别让它讲，让它考你
怎么提问，才能让 AI 真的教会你一件事。四个部件，加上你自己给的比方，再让它把问题交还给你。
本页解决的问题
先给结论「别让它讲，让它考你」要解决的关键问题是什么？
怎么提问，才能让 AI 真的教会你一件事。四个部件，加上你自己给的比方，再让它把问题交还给你。
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
12 份午餐，预算 800 元，周五中午 12 点送到会议室。行政同事把这行要求转给你的时候是周二上午，来开会的同事名单也一起发了过来。
你把人数、预算和送达时间发给 AI，请它配一份菜单。它很快给出一套组合：
四荤三素加一份主食，人均约 65 元；口味一半清淡、一半偏辣；另外留出 20 元买纸巾和一次性餐具。
这份答案确实有用。数量算得清，预算也留了余量，你照着餐厅页面换了两道售罄的菜，11 点前完成下单。订单截图发进群里，这件事就算办完了。
周五 11 点 58 分，餐盒刚摆上桌，一位同事看见酱汁标签，问里面有没有花生。你这才知道她对花生过敏。餐厅确认其中一道酱汁含花生碎，同一口锅也做过含花生的菜。你临时加订一份，送到时已经 12 点 36 分，她在会议室里等了38 分钟。
你当时会收工，是因为屏幕上的任务都被答上了：人数够、钱没超、时间写了。过敏信息从来没进入问题，答案自然把它当作普通的多人午餐处理。菜单的完整，让那个还没问出的条件更难被看见。
AI 完成的是你交给它的题。你给了人数、预算、送达时间，它就围着这三项优化；你没给谁不能吃什么，它无法从空白里知道现场有一位过敏者。
答案能用，只说明它完成了你已经问出的那部分。真正影响决定的条件，有些写在提问里，有些还藏在你没想到要问的地方。
这时候可以让 AI 换一个角色。先暂停继续推荐，请它检查这份方案依赖哪些尚未确认的条件，再把最要紧的一项改写成下一问。午餐这个场景里，它应当先追问有没有食物过敏、宗教饮食或其他忌口，然后提醒你向餐厅核实配料和后厨处理。
下一问把模糊的担心，变成一件可以马上去问人、查标签、找餐厅确认的事。刚才那份菜单已经能下单了，你会停在拿到答案、看出可疑，还是写出下一问这一层？
拿到一份准备采用的答案后，把它连同自己的场景一起贴回去。下面三句按顺序发，AI 就会从继续给建议，转到帮你找还没确认的条件。
- 先找没有写出来的条件
这是我准备采用的方案：[粘贴方案]。我的场景是：[写明谁、什么时候、要做什么]。请列出这份方案成立所依赖、但我还没有确认的条件，按对结果的影响从大到小排序。先不要替我做假设。
- 再把最要紧的一项问出来
从最关键的条件开始，一次只问我一个问题。我回答以后，你再判断该继续追问，还是进入下一个条件。
- 最后变成现场可以执行的核对
根据我的回答，把仍需核实的事项写成清单。每一项说清该问谁、查什么，以及看到什么结果才能继续采用这份方案。
第一句里的「先不要替我做假设」是关键。少了这半句，AI 可能会自行补上「大家没有忌口」之类的默认条件，未知项又会被一段顺畅的文字盖住。
「这份菜单可能有问题」只是感觉，到了下单那一刻仍然不知道该停在哪里。把它往前推，需要连续回答三件事：
- 圈出会改变决定的那句话，比如这份菜单默认所有人都能吃。
- 写明还缺哪个现场条件，这里缺的是 12 个人各自的过敏和忌口信息。
- 指定核实动作和通过标准，先逐人确认，再让餐厅明确配料与后厨处理，确认能避开相应食材才下单。
这三层是一个经验分界，没有实验数字。翻自己的笔记时，可以在每条答案旁边补一句：「这条建议放到我的场景里，还缺哪个条件没确认？」写不出来，就让 AI 按上面的模板一次问你一个。
下一问需要带哪些信息，见 让 AI 按我的情况讲清楚。想检查自己是否真正理解，见 讲得清那一关。
