大模型提示词：处理模糊需求的 “追问式” 提示策略

**

在使用大模型（如 ChatGPT、文心一言、通义千问等）的过程中，很多人都会遇到一个常见问题：提出的需求太模糊，导致大模型给出的回复不符合预期。比如想让大模型 “写一篇关于人工智能的文章”，大模型可能会写得过于宽泛，既没有明确的受众定位，也没有清晰的内容重点。这时候，“追问式” 提示策略就能发挥作用。它通过一步步细化需求，把模糊的要求转化为具体、明确的指令，让大模型更精准地理解我们的想法，最终输出高质量的结果。

本文将从模糊需求的常见表现入手，详细讲解 “追问式” 提示策略的核心原则、实施流程、实用技巧，以及在不同场景下的应用案例，帮助大家更好地利用大模型解决实际问题。

1 大模型使用中模糊需求的常见表现

在和大模型交互时，模糊需求的表现形式有很多种。了解这些常见表现，能让我们更快地识别自己的问题，为后续使用 “追问式” 策略打下基础。

1.1 需求缺乏明确目标

这类需求最典型的特点是 “不知道要达到什么效果”。比如有人会说 “帮我分析一下市场”，但没有说明是哪个行业的市场、分析的目的是判断进入机会还是评估竞争对手、需要覆盖哪些地区等。大模型收到这样的需求后，只能按照最通用的框架泛泛而谈，无法给出有针对性的分析。

再比如，有人提出 “让大模型写一段代码”，却没说要实现什么功能、用哪种编程语言、代码需要适配的环境（如 Python 3.8 还是 Java 11），甚至没说代码的简洁度或运行效率有没有要求。这种情况下，大模型写出的代码很可能不符合实际使用场景。

1.2 需求缺乏关键细节

有些需求虽然有大致方向，但缺少关键细节，导致大模型无法精准发力。比如做自媒体的人说 “帮我写一篇关于健身的推文”，但没说推文的受众是新手还是资深健身爱好者、推文的核心卖点是减脂还是增肌、推文的风格是严肃专业还是轻松幽默，也没说推文的字数要求（如 300 字还是 800 字）。

还有比如，有人让大模型 “做一个活动策划”，却没说活动的主题（如品牌推广、产品促销还是用户答谢）、活动的时间（如一天还是一周）、活动的参与人群（如年轻人还是家庭用户）、活动的预算范围。这些细节的缺失，会让大模型给出的策划方案显得空洞，无法直接落地。

1.3 需求存在歧义

歧义是指需求的表述有多种理解方式，大模型可能会误解我们的真实意图。比如有人说 “帮我整理一下会议内容，重点突出问题”，这里的 “问题” 就有歧义：是会议中讨论的待解决的业务问题，还是会议过程中出现的流程问题（如参会人迟到、讨论偏离主题）？

再比如，有人提出 “让大模型优化一篇文章”，“优化” 的含义也不明确：是优化语言表达（让句子更通顺），还是优化结构（调整段落顺序），或是优化内容（补充案例、删减冗余信息）？不同的理解会导致大模型给出完全不同的优化结果。

2 “追问式” 提示策略的核心原则

在使用 “追问式” 提示策略时，需要遵循几个核心原则。这些原则能保证追问的方向不跑偏，让需求从模糊逐渐变得清晰，同时避免给大模型带来额外的理解负担。

2.1 目标导向原则

追问的每一步都要围绕 “最终想要什么结果” 来展开。也就是说，在追问前要先明确自己的核心目标，然后通过提问把这个目标拆解成具体的要求。比如核心目标是 “让大模型写一篇适合大学生的 Python 入门教程”，那么追问时就要围绕 “大学生” 这个受众、“Python 入门” 这个内容方向、“教程” 这个形式来展开，而不是去问和目标无关的问题（如 “Python 的发展历史”）。

举个例子，初始需求是 “写一篇 Python 教程”，按照目标导向原则，第一次追问可以是 “这篇教程的目标读者是零基础的大学生，还是有其他编程语言基础的学生？”；第二次追问可以是 “教程需要覆盖哪些核心知识点？比如变量、数据类型，还是循环语句？”；第三次追问可以是 “教程需要包含代码示例吗？如果需要，每个知识点配几个示例合适？”。通过这样的追问，逐步向核心目标靠近。

