同一个 AI，有人问出来的回答像废话，有人却能拿到可以直接用的高质量答案。区别不在于 AI，而在于你怎么问。本文教你用最简单的方法，让 AI 每次都给你满意的回答。

为什么提问方式这么重要

你可以把 AI 想象成一个能力极强但需要指令的新员工。你说"帮我写个东西"，它不知道你要什么；你说"帮我用 Python 写一个批量下载图片的函数，支持断点续传"，它就能直接给你可用的代码。

核心原因：

AI 没有读心术：它只能根据你给的信息来回答，信息越少，回答越泛
AI 有多种可能的回答方向：你的问题越模糊，AI 越倾向于给一个"安全但没用"的通用回答
好的提问 = 省时间：一次问清楚，省去反复追问的来回

万能提问公式

万能提问公式四要素

一个好的提问包含四个核心要素，不需要全部包含，但包含越多，回答越精准：

要素一：角色（Role）

告诉 AI 它应该以什么身份回答。这会直接影响回答的专业度和风格。

你可以说	效果
「你是一个资深 Python 工程师」	回答会更专业，使用最佳实践
「你是一个面向初中生的科普老师」	回答会更通俗易懂，避免术语
「你是一个产品经理」	回答会更关注用户体验和业务价值

要素二：任务（Task）

明确告诉 AI 你要它做什么。越具体越好。

❌ 模糊：「帮我写个程序」
✅ 具体：「用 Python 写一个函数，输入 URL 列表，多线程下载图片到本地文件夹」

要素三：上下文（Context）

提供背景信息，帮助 AI 理解你的场景。

你是什么身份：「我是一个刚学编程的新手」
用在什么场景：「这个脚本要部署在 Linux 服务器上定时运行」
有什么限制：「不能使用第三方库，只能用标准库」

要素四：格式（Format）

指定你想要的输出格式。

「用代码块展示，加上中文注释」
「用表格对比，列出优缺点」
「分步骤列出，每步不超过 3 句话」
「用 Markdown 格式，包含标题和子标题」

差提问 vs 好提问

差提问与好提问对比

以下是一些常见的对比示例，看看你平时更像哪一种：

场景一：写代码

❌ 差提问	✅ 好提问
帮我写个爬虫	用 Python requests 库写一个爬虫，抓取某电商网站的商品名称和价格，保存为 CSV，需要处理反爬机制

场景二：改代码

❌ 差提问	✅ 好提问
这段代码有 bug	这段 Python 代码运行时报 TypeError: xxx，期望行为是 yyy，帮我排查问题并修复

场景三：写文章

❌ 差提问	✅ 好提问
写一篇文章	写一篇 800 字的科普文章，主题是「为什么天空是蓝色的」，面向初中生，用生活化的比喻，分 3 个小节

场景四：学习新知识

❌ 差提问	✅ 好提问
给我讲讲机器学习	我是编程新手，想了解机器学习是什么。请用通俗的语言解释核心概念，举 2 个生活中的例子，推荐 3 个入门学习资源

六个实用提问技巧

技巧一：给 AI 一个角色

在提问开头加上角色设定，AI 的回答会立刻变得专业且有针对性。

模板：「你是一个 [角色]，请 [任务]」

示例：「你是一个有 10 年经验的前端工程师，请帮我审查这段 React 代码，指出性能问题并给出优化建议。」

技巧二：提供示例（Few-shot）

如果你对输出有特定的风格或格式要求，直接给 AI 看一个例子。

模板：「按照以下格式回答：[示例]，现在请 [你的任务]」

示例：

「按照以下格式写产品描述：
产品名：xxx
一句话卖点：xxx
核心功能：1. xxx 2. xxx 3. xxx
适用人群：xxx

现在请为「无线降噪耳机」写一个产品描述。」

技巧三：分步骤提问

复杂任务不要一次性塞给 AI，拆成多步效果更好。

第一步：「帮我设计一个博客网站的数据库表结构」
第二步：「基于这个表结构，写一个查询最近 10 篇文章的 SQL」
