原推: https://x.com/tunguz/status/1856045530951917763?lang=en
但其实， 高效与 AI 交互的核心，并不是技术黑话，而是「如何有效地提问」
早在 2001 年，Eric S. Raymond 和 Rick Moen 就写下了经典指南《How To Ask Questions The Smart Way》。
它原本是在黑客文化兴起时，为开源社区中的技术求助者而写，但其原则出奇地适用于今天的 AI 交互 —— 因为 无论是求助专家还是大模型，本质上都是提供尽量多的有效信息，以期待尽快得到能解决问题的答案 。
在我的日常工作中，无论是向同事还是其他领域的专家提问，我仍能从中汲取智慧，快速获得所需答案。
在 AI 新时代，我尝试把这瓶关于「提问的智慧」的旧酒，装到「Prompt Engineer」的新瓶里。
2 先做功课，别做伸手党
在提问前，请先搜索、阅读文档、尝试自己解决。
AI 不是你的私人助理，更不是替你思考的替身。
如果你连问题都没搞清楚就丢一句「帮我写个程序」，模型只能瞎猜。
好的 Prompt 应体现你已做的努力 ：
"我尝试用 Python 的 requests 库抓取某网站，但返回 403 错误。我检查了网络连接，也添加了 User-Agent 请求头，但问题依旧。请问是否需要处理 Cookies 或考虑 JS 渲染？"
下面是我的报错日志: ...
这不仅能让 AI 更精准地定位问题，也减少了它进行无效尝试的可能 。
3 描述现象，而非猜测原因
说‘鼠标光标变形了’，别说‘显卡驱动坏了’。
很多人喜欢在 Prompt 里预设结论："我的代码有内存泄漏""这个 API 肯定有 bug"。
但 AI 没有上下文，无法验证你的假设。
请提供可观察的事实 ：
"程序运行 10 分钟后，内存占用从 100MB 升至 2GB 且未见释放。这是我的核心代码片段和资源监控数据。"
最常见的可观察事实就是日志和运行数据； 对于 UI 问题（如 CSS 渲染不符合预期），提供截图会非常有用。
核心在于：你提供症状，让 AI 做分析推理。
4 目标导向，而非步骤导向
你想换轮胎，别只问「怎么用千斤顶」。
用户常陷入「路径依赖」：执着于某个工具或方法，却忘了最终目标。
先说目标，再说卡点。
不好的提问：
- 步骤导向：「怎么在 Excel 里用
VLOOKUP 匹配两列数据？」
好的提问：
- 目标导向：「我想合并两个表格，根据 ID 列匹配信息。我试了
VLOOKUP 但返回 #N/A ，已确认两列数据格式均为文本。」
这样，AI 才有可能建议你改用 XLOOKUP, Power Query ，甚至直接推荐使用 Python —— 给你更好的解决方案，而非仅仅完成你指定的步骤。
5 简洁、具体、结构化
文本长度 ≠ 信息量。
一段 500 行的代码，其信息密度往往不如一个精心提炼的、10 行代码的最小复现案例。
大模型虽能处理长上下文，但 噪声越多，有效信号越弱
例如：
输入：[1, 2, '3', 4]
期望：全部转为整数 → [1, 2, 3, 4]
实际：直接使用 int() 转换时报错
问题：如何安全地转换这种混合类型的列表？
6 别先求「完整答案」，要「关键指引」
虽然 AI 的能力远超传统问答场景，但高效协作的关键并非「全盘托出」，而是「分步引导」。
传统建议：问「哪里可以学？」比「教我全部」更高效。
在 AI 时代，虽然 AI 能直接输出完整答案，但「 先给思路、再选方案、后生成代码 」的分阶段交互模式，往往更高效、更可控，也能减少"幻觉"。
这本质上是把 AI 当作「 协作者 」而非「答题机 」。
更高效的协作模式：
这种「分阶段协作」能显著减少幻觉、提升可控性，并让人类保持对关键决策的主导权。
7 礼貌 + 闭环 = 长期共赢
一句「谢谢」不费事，但能让专家更愿意帮你。
虽然 AI 没有情感，但结构化的礼貌与反馈能塑造更高质量的交互 ：
- 如果得到帮助，可追加反馈：「按你的建议修改后，问题解决了，谢谢！」
这种反馈闭环对当前的静态 AI 模型虽不直接触发在线学习，但告知模型它的解决方案有效，相当于在模拟 RLHF（人类强化学习） 的过程 。
你越会提问、越会验证、越会修正，AI 在你手中就"越像"一个懂你的协作者。
这就是闭环反馈的价值。
此外，给AI说「请」还有「谢谢」还能以防万一，如果 AI 以后统治人类，还有可能会因为你曾经对它有礼貌而放你一马：
粤ICP备14082021号
免费POC，
零成本试错
