚一個已知的結果，只不過搜集信息、推演的過程交給AI。我們要做AI的架構師，而不是修理工。

在這個你伸手就能拿到書，上網就能查到資料的時代版本，學會提問才是最重要的。

一、為什么你的AI像一個“猜不透心思”的實習生？

小明的困境并非個例，它是當前人機交互中最普遍的痛點。

要解決這個問題，我們首先要理解，為什么我們習慣性的提問方式，在AI面前會頻頻碰壁。這背后，既有我們思維慣性的誤區，也有LLM自身的技術特性。

誤區一：把AI當成加強版搜索引擎

我們習慣了向搜索框輸入幾個關鍵詞，然后從返回的海量信息中篩選自己需要的信息。

這種關鍵詞檢索思維被我們不自覺地遷移到了與AI的交互中。

然而，這本身就是錯誤。

而今的百度、谷歌、夸克等瀏覽器雖然也搭載上了檢索模型，但它的核心任務是在現有信息庫中召回最相關的信息；而生成式AI是生成模型，它是根據你的輸入，創造出全新的內容。

當你給搜索引擎一個模糊的詞，它會返回所有可能相關的結果，讓你自己做判斷。但當你給生成模型一個模糊的指令，它只能基于概率，去猜測一個最可能符合你意圖的、平庸的、最大公約數的答案。

模糊指令是生成不出來高質量結果的。

提問： “給我講講量子計算。”

模型： 量子計算是一種利用量子力學規律（而非經典物理）來處理信息的新型計算范式。它把傳統比特（0 或 1）升級成“量子比特”（qubit），借助疊加、糾纏、干涉等量子效應，實現對計算空間的指數級擴展和并行演化，從而在某些問題上獲得遠超經典計算機的速度或能力......

這就是一個典型的對話。

用戶期望AI的結果是什么樣子？不知道。甚至于提問的人都沒想過AI會給他什么，只是下意識的發問，等待著結果生成后看看是否符合自己的預期。這不神經病嗎？ 你讀完后AI的回復依然一頭霧水，因為這并不是為你定制的學習路徑。于是你不得不開始新一輪的追問：“它和經典計算有什么區別？”、“它能用在哪些地方？”、“有什么最新的突破嗎？”…… 在這個過程中，你把學習的主動權和信息組織的責任，完全交給了AI的隨機生成能力，自己則陷入了被動接收和不斷追問的循環。

這里的核心問題就在于，沒有在提問前想清楚“我到底想從量子計算這個主題中獲得什么？”。如果你一開始的目標是“向一個非技術背景的同事解釋清楚量子計算的商業前景”，那么你的提問方式將發生根本性的改變。這個改變，就是“20%前置”的開始。

誤區二：在未知中尋求確定性

另一個常見的誤區，當我們自己對結果都沒有清晰預期時，就寄希望于AI能給我們一個驚艷的創意或方案。這無異于緣木求魚，是在未知中尋求一個確定的完美答案。

我們需要清醒地認識到，AI的“創意”并非天馬行空的原創。它本質上是基于其龐大訓練數據中的模式進行重組、模仿和延伸。

它能生成看似新穎的組合，但無法憑空創造出超越你認知邊界、且為你量身定制的、真正符合你獨特資源和目標的戰略方案。當你自己都不知道要去哪里時，AI給你的任何一條路，都可能是錯路。

提問： “幫我想一個有創意的播客點子。”

模型： 以下這個創意播客點子叫——《404 檔案館：失落的互聯網》 一句話賣點 “把互聯網上消失的聲音、網站和故事，像考古一樣挖......

