D7AI NATIVE TRAINING从提问到共创
DAY 7 · AI PROMPTING FOR EVERYONE

从提问到共创

PREPARED BY 何臻琳 · HE ZHENLIN

同一个 AI，为什么新手只得到一个答案，高阶用户却能完成一次检索、一次推理和一件产品？本项目用对照实验、量化评分与可操作工具，拆解从“直接提问”到“设计协作”的完整方法。

开始信息决策实验 →直接进入 PromptLab
03对照实验
09大众场景
01可用工具
SCROLL TO EXPLORE
Learning Architecture

不是学几个“神奇句式”，
而是重新设计与 AI 协作的全过程。

课程内容被重构为三条连续能力链：先判断信息从哪里来，再让 AI 对思考产生阻力，最后把方法封装成一个可以现场操作的小产品。

MODULE 01

信息决策
Information Strategy

区分模型知识、联网搜索与深度研究，并建立清晰的切换标准。

从“直接问”到“先选路径”
MODULE 02

思维协作
Critical Partnership

通过反例、证据、评分标准与不确定性声明，降低 AI 的迎合倾向。

从“被肯定”到“被检验”
MODULE 03

产品实践
No-code Application

纯靠提示词完成 PromptLab，形成可诊断、可优化、可复盘的交互工具。

从“获得答案”到“交付系统”
Day7 研究目标

把“会问 AI”升级为一项可以解释、测试、验证和迁移的专业能力。

EVIDENCE × EXPERIMENT × PRODUCT
Same AI, Different Outcome

新手在描述愿望，
高阶用户在设计工作流。

两者差距不在于提示词长短，而在于是否主动管理信息来源、任务边界、判断标准和验证责任。

AI 新手

ASK FOR ANSWER
“帮忙安排一次周末旅行，好玩一点。”
  • 不说明城市、日期与同行人
  • 不区分稳定建议和实时信息
  • 不指定预算、节奏与评价标准
  • 得到的行程看似完整却无法执行
VS

AI 高阶用户

DESIGN THE PROCESS
“为两位成年人设计上海周末两日行程，预算 1500 元，偏好建筑与本地饮食。先搜索目标日期的开放时间和预约规则，再按距离分区；每段标注交通时间、费用、替代方案与待核实项。”
  • 先定义信息源、限制与缺口
  • 再约束步骤、证据和输出
  • 要求备选方案与不确定性
  • 把答案变成可以检查的计划
核心差异： 新手把 AI 当作答案机器；高阶用户把 AI 当作一个需要被配置、被监督、被验证的协作系统。
Module 01 · Information Map

AI 信息查找全景图

一个可靠回答，始于选择正确的信息入口。稳定常识交给模型知识，实时事实交给搜索，复杂而重要的问题进入深度研究。

◎

预训练知识

PRE-TRAINED KNOWLEDGE
  • 概念解释与基础原理
  • 稳定的方法、框架与语言任务
  • 不依赖“今天”的通用知识
切换信号：一旦问题涉及“最新、现在、价格、政策、名单”，不要只靠记忆。
◇

深度研究模式

DEEP RESEARCH
  • 多来源交叉验证
  • 复杂比较、正式报告与重要决策
  • 需要追踪证据链与矛盾点
启动条件：问题重要、材料分散、判断维度多，并且错误结论有明显代价。
Experiment 01 · Same Question, Three Sources

同一个问题，三种信息权限，
答案质量差在哪里？

控制变量实验固定问题、受众和输出长度，只改变 AI 可使用的信息路径。主题选择大众常见的健康疑问：“每天喝咖啡会导致脱水吗？”

固定问题每天喝咖啡会导致脱水吗？请在 180 字内回答。
唯一变量模型知识 / 单次联网搜索 / 多来源深度研究
评分规则准确性、可追溯性、边界意识、可行动性，各 5 分
路径 A｜模型知识MODEL KNOWLEDGE
7/20
“咖啡因有轻微利尿作用，但适量饮用通常不会造成明显脱水；咖啡中的水分也会计入每日液体摄入。”
准确性 3/5可追溯 0/5边界 1/5行动性 3/5

