我们很容易把“提示词工程”想成一种语言魔法：找到几个漂亮的角色设定，堆上几层格式要求，模型就会突然变聪明。实际使用一段时间后，我越来越觉得，提示词最值得学习的部分，不在咒语，而在提问。
两千多年前，苏格拉底在雅典的公共空间里做的事情，和今天我们面对 AI 时遇到的难题有一点相似。他很少急着交付一个结论，而是先问：你说的这个词到底是什么意思？你凭什么这么判断？如果换一个例子，结论还成立吗？
一、先把“苏格拉底式”说准确
关于苏格拉底，我们其实没有一份由他本人写下的操作手册。他没有留下著作，后人主要通过柏拉图、色诺芬等人的作品认识他；不同文本里的苏格拉底也不完全相同。严谨地说，我们今天讲的“苏格拉底方法”，是从这些对话中归纳出的思想实践，而不是一套可以原封不动复制的流程。
其中最有用的一条线索，是“反诘”（elenchus）：先让对方提出一个判断，再检查这个判断与对方自己的其他说法是否一致。另一条线索是“这究竟是什么”的追问——勇气是什么，正义是什么，好的生活是什么。问题的价值不只是得到定义，而是让说话的人意识到，自己可能把一个未经检查的直觉当成了知识。
所以，苏格拉底式对话至少包含三种动作：
- 澄清：把模糊的词换成可以讨论的对象；
- 反诘：检查一个说法是否和事实、前提或另一个说法冲突；
- 自省：承认未知，并在更好的问题中重新开始。
“助产婆”这个比喻也容易被误解。它不是说每个人心里已经藏着一个完整答案，而是说好的对话可以帮助一个人把尚未成形的想法说出来、检验它、修正它。对 AI 来说，这比要求它一次性给出“最终答案”更接近真实工作。
二、AI 为什么会把你的模糊放大
大语言模型很擅长根据语言补全一个看起来合理的结果。你给出一个宽泛的问题，它通常不会停下来追问，而是根据常见模式替你填空。于是，“帮我做得专业一点”会得到一段语气正式的文字，却未必解决了你的真实问题。
这不一定是模型能力不足。很多时候，是我们把三个不同层次的事情混在了一句话里：
- 想达成的目标是什么；
- 判断结果好坏的标准是什么；
- 准备采取的动作是什么。
例如，“帮我做一份项目介绍”可能同时包含了定位产品、说服客户、准备发布页、整理内部汇报四种任务。受众、篇幅、证据和风险都不同，模型只能从概率上猜一个平均答案。
苏格拉底式做法会先把问题拆开：这份介绍给谁看？读者要在看完后做什么？哪些能力已经验证，哪些只是计划？如果只能保留三句话，哪一句不能删？这些追问不是拖慢工作，而是在减少返工。
三、五层问题阶梯：从“想要”走到“可验证”
我把日常使用中最稳定的一组追问整理成五层。它不是必须逐字复制的模板，而是一张在卡住时可以回看的地图。
第一层：目标——我到底想改变什么
不要从“写一篇文章”“做一个方案”开始，而要说明希望现实发生什么变化。是让客户理解产品？让同事在十分钟内做决定？还是找出一个技术故障的最可能原因？目标越接近真实动作，答案越容易验收。
第二层：上下文——谁在什么场景使用
同一个结论，面对新手、专家、管理者和最终用户，表达完全不同。补充受众、已有资源、时间限制、历史决策和不能触碰的边界，等于告诉 AI 哪些内容不能靠猜。
第三层：标准——什么叫“好”
“专业”“简洁”“有深度”都不是标准，只是方向词。可以把它们转成可检查的条件：必须包含哪些事实，不能做哪些承诺，最多多少字，读者需要完成什么动作，哪些错误会造成实际损失。
第四层：选项——有没有别的路径
如果只要求模型给一个答案，它很容易把第一个可行方案包装成最佳方案。让它至少列出两条路径，并说明各自的收益、代价和适用条件，才能看见真正的取舍。
第五层：验证——我怎样知道它没有胡说
最后追问证据、反例和检查步骤。事实、推断、建议和未知要分开写；涉及发布、财务、医疗、隐私或删除数据时，先输出检查清单，不要直接执行。能不能被验证，决定了答案能不能进入真实流程。
四、让 AI 先问你，而不是替你猜
很多人使用提示词时只规定“请回答”，却没有规定“什么时候应该先提问”。其实可以给模型一个很小但很重要的协议：信息不足时先问，问题足够时再做；不要为了显得完整而编造缺失条件。