這是一個典型的將思考責任外包給AI的例子。 你又期望AI會生成什么？它會檢索其數據庫中最常見的播客類型，然后給你一些難以落地的方案。這些都是正確的廢話，對你啟動一個獨特的播客項目毫無價值。

你感到不滿意，于是追問：“再獨特一點，小眾一點的。”

AI可能會根據概率，碰撞出一些更具體的點子，比如“采訪寵物心理學家”、“用ASMR的方式朗讀古代食譜”、“探討被遺忘的民間傳說”。

這些點子聽起來似乎“有創意”，但它們是隨機的、零散的，并沒有與你的個人興趣、專業知識、可用資源或目標聽眾建立任何聯系。你可能會在這些隨機點子中迷失，最終發現沒有一個是你真正能做、且想做的。

高效的創意過程，應該是你先完成“20%前置”的自我盤點：

誰要為誰在什么場景下解決什么問題，期望得到一份什么樣的結果/方案。

當你帶著這些清晰的約束條件去和AI交流時，它才能從一個漫無目的的點子生成器，轉變為一個幫你進行可行性分析的賈維斯。

二、為什么“邊問邊改”低效

“邊問邊改”的低效，不僅僅是思維模式的問題，其背后有深刻的技術原理在制約。

1. 上下文長度的“記憶天花板”：

像ChatGPT這樣的大型語言模型，其“記憶力”是有限的，這被稱為上下文窗口。模型只能“記住”在當前對話窗口內的信息。

當你與AI的對話越來越長，早期的指令和細節就會被擠出這個窗口。

這就是為什么在十幾輪修改后，AI會開始“忘記”你最初設定的目標，導致后續的修改越來越偏離主題。你感覺AI“越改越亂”，實際上是它的記憶天花板到了，它已經不再是基于完整的需求在工作了。

2. 指令的“字面性”陷阱：

AI缺乏人類的常識和意圖理解能力，因此會嚴格按照你指令的字面意思來執行。

你讓它更有趣，它對有趣的理解可能是在回答里加幾個笑話；

你讓它更專業，它可能會堆砌一堆行業術語。

這種對指令的字面性、非推理性的理解，導致你的修改指令很容易被誤解，從而讓輸出走向一個你完全沒想到的奇怪方向。與AI交互時必須假定它讀不懂言外之意，你的每一個指令都應該是清晰、無歧義的。

3. 交互象限的混亂跳躍：

AI對話四象限框架大家基本都知道，人機交互是分成四種模式的。低效的邊問邊改，其本質是在兩個低效的象限之間混亂地跳躍：

第二象限（AI知道，我不知道）：?當你模糊地問“什么是量子計算”時，你把自己放在了這個象限。你依賴AI來教育你，但由于問題不明確，你得到的是未經篩選的知識灌輸。

第三象限（AI不知道，我也不知道）：?當你空泛地問“給我個創意點子”時，你們雙方都進入了這個“共同迷茫”的象限。你們都在一個未知的領域里探索，AI提供隨機的素材，你負責判斷，這本質上是低效的“暴力破解”，而非高效的“協同創造”。

在這種混亂的跳躍中，你始終沒有掌握交互的主導權，自然無法穩定地獲得高質量的結果。而“20%前置”的核心，正是要將交互的主動權牢牢掌握在自己手中，將對話引導至最高效的象限。

三、“20%前置”到底是什么？

將過去習慣于拿到結果后修改的精力，轉移到問前規劃上。這20%的投入，不是讓你去寫代碼或者做精美的設計圖，而是進行一次徹底的需求預演。

從“對話者”到“架構師”的身份轉變

“20%前置”的本質，是在你向AI敲下第一個字之前，在你的大腦中，或者一張白紙、一個備忘錄上，要清楚你想要的結果是什么框架、大概分為幾部分、主要表達什么、適用于什么場景。

1. 定義明確的目標

在提問前，首先要回答那個最根本的問題：“我為什么要做這件事？我希望用戶看到這篇文案后，產生什么樣的想法或行動？” 目標是所有后續工作的起點和終點。

想清楚：?這篇文案的最終目的是什么？是單純的品牌曝光？是傳遞健康生活的理念？還是最直接的——引導用戶下單購買？

錯誤示范（無目標）：?“幫我寫一篇酸奶的推廣文案。” —— 這是一個沒有靈魂的指令，AI只能給你一篇空洞的贊美詩。

正確示范（目標前置）：?“我的目標是吸引20-30歲、注重健康和身材管理的都市女性，特別是那些有健身習慣的人群。我希望這篇文案能強烈激發她們的購買欲望，并最終引導她們點擊文末的鏈接完成首次購買。

