摘要：你以为“提问”只是沟通的起点？其实，它是认知的分水岭，是AI协作的关键杠杆。本文以“把20%放在前置”为切口，拆解如何通过前置提问、结构化思考与场景化表达，激发AI更高质量的响应，构建真正有价值的内容生产闭环。
你以为“提问”只是沟通的起点？其实，它是认知的分水岭，是AI协作的关键杠杆。本文以“把20%放在前置”为切口，拆解如何通过前置提问、结构化思考与场景化表达，激发AI更高质量的响应，构建真正有价值的内容生产闭环。
你真的会和AI聊天吗？关于和AI如何有效沟通，以及在当前这个AI版本下如何学会提问，后面我会单独做一个系列，教会你：提问思维、掌握技巧、了解各种人机协同。
首先，我们今天先说明白“20%放在前置”的重要性。
看实际例子：
市场部的小明，需要为公司新推出的一款功能饮料策划一份社交媒体营销方案。他兴冲冲地打开GPT，敲下了他认为最直接的指令：
“帮我写个营销方案。”
AI迅速响应，给出一份结构完整、面面俱到的方案，涵盖了市场分析、目标受众、营销策略、预算分配……堪称教科书。但小明皱起了眉头，这太通用了，像是从某个商业模板库里直接复制粘贴的。于是，一场漫长而痛苦的“拉锯战”开始了：
小明：“不行，这个方案太普通了，要更有创意一点。”
AI：（调整后）“好的，我们可以加入‘病毒视频挑战赛’和‘KOL合作’……”
小明：“嗯……有点意思，但我们的产品是针对Z世代年轻人的，要更潮、更酷。”
AI：（再次调整）“明白了，我们可以结合元宇宙概念，在虚拟空间举办发布会……”
小明：“元宇宙太虚了，能不能来点实际的？比如结合线下活动？”
AI：（继续调整）“当然，我们可以策划‘城市跑酷快闪活动’……”
经过十几轮这样的“对话”，小明手里的方案变成了一个缝合了各种元素的四不像…
更无语的就是，AI会忘记最初的指令，整个对话开始偏移，最终，小明精疲力尽地关掉窗口，叹了口气：“AI还是不行，还得自己来”
这个场景，是不是很眼熟？
我们常常将这种低效的交互归咎于AI“不够智能”，但问题的根源或许在于我们自己。
我们把一个拥有强大逻辑执行能力的工具，当成了一个需要不断“猜心思”的实习生。这种交互模式，本质上不是对话，而更像是拿着对讲机单向、模糊地喊话，期待对方能完美理解并执行，我称之为对讲模式。但这种模式不仅效率低下，结果不可控，而且极易在多轮对话中因上下文记忆漂移而“越改越乱”。
我们经常说：AI只能替代80%的重复性工作，而人类的核心价值在于那20%的微调。
但关键问题是，这20%的“微调”，应该放在流程的哪个环节？是像小明一样，在AI输出结果后，投入无尽的时间和精力去进行事后打补丁吗？
真正高效的模式，是把这20%的“人工”进行前置。
在我们开口向AI提问之前，先投入关键的思考，清晰地知道最终结果的预期蓝图是什么。我们不再是去问一个未知的答案，而是我们清楚一个已知的结果，只不过搜集信息、推演的过程交给AI。我们要做AI的架构师，而不是修理工。
在这个你伸手就能拿到书，上网就能查到资料的时代版本，学会提问才是最重要的。
为什么你的AI像一个“猜不透心思”的实习生？小明的困境并非个例，它是当前人机交互中最普遍的痛点。
要解决这个问题，我们首先要理解，为什么我们习惯性的提问方式，在AI面前会频频碰壁。这背后，既有我们思维惯性的误区，也有LLM自身的技术特性。
误区一：把AI当成加强版搜索引擎
我们习惯了向搜索框输入几个关键词，然后从返回的海量信息中筛选自己需要的信息。
这种关键词检索思维被我们不自觉地迁移到了与AI的交互中。
然而，这本身就是错误。
而今的百度、谷歌、夸克等浏览器虽然也搭载上了检索模型，但它的核心任务是在现有信息库中召回最相关的信息；而生成式AI是生成模型，它是根据你的输入，创造出全新的内容。
当你给搜索引擎一个模糊的词，它会返回所有可能相关的结果，让你自己做判断。但当你给生成模型一个模糊的指令，它只能基于概率，去猜测一个最可能符合你意图的、平庸的、最大公约数的答案。
模糊指令是生成不出来高质量结果的。
