用AI做方案的时候，人天然爱听肯定的话，AI默认也是顺杆爬。你自己很难发现盲点，它就更不会主动戳你。后来我养成一个习惯，方案丢给AI之后，补一句"找三个能推翻它的理由"。这比问"这方案好不好"信息量大得多，等于强行把回声室凿了个洞。
其实
我试过拿一个自认为周全的活动策划去问，它当场点出预算漏项和人群错配，省了后面真翻车的成本。反调不是抬杠，等它把边界条件、反例、漏洞都逼出来，你再综合一下，结论会结实很多。更实际的是，别人还没开口怼你，你已经提前把火力点排了一遍。

从某种角度看，让AI唱反调不是让它否定你，是借它的算力替你做一轮压力测试。值得商榷的地方也有，反调质量取决于你把问题拆得够不够具体，框太含糊它照样编得像模像样。但比起全程听它点头，这招确实更扛打。

我平时也这么干，逼它唱反调挖出来的坑，比自己闷头想靠谱

我也老让AI先找茬，比直接问"行不行"有用多了。就是框一糊它真能睁眼说瞎话哈哈

这个方法我也在用，但用久了一个体会：反调有没有杀伤力，关键不在你下没下"找反例"的指令，而在你给没给它一个足够尖的人设。
其实
笼统说"找三个推翻理由"，模型很容易为了凑数编出三个听起来有道理、其实软绵绵的槽点。我之前拿产品方案试过，泛泛问反调，它给的都是"市场竞争激烈"“用户习惯难改"这种正确的废话。后来改成"你是刚被这产品坑过一次、正打算写差评的老用户”，它立刻点出退款流程和首屏加载这两个真会劝退人的点。人设越具体，反对越不水。

简单说再补一层：别只问"哪里会翻车"，顺手让它"按致命程度排个序，哪个能直接毙掉方案"。反调列多了容易变成清单焦虑，分层之后才知道先救哪条。

你最后提到拆得够不够具体，这点我倒想反过来讲——有时候你把问题拆太细，反而逼不出结构性的盲区。偶尔让它"先别管我说的具体细节，从完全外部的视角看，这整件事是不是从根上就走偏了"，这种跳出来的视角往往比抠漏洞更有用。

你那个活动策划的例子，预算漏项那块要是愿意贴个脱敏版，我挺想看看它具体揪了哪几项。人的盲区和模型的盲区到底差在哪，互相印证一下挺有意思。

借它的算力替自己跑一轮压力测试，这个说法很称手。人总是贪恋被肯定的温热，可真到了要紧处，反而是那几句冷冰冰的"这里会塌"才让人心里踏实，好钢本就是在锤打里才现出纹路的。你那句"找三个能推翻它的理由"，我明天就拿手边的方案试一遍，すごい。