2.2 循序渐进原则

追问不能一步到位，要从粗到细、逐步深入。不要一开始就抛出一堆细节问题，而是先解决需求的大方向，再细化中间的关键环节，最后补充小的细节。如果一开始就问太细的问题，可能会因为大方向不明确，导致后续的细节失去意义。

比如初始需求是 “帮我做一个产品推广方案”，按照循序渐进原则，第一步应该先确定大方向：“这个推广方案是针对新产品的上市推广，还是老产品的销量提升？”；确定大方向后，第二步细化核心环节：“推广的目标人群是 20-30 岁的年轻人，还是 30-40 岁的职场人士？”；第三步再补充细节：“推广预算大概在多少范围？推广周期计划多久？”。这样一步步推进，需求会越来越清晰。

2.3 明确具体原则

追问时提出的问题必须明确、具体，不能再出现模糊或有歧义的表述。每个追问的问题都要让大模型能清晰地理解 “要回答什么”，避免出现 “你觉得这个需求还需要补充什么” 这类过于开放的问题 —— 因为大模型无法判断我们的真实需求，很可能给出无关的建议。

比如初始需求是 “帮我写一段文案”，如果追问 “文案的风格怎么定？” 就不够具体；而追问 “文案的风格需要是活泼有趣的，还是正式专业的？” 就很明确，大模型能直接根据选项来调整方向。再比如，追问 “代码需要注释吗？” 不如追问 “代码需要每 5 行加一句注释，解释核心逻辑吗？”—— 后者给出了具体的标准，大模型能更好地执行。

2.4 聚焦核心原则

追问时要聚焦需求的核心部分，不要被无关的次要信息干扰。也就是说，要分清 “必须有的内容” 和 “可选项内容”，先通过追问确定 “必须有” 的部分，再根据情况决定是否补充 “可选” 部分。如果一开始就纠结于次要信息，会分散注意力，导致核心需求迟迟不明确。

比如初始需求是 “让大模型写一篇关于手机的评测文章”，核心部分是 “手机的核心配置（如处理器、屏幕、电池）、实际使用体验（如游戏流畅度、拍照效果）”，而次要信息是 “手机的包装设计、附赠配件”。按照聚焦核心原则，应该先追问 “评测文章需要重点突出游戏体验，还是拍照效果？”“需要对比同价位的其他手机吗？”，等核心内容确定后，再考虑是否追问 “需要提一下手机的包装吗？”。

3 “追问式” 提示策略的实施流程

“追问式” 提示策略的实施流程分为四个步骤，分别是 “识别模糊点”“设计追问问题”“接收并分析回复”“迭代追问直至需求明确”。这四个步骤环环相扣，能帮助我们系统地把模糊需求转化为明确指令。

3.1 第一步：识别需求中的模糊点

这是实施流程的基础。在提出初始需求后，要先自己梳理一遍，找出其中模糊、不明确的地方。可以从 “目标、受众、内容、形式、标准” 这几个维度来检查：

• 目标：这个需求最终要达到什么效果？（如 “写文章” 的目标是 “吸引读者关注” 还是 “传递专业知识”）

• 受众：需求对应的受众是谁？（如 “写教程” 的受众是 “新手” 还是 “专家”）

• 内容：需求需要包含哪些核心内容？（如 “做报告” 需要包含 “数据统计” 还是 “问题分析”）

• 形式：需求的呈现形式是什么？（如 “输出结果” 是 “文字” 还是 “表格”“代码”）

• 标准：需求的判断标准是什么？（如 “优化文案” 的标准是 “更简洁” 还是 “更有感染力”）

举个例子，初始需求是 “帮我写一篇关于咖啡的文章”。从这几个维度检查后，模糊点就很明显了：目标不明确（是推荐咖啡种类，还是讲解咖啡制作方法）、受众不明确（是咖啡新手，还是资深爱好者）、内容不明确（要讲咖啡的历史，还是制作步骤）、形式不明确（是散文，还是说明文）、标准不明确（字数要求多少，风格是文艺还是实用）。把这些模糊点列出来，就能为下一步设计追问问题做好准备。

