和 AI 深度对话的三层追问法：从问一次就走到真正用好大模型

我最近和几个同行聊天，发现一个很普遍的现象：大家都在用 AI 写代码、查方案、做技术调研，但大部分人的用法停留在"问一句、拿一段"的阶段。问完一个问题，拿到一坨看起来正确但没什么用的回答，然后关掉窗口，心里嘀咕"AI 也就这样"。

但同样的工具，有人能用它一个下午搞定过去一周的调研量。差距在哪？

我写了十几年代码，从前端切到后端又切到架构，最近两年密集使用各种大模型做技术选型、方案推演、代码审查和文档生成。踩过很多坑之后，我越来越确信一件事：AI 放大的是你提问的能力，不是你的知识储备。

这个判断不是我的原创。黄仁勋在接受 CNN 采访时明确说过，和 AI 交互本质上是一个提问系统——你需要深度思考、分析和推理，才能问出有用的问题。他甚至说自己作为 CEO，日常工作的大部分时间都在提问而非给答案。

今天这篇文章，我想把自己摸索出来的"三层追问法"拆开讲清楚。不是那种"请扮演一个专家""请用 STAR 框架回答"的提示词模板，而是一套思维方式，帮你从根本上改变和 AI 对话的深度。

第一层：用"你觉得呢"激活 AI 的判断

大多数人和 AI 对话的模式是这样的：

我：帮我分析一下 Redis 和 Kafka 在这个场景下的优劣。 AI：Redis 的优点是……缺点是……Kafka 的优点是……缺点是……

然后呢？你看完了，还是不知道选哪个。

问题出在哪？你只让 AI 做了分析，没让它做判断。这就像你写了一个函数，它能返回所有可能的结果，但没有 return 最终值——调用方拿到的是一堆中间状态，不是答案。

下次试试在 AI 给你列完选项之后，追一句："你给了我三个选项，你觉得哪个更适合我的情况？"

这一句话的威力在于：它迫使 AI 从"中立的信息罗列者"切换到"有立场的建议者"。AI 的回答会立刻变得更收敛、更有针对性。当然，它可能会反问你一些补充信息——你的 QPS 预期、你的团队技术栈、你的运维能力——这恰恰是好事，说明对话在往深处走。

你还可以继续追问：

"为什么不选 Kafka？"
"如果我的约束条件变成日均消息量翻十倍，你的建议会变吗？"
"还有没有你没列出来的第四种可能？"

我在做技术选型时经常这么干。一个中间件的选择，我可能和 AI 来回十几轮，从最初的泛泛分析，一步步逼到一个具体的、有理有据的结论。这比我自己闷头查文档快得多，而且 AI 会帮我想到我知识盲区里的东西。

这一层的底层驱动力是什么？好奇心。

不要问完一次就满足。你拿到的第一个回答，几乎永远不是最好的回答。它只是一个起点。

哈佛商学院教授 Alison Wood Brooks 在她关于提问力的研究中指出，提问是组织中释放价值的独特工具——它驱动学习、激发创新、建立信任。这个结论放在人和 AI 的对话中同样成立：你追问得越深，AI 给你的价值越大。

我从一个在 AI 公司做提示词优化的朋友那里听到一个有意思的观察：普通用户和 AI 的对话通常不超过 10 轮就结束了，比较熟练的用户大概能到 30 轮，而他们内部做提示词训练的工程师，在一个具体问题上经常要和模型对话 80 轮以上。

80 轮。这不是在"聊天"，这是在用对话做深度研究。

第二层：用"如果你全权负责"逼出决策

第一层解决的是"让 AI 给判断"，第二层要解决的是"让 AI 给决策"。

判断和决策的区别是什么？判断是"我觉得 Redis 比 Kafka 好"，决策是"如果是我来做，我现在就会用 Redis Streams，第一步搭集群，第二步写消费者组，第三步做监控"。用程序员的话说：判断是 boolean，决策是 action plan。

很多时候你问 AI"你觉得怎么做比较好"，它会给你一个偏保守的、面面俱到的回答。这是因为 AI 默认在做分析师，不是在做决策者。

你可以用一个问题把它拉到决策者的位置："如果你现在全权负责这件事，你会怎么做？"

"全权负责"这四个字是关键。它给了 AI 一个明确的角色设定：你不是旁观者，你是要承担后果的执行者。在这个设定下，AI 的回答会从"你可以考虑以下几个方面"变成"我会先做 X，然后做 Y，因为 Z"。