提问： “给我讲讲量子计算。”
模型：量子计算是一种利用量子力学规律（而非经典物理）来处理信息的新型计算范式。它把传统比特（0 或 1）升级成“量子比特”（qubit），借助叠加、纠缠、干涉等量子效应，实现对计算空间的指数级扩展和并行演化，从而在某些问题上获得远超经典计算机的速度或能力……
这就是一个典型的对话。用户期望AI的结果是什么样子？不知道。甚至于提问的人都没想过AI会给他什么，只是下意识的发问，等待着结果生成后看看是否符合自己的预期。这不神经病吗？
你读完后AI的回复依然一头雾水，因为这并不是为你定制的学习路径。于是你不得不开始新一轮的追问：“它和经典计算有什么区别？”、“它能用在哪些地方？”、“有什么最新的突破吗？”…… 在这个过程中，你把学习的主动权和信息组织的责任，完全交给了AI的随机生成能力，自己则陷入了被动接收和不断追问的循环。
这里的核心问题就在于，没有在提问前想清楚“我到底想从量子计算这个主题中获得什么？”。如果你一开始的目标是“向一个非技术背景的同事解释清楚量子计算的商业前景”，那么你的提问方式将发生根本性的改变。这个改变，就是“20%前置”的开始。
误区二：在未知中寻求确定性
另一个常见的误区，当我们自己对结果都没有清晰预期时，就寄希望于AI能给我们一个惊艳的创意或方案。这无异于缘木求鱼，是在未知中寻求一个确定的完美答案。
我们需要清醒地认识到，AI的“创意”并非天马行空的原创。它本质上是基于其庞大训练数据中的模式进行重组、模仿和延伸。
它能生成看似新颖的组合，但无法凭空创造出超越你认知边界、且为你量身定制的、真正符合你独特资源和目标的战略方案。当你自己都不知道要去哪里时，AI给你的任何一条路，都可能是错路。
提问： “帮我想一个有创意的播客点子。”
模型：以下这个创意播客点子叫——《404 档案馆：失落的互联网》 一句话卖点
“把互联网上消失的声音、网站和故事，像考古一样挖……
这是一个典型的将思考责任外包给AI的例子。
你又期望AI会生成什么？它会检索其数据库中最常见的播客类型，然后给你一些难以落地的方案。这些都是正确的废话，对你启动一个独特的播客项目毫无价值。你感到不满意，于是追问：“再独特一点，小众一点的。”
AI可能会根据概率，碰撞出一些更具体的点子，比如“采访宠物心理学家”、“用ASMR的方式朗读古代食谱”、“探讨被遗忘的民间传说”。
这些点子听起来似乎“有创意”，但它们是随机的、零散的，并没有与你的个人兴趣、专业知识、可用资源或目标听众建立任何联系。你可能会在这些随机点子中迷失，最终发现没有一个是你真正能做、且想做的。
高效的创意过程，应该是你先完成“20%前置”的自我盘点：
谁要为谁在什么场景下解决什么问题，期望得到一份什么样的结果/方案。
当你带着这些清晰的约束条件去和AI交流时，它才能从一个漫无目的的点子生成器，转变为一个帮你进行可行性分析的贾维斯。
为什么“边问边改”低效
“边问边改”的低效，不仅仅是思维模式的问题，其背后有深刻的技术原理在制约。
1. 上下文长度的“记忆天花板”：
像ChatGPT这样的大型语言模型，其“记忆力”是有限的，这被称为上下文窗口。模型只能“记住”在当前对话窗口内的信息。
当你与AI的对话越来越长，早期的指令和细节就会被挤出这个窗口。
这就是为什么在十几轮修改后，AI会开始“忘记”你最初设定的目标，导致后续的修改越来越偏离主题。你感觉AI“越改越乱”，实际上是它的记忆天花板到了，它已经不再是基于完整的需求在工作了。
2. 指令的“字面性”陷阱：
AI缺乏人类的常识和意图理解能力，因此会严格按照你指令的字面意思来执行。
你让它更有趣，它对有趣的理解可能是在回答里加几个笑话；
你让它更专业，它可能会堆砌一堆行业术语。
这种对指令的字面性、非推理性的理解，导致你的修改指令很容易被误解，从而让输出走向一个你完全没想到的奇怪方向。与AI交互时必须假定它读不懂言外之意，你的每一个指令都应该是清晰、无歧义的。
3. 交互象限的混乱跳跃：