3.2 第二步：针对模糊点设计追问问题

在找出模糊点后，要针对每个模糊点设计具体的追问问题。设计问题时要遵循前面提到的 “明确具体原则”，尽量让问题有明确的选项或范围，避免开放度过高。

比如针对 “目标不明确” 这个模糊点，初始需求是 “写咖啡文章”，可以设计追问问题：“这篇咖啡文章的核心目标是推荐适合新手的咖啡种类，还是讲解手冲咖啡的制作步骤？”；针对 “受众不明确”，可以设计追问问题：“这篇文章的读者是刚接触咖啡的新手，还是有 3 年以上喝咖啡习惯的人？”；针对 “字数标准不明确”，可以设计追问问题：“这篇文章的字数需要控制在 500 字左右，还是 1000 字左右？”。

需要注意的是，一次不要设计太多追问问题，建议每次针对 1-2 个核心模糊点提问。如果一次问太多问题，大模型可能会遗漏部分信息，导致回复不够精准。比如不要同时问 “受众是谁、目标是什么、字数多少、风格是什么”，而是先问 “受众是谁”，等大模型明确回复后，再问 “目标是什么”。

3.3 第三步：接收大模型回复并分析

在向大模型发出追问问题后，要认真接收回复，并分析回复是否解决了对应的模糊点。如果回复明确、具体，能补充需求的关键信息，就可以进入下一步；如果回复仍然模糊，或者没有准确理解追问意图，就需要重新设计追问问题，再次提问。

比如我们追问 “咖啡文章的受众是新手还是资深爱好者”，大模型回复 “新手”—— 这个回复明确解决了受众模糊的问题，可以进入下一步。但如果大模型回复 “看你想写什么”，这就说明回复没有解决问题，需要重新设计追问问题，比如 “我希望文章能帮助读者快速入门，所以受众应该是新手，对吗？”—— 通过更明确的引导，让大模型给出确定的答案。

再比如，我们追问 “代码需要用 Python 还是 Java 编写”，大模型回复 “Python 比较常用”—— 这个回复虽然给出了建议，但如果我们的实际场景必须用 Java，就需要进一步明确：“我的项目环境只能用 Java，所以代码请用 Java 编写，好吗？”。也就是说，分析回复时不仅要看是否明确，还要看是否符合自己的实际需求。

3.4 第四步：迭代追问直至需求完全明确

需求的明确不是一次追问就能完成的，需要通过多次迭代来实现。在解决一个模糊点后，再针对下一个模糊点设计追问问题，重复 “提问 - 接收 - 分析” 的过程，直到所有模糊点都被解决，需求变得具体、明确。

以 “写咖啡文章” 为例，完整的迭代追问过程可能是这样的：

1. 初始需求：写一篇关于咖啡的文章（模糊点：目标、受众、内容、字数、风格）。

1. 第一次追问：受众是新手还是资深爱好者？（回复：新手）—— 解决受众模糊点。

1. 第二次追问：核心目标是推荐咖啡种类还是讲解制作步骤？（回复：讲解制作步骤）—— 解决目标模糊点。

1. 第三次追问：需要讲解哪些制作方法？手冲、意式浓缩，还是冷萃？（回复：手冲）—— 解决内容模糊点。

1. 第四次追问：文章字数控制在 500 字还是 1000 字？（回复：500 字）—— 解决字数模糊点。

1. 第五次追问：文章风格是轻松活泼，还是简洁实用？（回复：简洁实用）—— 解决风格模糊点。

经过这五次迭代追问，初始的模糊需求就变成了明确的指令：“写一篇 500 字左右、风格简洁实用的手冲咖啡制作步骤文章，受众是咖啡新手”。此时再让大模型输出内容，就能大概率符合预期。

4 “追问式” 提示策略的实用技巧

掌握一些实用技巧，能让 “追问式” 提示策略的实施更高效，减少不必要的追问次数，同时让大模型更好地理解我们的意图。

4.1 用 “场景描述” 辅助追问

在追问时，适当加入场景描述，能让大模型更清楚需求的背景，从而给出更贴合实际的回复。场景描述可以包括 “使用场景”“约束条件”“期望结果的应用场景” 等信息。

比如，初始需求是 “帮我写一个 Excel 公式”，直接追问 “公式需要实现什么功能” 可能不够具体。如果加入场景描述：“我需要统计 Excel 表格中‘销售额’列里，大于 1000 且属于‘北京’地区的数值总和，帮我写一个对应的公式”—— 这样的表述既包含了追问的核心问题（公式功能），又提供了场景背景（统计条件、数据列含义），大模型能直接根据场景写出准确的公式（如 “=SUMIFS (销售额列，销售额列，">1000", 地区列，"北京")”）。