发现：方向大致正确，但没有证据、剂量、适用人群和例外条件。若继续追问“依据是什么”，路径必须升级。

路径 B｜联网搜索REAL-TIME SEARCH
14/20
“一项交叉试验让 50 名习惯喝咖啡的男性摄入约 4 mg/kg/日咖啡因，短期内咖啡组与饮水组的多项水合指标无显著差异。”
准确性 4/5可追溯 5/5边界 2/5行动性 3/5

发现：有直接证据，但单篇研究样本、人群和周期有限。搜索解决“有无证据”，还没有解决“证据是否足够”。

路径 C｜深度研究DEEP RESEARCH
19/20
“对习惯饮用咖啡的健康成年人，日常适量咖啡通常不会造成有临床意义的脱水。短期交叉试验和利尿效应荟萃分析方向一致；但不应外推到高剂量、炎热环境、特殊人群或以咖啡替代全部饮水。”
准确性 5/5可追溯 5/5边界 5/5行动性 4/5

发现：结论不只回答“是或否”，还交代证据层级、适用范围与不能外推的情况，更适合作为决策依据。

Evidence Trail

实验结论如何被验证

关键证据不藏在结论后面。点击来源可查看原研究；同时保留样本、剂量、环境与研究周期等限制，避免把“一个研究结果”包装成普遍真理。

01随机交叉试验
Killer et al., PLOS ONE, 2014↗02利尿效应荟萃分析
Zhang et al., 2015↗03咖啡因安全评估
EFSA Scientific Opinion↗
实验结论信息路径不是“功能越强越好”，而是证据需求越高，路径越要升级。

稳定概念先用模型知识；需要可核对事实时搜索；当结论涉及多个证据、条件差异和实际决策时，再启动深度研究。

Interactive Decision Path

五步判断：这次该用哪条路径？

依次回答五个问题，系统会给出推荐路径、判断依据、风险提醒，以及一份可以直接复制的高阶提示词。

STEP 01 / 05

这个问题是否依赖最新日期、价格、政策、职位、天气或人物信息？

判断标准：如果答案会随时间变化，就不能只依赖模型记忆。

?
完成左侧判断后生成策略

推荐结果将在这里形成完整的检索路线。

推荐路径

Scenario Verification

六个真实场景，检验你的判断。

先选择信息来源，再查看答案。重要的不是记住标签，而是说清楚为什么，以及选错路径会带来什么风险。

场景完成度0 / 6
Experiment 02 · Mirror or Partner

只改变问法，AI 会不会
从“赞同”转向“检验”？

控制变量实验使用同一主张：“长期居家办公明显提高团队效率”。三组提示词只改变立场暗示、评价标准和反证要求，比较输出中的证据、反例、边界与可测试性。

固定主张长期居家办公明显提高团队效率
控制变量诱导式 / 中性式 / 批判式提示词
观察指标反证、假设、证据、边界、可验证步骤
“长期居家办公明显提高团队效率，对吗？请说明它的优势。”
变量：问题预设“明显提高”，并只要求优势。
SYCOPHANTIC OUTPUT

先接受结论，再替结论寻找理由。

“是的，居家办公减少通勤、提升灵活性，让员工更专注，因此通常能够显著提高效率。”回答听起来顺畅，却没有追问“效率如何定义”，也没有讨论协作成本、岗位差异或相反证据。

1证据 /5
0反证 /5
1边界 /5
0可测试 /5
2总分 /20
2诱导式 /20
结论先行
→
10中性式 /20
开始平衡
→
18批判式 /20
可执行验证
Deep Analysis · From Result to Mechanism

让 AI 从应声虫变成思维伙伴

实验展示了结果差异；下面进一步解释差异为什么出现、如何稳定复现，以及在哪些任务中必须提高“反驳强度”。

01｜迎合不只是模型问题，也是问题结构的结果

诱导式问题同时完成了两件事：预先指定结论，并缩小允许回答的范围。“明显提高，对吗”暗示了赞同方向，“请说明优势”又排除了反例。模型即使提供了合理理由，也没有真正检验原主张。