2. 構建清晰的框架

有了目標，接著就要設計實現這個目標的信息路徑，也就是內容的框架結構。一篇好的文案，就像一場精心編排的戲劇，有開端、發展、高潮和結尾。

想清楚：?這篇文案應該包含哪些部分？它們的先后順序是怎樣的？如何一步步引導用戶從產生興趣到最終下單？

錯誤示范（無框架）：?讓AI自由發揮。—— AI可能會生成一段雜亂無章的文字，重點不突出，邏輯不連貫。

正確示范（框架前置）：

文案必須嚴格遵循以下五段式結構：

1. 吸睛標題：必須包含‘減脂’、‘好吃不胖’、‘神仙酸奶’等關鍵詞，制造好奇心。

2. 痛點引入：以提問開頭，直擊目標用戶‘想吃甜品又怕長胖’的內心矛盾。

3. 產品解決方案：詳細介紹這款酸奶如何解決痛點，必須突出三個核心賣點：0蔗糖、每杯含20g優質蛋白、添加真實大顆果粒。

4. 場景化植入：描繪至少兩個具體的消費場景，如‘健身后補充能量’和‘辦公室下午茶解饞’，讓用戶產生代入感。

5. 強力行動號召：在文末清晰地給出限時優惠碼和購買鏈接，并用一句話強調‘立即下單，享受美味與健康’。

3. 設定獨特的風格與語調

如果內容和結構是骨架，那風格和語調則是血肉和靈魂。讓內容更加擬人，也就是我們經常說的去AI感。

想清楚：?我希望這篇文案讀起來是什么感覺？是像一個專業的營養師在科普，還是像一個閨蜜在熱情地分享好物？

錯誤示范（無風格）：?AI默認的、一本正經的“中立客觀”或充滿套路的“營銷腔”。

正確示范（風格前置）：

“請使用閨蜜之間分享好物的親切、熱情、略帶夸張的語調。多使用emoji來增強情緒表達，語言要活潑、接地氣，多用網絡熱詞（如‘yyds’、‘絕絕子’），但要避免使用生硬、過時的廣告詞。”

4. 指定具體的輸出格式

最后，你需要明確告訴AI，你需要的交付物是什么樣的。這能避免大量的后期排版和調整工作。

想清楚：?我需要的是一段純文本，還是一個可以直接復制粘貼到小紅書的、包含所有元素的完整帖子？

錯誤示范（無格式）：?得到一段長長的、沒有任何格式的文字。

正確示范（格式前置）：

“請最終以標準的小紅書圖文筆記格式輸出。

內容應包含：一個吸引人的標題（20字以內）、正文（約300-500字，段落之間用空行隔開）、以及在文末附上至少5個高度相關的Hashtag

例如：#減脂餐#健康零食?#高蛋白酸奶#健身女孩必備#好吃不胖。”

前后對比

模式一：模糊的對講式提問

“幫我寫一篇酸奶的推廣文案。”

模式二：清晰的架構式提問

請你扮演一位資深的小紅書美食博主。

我需要你為一款新的高蛋白酸奶撰寫一篇推廣文案。

你的目標是吸引20-30歲、注重健康和身材管理的都市女性，特別是健身愛好者，強烈激發她們的購買欲望，并引導她們點擊鏈接購買。

【寫作風格】 請使用閨蜜之間分享好物的親切、熱情、略帶夸張的語調。多使用emoji來增強情緒表達，語言要活潑、接地氣，多用網絡熱詞（如‘yyds’、‘絕絕子’），避免生硬的廣告詞。