任务：我想达成【目标】，使用者是【对象】，场景和限制是【上下文】。 先追问：如果关键条件不足，请先问我最多 3 个问题，不要猜测。 再拆解：列出你的假设、可选路径，以及每条路径的代价。 要证据：把事实、推断、建议和未知分开标记。 给方案：推荐一个主方案，同时说明不选其他方案的理由。 停在这里：涉及【高风险动作】时，只给检查清单，等我确认后再执行。
这段协议的重点不是格式，而是把“追问权”和“暂停权”交还给使用者。它也能减少另一种常见问题：模型为了满足“必须给出答案”的要求，悄悄补上了并不存在的事实。
当然，不是所有任务都值得来回追问。查一个固定语法、改一个明确的文件名、把一段文字翻译成英文，直接执行更高效。苏格拉底式提问适用于目标含混、代价较高、多个角色协作，或者答案需要承担责任的场景。
五、从“答案”转向“对话回路”
真正好用的提示，往往不是一条消息，而是一条短回路。第一轮先让 AI 重述它理解的目标，并列出不确定点；第二轮补充信息，要求它提出方案；第三轮要求它攻击自己的方案，寻找反例和失败条件；最后再决定是否执行。
这和写代码、做研究、准备演讲、整理家庭预算其实是同一种工作结构：先定义问题，再提出假设，再用证据缩小范围，最后采取可撤销的行动。AI 可以参与每一步，但每一步的责任边界不同。
不要问“你能不能把它做完”，先问“你准备如何证明它做对了”。
这句话会改变对话的质量。模型不再只追求流畅，而要给出验收方式；我们也不再只看结果是否漂亮，而要检查过程是否站得住。
六、三个常见误区
误区一：追问就是把问题问得越来越多
没有方向的追问只会制造疲劳。苏格拉底的追问并不是为了让对方难堪，而是为了检验一个判断所依赖的前提。每问一个问题，都应该能改变范围、标准、选项或验证方式。不能改变决策的问题，就不必问。
误区二：让模型“展示全部思考过程”就等于更可靠
可靠性不来自一段很长的自述。对实际任务更有帮助的是可检查的摘要：使用了哪些输入、做了哪些假设、排除了哪些选项、还缺什么证据、下一步如何复核。我们要的是可审计的依据，不是把内部生成过程当成真相。
误区三：苏格拉底式提问可以替代专业知识
不能。好的问题可以暴露无知，却不会自动填补医学、法律、工程或业务经验。提问只是把判断变得清楚；在高风险领域，仍然需要合格的人、可靠的资料和适当的审核。
七、把方法用在日常工作里
如果想从今天开始练习，我建议不要先收藏一套复杂的 Prompt 框架，而是选一个每周重复出现的任务，连续做三次小实验。
- 第一次只做澄清：让 AI 复述目标，指出三个最大的不确定点，不要求它立即产出。
- 第二次加入标准：补充受众、限制和验收条件，让它给出两个方案，并列出代价。
- 第三次加入反例：要求它从最容易失败的角度检查方案，给出人工复核清单，再决定是否采用。
三次之后，留下真正有用的部分：哪些背景每次都会出现，哪些问题最能减少返工，哪些错误必须由人把关。它们才是你的工作协议。漂亮的角色设定可以随时换，长期稳定的判断标准才会形成复利。
在团队里，这种协议还有一个额外价值：它把“高手脑中的隐含判断”变成了别人可以检查和改进的材料。团队不必复制某个人的语气，而是共享问题清单、证据要求、风险边界和验收方式。
结语：最好的提示，最后会把主动权还给人
苏格拉底式提问最值得带到 AI 时代的，不是一句“我唯一知道的是我一无所知”，也不是一套固定的三步口诀，而是一种对确定性的克制：在没有想清楚之前，先把问题问清楚；在没有证据之前，不要把推测说成事实；在没有验证之前，不要把流畅当成正确。
AI 可以快速生成答案，也可以帮助我们列出选项、寻找反例、整理证据。但它不能替我们决定什么值得追问，更不能替我们承担现实结果。真正成熟的用法，是让 AI 参与思考回路，同时保留人的目标、判断和最后确认。
所以，下次打开 AI 时，不妨把第一句话从“请直接给我答案”换成：“先告诉我，你还需要知道什么。”很多时候，答案正是从这个问题开始变得可靠的。