AI对话四象限框架大家基本都知道，人机交互是分成四种模式的。低效的边问边改，其本质是在两个低效的象限之间混乱地跳跃：
第二象限（AI知道，我不知道）：当你模糊地问“什么是量子计算”时，你把自己放在了这个象限。你依赖AI来教育你，但由于问题不明确，你得到的是未经筛选的知识灌输。第三象限（AI不知道，我也不知道）：当你空泛地问“给我个创意点子”时，你们双方都进入了这个“共同迷茫”的象限。你们都在一个未知的领域里探索，AI提供随机的素材，你负责判断，这本质上是低效的“暴力破解”，而非高效的“协同创造”。在这种混乱的跳跃中，你始终没有掌握交互的主导权，自然无法稳定地获得高质量的结果。而“20%前置”的核心，正是要将交互的主动权牢牢掌握在自己手中，将对话引导至最高效的象限。
“20%前置”到底是什么？将过去习惯于拿到结果后修改的精力，转移到问前规划上。这20%的投入，不是让你去写代码或者做精美的设计图，而是进行一次彻底的需求预演。
从“对话者”到“架构师”的身份转变
“20%前置”的本质，是在你向AI敲下第一个字之前，在你的大脑中，或者一张白纸、一个备忘录上，要清楚你想要的结果是什么框架、大概分为几部分、主要表达什么、适用于什么场景。
1. 定义明确的目标
在提问前，首先要回答那个最根本的问题：“我为什么要做这件事？我希望用户看到这篇文案后，产生什么样的想法或行动？” 目标是所有后续工作的起点和终点。
想清楚： 这篇文案的最终目的是什么？是单纯的品牌曝光？是传递健康生活的理念？还是最直接的——引导用户下单购买？
错误示范（无目标）： “帮我写一篇酸奶的推广文案。” —— 这是一个没有灵魂的指令，AI只能给你一篇空洞的赞美诗。
正确示范（目标前置）： “我的目标是吸引20-30岁、注重健康和身材管理的都市女性，特别是那些有健身习惯的人群。我希望这篇文案能强烈激发她们的购买欲望，并最终引导她们点击文末的链接完成首次购买。
2. 构建清晰的框架
有了目标，接着就要设计实现这个目标的信息路径，也就是内容的框架结构。一篇好的文案，就像一场精心编排的戏剧，有开端、发展、高潮和结尾。
想清楚： 这篇文案应该包含哪些部分？它们的先后顺序是怎样的？如何一步步引导用户从产生兴趣到最终下单？
错误示范（无框架）： 让AI自由发挥。—— AI可能会生成一段杂乱无章的文字，重点不突出，逻辑不连贯。
正确示范（框架前置）：
文案必须严格遵循以下五段式结构：
1. 吸睛标题：必须包含‘减脂’、‘好吃不胖’、‘神仙酸奶’等关键词，制造好奇心。
2. 痛点引入：以提问开头，直击目标用户‘想吃甜品又怕长胖’的内心矛盾。
3. 产品解决方案：详细介绍这款酸奶如何解决痛点，必须突出三个核心卖点：0蔗糖、每杯含20g优质蛋白、添加真实大颗果粒。
4. 场景化植入：描绘至少两个具体的消费场景，如‘健身后补充能量’和‘办公室下午茶解馋’，让用户产生代入感。
5. 强力行动号召：在文末清晰地给出限时优惠码和购买链接，并用一句话强调‘立即下单，享受美味与健康’。
3. 设定独特的风格与语调
如果内容和结构是骨架，那风格和语调则是血肉和灵魂。让内容更加拟人，也就是我们经常说的去AI感。
想清楚： 我希望这篇文案读起来是什么感觉？是像一个专业的营养师在科普，还是像一个闺蜜在热情地分享好物？
错误示范（无风格）： AI默认的、一本正经的“中立客观”或充满套路的“营销腔”。
正确示范（风格前置）： “请使用闺蜜之间分享好物的亲切、热情、略带夸张的语调。多使用emoji来增强情绪表达，语言要活泼、接地气，多用网络热词（如‘yyds’、‘绝绝子’），但要避免使用生硬、过时的广告词。”
4. 指定具体的输出格式
最后，你需要明确告诉AI，你需要的交付物是什么样的。这能避免大量的后期排版和调整工作。
想清楚： 我需要的是一段纯文本，还是一个可以直接复制粘贴到小红书的、包含所有元素的完整帖子？
错误示范（无格式）： 得到一段长长的、没有任何格式的文字。
