第19课 · 答疑3：怎么跟 AI 提问
本节要点
- 核心困惑：「AI 能做，但效果不好」—— 大概率不是 AI 的问题，是你没说清楚
- 同一件事，说法决定效果：模糊提问 vs 清晰提问
- 提问四要素：做什么 / 给什么 / 要什么 / 分几步
- 为什么 AI 越跑越不准：群友真实发现 —— 单个科目接近 100% 准确，一口气跑 40-50 个却低于 50%
- 准确率黄金法则：拆分任务、小批量试、上下文满了就清
- 不要指望一次到位：跟 AI 协作是「对话」不是「下命令」
- 给 AI 一个「参考答案」：例子永远比描述管用
- 提问前检查清单 + 一句话心法
1. 核心困惑：AI 能做，但效果不好
前面几节课，大家已经掌握了 OpenCode 的基础用法，也有不少群友做出来自己的 Skill、小工具。但很多人在做稍微复杂一点的东西时，会遇到一个共同的困惑：
AI 能做，但效果不是很好。
群里几乎天天有人这么说：
- 「AI 做出来的东西，跟我想要的不一样」
- 「是不是我没说清楚？」
第二种说法，其实已经接近真相了。
💡 对，就是没说清楚。 这不是在怪你 —— 而是大部分人没意识到自己其实没把需求说清楚。
为什么会「没说清楚」？
因为很多朋友懂自己专业领域的东西，但没把这个经验表达出来：
- 做财务的，脑子里清楚怎么记账、怎么处理工作 —— 但让 AI 做的时候，你没把这些经验讲出来
- 做审计的，清楚怎么做审计程序 —— 但没把这个流程告诉 AI
你脑子里的经验，AI 不知道。它就只能按它自己的理解去做，结果自然跟你想的不一样。
所以，从「让 AI 给我们干活」到「把它用好、让它干好」，关键不在于工具本身，而在于我们人本身。同样一件事，你怎么描述，就决定了出来的效果。
2. 同一件事，说法决定效果
我们拿一个最简单的例子：检查一份报告里的数字。
❌ 模糊的问法
「帮我检查一下这个报告有没有问题」
这种泛泛而谈的说法，扔给豆包也好、扔给 OpenCode 里的工具也好，它都能给你写出很多东西。你晃眼看过去「还不错，没问题」—— 但仔细一看，根本没达到你的目的，跟你自己去检查的流程、逻辑完全不一致。
✅ 清晰的问法
「检查报告正文里的数字，是否和附注里的对应。不一致的列出来。」
这一个就比较清晰了。AI 知道：查什么（数字勾稽）、查哪里（正文 vs 附注）、怎么输出（不一致的列出来）。
清楚一点的说法，效果就完全不一样
同样是你去检查一份报告，你脑子里其实分了好几个步骤：
第一层：格式检查
- 页眉页脚、页码的连续性
- 语句有没有病句、错字
- 字体字号（这些可以先放过）
第二层：内容检查（勾稽校验）
- 报表之间的勾稽（表内勾稽）
- 报表和附注的勾稽
- 附注里某一个报表项目，和另外一个报表项目数值的勾稽
如果你想完整实现「人去检查」的步骤和经验，就得把这些告诉 AI。当然不需要说得很详细、很完美，你可以一步步调整 —— 但至少要让它知道你脑子里的逻辑。
💡 这就是模糊说法和清晰说法的差别：一个让 AI 猜着做，一个让 AI 照着你的经验做。
3. 提问四要素
向 AI 提问，想清楚这四个点：
① 做什么 —— 任务要具体
不是「处理报告」，是「检查数字勾稽」。
如果你只说「处理报告」，AI 会按它自己的经验做，而不是按一个有资深业务经验的人的方式做。你要告诉它具体的任务，比如「检查数据勾稽」，甚至更细。
② 给什么 —— 提供输入和参考
当你很难描述某个样式、某个你想要的东西时，最简单的办法是：把你已经有的一些文件给它。
- 你以前人工做出来的这些东西（文件）
- 给它一个例子
- 给它一种格式的样本
别让 AI 去猜。 它是可以学习的 —— 你把样本给它，让它照着做。
③ 要什么 —— 说清输出格式
你要输出成什么？
- Excel？
- Markdown？
- Word？
- PPT？
都要给它说清楚。是要「列成表格」「只说不一致的」「标红问题项」？说清楚输出，它才知道给你什么。
④ 分几步 —— 复杂任务要拆
不要一上来就做一个非常大的东西。有两种拆法：
方式一：先做小点，再串起来
拿里面小的点去试，试了过后把它串起来。
方式二：先聊架构，再拆任务
在设计一个庞大系统的时候，先不要局限于一个小的环节，而是：
- 先跟它聊你整个系统构建的架构、你设想的样子
- 把架构和方案聊清楚，让它写成文档（需求文档、设计文档）
- 前面你装了 Superpowers 或者 oh-my-opencode-slim 这种插件，可以让它先去写方案
- 方案写完，你觉得这个方案是你想要的，再让它去写任务
- 逐步把每个任务详细拆解、完成
