跟AI聊天的艺术：提问+追问+上下文全攻略

点菜的学问

你走进一家小馆子，同样是点单，效果天差地别：

你说的话	老板的理解	你得到的
”来一份”	嗯……默认？	随缘，可能是小份不辣
”来一份大份加辣”	清楚！	大份+加辣，符合预期
”大份加辣，不要香菜，多放土豆，汤少一点”	完全明白！	精准匹配，每一项都到位

跟AI对话也是一样的道理。 你给的信息越具体，AI端出来的”菜”越合你胃口。

但光会”点菜”还不够——真正的高手还懂得追问和管好对话上下文。点完菜跟老板确认”加辣是微辣还是特辣”，这叫追问；老板记得你上次来过、记得你爱吃辣，这叫上下文。今天把这三件事一次讲透。

提示词的5层进阶

先看全貌。写提示词这件事，本身也有段位之分：

第1层丢几个关键词，和搜索引擎没区别。第2层能用完整句子表达需求，及格了。第3层把需求拆成结构化的几块，已经是职场高手。第4层用专业框架组织提示词，效果稳定可复现。第5层让AI”展示推理过程”，答案质量直接翻倍。

大多数人在第1~2层打转。今天咱们一路冲到第5层。

技巧1：说清楚你要什么——别让AI猜

最常见的错误：需求模糊，然后抱怨AI回答不好。

这就像你说”来份饭”——老板不知道你要黄焖鸡还是蛋炒饭，是大份还是小份，加不加辣。

错误示范 → 正确示范

❌ 模糊	✅ 具体
帮我写篇文章	帮我写一篇800字的职场新人建议文章，语气轻松幽默，给刚毕业的大学生看
分析一下这个数据	用Excel公式算出这张销售表的月均增长率，用百分比表示
这个代码有bug	这段Python代码运行报错`IndexError: list index out of range`，帮我找出第15行的问题并修复
翻译一下	把这段中文翻译成商务英文邮件，语气要礼貌但坚定

核心原则：把AI当成一个很聪明但完全不了解你的新同事——你不说的，它就只能猜。

技巧2：给AI一个角色——让它知道”我是谁”

你去餐馆，一个好的服务员知道自己的角色是”热情周到的服务者”，所以会主动给你递围裙、倒饮料、表演拉面——你不用教他怎么做。

AI也一样，告诉它”你是谁”，它就自动切换到对应的工作模式。

角色设定的3种写法

简单版——一句话搞定：

你是一位资深前端工程师，请帮我review这段React代码。

详细版——加上背景和偏好：

你是一位有10年经验的资深前端工程师，精通React和TypeScript。请用严格的标准帮我review这段代码，重点关注性能和安全性问题，用中文回复。

专家版——加上具体要求和输出格式：

你是一位有10年经验的资深前端工程师，精通React和TypeScript。请帮我review下面的代码，重点关注：

性能问题（不必要的重渲染、内存泄漏）

安全漏洞（XSS、注入风险）

代码规范（命名、类型定义）

请用表格列出每个问题，包含：问题位置、严重程度（高/中/低）、说明、修复建议。

效果对比：没给角色，AI给你泛泛而谈的通用建议；给了角色，AI就像真的请了个专家来做code review。

技巧3：给例子——让AI照猫画虎

小馆子墙上贴了成品图，你一看就知道”我要这个”。给AI看一个例子，比写100字描述都管用。

不给例子 vs 给例子

不给例子：

帮我写一个产品介绍文案

AI给你的是……谁也不知道什么风格的文案。

给例子：

帮我写一个产品介绍文案，风格参考下面这个例子：

“【小度音箱】一句话控制全屋家电，比遥控器快10倍。早上说一句’小度小度，早安模式’，窗帘自动拉开、咖啡开始煮——起床也可以很优雅。”

我的产品是：一款AI名片识别App，拍照自动识别名片信息并存入通讯录。

AI一看例子，立刻知道你要的是：短句+场景+效果的结构，语气要简洁有力。

技巧4：拆步骤——别让AI一口吃成胖子

你去菜市场，不会跟老板说”给我来一桌菜的材料”。你会分开说：“半斤牛肉、两个土豆、一把小葱、一块姜。”

