为什么 AI 一开始很少给你最优解？
既然后面还能变好，为什么一开始不直接给最好的？这个问题看起来是在问 AI，其实也在问我们自己：我们到底有没有把”好”的标准讲清楚。
01｜AI 给的不是最优解，是”平均解”
最近看到一个很有意思的问题：为什么 AI 一开始不给出最佳方案？
比如我先和 Codex 聊一个方案，聊完之后再问它：”还有没有更好的？”它往往又能给出一个新方案。再问：”这就是最佳方案吗？”它可能还会继续优化。
于是问题来了：既然后面还能变好，为什么一开始不直接给最好的？
很多时候，AI 第一次给出的答案，只是一个 “看起来合理” 的版本。它能回答，能成文，能跑通逻辑，但这个答案未必贴合你的真实需求。因为你给它的指令里，可能只有一个模糊目标，没有足够的判断标准。
比如你说：
“帮我写一篇爆款文章。”
这句话对 AI 来说太宽了。
- 什么平台？
- 什么受众？
- 什么语气？
- 要偏知识科普，还是偏情绪共鸣？
- 要适合小红书，还是公众号？
- 要犀利一点，还是温和一点？
- 哪些表达你讨厌？
- 哪些句式你不想看到？
- 哪些内容一定不能写偏？
这些都没说清楚，它只能按平均经验生成一个 “像文章的文章”。
这也是很多人用 AI 感觉不稳定的原因。你以为自己在要一个好答案，AI 实际收到的是一团雾。
02｜先告诉它你要什么，也要告诉它你不要什么
我现在用 AI 写作、润色、做方案时，有一个习惯：正向要求和负向要求一起给。
- 只给正向要求，AI 知道大概方向。
- 加上负向要求，AI 才知道哪些路不能走。
比如你想让 AI 润色一篇文章，可以这样说：
✅ 正向要求：
这篇文章要段落清晰，逻辑顺畅，用词准确，表达自然。开头要能抓住读者，中间要有具体分析，结尾要有一点余味。语言不要太官方，尽量像一个有经验的人在认真分享。
🚫 负向禁区：
- 不要写得过于啰嗦。
- 不要重复同一个观点。
- 不要堆概念。
- 不要写成培训课件。
- 不要大量使用”不是……而是……”这类 AI 常见转折。
- 不要使用过多口号式排比。
- 不要为了显得高级，把简单话说复杂。
- 不要使用过度整齐的 Markdown 格式。
你会发现，效果会明显变好。
这不是玄学。你只是把 “什么叫好” 和 “什么叫不好” 都告诉了它。
03｜”认真点，好好写”——这句话信息量为零
很多人只会对 AI 说：
“认真点，好好写。”
这句话情绪很足，信息很少。
AI 不知道你所谓的”认真”具体指什么。它可能会加长篇幅，增加排比，堆几个漂亮句子，再放一个很工整的结尾。看起来认真，其实未必好看。
所以，与其说”认真写”，不如直接说清楚：
- 结构怎么走
- 语气怎么控制
- 哪些表达不要出现
- 哪些内容必须保留
04｜复杂任务不要直接要答案，先要几个方案
写文章是这样，Coding 更明显。
如果你在技术场景里直接问：
“这个功能怎么实现？”
AI 往往会顺着第一个可行思路写下去。这个方案可能能做，但不一定最适合你。
更好的问法是：
先不要直接给最终方案。请根据我的需求，给出三个可行方案。每个方案说明实现方式、开发成本、维护成本、扩展性、风险点和适用场景。然后做横向对比，最后推荐一个当前阶段最合适的方案。
这个提问方式会把 AI 从 “答题状态” 拉到 “评审状态”。
它需要先展开多个方向，再比较，再收敛。这样出来的结果，通常比直接给一个答案靠谱得多。
尤其是做项目时，最怕 AI 给你一个 “看起来很完整” 的方案。因为完整不代表合适：
- 它可能过度设计
- 可能维护成本高
- 可能依赖一堆你根本不想引入的技术
- 可能只适合 Demo，不适合长期使用
让 AI 一次给三个方案，本质上是在逼它打开思路。
让它比较优劣，是在逼它建立判断。
让它说明推荐理由，是在逼它收敛结论。
让它指出风险，是在逼它别只报喜。
这一套下来，答案质量会稳定很多。
05｜让 AI 查资料，比让 AI 空想更可靠
还有一个进阶做法：不要只让 AI 自我反思。
很多人会在最后补一句：”请你反思一下，还有没有更好的方案。”
这句话有用，但有限。因为 AI 的反思还是围绕它已有的信息展开。如果它一开始就缺关键资料，后面再怎么反思，也可能只是在原地打转。
Coding 场景里，我更建议直接让它接入外部证据。比如：
- 查官方文档
- 查 GitHub 上有没有成熟开源项目
- 看项目最近是否还在维护
- 看 Issue 里有没有高频问题
- 看 License 是否适合你的使用场景
- 看社区活跃度
- 看有没有类似项目已经踩过坑
- 最后再让它回到你的需求上做判断
这一步很重要。
AI 自己想出来的方案，只能算 “推理结果”。
结合文档、代码仓库、社区反馈之后，方案才开始接近 “可验证结果”。
如果你只是让它在脑子里转几圈，它可能会越来越自信，但未必越来越准确。
06｜互评有价值，但别让弱模型互相审
还有一种办法是模型互评。
比如让一个模型写方案，再让另一个模型审计方案，指出漏洞、风险、隐藏成本和替代路径。