我自己的使用场景：当我在做系统设计、技术债优先级排序、重构方案选择这类需要"拍板"的事情时，我会先把背景信息喂给 AI——现有架构、团队规模、时间约束——然后问它"如果你是我，你现在会做什么选择？"。AI 给出的决策未必是我最终采纳的，但它提供了一个高质量的参照系。尤其是当我自己犹豫不决的时候，有一个"外部大脑"先给出一个明确立场，对我理清思路帮助极大。

HBR 在 2024 年发表的《The Art of Asking Smarter Questions》中提到，优秀的领导者已经从"给答案"转向"问问题"——通过提问来帮助团队探索他们自己没意识到需要探索的方向。这个逻辑用在 AI 身上完全一样：你不是在等 AI 给你标准答案，你是在用提问把 AI 的能力边界往外推。

这一层训练的核心能力是：不要只让 AI 帮你想，要让它帮你"拍"。

第三层：用"下次怎么改进"形成迭代闭环

前两层是单次对话的技巧，第三层是跨时间的。

大多数人用 AI 是"用完即走"的模式：问一个问题，拿到答案，关掉。下次遇到新问题，重新开一个对话，从零开始。这就像每次写代码都从空文件开始，不复用任何模块——效率极低。

但如果你把 AI 当成一个长期协作的伙伴，你需要建立一个迭代循环：做了一件事 → 把结果告诉 AI → 问它"下次怎么改进" → 下次按改进方案执行 → 再把结果喂回去。

"下次怎么改进"这个问题为什么比"我哪里做错了"好？因为"哪里做错了"指向过去，容易陷入归因和找借口；"下次怎么改进"指向未来，答案天然就是可执行的行动。任何原因如果不能产生行动，它的本质就是借口。

我有一个习惯：每周把我的工作产出喂给一个固定的 AI 对话窗口（我用的是带记忆功能的智能体），然后问它"基于我这周的产出和上周你给我的建议，你觉得下周我应该调整什么？"。坚持了几个月之后，这个 AI 对我的工作模式、我的弱点、我的优先级已经有了相当深的理解，给出的建议越来越精准。

这就是人和 AI 的共同迭代：你给它真实世界的反馈（这是它在互联网上抓不到的），它给你跨领域的认知补充（这是你一个人想不到的）。时间越长，这个循环的价值越大。程序员应该很熟悉这个模式——它本质上就是一个 feedback loop，和我们做持续集成、做 retrospective 的逻辑一模一样。

Nielsen Norman Group 的研究将人与 AI 的对话分为六种类型，从简单的信息查询到复杂的协作创作。大多数人停留在前两种——而真正的价值在后面几种需要多轮深度交互的类型中。

一个容易被忽略的前提：提问之后的判断力

有人可能会说：我按你说的追问了，AI 给了我很多东西，但我还是不知道该信哪个。

这是一个真实的问题。会提问是一种能力，但提问之后的判断力是另一种更稀缺的能力。

AI 给你的回答不是圣旨。它可能有幻觉，可能有偏见，可能在你的具体场景下完全不适用。追问的目的不是让 AI 替你做所有决定，而是让它帮你把问题空间展开，把你没想到的角度摆出来。最终拍板的人，还是你。

黄仁勋自己也说得很清楚："我不是让 AI 替我思考，我是让它教我不知道的东西，帮我解决我自己无法合理解决的问题。"

所以三层追问法的完整闭环其实是：追问 → 判断 → 执行 → 反馈 → 再追问。

马上能用的行动清单

如果你今天就想改变自己和 AI 对话的方式，试试这几件事：

下次 AI 给你列选项时，追问一句"你觉得哪个更适合我？为什么？" 不要满足于第一轮回答。
遇到需要决策的问题，对 AI 说"如果你全权负责，你现在会怎么做？" 逼它从分析模式切换到决策模式。
做完一件事后，把结果告诉 AI，问它"下次怎么改进？" 开始建立你和 AI 之间的迭代循环。
给自己设一个最低对话轮次。 比如，在一个重要的技术决策上，至少和 AI 对话 15 轮再结束。你会发现第 10 轮之后的回答质量和第 3 轮完全不是一个级别。

三层追问法的本质很简单：把 AI 当成一个能力很强但需要你不断 push 的 junior——你不追问，它就给你最安全最泛泛的答案；你追问到位了，它能给你远超预期的深度。