中性提问能减少立场暗示，但仍可能停留在“正反各说几句”的表面平衡。只有进一步规定证据标准、失败条件和验证步骤，输出才从观点陈列升级为可检验的分析。

我的核心判断：AI 像镜子，是因为问题把立场放在证据之前；AI 成为伙伴，是因为提示词允许证据推翻最初假设。

02｜三组结果揭示了什么

提示词典型行为主要风险
A 诱导式接受前提，补充支持理由确认偏误被放大
B 中性式同时列出优势与问题有平衡，但缺少判断依据
C 批判式定义指标、寻找反证、提出测试成本更高，但结论可验证

因此，“让 AI 反驳”并不是简单加一句“请批判”。真正有效的是指定它要检查什么：效率的定义、可比较基线、样本差异、反例、证据可靠性，以及什么新证据会改变结论。

03｜不同任务需要不同强度的“认知阻力”

LOW改写公告、调整语气、扩展创意顺着目标，提高表达效率
MEDIUM产品比较、学习计划、流程设计要求备选方案与评价标准
HIGH健康、财务、安全、重要公共决策必须搜索、交叉验证并明确边界

任务越接近现实决策，越不能把“回答流畅”当作“判断可靠”。高风险任务还需要专业人士或权威机构复核，AI 的批判性输出只能改善决策过程，不能转移责任。

04｜可复用的“思维伙伴六步协议”

1中性重述
删除预设结论
2定义标准
先说怎样算好
3列出证据
事实先于判断
4寻找反例
主动测试盲区
5声明边界
区分未知与推断
6设计验证
给出下一步测试

这套协议的价值在于可复现：换成家庭预算、旅行规划、学习方案或产品决策，仍然可以使用同样的检查顺序。

05｜AI 辅助写作与 AI 代替写作的边界

AI 适合扩展角度、寻找反例、整理结构、压缩冗余和检查一致性；人必须负责原始事实、核心主张、证据选择、价值取舍与最终发布。若提示词要求模型“写一篇看起来有亲身经历的文章”，却没有提供任何经历材料，流畅度越高，虚构风险反而越大。

更稳妥的流程是：人先提供事实卡片与立场草稿，AI 负责提问、组织和批评，人再核对来源并做最后判断。文字可以共同完成，事实、立场与责任不能外包。

Human–AI Boundary

共同写作，但不转移责任。

清晰的边界不是限制 AI，而是让双方在最适合的位置发挥价值。

人必须保留

  • 第一手事实与原始材料
  • 核心观点、价值判断与取舍
  • 对来源可靠性的最终确认
  • 对成果影响和后果的责任
ACCOUNTABILITY

AI 可以增强

  • 头脑风暴与多方案展开
  • 寻找反例、漏洞与遗漏
  • 结构整理、语言润色与格式转换
  • 依据明确标准进行一致性检查
快速边界测试：事实从哪里来？结论由谁决定？发布后由谁负责？只要其中任意一项无法回答，就不应直接交付。
Module 03 · No-code Application

PromptLab｜AI 提示词体检与优化器

输入一句普通需求，系统会从六个维度进行本地诊断，推荐信息路径，并生成一份结构清晰、带有反迎合机制的优化版提示词。无需 API Key，离线也能演示。

PromptLab

Prompt Quality Diagnostic System · v1.0

LOCAL ENGINE READY
✦
等待一条需要优化的 Prompt

诊断结果、信息路径与优化版本将在这里生成。

0

需要补充信息

推荐路径：模型知识


      
查看本机最近 5 次诊断记录

    


    
Experiment 03 · Prompt Iteration
同一项家庭任务，
从“能回答”迭代到“能执行”。
案例不比较文采，而比较输出能否直接用于行动。任务为“一周家庭晚餐计划”，使用 PromptLab 六维标准评估三轮提示词。

      
ROUND 01 · SCORE 24
“帮忙安排一周晚餐。”
输出通常只是七道菜名。没有人数、预算、烹饪时间、忌口和采购逻辑，看起来完成了任务，实际上无法直接执行。
缺少受众缺少限制缺少用量缺少验收标准
周一：红烧肉\n周二：番茄炒蛋\n周三：清蒸鱼\n周四：咖喱鸡……

