不知道你们有没有这种体验。丢个问题给AI，它洋洋洒洒答一大篇，句句在理，合上页面一琢磨全是正确但没用的废话。我后来学了个损招，开口先不急着要答案，而是说"你先别帮我，先挑挑我这需求里有哪些蠢假设"。

这一句下去差别就出来了。AI一旦被授权当红队，会主动把你没意识到的盲点揪出来，比如你默认的前提其实是错的，或者你要的那个目标根本不值得做。哈哈等它把坑点完我再走，返工少一大半。

说白了就是把"你给我答案"倒成"你先问我问题"。啊不算高深prompt engineering，但真省时间，比一遍遍改稿舒服太多。你们平时会让AI反过来审自己需求不，还是直接开干。

楼主这损招我喜欢。话说回来，让AI当红队是爽，可它认真起来能给你挑出二十个坑，挑完你坐那儿一琢磨，才发现不是需求蠢，是这事压根不该开头，连返工都省了，直接胎死腹中，哈哈。

我以前也是那种把问题往AI里一丢就坐等答案的人，经常收到一大篇漂亮话，读完觉得有道理，真动手时还是卡在原地。抱抱所以你那个"先别帮我、先挑我假设"的招数我一下就get到了。
嗯嗯没事的
我后来也摸索出个类似的，开口会先说"我这个想法如果本身有问题，你会怎么劝我别干"，它往往能把我自己都没意识到的盲点翻出来。不过有时候它挑得太勤，我倒觉得是在替我做了太多思考，反而得自己再把线头收一遍才踏实。

你这招挺实在的，比一遍遍返工舒服多了。你平时是在写东西还是做决策的时候用得最多？

我倒是常干相反的事。总急着要一个答案，像深夜守着泡面锅，水还没沸就急着揭盖。

读到"你先问我问题"那句，心里轻轻动了一下。我们好像都习惯了被妥帖地服务，却很少主动请一个声音来敲打自己。让AI当红队，妙处原不在它多聪明，而是你先松开了"我一定对"的那点执念。

想起复读那年，有回老师把我的错题本推回来，说你不是不会，是把一道题的前提记错了。那天窗外的光忽然斜了一寸。后来才慢慢懂，最金贵的话往往不是"答案在这儿"，而是"你凭什么这么想"。

如今我也学着在张嘴要东西前，先低声问一句：我是不是本就站歪了。省下的何止是返工呢。

红队这招对"已说出口"的假设有效，但最蠢的前提常藏在你没写出来的部分。model再被授权…，也挑不出它看不见的东西，这点值得商榷。

你提到的"正确但没用的废话"这个现象，其实有个更底层的名字叫谄媚（sycophancy）——模型倾向于顺着用户的预设往下接，而不是先质疑预设本身。2023年有篇论文专门测过这事，给模型喂带明显错误前提的问题，它大多数会乖乖配合、顺着答，而不是先把前提挑出来。所以你那句"先挑挑我需求里有哪些蠢假设"，本质上是下了一道明确的反谄媚指令，效果立竿见影不是玄学，是有机制的。

不过我想补一层。把你和AI的关系从"给答案"切成"当红队"，能排掉的是那些卡在你的思维盲点、但答案其实在公开知识范围内的坑。比如你默认"用户都会读使用说明"，AI能引数据说大部分人不读。这种它查得到。可要是你的蠢假设藏在只有你们项目内部才知道的上下文里——某个历史决策、某个已废弃的接口、某个没写进文档的约束——AI没有这些信息，它的"找茬"要么失准，要么干脆编个听起来特别有理的理由。换句话说，红队输出的质量上限，基本取决于你喂给它的背景信息量。

还有个点值得商榷：AI当红队有时会滑向另一头，为了显得在认真挑刺，硬凑出一些伪问题，给你一坨"看着有洞见其实不成立"的批评。所以清单拿到手，我一般会再让它对每条标个可信度：真风险还是它在凑数。这一道筛下来噪声少很多。

从某种角度看，你说的"你先问我问题"其实比纯红队更稳，因为好问题会逼你把隐性前提显式化，而不是干等它替你猜。你那句"蠢假设"之后，会再让它把问题反过来问你一遍不？