这样就可以把复杂的拆解成小的，再完成小的组成复杂的。
4. 为什么 AI 越跑越不准？
这是群里一个朋友（王园杰）的真实发现，非常典型：
| 场景 | 准确率 |
|---|---|
| 让 AI 分析单个科目 | 接近 100% 准确 |
| 一次性让 AI 跑 40-50 个科目 | 低于 50% |
同样的提示词，差别为什么这么大？
AI 也是会「偷懒」的
当它处理的内容过多的时候，它会有选择性地去跑一些东西来糊弄你。这个很要命。
这其实是所有大模型的通病：一次性处理的内容越多，遵循指令的能力急剧下降。不是某个模型不行，是使用方式的问题。
了解这个特性，反而能用好 AI
了解了 AI 这个特性，我们可以设计一些方式来应对：
- 比如要跑 50 个科目，就拆解成 每次只做一个
- 这一个任务，它可以调用子 agent去做
- 或者调用一个 API，用其他模型去完成这个具体任务
这样效果就能达到你想要的，而不会偷懒、输出出来不是你想要的方式。
5. 准确率黄金法则
基于上面这个特性，有三条黄金法则：
① 拆分任务 —— 一次只做一件事
40 个科目不要一次跑，分成 40 次单独跑。
② 小批量试 —— 确认质量再放量
不要一上来就扔一大堆东西让它完成。先让它做一个测试，确认没问题了再继续。
💡 这跟教实习生是一回事。 你先给实习生讲清楚每个步骤，让他完成一个，你去检查质量，跟他确认没问题了，再让他照着做。
③ 上下文满了就清 —— /clear 开新对话
AI 的大模型是有上下文长度的，有的比较长（百万级），有的是两百 K 之类的。当上下文聊得非常久之后：
- 它遵循性就不那么好了
- 上下文会造成污染，注意力不会集中
就跟我们人上课一样：刚开始一两分钟听得清清楚楚，上了中间就困了 —— AI 也一样，有个注意力的问题。
所以做完了要清理：
- 新开一个会话（
/clear） - 或者用
/compact压缩上下文
再进行下面的对话，它注意力会更专注一点。
💡 第 18 课讲过
/clear和/compact的区别：/clear彻底清空开新会话，/compact压缩保留摘要。
6. 不要指望一次到位
跟 AI 协作是「对话」，不是「下命令」。不要想着它可以一次给你做出完美的东西。
有个群友想搭一个税务库，要获取很多来源的文件，但他没有把任务拆分，结果效果不好。
正常如果来做，应该是这样：
举例：想做一个爬虫下载文件
不要一上来就笼统地说「帮我做个爬虫」，而是分步骤：
- 先聊方案：「我想下载这个网站的文件，咱们聊聊怎么做」
- 第一步：让它先打开浏览器
- 第二步：输入这个网址，它能打开
- 第三步：让它分析这个网页
- 一步一步操作，最后做出一个爬虫
三轮循环
通常的节奏是：
- 第一轮：先说需求，让 AI 做一个东西出来
- 第二轮：看了结果，指出哪里不对、哪里要改
- 第三轮：AI 改完，再提细节要求
循环往复，其实可以做出很复杂的东西。 但前提是不要一上来就想着一次到位。
💡 第一步出来就是不完美的，这是很正常的。 先做、在做中改、慢慢迭代。之前的课程里我也多多少少演示过，大家不要想着一步到位。
7. 给 AI 一个「参考答案」
说不清楚？直接给它看你要的样子。
❌ 只描述
「帮我做个表格，要好看一点」
「好看」是主观的，AI 猜出来的格式多半不合你意。
✅ 给例子
「参考这个文件的格式来做」（附上样例）
AI 照着样子做，格式、字体、布局全对。
💡 你能给例子的，永远比描述管用。 参考样例、参考格式、参考风格 —— AI 最擅长「照着做」。这也是为什么前面课程里我们反复强调要把以前做的东西作为样本丢给 AI。
8. 要求 AI 标注来源，别让它瞎编
AI 有一个很隐蔽的毛病：它会一本正经地胡说八道，尤其是当你问法条、准则、专业知识点的时候。
❌ 直接问
「审计里关联方认定有什么标准？」
AI 可能给出听起来很对、但出处不明的答案，甚至编造不存在的条款。
✅ 要求它只基于你提供的材料回答
如果你给它贴了文件或资料，加一句：
「请只根据我上传的材料回答，每一项结论都要标注具体来自哪一条/哪一页。如果材料里没有，明确说'材料中未提及'，不要脑补。」
✅ 没给材料时，要求它说明依据
「请回答，并在每条关键结论后用括号标注依据来源（法规名称/准则条款/教材章节）。如果不确定，直接说'不确定'，不要编造。」
发现它编来源怎么办？
如果 AI 给出了来源但你怀疑是假的，直接追问：
「这条结论出自哪一条具体法规/准则？请给出准确的条款编号和原文，不要概括。」
真的编不出来时，AI 往往会改口说"对不起，我之前说错了"。