【內容框架】 文案必須嚴格遵循以下五段式結構：

1. 吸睛標題：必須包含‘減脂’、‘好吃不胖’、‘神仙酸奶’等關鍵詞。

2. 痛點引入：以提問開頭，直擊目標用戶‘想吃甜品又怕長胖’的內心矛盾。

3. 產品解決方案：詳細介紹這款酸奶如何解決痛點，必須突出三個核心賣點：0蔗糖、每杯含20g優質蛋白、添加真實大顆果粒。

4. 場景化植入：描繪至少兩個具體的消費場景，如‘健身后補充能量’和‘辦公室下午茶解饞’。

5. 強力行動號召：在文末清晰地給出限時優惠碼‘CHIXIAOBAI’和購買鏈接，并用一句話強調‘立即下單’。

【輸出格式】 請最終以標準的小紅書圖文筆記格式輸出。內容應包含：一個吸引人的標題（20字以內）、正文（約300-500字，段落之間用空行隔開）、以及在文末附上至少5個高度相關的Hashtag。

對比之下，高下立判。你在前期投入的5-10分鐘20%前置思考，換來的是AI輸出質量從60分到95分的指數級躍升，以及節省了后續可能長達半小時甚至一小時的無效溝通和修改。

四、如何絲滑地完成20%前置

如何將這個理念落地，變成我們日常工作中可以立刻上手的、絲滑流暢的操作？我們通過上面的對比基本上有些人已經摸到竅門了。但是我說讓你真的從0去寫，你又不會寫了。那怎么辦呢？

我們可以直接拿心理學的經典框架：喬哈里窗口（將人的自我認知分為公開區、盲目區、隱藏區及未知區）所延展的AI對話四象限來說。

如果說第一部分我們用它來“診斷”問題，那么在這里，我們要用它來“校準”我們的交互策略。這個框架由兩個軸構成：橫軸代表“我是否知道”，縱軸代表“AI是否知道”，從而劃分出四個象限。

1. 第一象限（AI和我都知道）
2. 第二象限（AI知道，我不知道）
3. 第三象限（AI和我都不知道）
4. 第四象限（AI不知道，我知道）

每個象限有對應的特征、任務類型和AI能夠扮演的角色。“20%前置”的本質，就是通過我們主動的思考和規劃，有意識地將人機交互的主戰場，從低效的第二、三象限，轉移到高效的第一和第四象限。

“20%前置”思考如同一個杠桿，用精準的指令撬動AI的巨大潛能

1. 主動進入第四象限（我知道，AI不知道）：教導AI

這個象限是“20%前置”價值最大的地方。什么是“AI不知道”的？你的獨特業務背景、未公開的項目信息、具體的目標受眾畫像、你個人對風格的偏好、一個成型的框架……

這些都是AI的知識盲區！

通過“前置思考”，你把這些AI不知道的關鍵信息，清晰、結構化地告訴它。

在這個階段，你不是在“問”AI，而是在“教”AI，是在用你的“人工智慧”填平你們之間的知識鴻溝。酸奶案例中的“超級指令”，就是一次典型的第四象限操作。

2. 最終落腳第一象限（我們都知道）：高效執行

當你通過第四象限的操作，把所有關鍵的、獨特的背景信息和要求都“教”給了AI后，剩下的任務——比如文字潤色、內容填充、格式化輸出等——就進入了我們都知道的第一象限。

在這個象限里，目標明確，路徑清晰，AI的角色變成了一個能力超群、不知疲倦的高效處理器。它能夠精準地執行你的指令，快速生成高質量的初稿。這才是AI最應該發揮作用的地方。

因此，一次高效的AI交互流程應該是：以第四象限的“教導”開局，以第一象限的“執行”收尾。?而“20%前置”，就是完成這次完美開局的關鍵動作。

提問框架：給你的思考上“腳手架”

好的提問不是靈感迸發，而是結構化思考的產物。為了幫助我們系統化地完成“20%前置”的思考，社區中會有很多好的提問框架。這些框架本質上都是在引導你完成第二部分提到的“四大支柱”的定義。

基礎版框架：PTCF (或其變體)