跟AI提复杂需求也是一样——拆成步骤，一步步来。

一次性说 vs 拆步骤

❌ 一次性说完：

帮我做一个完整的Python爬虫项目，要爬取豆瓣电影Top250，保存到CSV，画出评分分布图，还要做数据分析写报告

AI可能给你一个看似完整但每步都浅尝辄止的回答。

✅ 拆步骤：

第1轮：

请帮我设计一个Python爬虫的架构，目标是爬取豆瓣电影Top250，只需要列出技术方案和目录结构。

第2轮：

方案不错，现在请帮我写爬虫核心代码，只需要爬取功能，不需要数据分析和可视化。

第3轮：

爬虫代码写好了，现在请帮我加上CSV保存功能和评分分布图。

第4轮：

最后请帮我写一份简短的数据分析报告。

结果：每一步都是深入的、高质量的，远比一次性要求的”大杂烩”好得多。

技巧5：说”不要什么”——排除比指定更有效

点菜时你说”不要香菜”——这个否定指令比”我要一份没有香菜的菜”更高效。

AI特别需要你告诉它”不要做什么”，因为默认情况下，它倾向于面面俱到、面面平庸。

加上”不要”之后的效果

需求	不加限制	加上”不要”
写文章	又长又全，什么都聊	精准聚焦，只讲核心
写代码	加了一堆注释和异常处理	简洁干净，只写关键逻辑
解释概念	从定义开始，学术论文风	直接切入核心，用类比

实战模板：

帮我解释什么是Docker，要求：

✅ 用生活类比解释核心概念

✅ 控制在300字以内

❌ 不要用专业术语开头

❌ 不要超过300字

❌ 不要列参考链接

万能提问公式

把5个技巧合在一起，就是一个万能公式：

角色 + 任务 + 要求 + 例子 + 排除

实战示例：

你是一位面向零基础用户的科技博主（角色），请帮我写一篇解释”什么是API”的文章（任务），要求控制在800字以内，用生活类比而不是技术术语（要求），风格参考： “API就像餐厅的菜单——它告诉你可以点什么，但不需要你知道厨房里怎么做的。“（例子）不要列参考链接，不要出现代码示例。（排除）

5个要素不需要每次都写全——简单问题用2-3个就够了，复杂问题才需要全套。

追问的力量：别让对话停在第一轮

很多新手把AI当搜索引擎用——问一句，拿答案，走人。但AI最强大的能力之一是多轮对话。用好追问，效果能再上一个台阶。

这就像你去餐馆，第一次点菜老板可能没听全，你追加一句”对了，米饭也要”，或者”加辣是微辣还是特辣？“——追问就是在第一轮回答的基础上精准补刀。

追问的4种姿势

1. 补充细节——让回答更精准

第一轮AI的回答大方向对了，但细节不够：

你：帮我写一封拒信 AI：[给你一封通用拒信] 追问：语气太冷了，加一句感谢对方投递的时间，结尾说”期待未来有机会合作”

2. 纠正方向——让AI回到正轨

AI理解偏了，别从头说一遍，直接纠正：

你：帮我做一份产品PPT AI：[给了一个10页的详细大纲] 追问：不是给老板看的，是给客户的，风格要简洁商务，不要花里胡哨的动画

3. 深挖某个点——别放过好的方向

AI的某一部分回答特别有价值，追问展开：

你：帮我分析这个产品的竞品 AI：[分析了3个竞品] 追问：第二个竞品的”社区运营”策略展开讲讲，他们具体怎么做的？

4. 让AI自我检查——发现隐藏问题

直接问AI自己有没有遗漏：

追问：你上面提到的方案有没有可能出问题的地方？追问：有没有我没想到但应该考虑的场景？

这一招特别好用。 很多时候AI自己就能发现回答中的漏洞，但你不去追问，它不会主动说。

追问vs重新提问：什么时候用哪个？

情况	做法	原因
AI大方向对了，细节要调	✅ 追问	上下文已建立，追问效率最高
AI完全跑偏了	❌ 新对话	旧上下文会”污染”新的回答
想要完全不同的方案	❌ 新对话	追问会让AI在原方向上微调，不会推倒重来
对话太长（20轮+）	❌ 新对话	上下文太多，AI容易”忘了前面说的”

上下文管理：让AI一直在线的秘诀

你有没有发现——聊着聊着，AI好像”忘了”你前面说的话？答非所问，或者重复你已经确认过的东西？

这不是AI变笨了，是上下文窗口满了。

什么是上下文窗口？

每个AI模型有一个”记忆容量”，叫上下文窗口（Context Window），单位是token。你可以把它想象成餐馆老板的工作台——台面就那么大，摆满了就放不下了，最早放的菜只能撤走。

模型	上下文窗口	大概能放多少字
GPT-4o	128K	≈10万字
DeepSeek V3	128K	≈10万字
Kimi K2	128K	≈10万字
Claude Sonnet 4	200K	≈15万字