再比如，初始需求是 “帮我写一段客服回复”，加入场景描述后的追问可以是：“客户买了我们的护肤品，收到后发现包装有轻微破损，但产品本身没问题，现在客户有点担心产品质量，需要写一段安抚客户的回复，同时说明包装破损不影响产品使用，你觉得回复需要包含哪些核心内容？”—— 场景描述让大模型能精准把握客服回复的语气和重点，避免回复过于笼统。

4.2 用 “示例引导” 明确方向

如果对需求的具体形式或风格没有清晰的概念，或者担心大模型误解，可以在追问时给出示例，通过示例引导大模型理解方向。示例可以是一段文字、一个格式模板、甚至是几个关键词。

比如，初始需求是 “帮我写一段产品宣传语”，但不知道宣传语的风格，就可以在追问时给出示例：“我希望宣传语的风格和‘小米，为发烧而生’‘苹果，重新定义手机’类似，简洁有力，能突出产品的核心优势，你能按照这个风格写吗？”—— 示例让大模型明确了 “简洁有力” 的具体标准，避免写出过于冗长或平淡的宣传语。

再比如，初始需求是 “帮我整理会议纪要”，可以给出格式示例：“会议纪要需要包含‘会议主题、参会人员、会议时间、讨论内容、待办事项（责任人 + 截止时间）’这几个部分，你按照这个格式整理，好吗？”—— 示例让大模型清楚输出的结构，减少后续调整的工作量。

4.3 用 “排除法” 缩小范围

当需求的可选范围较大，无法直接确定时，可以用 “排除法” 来缩小范围，即明确告知大模型 “不需要什么”，从而聚焦到 “需要什么” 上。

比如，初始需求是 “帮我推荐一本编程书籍”，可选范围很大（不同语言、不同难度、不同侧重点）。此时可以用排除法追问：“我已经掌握了 Python 基础，不需要入门级书籍；我主要想学习数据分析相关的编程知识，不需要 Web 开发相关的书籍，你帮我推荐符合这些条件的书籍，好吗？”—— 通过排除 “入门级” 和 “Web 开发”，缩小了推荐范围，大模型能更精准地推荐数据分析相关的进阶书籍。

再比如，初始需求是 “帮我写一篇节日祝福文案”，可以用排除法追问：“这个节日是端午节，文案不需要太正式，也不需要包含促销信息，主要是给老客户的温馨祝福，你按照这个要求写，好吗？”—— 排除 “正式风格” 和 “促销信息” 后，大模型能聚焦于 “温馨祝福” 的方向，写出更贴合需求的文案。

4.4 用 “优先级排序” 明确重点

当需求包含多个部分，且各部分的重要程度不同时，可以通过 “优先级排序” 来明确重点，让大模型在输出时优先满足核心部分的要求。

比如，初始需求是 “帮我做一份产品介绍 PPT 的大纲”，需求包含 “产品功能、产品优势、用户案例、价格信息” 四个部分。此时可以用优先级排序追问：“PPT 大纲需要包含产品功能、产品优势、用户案例、价格信息这四个部分，其中产品优势和用户案例是重点，需要详细展开；产品功能和价格信息简要说明即可，你按照这个优先级来设计大纲，好吗？”—— 通过排序，大模型能知道哪些部分需要重点着墨，避免出现 “各部分平均用力，重点不突出” 的问题。

再比如，初始需求是 “帮我优化一篇演讲稿”，可以用优先级排序追问：“优化时，首先要确保演讲稿的逻辑结构清晰（比如开头引入、中间分点论述、结尾总结）；其次要让语言更口语化，适合口头表达；最后再调整部分句子的流畅度。你按照这个优先级来优化，先保证逻辑结构，再调整语言风格，最后处理句子流畅度，好吗？”—— 这样的排序能让大模型在优化时抓住核心，避免在次要问题上花费过多精力，导致核心需求未满足。

5 “追问式” 提示策略在不同场景的应用案例

“追问式” 提示策略不是通用模板，需要根据不同的使用场景灵活调整。下面结合 “内容创作”“代码开发”“工作办公” 三个常见场景，给出具体的应用案例，帮助大家更好地理解和使用该策略。