这个方法有价值，前提是 模型能力要够。
小模型互评，经常会变成 “菜鸡互啄”。它们会挑一些表层问题，比如格式不够清楚、表达不够完整、步骤不够详细，但发现不了真正关键的坑。
强模型做审计，价值会高很多。你可以让审计模型重点看这些问题：
- 这个方案有没有隐藏成本？
- 有没有安全风险？
- 有没有长期维护压力？
- 有没有更简单的实现方式？
- 有没有依赖不稳定的第三方服务？
- 有没有和当前业务阶段不匹配？
- 有没有把简单问题复杂化？
- 有没有遗漏测试和回滚方案？
AI 互评不是让两个模型互相点评作文，而是让它们帮你发现盲区。
07｜你越催，AI 越容易糊弄
还有一个细节，很多人会忽略：你对 AI 说话的方式，会影响它的工作状态。
你说：
“快点。””别废话。””直接给结果。””不要解释。””抓紧。”
这些话在简单任务里没问题。比如翻译一句话、改一个标题、查一个命令，直接一点反而高效。
但复杂任务不一样。
当你让 AI 快点，它就会倾向于压缩分析过程。它会给你一个能交差的答案，而不是一个充分比较之后的答案。
这就是为什么有时候你越着急，它越容易敷衍。它会省略前提，跳过验证，绕开不确定点，直接生成一个看起来顺滑的结论。
更好的说法是：
- “这个问题比较重要，不急着给结论。”
- “请先分析关键假设。”
- “如果信息不足，请直接指出。”
- “不要为了简洁牺牲准确性。”
- “先给严谨版本，再给我压缩版。”
- “请列出可能出错的地方。”
这类表达会让 AI 更认真地处理任务。
你不是在跟它客气，你是在给它更合适的任务框架。
08｜不要骂 AI，真的会越骂越难用
我还观察到一个现象：很多人一旦 AI 回答错了，就开始骂。
“你是不是傻？””这都不会？””你怎么又错？””别装了，重新来。”
从技术上讲，AI 没有情绪，不会因为你骂它而难过。
但攻击性语言会改变对话氛围，也会改变模型接下来的回答倾向。它会更保守，更防御，更模板化，更害怕继续展开判断。
结果就是：
你越生气，它越僵。它越僵，你越觉得它笨。最后整段对话都卡死在错误路径里。
所以我现在更倾向于把 AI 当成一个需要管理的协作者：
- 它回答错了，就指出错在哪里
- 它理解偏了，就补充上下文
- 它偷懒了，就要求它按步骤重来
- 它编造了，就让它标明依据和不确定点
- 它写得油，就给它负向提示词
不要用情绪替代指令。骂它没有信息增量，清楚地纠偏才有用。
09｜会用 AI 的人，不急着要”最终答案”
我越来越觉得，AI 使用能力的差距，不在于谁会背更多提示词模板，而在于 谁更会设计协作流程。
一个比较稳的流程大概是：
- 先定义目标
- 再补充背景
- 然后说明限制条件
- 接着建立评价标准
- 之后让 AI 给多个方案
- 再做优劣对比
- 选出一个方案后，继续做风险审计
- 最后用文档、代码、数据、测试或者真实反馈验证
这个流程听起来麻烦，但对复杂任务很有用。
如果你只让 AI 直接给答案，它就是一个文本生成器。
如果你让它参与拆解、比较、审计和验证，它才更像一个能辅助决策的工具。
很多时候，AI 第一次没有给出最优解，并不是它故意保留实力。更常见的情况是：
你一开始给它的任务定义太粗了。
- 没说清楚目标
- 没说清楚约束
- 没说清楚偏好
- 没说清楚禁区
- 没说清楚评判标准
- 也没要求它展开多个方案
那它自然只能给你一个 “平均答案”。
平均答案不一定差，但很难刚好适合你。
10｜一个更好用的提问模板
下次你想让 AI 帮你做方案，可以试试这样问：
我现在要解决的问题是：____。
我的背景是：____。
我的目标是：____。
我的限制条件是：____。
我最看重的是：成本 / 效率 / 稳定性 / 可维护性 / 传播效果 / 商业价值。
请先不要直接给最终答案。
请先帮我建立评价标准。
然后给出三个可行方案。
每个方案分别说明：
- 实现方式
- 优点
- 缺点
- 适用场景
- 落地成本
- 潜在风险
接着做横向对比。
最后推荐一个最适合我当前阶段的方案。
推荐之后，请继续指出这个方案可能踩坑的地方，
以及我应该如何验证它。
这个模板比”给我最好的方案”有效得多。
因为它给 AI 的不是一句愿望，而是一套工作流程。
写在最后
AI 的答案质量，很大程度上取决于你怎么提问。
| 你给的信息 | AI 给的答案 |
|---|---|
| 模糊目标 | 模糊答案 |
| 清楚背景 | 更理解场景 |
| 具体约束 | 更少跑偏 |
| 评审标准 | 更会做取舍 |
| 展开方案 | 不卡在第一个思路 |
| 要求验证 | 不容易一本正经地胡说 |
所以，别只问 AI：”给我最好的。”
先和它一起定义：什么叫好。
当标准清楚了，方案才有比较的基础。
当比较充分了，选择才有可信度。
当结果经过验证，它才真正能落地。
了解 ~/jintaoblog/朝夕见闻志⚡️ 的更多信息
订阅后即可通过电子邮件收到最新文章。