正确示范（格式前置）： “请最终以标准的小红书图文笔记格式输出。内容应包含：一个吸引人的标题（20字以内）、正文（约300-500字，段落之间用空行隔开）、以及在文末附上至少5个高度相关的Hashtag，例如：#减脂餐 #健康零食 #高蛋白酸奶 #健身女孩必备 #好吃不胖。”
前后对比
模式一：模糊的对讲式提问
“帮我写一篇酸奶的推广文案。”
模式二：清晰的架构式提问
请你扮演一位资深的小红书美食博主。我需要你为一款新的高蛋白酸奶撰写一篇推广文案。你的目标是吸引20-30岁、注重健康和身材管理的都市女性，特别是健身爱好者，强烈激发她们的购买欲望，并引导她们点击链接购买。
【写作风格】请使用闺蜜之间分享好物的亲切、热情、略带夸张的语调。多使用emoji来增强情绪表达，语言要活泼、接地气，多用网络热词（如‘yyds’、‘绝绝子’），避免生硬的广告词。
【内容框架】文案必须严格遵循以下五段式结构：
1. 吸睛标题：必须包含‘减脂’、‘好吃不胖’、‘神仙酸奶’等关键词。
2. 痛点引入：以提问开头，直击目标用户‘想吃甜品又怕长胖’的内心矛盾。
3. 产品解决方案：详细介绍这款酸奶如何解决痛点，必须突出三个核心卖点：0蔗糖、每杯含20g优质蛋白、添加真实大颗果粒。
4. 场景化植入：描绘至少两个具体的消费场景，如‘健身后补充能量’和‘办公室下午茶解馋’。
5. 强力行动号召：在文末清晰地给出限时优惠码‘CHIXIAOBAI’和购买链接，并用一句话强调‘立即下单’。
【输出格式】请最终以标准的小红书图文笔记格式输出。内容应包含：一个吸引人的标题（20字以内）、正文（约300-500字，段落之间用空行隔开）、以及在文末附上至少5个高度相关的Hashtag。
对比之下，高下立判。
你在前期投入的5-10分钟20%前置思考，换来的是AI输出质量从60分到95分的指数级跃升，以及节省了后续可能长达半小时甚至一小时的无效沟通和修改。
如何将这个理念落地，变成我们日常工作中可以立刻上手的、丝滑流畅的操作？我们通过上面的对比基本上有些人已经摸到窍门了。但是我说让你真的从0去写，你又不会写了。那怎么办呢？
我们可以直接拿心理学的经典框架：乔哈里窗口（将人的自我认知分为公开区、盲目区、隐藏区及未知区）所延展的AI对话四象限来说。
如果说第一部分我们用它来“诊断”问题，那么在这里，我们要用它来“校准”我们的交互策略。这个框架由两个轴构成：横轴代表“我是否知道”，纵轴代表“AI是否知道”，从而划分出四个象限。
每个象限有对应的特征、任务类型和AI能够扮演的角色。“20%前置”的本质，就是通过我们主动的思考和规划，有意识地将人机交互的主战场，从低效的第二、三象限，转移到高效的第一和第四象限。
1. 主动进入第四象限（我知道，AI不知道）：教导AI
这个象限是“20%前置”价值最大的地方。什么是“AI不知道”的？你的独特业务背景、未公开的项目信息、具体的目标受众画像、你个人对风格的偏好、一个成型的框架……
这些都是AI的知识盲区！
通过“前置思考”，你把这些AI不知道的关键信息，清晰、结构化地告诉它。
在这个阶段，你不是在“问”AI，而是在“教”AI，是在用你的“人工智慧”填平你们之间的知识鸿沟。酸奶案例中的“超级指令”，就是一次典型的第四象限操作。
2. 最终落脚第一象限（我们都知道）：高效执行
当你通过第四象限的操作，把所有关键的、独特的背景信息和要求都“教”给了AI后，剩下的任务——比如文字润色、内容填充、格式化输出等——就进入了我们都知道的第一象限。
在这个象限里，目标明确，路径清晰，AI的角色变成了一个能力超群、不知疲倦的高效处理器。它能够精准地执行你的指令，快速生成高质量的初稿。这才是AI最应该发挥作用的地方。
因此，一次高效的AI交互流程应该是：以第四象限的“教导”开局，以第一象限的“执行”收尾。 而“20%前置”，就是完成这次完美开局的关键动作。