看起来很多？但一次长对话加上你粘贴的文档，很容易就填满了。

上下文丢失的3个信号

AI开始”重复自己”——同一个观点说两三遍，说明它忘了自己说过
AI忽略你前面的约束——你明明说了”不要超过300字”，它又开始长篇大论
AI问你已经告诉过它的信息——你第3轮说了”我是做餐饮的”，第15轮它又问”你是做什么行业的？“

4个上下文管理技巧

1. 重要信息放开头

AI对对话开头和结尾的内容记忆最深（这叫”首因效应”和”近因效应”）。所以关键约束——角色、格式、不要什么——放在第一条消息里，别等中间才说。

2. 定期”总结前文”

对话超过10轮，主动帮AI”复习”：

到目前为止，我们确定了以下内容：

文章主题是XX

目标读者是XX

风格要求是XX 请基于以上背景继续

这一招效果立竿见影——相当于帮老板把散落的单子重新整理一遍。

3. 长文档分段发，别一次粘贴全本

你要AI分析一份50页的PDF？别一股脑贴进去。拆成几段，每段带上下文提示：

这是文档的第3部分（共5部分），前面我们讨论了XXX。请分析这一段的……

4. 对话太长就开新对话

20轮以上的对话，AI基本已经”迷路”了。与其在旧对话里反复纠正，不如开一个新对话，把核心需求写清楚——清爽的上下文比复杂的上下文效果好10倍。

💡 一句话总结：上下文窗口就是AI的”工作台面”——东西太多会乱，定期整理、重要东西放显眼位置、台面太满就换一张。

进阶武器1：CRISPE框架——万能公式的专业版

上面那个”角色+任务+要求+例子+排除”已经够用了。但如果你想要更稳定、更可复现的效果——尤其是工作场景——CRISPE框架是升级版。

CRISPE不是什么神秘咒语，它就是把提示词拆成6个维度，确保你不遗漏：

6个维度逐个拆解：

字母	含义	你要回答的问题	举例
C	Capacity 能力范围	AI在什么能力层级上回答？	“你是一位顶级文案高手”
R	Role 角色	具体的身份是什么？	“在互联网行业做了8年”
I	Insight 背景	有什么上下文信息？	“我们的用户是25-35岁职场女性”
S	Statement 任务	到底要干什么？	“写一条朋友圈广告文案”
P	Personality 个性	用什么语气和风格？	“语气要像闺蜜聊天，不装不端”
E	Experiment 实验	给几个版本选？	“给我3个版本，我挑最好的”

CRISPE实战一条龙：

[C] 你是一位顶级文案高手，[R] 在互联网行业做了8年，擅长用日常语言打动普通用户。[I] 我们的产品是一款记账App，目标用户是25-35岁的职场人，他们觉得记账很麻烦。[S] 请写一条朋友圈广告文案，核心卖点是”拍照就能记账，3秒搞定”。[P] 语气像朋友聊天，不装不端，带点幽默。[E] 请给我3个版本，风格各不相同。

对比一下万能公式版和CRISPE版——CRISPE多了背景信息（用户是谁、痛点是什么）和实验意识（要3个版本挑最好的）。这两点在日常使用中经常被忽略，但恰恰是拉开差距的关键。

进阶武器2：Chain-of-Thought 思维链——让AI一步步想

你教小孩做数学题，不会直接告诉他答案。你会说：“先算括号里的，再算乘除，最后加减。“——这就是思维链。

AI也一样。 你让它”一步步想”，答案质量直接翻倍。

2022年，研究人员在GSM8K数学题集上做了个实验：

从17%到74%，就因为加了一句”一步步想”。这不是玄学，是经过严格验证的研究结论。

怎么用？

最简单的做法——在提示词末尾加一句：

请一步步推理，把思考过程写出来。

更好的做法——给AI规定推理的路径：

请按以下步骤分析这个问题：

先列出所有已知条件

找出关键约束

逐步推导结论

最后给出答案

最稳的做法——你自己先演示一遍推理过程，让AI照着来：

这类问题的分析思路是这样的：首先……，然后……，最后……

请用同样的思路分析下面这个问题：

什么时候用CoT？ 简单问题（翻译、改写）不需要。但凡涉及推理、计算、逻辑判断的，加上CoT几乎不会吃亏。

进阶武器3：Few-shot 少样本——给AI看旧报告模板

新员工入职第一天，你不会递给他一本200页的员工手册说”自己看”。你会翻出一份以前写过的周报，说”照这个格式写就行”。

Few-shot就是这个道理：给AI 2-3个例子，它就懂你想要的格式和风格。

Zero-shot vs Few-shot

Zero-shot（零样本，不给例子）：

请判断下面每句话的情感是正面还是负面： “这家餐厅太好吃了！”

