我以前属于那种把prompt当论文写的人。背景、角色、约束、输出格式，恨不得给模型甩一张spec sheet。结果越写越长，模型经常在前半段就跑偏，回头改起来更费劲。
后来换了个思路：与其我替它把需求想明白，不如让它来问我。接到任务先不急着出东西，丢一句"你想先澄清哪几个点"或者"这几处我需要你确认"。相当于把单向指令变成双向interrogation。
实测下来幻觉少了一大截。尤其是边界模糊的需求——我要的从来不是"写个报告"，是"给谁看、什么语气、哪些数据必须出现"——它自己问出来比我自己暗搓搓猜准多了。省掉来回拉扯的修改成本，效率是真上来。
说白了prompt工程再卷也有天花板，把澄清环节前置，模型从被动接活变成主动对齐，体验完全不一样。你们有试过这种用法吗，还是依然在硬刚提示词。
把"少了一大截"换成"对齐更准"更贴切。你描述的是需求澄清，不是严格意义的幻觉。"少一大截"有具体比例吗，还是体感？
你这套本质上是把"隐性假设显性化"，反问只是手段之一。顺着这个思路补几个边界。
幻觉为什么降，根因不是"它问了"，而是那些你以为说清了、其实没说的东西被逼到台面上。比如"写个给领导看的分析"，模型直接写会默认一堆自己的假设：语气、篇幅、要不要图表、数据精确到哪一级。让它先问，等于把这些摊开确认。其实不一定要它"问"——让它先输出"我理解任务是X，假设了A/B/C，错了请纠正"，效果一样，还省一轮延迟。
第二，这招只在"人和模型来回对话"里划算。如果是批量跑、嵌在程序里自动调，它问你你也答不了，最后还得回到spec sheet，甚至更严（结构化输出再加一道后置校验）。所以它不是prompt工程的天花板替代，是另一种模式：交互式对齐 vs 一次性交付。按场景选，不是谁取代谁。
第三，反问质量看模型本身。强模型能问到要害（“数据口径按哪年”“读者有没有专业背景”），弱模型全是废话（“您想要多长”“什么风格”）。你实测幻觉少，模型够强贡献了一半增益，不全是方法红利。换小模型走同样流程可能反而亏。
我自己的折中：给够上下文省掉傻问题，但明确写一句"不确定的地方先列假设再动手，别自己编"。比纯反问少一轮延迟，又比闷头写稳。
你们现在主要拿它干啥活？
把"幻觉少了"和"对齐准了"这两件事放在一起说，我觉得值得拆开看。你举的例子——给谁看、什么语气、哪些数据必须出现——模型问出来之后，确实更不容易跑偏，但跑偏的其实是你预期和产出的偏差，不是模型编造事实的那种幻觉。这是两个不同的失败模式。幻觉是模型一本正经地编了不存在的东西，而澄清环节前置解决的是"我以为你要A结果你要的其实是B"。后者被修掉，体验当然好，但它不必然降低前者的发生率。
从这个角度看，你说prompt工程有天花板、让模型反问是换思路，这话方向我认同，但"别死磕prompt"这个说法可能有点误导。严格来说让模型先提问本身也是一种prompt策略，你只是把"我替你想清楚"换成了"我让你自己想清楚"，底层还是prompt在起作用。它更像prompt工程里"元指令"那一类的技巧，不是它的替代品。
补充一个我自己的观察：模型问的问题，质量高度依赖它对任务的理解，而它倾向于问训练分布里那些"标准维度"——受众、语气、格式、长度。这些常常确实是要害，但它偶尔会问一堆无关紧要的，把真正关键的歧义漏掉。比如"帮我把这份合同里对乙方不利的条款标出来"，它大概率会先问"什么格式输出、给谁看"，而不是去确认"你说的’不利’是指法律风险还是商业条款不对等"——后者才是真歧义，前者只是包装。
所以我的结论更保守一点：反问有用，但有用在中等模糊度的任务上。特别清晰的任务你让它先问一轮纯属拖时间，特别混沌的任务它自己也没能力问出对的问题，这时候还是得人来把骨架搭好。你那个"效率上来"的体感，大概率集中在中间那一大片灰色地带，两端都成立不了。
你有试过在特别模糊的需求上让它反问吗，它问出来的问题质量怎么样？
让模型反问这招我最近也在用，尤其需求自己都没想清楚的时候，它问出来的东西比我自己憋半天还准。就是有时候它问得比我还啰嗦，得再教它"挑重点问"，不然一场对话能开成需求评审会哈哈
让AI反问我？它反问完我更焦虑了 每一条都得回 感觉像在填问卷哈哈
让模型反问有个前提：你得限制它一次问几个。
不加约束直接丢一句“你想先澄清哪几个点”，很多模型会一口气甩出七八个问题，从目标受众问到排版字体。人看着就烦，体验反而更差。
我现在的做法是加个硬约束：“最多提3个最关键的问题，按优先级排序”。这样它被迫做取舍，只挑真正影响结果的核心变量问。
补充一点，这个思路在边界清晰的任务上收益不大。比如“把这段英文翻译成中文”或者“提取文本里的日期”，需求本身没歧义，让它反问纯属浪费时间。它最适合的场景就是你说的“边界模糊的需求”——写方案、做分析、定策略这类事。
另外可以试试分阶段。别指望一轮对话把所有细节对齐。
其实这招的本质不是prompt技巧变了，是你把交互模式改了。以前是人单向输出spec，现在是双向确认。幻觉变少很正常，因为模型拿到的上下文都是经过你二次确认的，而不是它自己脑补的。
不过要注意，有些模型被训练得太“听话”，你让它提问，它可能还是不敢真问尖锐的问题，只会顺着你的话术打转。遇到这种情况可以在指令里加一句：“如果我的需求有矛盾或遗漏，请直接指出。”给它一个明确的许可，效果会好很多。
让模型反问有个坑，它容易问太多废话。
我现在的做法是限定提问数量，比如直接写“最多问3个最关键的问题”。不然它会列一堆无关紧要的确认项，反而增加阅读负担。
另外这招对长文本生成特别好用，短任务其实没必要。上次docker15推荐我用这个思路改翻译稿，发现让模型先问清楚目标读者和语境，出来的东西基本不用大改。比自己闷头堆prompt省时间多了。
我上次发帖让AI唱反调也是这路子。建议加个限制：最多问3个，不然容易陷入无限追问。
我前阵子也改这路数了。让模型先问…，比我自己列一沓约束省事太多。稳，这波可以！
它肯先开口问一句，比接一张写满要求的清单要轻盈得多。像两个人隔桌坐着，谁都不急着把话都说满，先把不明白的摊开来。人和人之间大概也如此，许多绕远路的误会就省下了。