好的提问不是灵感迸发，而是结构化思考的产物。为了帮助我们系统化地完成“20%前置”的思考，社区中会有很多好的提问框架。这些框架本质上都是在引导你完成第二部分提到的“四大支柱”的定义。
基础版框架：PTCF (或其变体)
这是最广为人知也最基础的框架之一，很多变体如RACE、CARE等都遵循类似逻辑。它包含四个核心要素，与我们的四大支柱高度吻合：
P(Persona-角色)：要求AI扮演一个特定的角色。例如“扮演一位资深的小红书美食博主”。这直接定义了输出的风格与语调。T(Task-任务)：清晰地描述你需要AI完成的具体任务。例如“为一款新的高蛋白酸奶撰写一篇推广文案”。这对应了目标的一部分。C(Context-背景)：提供所有必要的背景信息。例如目标用户、产品卖点、品牌信息等。这对应了目标和框架的细节。F(Format-格式)：指定输出的格式。例如“以标准的小红书图文笔记格式输出”。这直接定义了输出格式。进阶版框架：CREATE
对于更复杂的任务，我们可以使用更详尽的框架，比如CREATE框架。它提供了更细致的思考维度：
C(Character-角色)：同Persona，设定AI的身份。R(Request-请求)：明确的核心指令，即你希望AI做什么。E(Examples-示例)：这是非常关键的一步，也被称为“Few-shotPrompting”。给AI一到两个你期望的输出范例，它能极大地提升模仿的准确度。例如，在酸奶文案任务中，你可以加上：“例如，可以这样开头：‘OMG！集美们，我又挖到宝了！’”。A(Adjustment-调整)：提出一些需要微调的细节或约束。例如“文案长度控制在500字以内，避免使用‘第一’、‘最好’等绝对化词汇。”T(Type-类型)：输出的文本类型，如文章、诗歌、代码、邮件等。E(Extras-额外信息)：任何其他有助于AI理解任务的补充信息。让我们再次使用酸奶文案的例子，看看如何用CREATE框架来组织那个指令，你会发现它能让你的思考更加严谨和全面：
(C)角色：你是一位资深的小红书美食博主，风格亲切热情。(R)请求：为我的新款高蛋白酸奶撰写一篇推广文案，目标是激发年轻健身女性的购买欲。(E)示例：标题可以像“OMG！挖到神仙酸奶！”；正文可以多用“yyds”、“绝绝子”这类词。(A)调整：突出0蔗糖、20g蛋白、真实果粒三大卖点。必须包含健身后和办公室下午茶两个场景。文末必须给出优惠码和链接。(T)类型：小红书图文笔记。(E)额外信息：目标用户是20-30岁的都市女性。请在文末加上至少5个相关hashtag。结语：重要的不是答案，而是提出好问题的能力走笔至此，我们系统地探讨了从低效的对讲提问 到高效的结构提问 的转变路径。
其核心，就是“把20%放在前置”。它要求我们抑制住立即提问的冲动，先投入精力，去定义目标、构建框架、设定风格、明确格式。
这看似增加了前期的“麻烦”，实则更像是一种高杠杆的投资。
正如我们在图表中看到的，这点前期的投入，将指数级地提升AI输出的质量和可用性，并极大地节省后续无休止的修改和沟通成本。
这背后，反映了一个深刻的趋势：在AI时代，个体和组织的核心竞争力，正在从“拥有信息”或“执行任务”的能力，转向“提炼信息、连接信息和提出好问题”的能力。
当答案变得廉价，问题的价值便凸显出来。
要真正拥抱这个时代，我们需要完成一次关键的心态转变：从一个AI使用者，进化为一个AI合作者。
重要的不只是永不停止提问，更是你能够引导AI与你共同探索答案的提问方式。
今天，我们学会了如何通过“把20%放在前置”，让AI成为我们高效的执行者，这解决了我们与AI协作中的大量问题。
但旅程尚未结束。如何在这个版本正确的提问，或者说有哪些技巧可以让AI的输出更加高质量。我们下篇再说（我整理整理…)
本文由 @小普 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图由作者提供
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
来源：人人都是产品经理