5.1 场景一：内容创作（以 “写公众号推文” 为例）

内容创作是大模型的常用场景，但 “写一篇推文” 这类需求往往模糊度高，需要通过多次追问明确细节。以下是完整的追问过程：

5.1.1 初始需求

“帮我写一篇公众号推文。”（模糊点：推文主题、受众、风格、字数、核心卖点）

5.1.2 第一次追问：确定核心主题与受众

“这篇推文的主题是推广公司新出的‘家用空气净化器’，还是分享‘室内空气净化的小知识’？目标读者是有孩子的家庭，还是刚装修完房子的年轻人？”

（回复：主题是推广家用空气净化器，目标读者是有孩子的家庭）

—— 解决 “主题” 和 “受众” 模糊点。

5.1.3 第二次追问：明确核心卖点与风格

“推文中需要重点突出空气净化器的哪些卖点？比如‘除甲醛效率’‘静音设计’‘ child - lock 儿童锁功能’？推文风格需要温馨亲切，还是专业严谨？”

（回复：重点突出除甲醛效率和儿童锁功能，风格温馨亲切）

—— 解决 “核心卖点” 和 “风格” 模糊点。

5.1.4 第三次追问：补充形式与标准细节

“推文需要包含用户使用案例吗？如果需要，放 1 个还是 2 个案例合适？推文字数控制在 800 字以内，还是 800 - 1200 字？”

（回复：需要 1 个用户案例，字数 800 - 1200 字）

—— 解决 “形式” 和 “字数标准” 模糊点。

5.1.5 明确后的最终需求

“帮我写一篇 800 - 1200 字、风格温馨亲切的公众号推文，主题是推广公司新出的家用空气净化器，目标读者是有孩子的家庭，推文中需重点突出‘除甲醛效率’和‘child - lock 儿童锁功能’，并包含 1 个用户使用案例。”

—— 大模型根据该需求输出的推文，能精准匹配用户预期，无需多次修改。

5.2 场景二：代码开发（以 “写数据处理代码” 为例）

代码开发场景对细节要求极高，“写一段数据处理代码” 这类模糊需求，很容易导致代码无法运行或不符合实际需求。以下是追问过程：

5.2.1 初始需求

“帮我写一段数据处理的代码。”（模糊点：编程语言、数据格式、处理目标、输出形式、适配环境）

5.2.2 第一次追问：确定语言与数据基础信息

“需要用 Python 还是 Java 编写代码？待处理的数据是 CSV 格式，还是 Excel 格式？数据中主要包含哪些字段？比如‘用户 ID、消费金额、消费时间’？”

（回复：用 Python，数据是 CSV 格式，包含 “用户 ID、消费金额、消费时间、商品类别” 字段）

—— 解决 “编程语言” 和 “数据基础信息” 模糊点。

5.2.3 第二次追问：明确处理目标与输出要求

“数据处理的核心目标是‘统计每个商品类别的总消费金额’，还是‘筛选出消费金额大于 500 元的用户数据’？处理完成后，需要将结果输出为新的 CSV 文件，还是生成可视化图表（如柱状图）？”

（回复：核心目标是统计每个商品类别的总消费金额，输出为新的 CSV 文件）

—— 解决 “处理目标” 和 “输出形式” 模糊点。

5.2.4 第三次追问：补充环境与细节要求

“代码需要适配 Python 3.7 还是 3.9 版本？是否需要加入异常处理（比如处理数据缺失值）？代码中需要对关键步骤加注释吗？”

（回复：适配 Python 3.9，需要处理数据缺失值，关键步骤加注释）

—— 解决 “适配环境” 和 “细节要求” 模糊点。

5.2.5 明确后的最终需求

“帮我写一段 Python 3.9 版本的代码，处理 CSV 格式数据（包含‘用户 ID、消费金额、消费时间、商品类别’字段），核心功能是统计每个商品类别的总消费金额，需处理数据缺失值，代码关键步骤加注释，处理结果输出为新的 CSV 文件。”

—— 该需求明确了代码开发的所有关键信息，大模型能直接写出可运行的代码。

5.3 场景三：工作办公（以 “做月度工作总结” 为例）

工作办公场景中，“做月度工作总结” 这类需求常因 “不知道要突出什么” 而模糊，通过追问能让总结更贴合工作重点。以下是追问过程：

5.3.1 初始需求

“帮我写一份月度工作总结。”（模糊点：工作岗位、总结周期、核心内容、重点方向、汇报对象）

5.3.2 第一次追问：确定岗位与周期基础信息

“你是市场岗位还是运营岗位？总结的是哪个月的工作？比如‘2025 年 8 月’？总结中需要包含‘工作内容、成果数据、待改进问题’这三部分吗？”