AI可能回答”正面”——但也可能给你一段分析，最后才说结论。

Few-shot（少样本，给2-3个例子）：

请判断下面每句话的情感是正面还是负面。

例子1：“这家餐厅太好吃了！” → 正面例子2：“等了一个小时才上菜，差评。” → 负面例子3：“还行吧，没什么特别的。” → 中性

请判断：“性价比不错，环境一般。”

AI一看例子，立刻知道你要的是：简短标签式回答，不要长篇大论。

Few-shot的隐藏威力：它不但规定了输出格式，还隐含了你的判断标准。上面3个例子悄悄告诉AI——“还行吧”算中性，“性价比不错”偏正面。这些微妙的偏好，你用文字描述很难写清楚，但用例子一给，AI秒懂。

进阶武器4：System Prompt——后台暗号

有没有发现，有些AI工具不管你怎么问，它都不会说脏话、不会教你做坏事？

这不是AI自觉，是System Prompt在后台指挥。

System Prompt就是一条用户看不到的”后台指令”，AI会默默遵守。打个比方：餐馆后厨墙上贴的”操作规范”——顾客看不到，但每道菜都按这个标准出。

你也能用System Prompt

很多AI工具支持你自己设置System Prompt。常用的设置：

场景	System Prompt 怎么写
写作助手	”你是一个专业中文编辑，所有回复用中文，语气简洁正式，不用网络用语”
编程助手	”你是一个资深全栈工程师，回复优先给代码，解释要简短，不要废话”
学习陪伴	”你是一个耐心的老师，每次只解释一个概念，用类比，先确认学生理解再往下讲”
客服机器人	”你是品牌客服，只回答产品相关问题，遇到投诉先安抚再给方案，不确定的转人工”

System Prompt的最大优势：设置一次，整个对话都生效。不用每次都重复”用中文""不要废话”这些要求。

进阶武器5：温度参数——调AI的”发疯旋钮”

温度（Temperature）是AI的一个隐藏参数，控制回答的”随机性”——数值越低越规矩，越高越放飞。

想象一个旋钮：最左边是”照本宣科”，最右边是”天马行空”。

温度值	模式	效果	适合干什么
0	严谨模式	每次回答几乎一样，确定性最高	做数学题、写代码、数据分析
0.7	平衡模式	有变化但不离谱	日常对话、写邮件、翻译
1.5	创意模式	每次回答都不一样，脑洞大开	写诗、头脑风暴、创意文案

实际感受：你问”1+1等于几”，温度0的回答永远是”2”；温度1.5可能给你来一句”在二进制世界里等于10，在爱情故事里等于3”。哪个更好？看你要什么。

怎么调？ 部分AI工具在设置里可以直接调温度。如果你用的工具没有这个选项，也可以在提示词里暗示：

请严格按照事实回答，不要添加任何创造性内容。（≈降温）请给我最有创意的3种可能。（≈升温）

常见坑：你可能正在犯的错误

坑	你可能这么说	应该这么说
太笼统	”帮我弄一下那个东西”	具体说出要做什么、给谁看、什么格式
太贪心	”帮我写一份完整的商业计划书”	拆步骤：先写框架 → 再写市场分析 → 再写财务预测
太信任	直接复制AI回答就用	重要内容一定要自己核实
太简短	”翻译"	"翻译成商务英文邮件，语气礼貌但坚定”
太谦虚	”你能帮我……吗？“	直接说”帮我……”——AI不需要你客气
太依赖	每次都从头写提示词	好用的提示词存下来，下次直接改
不会追问	拿到第一轮回答就走	追问细节、纠正方向、深挖亮点
不管上下文	对话20轮+还在硬撑	上下文丢了就开新对话，重新说明需求

实操挑战

用万能公式或CRISPE框架，分别向DeepSeek提一个需求，包含尽量多的要素：

给AI一个角色，让它帮你做一件事
明确说清你的要求
给一个你想要的风格例子
明确说出”不要什么”
进阶：加上”请一步步推理”试试CoT效果
进阶：给2-3个Few-shot例子规定输出格式
追问挑战：拿到第一轮回答后，用”补充细节""纠正方向""深挖亮点”三种追问各试一次
上下文挑战：在长对话（10轮+）中，试一次”总结前文”看看AI的回答是否变好

对比不加公式时的AI回答，感受差距。

🔮 下篇预告：学会了怎么提问和追问，下一个必须知道的是——AI对话有哪些坑？幻觉只是其中一个。下一篇讲AI对话的8个新手避坑，让你少走弯路。详见AI对话避坑：幻觉+8个新手最容易踩的雷。

📝 声明：文中提示词技巧基于个人实践经验总结，不同AI模型对提示词的响应可能有差异。建议多试多练，找到最适合你的提问方式。