💡 核心原则：涉及专业知识点、法规、准则时，默认 AI 可能会编。你要么给它限定材料范围，要么要求它标注出处。不要直接复制它给出的法条原文，重要内容一定要自己二次核对。
9. 提问前检查清单
每次提问前，过一遍这个清单：
发之前问自己
- ☐ 任务说具体了吗？
- ☐ 输入文件给了吗？
- ☐ 输出格式说了吗？
- ☐ 有没有参考样例？
效果不好时检查
- ☐ 是不是一次塞太多了？
- ☐ 对话是不是太长了？
- ☐ 需求是不是太模糊？
- ☐ 有没有给参考例子？
💡 90% 的「AI 不好用」，都能在这个清单里找到原因。
10. 一句话心法
记住这五句话就够了：
- 说具体，别说「帮我看看」
- 给例子，比描述管用十倍
- 拆开做，一次一件事
- 多轮改，别指望一次到位
- 变笨了就
/clear，开新对话
💡 其实你也不用太记 —— 把它想成它是一个比较聪明的实习生就行了。你不能一上来就对实习生说「帮我做一个审计报告」「帮我出一个财务的结账」，他不知道怎么完成。你要把任务拆分了过后，一点一点教他，把你脑子里经验的操作步骤告诉他 —— 这样子他能完成得比较好。
11. 提问能力，是 AI 时代的核心能力
这一节讲的，其实反馈出来的更多不是 AI 的能力或使用技巧，而是我们人本身的能力 —— 一个提问能力。
这是我们 AI 时代的一个核心能力。
- 以前学生时代的应试教育，让我们记答案 —— 在 AI 时代这个没有任何用处，因为 AI 拥有的知识比你多得多
- 但提问的能力，是我们以前学生时代所稀缺的
去提一个好的问题、提一个好的需求、提一个好的想法，然后跟它去讨论 —— 这个能力是我们需要去建立的，也是后面能不能把自己想做出来的东西做好、想做一个好的技能、好的工具的关键。
工具会变，方法不变。学会「跟 AI 说话」，换什么工具都能用好。
下期预告
学会了提问，还要会「兜底」 —— 下一期解决另一个高频痛点：
- 😫 群友的痛：「AI 改代码越改越坏，最后连基本功能都没了」
- ✓ 下期解法：版本控制救命 —— 改之前先存档，改坏了能回退（Git 基础）
- 概念辨析：AI Agent ≠ 聊天机器人
⚠️ 常见问题
Q1：AI 做出来的东西跟我想要的不一样，是 AI 太笨了吗？
大概率不是。多半是你没把需求说清楚。先别怪 AI，回头看一眼「提问四要素」：任务说具体了吗？输入给了吗？输出格式说了吗？有没有给参考例子？90% 的情况是这个清单里漏了某一项。
Q2：同样的提示词，单个科目准、批量跑就不准，怎么回事？
这是大模型的通病：一次性处理的内容越多，遵循指令的能力急剧下降。解决办法就是拆分任务 —— 把 40 个科目分成 40 次单独跑，每个单独跑准确率接近 100%。
Q3：聊了很久之后 AI 变笨了，怎么办？
上下文太长会造成「污染」，AI 注意力下降。做完了就清理：用 /clear 开新会话，或者用 /compact 压缩上下文再继续。这跟人上课听久了会困是一个道理。
Q4：第一版做出来很烂，要不要换工具 / 换模型？
不用。第一版不完美是很正常的。跟 AI 协作是「多轮对话」不是「一次命令」：看了结果指出哪里不对，让它改，再提细节要求。通常 3-5 轮就能拿到满意结果。
Q5：我不知道怎么描述我想要的东西，怎么办？
别描述，给例子。 把你以前人工做出来的文件、格式样本丢给它，说「参考这个来做」。AI 最擅长照着样子做，例子永远比描述管用。
Q6：AI 给出的法规/准则原文看起来很专业，能直接用吗？
不要直接复制，先核对。 AI 会编造看起来很像真的法条、条款编号和原文，尤其是审计、税务、会计这些专业领域。
正确做法：
- 如果是基于你上传的材料回答，要求它标注每一条结论出自哪一条/哪一页
- 如果是开放问题，要求它说明依据来源（法规名称、准则条款、教材章节）
- 对关键结论，一定要去官方文件或权威教材里二次核对
AI 是助手，不是法规数据库。专业知识点必须自己把关。
关键收获
TIP
AI 效果不好，大概率不是 AI 的问题，是需求没说清楚。记住提问四要素：做什么（具体）、给什么（输入和例子）、要什么（输出格式）、分几步（拆任务）。AI 越跑越准的黄金法则：拆分任务、小批量试、上下文满了就 /clear。别指望一次到位，多轮改、在做中迭代。涉及法规、准则、专业知识点时，要求 AI 标注来源，并自己二次核对。最后 —— 把 AI 当成一个聪明的实习生，把你脑子里的经验拆解成步骤告诉它。
下一步
把今天学的方法用起来：找一个你之前觉得「AI 做不好」的任务，按四要素重新问一次，多半会有惊喜。
下一期我们解决「AI 改代码越改越坏」的痛点 —— 版本控制救命，改坏了也能回退。
更多课程：课程大纲