（回复：运营岗位，总结 2025 年 8 月工作，需要包含 “工作内容、成果数据、待改进问题”）

—— 解决 “岗位”“周期” 和 “基础结构” 模糊点。

5.3.3 第二次追问：明确重点与数据要求

“总结需要重点突出‘用户增长’相关工作，还是‘活动运营’相关工作？成果数据需要用具体数值呈现吗？比如‘新增用户 500 人’，还是用‘用户增长效果较好’这类描述？”

（回复：重点突出用户增长，成果数据用具体数值呈现）

—— 解决 “重点方向” 和 “数据呈现要求” 模糊点。

5.3.4 第三次追问：补充汇报对象与篇幅

“这份总结是汇报给直属领导，还是用于部门全员分享？总结字数控制在 500 字以内，还是 500 - 1000 字？”

（回复：汇报给直属领导，字数 500 - 1000 字）

—— 解决 “汇报对象” 和 “篇幅” 模糊点。

5.3.5 明确后的最终需求

“帮我写一份 2025 年 8 月的运营岗位月度工作总结，汇报给直属领导，字数 500 - 1000 字，内容需包含‘工作内容、成果数据、待改进问题’，重点突出用户增长相关工作，成果数据需用具体数值呈现（如‘新增用户 500 人’）。”

—— 基于该需求的总结，能精准匹配领导对工作汇报的要求，突出核心成果。

6 “追问式” 提示策略的常见问题与解决办法

在实际使用 “追问式” 提示策略时，可能会遇到 “追问次数过多”“大模型不配合追问” 等问题。以下是常见问题及对应的解决办法，帮助大家规避风险，提升效率。

6.1 问题一：追问次数过多，导致效率低下

部分用户在追问时没有明确的节奏，一次只解决一个小问题，导致需要 10 次以上追问才能明确需求，浪费大量时间。

6.1.1 解决办法

1. 按 “维度分组” 追问：将模糊点按 “基础信息（如主题、受众）”“核心要求（如功能、重点）”“细节标准（如字数、格式）” 三个维度分组，每次追问解决一个维度的问题，减少追问次数。比如初始需求是 “写一篇教程”，第一次追问解决基础信息（“教程主题是 Python 还是 Java？受众是新手还是进阶学习者？”），第二次追问解决核心要求（“教程需要覆盖哪些知识点？是否需要包含实战案例？”），第三次追问解决细节标准（“教程字数多少？每个知识点需要配代码示例吗？”）。

1. 预设 “默认条件”：对于非核心的细节，如果没有特殊要求，可以预设默认条件，避免追问。比如写文章时，默认字数 800 - 1000 字、默认风格简洁明了，除非有特殊要求，否则不需要追问。

6.2 问题二：大模型不理解追问意图，回复偏离方向

有时用户设计的追问问题不够明确，大模型无法理解，导致回复偏离预期，需要反复调整。

6.2.1 解决办法

1. 加入 “背景提示”：在追问问题前，加入简短的背景提示，让大模型明确追问的目的。比如不要直接问 “需要包含案例吗？”，而是说 “为了让教程更易理解，需要包含实战案例吗？（比如用代码实现一个小项目）”。

1. 用 “封闭式问题” 替代 “开放式问题”：尽量设计 “是 / 否” 或 “二选一 / 三选一” 的封闭式问题，避免 “需要包含什么内容？” 这类开放式问题。比如将 “需要包含什么内容？” 改为 “需要包含知识点讲解、代码示例，还是实战案例？”。

6.3 问题三：追问后需求仍不明确，无法推进

少数情况下，即使经过多次追问，需求仍然存在模糊点，比如用户自己也不确定 “核心重点是什么”，导致无法推进。

6.3.1 解决办法

1. 让大模型 “提供选项”：如果用户不确定核心重点，可以让大模型基于已有信息提供选项，再从中选择。比如用户不确定教程的核心重点，就问 “基于‘Python 新手教程’这个主题，核心重点可以是‘基础语法’或‘常用库使用’，你更倾向于哪个？”。

1. 先 “输出初稿” 再调整：如果实在无法明确所有模糊点，可以基于已有信息让大模型输出初稿，再根据初稿的问题进行针对性调整。比如用户不确定文章风格，就先让大模型按 “简洁实用” 的默认风格输出初稿，再根据初稿反馈 “希望风格更活泼，加入一些网络热词”，让大模型修改。