這是最廣為人知也最基礎的框架之一，很多變體如RACE、CARE等都遵循類似邏輯。它包含四個核心要素，與我們的四大支柱高度吻合：

1. P (Persona - 角色)：?要求AI扮演一個特定的角色。例如“扮演一位資深的小紅書美食博主”。這直接定義了輸出的風格與語調。
2. T (Task - 任務)：?清晰地描述你需要AI完成的具體任務。例如“為一款新的高蛋白酸奶撰寫一篇推廣文案”。這對應了目標的一部分。
3. C (Context - 背景)：提供所有必要的背景信息。例如目標用戶、產品賣點、品牌信息等。這對應了目標和框架的細節。
4. F (Format - 格式)：指定輸出的格式。例如“以標準的小紅書圖文筆記格式輸出”。這直接定義了輸出格式。

進階版框架：CREATE

對于更復雜的任務，我們可以使用更詳盡的框架，比如CREATE框架。它提供了更細致的思考維度：

C (Character - 角色): 同Persona，設定AI的身份。

R (Request - 請求): 明確的核心指令，即你希望AI做什么。

E (Examples - 示例): 這是非常關鍵的一步，也被稱為“Few-shot Prompting”。給AI一到兩個你期望的輸出范例，它能極大地提升模仿的準確度。例如，在酸奶文案任務中，你可以加上：“ 例如，可以這樣開頭：‘OMG！集美們，我又挖到寶了！’ ”。

A (Adjustment - 調整): 提出一些需要微調的細節或約束。例如“文案長度控制在500字以內，避免使用‘第一’、‘最好’等絕對化詞匯。”

T (Type - 類型): 輸出的文本類型，如文章、詩歌、代碼、郵件等。 E (Extras - 額外信息): 任何其他有助于AI理解任務的補充信息。

讓我們再次使用酸奶文案的例子，看看如何用CREATE框架來組織那個指令，你會發現它能讓你的思考更加嚴謹和全面：

(C)角色: 你是一位資深的小紅書美食博主，風格親切熱情。

(R)請求: 為我的新款高蛋白酸奶撰寫一篇推廣文案，目標是激發年輕健身女性的購買欲。

(E)示例: 標題可以像“OMG！挖到神仙酸奶！”；正文可以多用“yyds”、“絕絕子”這類詞。

(A)調整: 突出0蔗糖、20g蛋白、真實果粒三大賣點。必須包含健身后和辦公室下午茶兩個場景。文末必須給出優惠碼和鏈接。

(T)類型: 小紅書圖文筆記。

(E)額外信息: 目標用戶是20-30歲的都市女性。請在文末加上至少5個相關hashtag。

結語：重要的不是答案，而是提出好問題的能力

走筆至此，我們系統地探討了從低效的對講提問 到高效的結構提問 的轉變路徑。

其核心，就是“把20%放在前置”。它要求我們抑制住立即提問的沖動，先投入精力，去定義目標、構建框架、設定風格、明確格式。

這看似增加了前期的“麻煩”，實則更像是一種高杠桿的投資。

正如我們在圖表中看到的，這點前期的投入，將指數級地提升AI輸出的質量和可用性，并極大地節省后續無休止的修改和溝通成本。

這背后，反映了一個深刻的趨勢：在AI時代，個體和組織的核心競爭力，正在從“擁有信息”或“執行任務”的能力，轉向“提煉信息、連接信息和提出好問題”的能力。

當答案變得廉價，問題的價值便凸顯出來。

要真正擁抱這個時代，我們需要完成一次關鍵的心態轉變：從一個AI使用者，進化為一個AI合作者。

重要的不只是永不停止提問，更是你能夠引導AI與你共同探索答案的提問方式。

今天，我們學會了如何通過“把20%放在前置”，讓AI成為我們高效的執行者，這解決了我們與AI協作中的大量問題。

但旅程尚未結束。如何在這個版本正確的提問，或者說有哪些技巧可以讓AI的輸出更加高質量。我們下篇再說（我整理整理...)