第三步：「为这个查询添加分页功能」

技巧四：限制回答范围

告诉 AI 什么该做、什么不该做。

「只回答与 Python 相关的问题，其他语言的问题请说明不适用」
「不要编造不确定的信息，如果不知道就说不知道」
「回答控制在 200 字以内」

技巧五：要求 AI 追问

当你自己也不确定需求时，让 AI 先问你几个问题。

示例：「我想搭建一个个人博客网站，但不确定用什么技术栈。请先问我 3 个关键问题，再根据我的回答推荐方案。」

技巧六：让 AI 打分或自我检查

让 AI 对自己的回答进行评估，往往能得到更高质量的结果。

示例：「请为这段代码打分（满分 10 分），从可读性、性能、安全性三个维度各打分，并说明扣分原因和改进方向。」

常见场景的提问模板

写代码

「你是一个 [语言] 工程师。请写一个 [功能描述]。要求：[技术约束]。输出格式：代码块 + 中文注释。」

改 Bug

「这段 [语言] 代码报错：[错误信息]。期望行为：[描述]。实际行为：[描述]。请分析原因并给出修复方案。」

写文案

「你是一个资深文案。为 [产品/主题] 写一篇 [类型]，目标读者是 [人群]，字数约 [字数]，风格要求 [风格]。」

翻译

「将以下中文翻译成 [语言]，要求：保持原文语气，专业术语使用行业通用翻译，输出时保留原文对照。」

学习新知识

「我是 [你的水平]，想学习 [主题]。请用 [方式] 解释，给出 [数量] 个例子，并推荐进一步学习的资源。」

数据分析

「以下是 [数据描述]。请分析 [分析目标]，用表格展示关键指标，给出 [数量] 条可操作的建议。」

进阶技巧

思维链（Chain of Thought）

让 AI 一步步思考，而不是直接给答案，能显著提高复杂问题的回答质量。

魔法词：在问题末尾加上「请一步步思考」或「Let's think step by step」。

示例：「一个水池有两个水管，进水管每小时注水 3 吨，出水管每小时排水 1 吨。水池容量 10 吨，从空开始多久能装满？请一步步思考。」

让 AI 扮演多个角色

让 AI 从不同角度分析同一个问题。

示例：「请分别从前端工程师、后端工程师、产品经理三个角色的角度，评价这个网站设计方案的优缺点。」

迭代优化

第一次回答不满意？不要重新问，而是在上一轮基础上要求修改。

「上面的回答太长了，请精简到 200 字以内」
「第二个方案不错，请展开详细说明」
「语气太正式了，改成轻松口语化的风格」

常见错误

错误	为什么是错的	怎么改
一次问太多问题	AI 容易遗漏部分问题	拆成多次提问，每次聚焦一个
不提供上下文	AI 只能猜你的场景	说明你的身份、场景、限制
要求"完美"回答	AI 的第一次回答很少完美	把 AI 当协作者，迭代优化
不验证 AI 的回答	AI 可能编造信息	关键信息务必自行验证
只用一种问法	换个问法可能效果完全不同	不满意就换个角度重新问

总结

向 AI 提问是一门可以快速学会的技能。记住这几个核心原则：

具体明确：说清楚你要什么，而不是"帮我写个东西"
提供上下文：告诉 AI 你的身份、场景、限制条件
指定格式：表格、代码块、分步骤——你说了算
分步提问：复杂任务拆开问，效果更好
迭代优化：第一次不满意就继续调，AI 不会烦

不需要背公式，多练几次就自然了。下次和 AI 对话时，试着多加一点上下文和具体要求，你会发现回答质量立刻提升一个档次。

下一步：打开词元圈，用今天学到的技巧试一试。从一个你最近需要解决的实际问题开始，用四要素公式写一个 Prompt，看看 AI 的回答质量有没有提升。

打开词元圈 Playground · 选择模型

技术博客

热门标签

向 AI 提问的技巧：Prompt Engineering 入门指南