把「一份能用的答案，为什么还不能直接收工」变成能复用的学习动作
「12 份午餐，预算 800 元 ，周五中午 12 点送到会议室。行政同事把这行要求转给你的时候是周二上午，来开会的同事名单也一起发了过来」把学习从“看过一遍”推进到“能在新情境里做出来”。真正留下来的不是一段漂亮总结，而是你能用来观察、预测和行动的判断。
用结果检查自己是否真的理解
从「你把人数、预算和送达时间发给 AI，请它配一份菜单。它很快给出一套组合」开始，可以先不用看答案，尝试解释概念、完成一个小任务，再对照哪里是自己的推断、哪里依赖了工具、哪里仍需要核验。
- 先找没有写出来的条件 这是我准备采用的方案：[粘贴方案]。我的场景是：[写明谁、什么时候、要做什么]。请列出这份方案成立所依赖、但我还没有确认的条件，按对结果的影响从大到小排序。先不要替我做假设
- 再把最要紧的一项问出来 从最关键的条件开始，一次只问我一个问题。我回答以后，你再判断该继续追问，还是进入下一个条件
- 最后变成现场可以执行的核对 根据我的回答，把仍需核实的事项写成清单。每一项说清该问谁、查什么，以及看到什么结果才能继续采用这份方案
记住步骤不等于掌握方法
把「下一问需要带哪些信息，见 让 AI 按我的情况讲清楚 。想检查自己是否真正理解，见 讲得清那一关」写成一条自己的规则，并在不同的例子上试一次；如果换了情境仍能说清为什么这样做，知识才开始具备迁移性。
从「一份能用的答案，为什么还不能直接收工」走到「先玩一遍 · 看看你会停在哪一层」
「一份能用的答案，为什么还不能直接收工」先把问题落在「AI 完成的是你交给它的题。你给了 人数、预算、送达时间 ，它就围着这三项优化；你没给谁不能吃什么，它无法从空白里知道现场有一位过敏者」上；到了「先玩一遍 · 看看你会停在哪一层」，讨论继续推进到「同一份午餐方案，三层分别会走到哪里 播放 单步 重置 选择你现在会停下的位置 第一层 第二层 第三层 点选一层，看看这次下单会发生什么，以及下一句该怎么写。 1 · 先拿到一份能用的答案 菜单已经满足你写出的要求 2 · 再指出答案里的可疑处 你看见它还依赖一个未知条件 3 · 把可疑处写成下一问 你知道接下来该向谁确认什么 你与 AI 讨论午餐的这次对话 先选择一层，再点播放看看这次下单会走到哪里。 这里会显示你停…」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
学习一个概念时，先不看答案完成一次小任务，再解释自己的判断依据，最后换一个情境重做；迁移比复述更能说明真的学会。
- 「一份能用的答案，为什么还不能直接收工」：AI 完成的是你交给它的题。你给了 人数、预算、送达时间 ，它就围着这三项优化；你没给谁不能吃什么，它无法从空白里知道现场有一位过敏者
- 「先玩一遍 · 看看你会停在哪一层」：同一份午餐方案，三层分别会走到哪里 播放 单步 重置 选择你现在会停下的位置 第一层 第二层 第三层 点选一层，看看这次下单会发生什么，以及下一句该怎么写。 1 · 先拿到一份能用的答案 菜单已经满足你写出的要求 2 · 再指出答案里的可疑处 你看见它还依赖一个未知条件 3 · 把可疑处写成下一问 你知道接下来该向谁确认什么 你与 AI 讨论午餐的这次对话 先选择一层，再点播放看看这次下单会走到哪里。 这里会显示你停…
- 「最后的要点」：写明还缺哪个现场条件 ，这里缺的是 12 个人各自的过敏和忌口信息
最后的「最后的要点」把讨论落到「写明还缺哪个现场条件 ，这里缺的是 12 个人各自的过敏和忌口信息」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。