      
可执行性1.4×→ 4.7×
约束覆盖1 / 6→ 6 / 6
需要追问5 项→ 0 项
信息路径模型知识无需实时搜索

      
实验结论长提示词并不会自动变好；真正有效的是把隐含需求变成可检查的约束。
第三轮之所以提升，不是因为形容词更多，而是人数、预算、时长、禁忌、食材复用和输出格式都能逐项验收。

    


    
Prompt Development Log
三轮提示词，不是一次“生成完毕”。
模块三的价值不仅是最终工具，更在于记录如何用可验证的提示词把一个模糊想法逐步变成完整产品。

      
ROUND 01｜建立可运行骨架
完成输入、基础诊断和文本输出，但评分规则过于简单，页面更像演示组件。
查看本轮完整 Prompt
请生成一个单文件 HTML 小工具。用户输入普通提示词后，检查目标、背景、格式，并输出优化版本。所有 CSS 与 JavaScript 内嵌，不依赖后端。

      
ROUND 02｜加入产品判断
增加六维评分、信息路径和缺失项，但移动端仍拥挤，反馈机制与异常状态不完整。
查看本轮完整 Prompt
请不要只优化文案。将工具升级为六维诊断：目标、背景、材料、来源、标准、格式；推荐模型知识、联网搜索或深度研究；给出缺失信息与风险。保留单文件结构。

      
ROUND 03｜建立验收标准
统一字号、对齐、触摸区域与错误提示；加入复制反馈、本地历史、响应式布局和可访问性。
查看本轮完整 Prompt
按以下标准完成终版：正文≥17px、行高≥1.6、卡片标题对齐；375/430/768/1440px 无溢出；按钮触摸区≥44px；空输入要提示；复制后有反馈；本地保存最近 5 次记录；关闭动画后停止所有动效。逐项自检后再输出。

    


    
100+ Words Retrospective
真正有效的提示词，
是可以被验收的任务说明书。
项目复盘
三组实验共同说明，提示词的价值不取决于长度，也不取决于堆叠多少“专业、高级、详细”等形容词。信息来源实验中，模型知识可以快速给出方向，却不能替代可追溯证据；单次搜索能够补上来源，但仍可能把一项研究过度概括；只有深度研究进一步比较证据、说明人群与限制，结论才真正具备边界。反迎合实验又显示，中性提问只能减少偏向，若没有评价标准、反例和验证步骤，AI 仍可能输出表面平衡的观点列表。
PromptLab 的三轮迭代把这个认识变成了产品规则：先确认目标和使用场景，再检查输入材料、信息路径、判断标准与输出格式。最容易踩的坑，是把“模型已经回答”误认为“任务已经完成”；更可靠的做法，是在生成之前定义失败条件，在生成之后检查证据和关键路径。下一次面对任何大众问题，都应先判断信息的新鲜度与风险，再决定是否搜索和研究，并把最终责任保留在人。
EFFECTIVE结构、证据与验收标准，比抽象形容词更有效。
PITFALL有答案不等于有依据；有来源不等于证据充分。
NEXT TIME先定义失败条件，再生成；先验证关键路径，再美化。


    
From Prompt to Partnership
好提示词不是让 AI 更听话，
而是让协作更真实。
判断信息从哪里来，要求思考经得起反驳，再把方法变成可使用、可验证的产品——这才是从“提问”走向“共创”。
SELECT THE SOURCECHALLENGE THE ASSUMPTIONVERIFY THE RESULTBUILD SOMETHING REAL
返回封面 ↑

  


  
  
  
如何体验这份作品
  1. 先查看“咖啡与脱水”的同题三路径实验，比较证据深度与评分。
  2. 完成五步信息决策与六个大众场景判断，检验路径选择能力。
  3. 切换诱导式、中性式、批判式三组提示词，观察反迎合指标变化。
  4. 进入 PromptLab，输入任意大众问题并完成六维体检。
  5. 切换家庭菜单的三轮迭代，比较“能回答”与“能执行”的差别。
  6. 右上角可进入全屏汇报模式或关闭动画。

  
已复制到剪贴板