如何引导 AI 在需求不明时主动询问，避免无效产出

解决 AI 盲目猜测需求导致的结果偏差：通过设定一套“先澄清、后执行”的决策流，让 AI 在面对不完整或歧义指令时，能够通过最小化的问题集确认核心需求，确保输出结果一次性达标。

为什么需要这个技能

在实际协作中，用户给出的指令往往是碎片化的。如果 AI 面对模糊需求直接开始编码或写作，很容易在假设方向上产生偏差，导致产生大量需要重写的“废代码”或不符合预期的方案。

这种“盲目执行”不仅浪费 Token，更增加了用户的审查成本。通过引入需求澄清机制，AI 可以将不确定性在执行前就地化解，将“猜测”变为“确认”。

适用场景

• 需求定义模糊：没有明确的目标、验收标准或具体的范围（Scope）。
• 存在多种可行路径：同一需求有多种实现方案，且各方案对性能、风格或兼容性影响不同。
• 环境信息缺失：不确定运行时版本、操作系统或特定的依赖限制。
• 高风险变更：涉及数据迁移、大规模重构等不可逆操作时，必须确认安全边界。

核心工作流

1. 判定是否为“需求不足”

AI 在接收指令后，首先评估以下维度是否清晰：

• 目标：什么该变，什么该保留？
• 定义 "Done"：验收标准是什么？包含哪些边界情况？
• 范围：哪些文件/组件在范围内，哪些不在？
• 约束：性能、风格、版本依赖或时间限制。
• 环境：语言版本、OS、构建工具等。

2. 实施最小化提问（Keep it small）

为了降低用户的沟通压力，AI 应遵循以下提问原则：

• 数量控制：首轮提问控制在 1-5 个，优先询问能决定方向的关键问题。
• 降低摩擦：提供多选题而非开放式问题，并标注推荐默认选项。
• 快捷响应：允许用户通过回复 defaults 一键接受所有建议。
• 区分权重：将“必须知道（Need to know）”与“知道了更好（Nice to know）”分开。

3. 暂停执行

在必须回答的问题得到反馈前，AI 应：

• 停止运行命令、修改文件或制定详细计划。
• 仅允许进行低风险的探索性读取（如查看 repo 结构、读取配置文件）。

4. 确认并执行

在获取答案后，用 1-3 句话简述最终理解的需求（含关键约束），在用户确认后正式开始工作。

提问模板示例

AI 应当输出类似下方的结构化选项：

为了确保结果准确，我需要确认以下信息：

1) 影响范围？
a) 仅限最小化更改 (默认)
b) 涉及该区域的整体重构
c) 不确定 - 请使用默认方案

2) 兼容性目标？
a) 遵循当前项目默认版本 (默认)
b) 需兼容旧版本: <请指定>
c) 不确定 - 请使用默认方案

回复方式：直接回复 `defaults` (接受所有默认项) 或 `1a 2b`

下载和安装

下载 ask-questions-if-underspecified 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要

暂无推荐