3.4 澄清式提示（Clarification）

引言：AI 是"根据你提供的信息猜测你的意图"

人类之间可以用模糊语言交流，因为我们拥有共同常识、社会语境、背景知识。但 AI 完全没有这些。

你以为"够清楚"的指令，在 AI 看来可能是：信息不足、模棱两可、多种解释都可能、关键变量不明确。

澄清式提示（Clarification Prompting）就是让 AI 在任务开始前，主动确认任务、补全缺失信息、减少潜在误解。这是工程师在构建高可靠 AI 系统时最常用的稳定策略。

3.4.1 为什么"澄清"是最容易被忽略却最重要的步骤

你是否遇到过以下情况：

• 你给了任务，AI 输出风格完全不对
• 输出的细节与你的预期不符
• AI 忽略你没说明的关键点
• AI 给出的结果"逻辑上没错，但完全不符合你的实际需求"

这些问题几乎都来自：提示词缺少关键细节，但你没有意识到。

澄清提示能：帮助 AI 发现信息缺口、让 AI 主动提问、让你补全必要上下文、让任务在开始前就对齐、大幅减少无效输出。

3.4.2 什么是澄清式提示

澄清式提示是一种让 AI 在执行任务前，自动识别任务缺失的关键变量、主动提出问题、获取更完整的信息、再开始执行任务的提示方式。

它让模型拥有类似"专业助理"的行为：如果信息不足 → 必须先提问 → 再开始执行

3.4.3 澄清式提示的两大核心优势

优势	说明
避免 AI "误解你的任务"	"优化文案"可能有10种含义，不澄清模型会"猜"
减少任务反复	少走弯路、不必反复修改、一次性产出高质量结果

3.4.4 澄清式提示的三种主要形式

形式	说明	示例
让 AI 主动提问	最常用，适合写作、分析、产品策划	"如果任务信息不足，请向我提问"
让 AI 列出"它需要的信息"	适合结构化任务	"请列出你需要的全部信息"
让 AI 判断"任务是否可开始"	工程师级玩法	"请检查输入信息是否足够执行任务"

3.4.5 常见"需要澄清"的任务类别

任务类别	需要澄清的原因
写文案类	不知道受众、风格、场景极易跑偏
分析类	不知道关注点会输出一堆废话
写作类	深度、风格、结构每个人理解不同
产品与商业任务	目标、用户群、行业差一点就完全不对
代码/技术任务	环境、目标、依赖、语言版本不澄清必然失败
项目类任务	范围、优先级、限制条件一定需要澄清

澄清几乎适用于所有非"简单问答"的任务。

3.4.6 如何写一个"专业级"的澄清式提示

模板：

在开始任务前，请检查以下项目是否明确：
- 任务目标
- 输出格式
- 风格要求
- 长度或粒度
- 受众
- 禁止项
- 必须遵守的限制

若任一项不明确，请在执行任务前向我提问。

3.4.7 澄清式提示的可复用句型

句型	用途
"如果信息不足，请向我询问缺失的信息，而不是自行假设"	信息不足时主动提问
"请列出完成任务所需的信息，并告诉我哪些未提供"	列出所需信息
"请判断任务信息是否已完整，若不完整请提问"	任务可开始性判断
"在信息完整前，不要开始执行任务"	多轮澄清
"请总结你对任务的理解，并列出你仍需澄清的部分"	澄清要求

3.4.8 实战：差提示 vs 澄清式提示

差提示：

写一个用户增长方案。

结果：太泛、不贴近业务、没有执行路径、不可落地。

好提示（澄清式）：

你是一名增长策略专家。

在开始写方案前，请先澄清以下信息：

1. 产品类型
2. 目标用户
3. 增长周期
4. 可使用的渠道
5. 是否有预算限制
6. 是否有历史数据
7. 本次增长的目标（如拉新/促活）

若任何信息不明确，请向我提问，不要直接开始执行。

AI 会主动问：产品是什么？用户是谁？渠道有哪些？预算多少？然后才开始写方案。

结果：完全贴合业务、内容可执行、逻辑严谨、输出质量极高。

3.4.9 工程级澄清机制

在实际 AI 系统、工作流、Agent 中，澄清机制通常用于：

• 检查任务是否可执行
• 判断输入是否完整
• 自动询问缺失条件
• 避免错误任务进入系统
• 稳定输出质量

这让 AI 系统更安全、更可靠、更智能、更可控。

本节小结

关键要点

1. 澄清式提示能极大提升 AI 的理解准确度
2. 当任务信息不足时，让 AI 主动提问是最关键的能力
3. 三种澄清模式：主动提问、列出缺失信息、判断是否可执行
4. 澄清提示能减少：误解、废话、返工、跑偏、不符合预期的输出
5. 澄清 + 分步骤 + 自检 = 专业提示工程师的核心三件套

第 3 章上半部分（基础提示技巧）已完成，接下来我们将进入第 4 章 · 基础提示技巧（下）。