7 “追问式” 提示策略的工具辅助推荐

为了进一步提升 “追问式” 提示策略的实施效率，除了手动设计追问问题，还可以借助一些工具辅助。以下是 3 款常用的工具，分别适用于不同需求的用户。

7.1 工具一：PromptBase（提示词模板库）

PromptBase 是一个包含大量大模型提示词模板的平台，其中有很多针对 “模糊需求” 的追问模板，用户可以直接套用，无需自己设计追问问题。

7.1.1 适用场景

适合新手用户，或没有太多时间设计追问问题的用户。

7.1.2 使用方式

1. 登录 PromptBase 平台（官网：promptbase.com），搜索 “模糊需求追问” 或对应场景（如 “内容创作追问”“代码开发追问”）。

1. 选择合适的模板，比如 “公众号推文追问模板”，模板中包含 “主题确认 - 受众分析 - 核心卖点 - 风格要求 - 细节标准” 的完整追问框架。

1. 根据自己的需求修改模板中的变量（如将 “[推文主题]” 改为 “空气净化器推广”），直接复制到大模型中进行追问。

7.2 工具二：ChatGPT Prompt Engineer（提示词工程工具）

ChatGPT Prompt Engineer 是一款专门用于优化提示词的工具，能根据用户的初始需求，自动生成追问问题，帮助用户细化需求。

7.2.1 适用场景

适合有一定大模型使用经验，希望快速生成高质量追问问题的用户。

7.2.2 使用方式

1. 打开工具（部分浏览器插件或在线平台可提供），输入初始需求（如 “帮我写一段数据处理代码”）。

1. 工具会自动分析需求中的模糊点，生成追问问题，比如 “需要用哪种编程语言？数据格式是什么？处理目标是统计数据还是筛选数据？”。

1. 用户可以根据实际需求，调整工具生成的追问问题，再发送给大模型。

7.3 工具三：Notion（需求梳理工具）

Notion 是一款多功能笔记工具，虽然不是专门的大模型提示词工具，但可以帮助用户梳理模糊需求，设计追问框架，避免遗漏关键信息。

7.3.1 适用场景

适合需求复杂、模糊点较多，需要系统梳理的用户（如做复杂项目策划、写长篇文档）。

7.3.2 使用方式

1. 在 Notion 中创建 “需求梳理表”，表格列分为 “模糊点类别”“模糊点内容”“追问问题”“大模型回复”“是否解决”。

1. 先填写 “模糊点类别” 和 “模糊点内容”（如类别 “基础信息”，内容 “策划主题不明确”）。

1. 基于模糊点设计 “追问问题”，发送给大模型后，将 “回复” 填入表格，并标注 “是否解决”。

1. 针对未解决的模糊点，重新设计追问问题，直到所有模糊点都解决。

8 实际应用中的注意事项

在将 “追问式” 提示策略应用到实际场景时，还需要注意以下 3 点，确保策略能真正发挥作用，提升大模型的使用效果。

8.1 注意 “需求的合理性”

在追问过程中，需要判断明确后的需求是否合理，避免提出大模型无法实现的要求。比如不要要求大模型 “写一段能直接破解软件的代码”（违法违规），或 “写一篇包含未公开数据的行业分析报告”（数据不可得）。如果需求不合理，即使经过多次追问，大模型也无法输出符合要求的结果，反而浪费时间。

8.2 保持 “灵活调整” 的心态

“追问式” 提示策略不是固定的流程，需要根据大模型的回复灵活调整。比如用户原本计划追问 “教程是否需要包含案例”，但大模型在之前的回复中已经提到 “会包含 2 个实战案例”，就不需要再追问该问题。同时，如果大模型的回复中出现新的模糊点（如用户没提到 “代码运行环境”，但大模型问 “需要适配 Windows 还是 Linux 系统”），也需要及时回应，补充需求信息。

8.3 记录 “追问经验”，形成个人模板

不同场景的追问逻辑有一定规律，用户可以记录每次追问的过程和结果，总结出适合自己的追问模板，提升后续使用效率。比如记录 “内容创作场景” 的追问模板：“1. 确定主题与受众；2. 明确核心重点与风格；3. 补充字数、格式、案例要求”，下次遇到类似场景，就可以直接套用模板，减少重复思考的时间。