最近一年，互联网上最火的话题莫过于AI，各种大模型纷纷出现在我们的学习生活工作中，也为我们节省了很多的时间，提升了效率。
但是用多了AI，其实能够发现AI不但会误导我们，而且还会让我们的思维陷入到信息茧房中。为了减少这些问题的发生，和大家分享一些提问框架，方便我们可以更好地利用AI工具。
AI的工作原理是什么呢？通过海量的信息获取信息，然后通过一定的逻辑输出结果。
首先：这样的工作模式，只要在信息源被污染的话，那么输出的结果肯定会有问题。正好最近有一个“鹿角天牛价值 58 万”的话题很火热，也能够很好的解释信息被污染。
通过知乎网友（Richard Xu）考证，这条信息的是这样被污染的：
事实：1999年日本东京售出了一只「大锹形虫」，售价10,035,000日元，被认证为最昂贵昆虫；
变化1：在进入中文互联网时，「大锹形虫」根据俗名「Stag Beetle」被翻译为「鹿角虫」；
变化2：同时，售价也按照报道时汇率（错误地）折算成了89000美元；
变化3：营销号把89000美元再次按照当时的汇率（错误地）折算成了58万人民币；
变化4：营销号把「鹿角虫」改成了「鹿角天牛」，然后又用人工智能配上了错误的图片（把「星天牛当作「鹿角长牙天牛」）。
最终：「鹿角天牛」（配图为「星天牛」）是最昂贵的天牛，最高售价达58万人民币！
然后这条信息被AI索引到，只要有人问最贵的天牛是什么的话，就会把鹿角天牛价值58的消息传播出去。
如果缺乏常识或者没有去深入考证的话，我们就会把这条信息当成是真的。效果等同于：我们在百度上看到的一样。
PS：类似的情况还有很多，只要分析出AI抓取的目标源站有那些，然后进行针对性的软文投放，就能够把自己的品牌广告插入到AI的输出结果中。这个现在已经有不少企业在做了。
其次，关于AI输出内容的结果，其实也是根据我们的提示词进行的，如果我们的提示词带有倾向的话，那么AI给出的结果也是一样。因为AI不会质疑我们设想中的核心假设，或给出框架之外的视角引导。
比如我们通过扣子咨询：无人售货项目未来有没有前景？
AI就会根据我的问题从行业规模，市场现状，项目优势，项目挑战，发展趋势等等多个维度帮我来分析，虽然最终加上了可能存在的风险。但是不管怎么说，这个分析其实是在框架内的一次自我认知补充。也可以说是一次认知强化，哪怕结论是有问题的。
因为AI得出的这个结论其实并没有一个真正思考的过程，只是把各种相关的内容根据我们的意愿倾向再次汇总输出而已。
换言之，我们得到的结论依然是算法下的结论。这个结论和我们的偏好有关。
那么，如何更好的利用AI，让AI成为我们打破信息茧房的工具？我们可以通过改变我们的提问方式开始。
方法一：苏格拉底式提问法
理论
苏格拉底问答法（Socratic Method）与批判性思维模型相结合。苏格拉底认为真正的智慧在于持续质疑「我是否真的知道」。苏格拉底式提问的核心是揭示假设、暴露漏洞、推动澄清。
实践方式
通过特定的示例 Prompt 引导 AI 帮助暴露盲点，将重点从获取答案转向理解论证过程。示例 Prompt 如下：
- 我这个观点背后的假设是什么？
- 如果这个假设是错的，会产生什么后果？
- 有没有与我设想完全相反的解释？
- 还有哪些可能性是我没考虑到的？
- 我的结论在哪些条件下才成立？
方法二：逻辑结构拆解法
理论
形式逻辑三段论与批判性论证框架（Toulmin Argumentation Model）相结合。逻辑错位的地方往往是偏见藏身之处。当不确定 AI 的推理逻辑是否成立，也可能不自觉地使用错误推理方式，掉入如诉诸权威、类比失效、因果倒置等逻辑谬误。
实践方式
要求 AI 将输入的观点转化为逻辑三段论结构或完整论证链。示例 Prompt 如下：
- 请把这个观点转化为清晰的逻辑结构：前提 1，前提 2，结论；并指出可能的逻辑跳跃。
- 请使用 Toulmin 结构（主张、理由、论据、支持性证据、反驳、限定条件）评估这个论证。 这种提问通过可视化 AI 的逻辑结构，暴露思维链条中未被检视的部分。
方法三：归谬法（Reductio ad absurdum）
理论
古典逻辑反证法（归谬法）与现代批判性推理相结合。如果坚信某个立场，最有效的自我挑战方式是假设自己错了，并沿着这个方向推演会导致什么。
实践方式
输入特定的 Prompt 进行检验。示例 Prompt 如下：
- 假设我的观点是错的，请从逻辑上推导出可能的后果，并指出由此可以发现哪些关键漏洞。
- 请用归谬法检验我提出的这个假设是否逻辑自洽。 归谬法是哲学与数理逻辑中的严密论证手段，通过推导出荒谬或矛盾的结论来检验一个前提是否站得住脚，能揭示那些表面合理但逻辑基础薄弱的观点。
方法四：多维认知建模法
理论
多元系统思维与批判性对立分析相结合。认知的盲区是那些「我不知道的」。AI 天然适合被用作多角色扮演工具，帮助建立立场对照组。
实践方式
针对同一个问题，要求 AI 用多种身份分别回应。示例 Prompt 如下：
- 同一个问题，要求 AI 用支持者、反对者、中立旁观者、历史角度/未来假设、利益相关方（如用户、投资人、批评者）等身份分别回应。
- 进阶 Prompt：请以五种角色（专家、新手、反对派、道德审视者、实际执行者）对我提出的项目计划进行评论。 引入结构性对立视角能防止立场单一导致的偏见放大，让判断体系更平衡。
方法五：构建反思模板
理论
梅塔认知训练与思维自省模型（Reflective Thinking）相结合。反向提问模板能打断惯性思维流程，引发深度思考。
实践方式
设置固定对话结构。示例如下：
- 我的观点是 XX，请你反问我 3 个问题，揭示我可能忽略的盲点。
- 等我回答你的问题之后，请继续评估：我的回答是否逻辑自洽；是否遗漏了关键变量，反例或前提条件。
- 最后，请指出这个观点在现实应用中可能会失效的场景或条件。 这个流程相当于打造了一个元认知训练系统，帮助以第三者视角回头看自己的思考过程。
方法六：模糊问题清晰化
理论基础
从模糊指令到结构化提问。模糊的问题往往只能得到不痛不痒的表层回答。通过将模糊的问题转化为结构化的认知任务，才有机会得到真正有价值的答案。
实践方法
把开放式问题不断拆解为更具体的结构单元，如背景设定、问题假设、潜在变量、成功与失败的边界条件。示例：不是问“我该不该创业”，而是问：
- 基于 X 市场的变化趋势，当前切入点的风险收益比如何？
- 我的核心假设能否通过历史对比数据验证？
- 在什么边界条件下，这个选择会变成错误决策？
原创文章，作者：爱运营，如若转载，请注明出处：https://www.iyunying.org/work/promote/352564.html
