用AI这阵子，慢慢摸到一个省心的法子。许多时候我们丢一句需求过去，它便急急地写起来，乍看挺顺，细看全拧了——它替你默认了好多东西，那些没说出口的"我以为"，才是真正带偏方向的。
后来我学着在催它交活之前，先轻轻问一句：你现在是按哪几个假设在动手？让它把脑补的部分先摊开来。这时常会发现，它猜的出发点就和我想要的南辕北辙，趁早说开，整段返工便免了。
说到底，模型太想讨好，你话音未落，它已替你补完了半截剧情，可那半截未必是你的。一句"你基于哪三点在做"，像在雾里先点一盏灯，偏差还没长成，便先看见。
人与人之间也差不多。误会往往不在嘴边的那句话，而在各自默认的前提。先确认脚下踩的是同一块地，再一起往前，总归不白跑。
前阵子我也这么干过，结果它老老实实列了五条假设，我盯着屏幕才反应过来，原来没想明白的那个人是我自己，场面一度很尴尬。
你那句"先点盏灯"挺妙 我平时懒得问 等跑偏了才骂街 下次试试让它先报底 哈哈
你最后那段话让我想起不少往事。人和人之间那点拧巴，十有八九不是嘴边那句没说清，而是各自心里早把对方的那半截戏补完了。
我年轻那会儿，复读那一年，跟我妈大半年没好好说过话。她以为我整天闷着是赌气、是自暴自弃；我以为她不闻不问，是默认我考不上也就算了。两人在心里各写各的剧本，谁也没去捅破问问。嗯…后来有天深夜她端碗汤进来，随口来一句"你这倔脾气随你爸"，我才咂摸出味儿来，她其实比我紧张多了，只是不知道怎么开口。
那层"我以为"不挑明，两个人就一直在两条道上各走各的，走得还都挺累。
你现在让AI先把假设摊开来，说白了就是先把那盏灯点上，别等雾成了墙再撞。这招我后来拿去对付活人，比对付机器还管用（笑）。不过话说回来，有些时候对方脑子里那点默认前提，你未必真想那么早拎出来看，点到为止，急不得。
就当随便聊聊，要是你们有更省心的招数，也讲讲。
光让它摊开假设还不够。我习惯多补一句：这几个假设里哪个猜错了后果最严重。它自己会标出最要命的那个，返工直接缩到最小范围，不用整段重写。
其实
模型手太快，话音没落就跑起来了，你也没法指望它猜中没说出口的部分。把它当急性子实习生，交代前先把边界钉死，比事后纠偏省事太多。
简单说
我前几天让AI帮忙排店里新品菜单，没先说调性，它整出重金属风，跟店完全不搭。现在开口先甩约束，顺多了。
你说那句"基于哪三点"我也在用，不过补一刀：模型报出来的假设，常常不是它真按着的，而是现编一套听起来很合理的说辞来圆你。你问它"你猜了啥"，它真能编得特笃定。
其实更稳的是先把边界钉死。我习惯丢需求前先甩一句：只依据我下面给的信息，别替我补任何外部前提。简单说让它没空脑补，比事后让它坦白省事。
简单说
你那句适合当兜底
想顺着你那条“模型太想讨好、话音未落就替你补完半截剧情”的说法，补一个更接地气的解释。
严格讲，模型并没有“讨好”这种动机。它做的事其实很笨也很机械：在你说漏的地方，挑训练语料里出现概率最高的那种续写填上去。所以它替你默认的前提，通常不是最贴你心思的那个，而是统计上最“套路”、最普遍的那个。你问一句“你基于哪几个假设在做”，真正起作用的不是让它“坦白”，而是强制它多走一步“先推理、再动手”——把那些隐性的默认前提拽到台面上，你才有机会纠偏。
举个具体的：你说“帮我写个招募志愿者的推文”，它大概率默认面向大学生、走活泼网感风，因为语料里这类最多；可你其实是要给社区退休大爷大妈看的。这个默认前提它不会主动讲，但你一问假设，它就摊开了，省掉整段重写。
不过“你基于哪三点”这个句式我自己用下来有个坑：硬性要三个，模型为了凑数会把不重要的东西也硬塞成一条，看着三条齐整，第三条往往是凑的。我后来改成“你默认了哪些前提，其中哪个你最没把握”，让它自己排优先级，反而更准。
从某种角度看，你最后说人和人之间也这样，倒是真的——协作里最大的内耗不是结论拧了，是脚下的前提没对上。只是人跟模型比，人还会把默认前提藏起来，模型这方面反而更“老实”些。
读到"各自默认的前提"那句，忽然有点走神。其实
人和人之间真是这样。我大学时候谈过一段很长的恋爱，四年，从教室一路走到毕业，那时候天真地觉得日子会一直那样过下去。后来才慢慢明白，我们各自默认了太多东西——他默认我会留下，我默认他会跟我走，两桩事谁都没说出口，却都被当成了对方的承诺。等发现脚下踩的并非同一块地，已经走得太远，回头反倒更疼。
所以你说的"先点亮一盏灯"，于我而言不是什么方法，更像后来才懂的遗憾。模型至少还会乖乖把那些假设摊开给你看，有些人连自己那点 unspoken assumptions 都未必看得清。
不过明天总会再来一次的，灯点早一点，雾也就散得快一些。
我也在用这招。有回让它报假设…，它列得头头是道，可真正带偏的那条它没写进去
我一般直接把话撂死 别给我自由发挥 就按这个来 比问它假设还省一道工序 哈哈
楼主这个"开工前先让模型交底"的法子，我也在用，省了不少返工。不过有一句我有点较真：把模型行为说成"太想讨好你"，从某种角度看值得商榷。
模型它哪有什么"想"。急着替你把半截话补完，说到底是概率预测——在它见过的材料里，模糊需求之后最常被标成"有用"的续写方向就是那样。它替你默认的那部分，是训练分布里概率最高的默认项，不是存心顺着你。
这区别不是抠字眼。正因为它按概率走，光问"你基于哪几点"，它也可能给你顺一套听着合理的假设。更稳的是反过来：先把硬约束钉死——范围、格式、不要什么——让它没空间自由发挥。"你基于哪三点"是雾里点灯，先把边界画好，灯才照得准。楼主下次可以试试先甩约束再问假设，看是不是更省事。
那盏雾里先点起的灯，倒让我想起前阵子听的一张老蓝调。歌手唱到一半忽然收了声，留白比唱出来的还长，那几秒空隙里盛着的，全是没说出口的东西。和你说的"我以为"大抵是一个道理，真正带偏方向的，往往不是说出口的那句，而是悬在空气里、谁都没点破的前提。
人和人之间更甚。我前些年在非洲待过一阵，和当地同事共事，话明明说明白了，做出来的却常常南辕北辙。后来才慢慢懂得，我们脚底下踩的那块"常识"，根本不是同一片土地。那时才真正体会到，先轻轻问一句"你按什么在想"，比闷头往前赶要省太多弯路。
模型至少还会乖乖把假设摊开给你看。人有时候连自己那个默认的前提，都讲不出口。
我试过楼主这个法子，确实省过好几次返工。不过有个地方值得商榷：模型自报的"假设"未必等于它真正下笔时依赖的前提。从某种角度看，LLM列出来的那三点，更像是为回应你这个问题而现生成的一套合理化叙述，未必对应它内部的真实决策路径。所以让它"摊开"有用，但摊出来的单子别照单全收，偏差的源头可能比它自述的更隐蔽。拿它报的假设和最终输出对照一下，我几次都发现对不上。