课前导读
AI 对话的本质是迭代。第一轮不完美很正常，关键是知道怎么追问、怎么修正。
教学正文
第一轮不完美是常态，本事在'会改第二问'
跟同事对一份方案，没人指望甩一句话对方就交出完美成品。你们是来回聊出来的——他出个初稿，你说"这块太虚、那块加个数据"，几轮下来才成型。跟 AI 协作一模一样，它天生就是个迭代过程，不是一问一答的自动售货机。
新手总想"憋出完美的第一问"，其实该练的是"怎么改第二问"。追问分四类：补背景（它信息不够）、改格式（长得不对）、加约束（漏了限制）、查风险（有没有坑）。认出"这一版差在哪一类"，你就知道下一句该往哪补，而不是干瞪眼说"再改改"。
迭代要'锁目标、改变量'，否则越聊越散
关键纪律：每一轮只改一个维度，且始终锁住最终交付物不变。你一会儿要它加数据、一会儿又改任务方向，前面的结果就全废了，对话越来越长、越来越乱。
更稳的打法是"先评审、再改写"两步走：先让 AI 自己指出"这版有哪些问题"，再让它基于问题清单改。这比直接说"重写一版"更可控——你能看到它改的理由，也能挡住它把好的部分一起改坏。长对话里还要每隔几轮让它复述一遍当前任务规格，防止开头立的约束被聊没了。
跟我做：把一份空泛大纲迭代成可用课表
一轮改一件事，你会看到大纲怎么从"正确的废话"长成"能照着上课的表"。用豆包或 DeepSeek，约 15 分钟。
- 打开豆包或 DeepSeek，第一轮只输：「帮我做一份新员工入职培训大纲。」——故意先要一版通用的。
- 第二轮补背景：「公司是 500 人制造企业，新员工是一线班组长，总时长 2 小时，目标是会用考勤制度和安全流程。」背景一进去，大纲立刻从"万能"变"专属"
- 第三轮改格式：「改成表格，列：时间、主题、讲师动作、学员动作、材料、产出。」
- 第四轮加风险：「标出哪些环节容易讲空，改成现场练习。」"容易讲空"这类判断正是你要 AI 帮你揪的
- 第五轮出成品：「为第 2 个环节写 5 分钟口播稿 + 3 个互动问题。」
- 回看五轮：每轮只动一件事，交付物（这份培训表）始终没变——这就是"锁目标、改变量"。
- 预期看到：从一版空泛大纲，长成一份能直接上课的课表。
'再具体点'为什么没用
无效：大纲太虚，你回一句"再具体点"。AI 不知道你指哪、要多具体，多半只是把每条多写几个字，还是虚。
有效：你说"把每一节改成 15 分钟活动，写清讲师动作、学员动作、需要的材料、这一节的产出"。你把"具体"翻译成了它能执行的四个字段，它才改得动。会追问的人和不会的人，差别就在"能不能把不满意翻译成可执行的指令"。
想学把大任务拆成"调研—结构—写作—审稿—定稿"的链条（prompt chaining），看本页底部"深入一层"。
只说"不满意"：它不知道改哪。指出问题类别——太泛、太长、语气不对、不可执行。
每轮换任务目标：前面的结果没法继承。先锁死最终交付物。
一轮改太多维度：质量不稳。一轮只改一个重点。
不保留好版本：改坏了退不回去。让它给版本号 V1/V2/V3。
越聊越长丢约束：上下文膨胀，开头的规矩淡化。每隔几轮让它复述当前任务规格。
配套视频演示
灵姐说AI · 覆盖 S2-4/S2-5 · 只看前8分钟"4步进化法"，后半批量工具超纲可跳
从被AI逼疯到提示词高手，我只用了这4步（建议只看前8分钟）
自测
1跟 AI 协作，最该练的能力是什么？
不是"憋出完美的第一问"，而是"会改第二问"。AI 天生是迭代过程，第一轮不完美是常态。真本事是认出这版差在哪一类——补背景、改格式、加约束、还是查风险——从而知道下一句往哪补，而不是干瞪眼说"再改改"。
2为什么迭代时要'锁目标、改变量'，一轮只改一件事？
因为你一会儿改方向、一会儿加要求，前面的结果就全废了，对话越聊越散、越长越乱。锁住最终交付物不变、每轮只动一个维度，AI 才能继承上一版的好部分、只改你指的地方，质量才稳。
3对着不满意的输出说'再具体点'，为什么常常没用？
因为"再具体点"不是可执行指令——AI 不知道你指哪一块、要具体到什么程度，多半只是多堆几个字。有效做法是把"具体"翻译成字段级要求："每节改成 15 分钟活动，写清讲师动作、学员动作、材料、产出"。会追问的关键，是把不满意翻译成 AI 能执行的动作。
小结
- AI 协作是迭代过程，该练的是"会改第二问"，不是"憋出完美第一问"
- 追问分四类：补背景、改格式、加约束、查风险——先认出病灶再下手
- 迭代纪律：锁死交付物、一轮只改一个维度、给版本号、长对话定期复述规格
- 把"不满意"翻译成字段级可执行指令，别只说"再具体点"
实操落点
- 拿一个 HR 任务连续追问三轮：先改长度或格式，再改语气或内容，最后加入具体场景。
深入一层 · 实战演练与研究依据
样品：四轮把一份空泛大纲逼成可用课表
第一轮「帮我做一份新员工入职培训大纲」，输出必然偏通用。别急着说「再具体点」，那是没用的反馈。
第二轮补背景：「公司是 500 人制造企业，新员工是一线班组长，总时长 2 小时，目标是会用考勤制度和安全流程。」第三轮改格式：「改成表格，列时间、主题、讲师动作、学员动作、材料、产出。」第四轮加风险：「标出哪些内容容易讲空，改成现场练习。」第五轮出讲师稿：「为第 2 个环节写 5 分钟口播稿和 3 个互动问题。」
一句话口诀：补背景—改格式—加风险—生成最终版。迭代时保持目标不变、只改一个变量，否则对话越改越散。
迭代是常态，不是你第一问没写好
三家指南口径一致：AI 协作是迭代过程，不是一次性问答。Microsoft 明确「和 Copilot 来回交流」是正常工作方式；Google 把提示工程定义为测试驱动、迭代式流程，建议评估输出后继续调目标、上下文、约束和格式；Anthropic 补一句提示工程能增强控制力、但不是所有问题都靠提示解决，必要时结合示例、拆任务、工具调用或换模型。
本节同样没有中国 HR 场景的多轮追问公开实验数据，靠的是官方指南加课堂可复现实验，别包装成实证结论。
五个追问翻车点
只说「不满意」——指出问题类别：太泛、太长、语气不对、不可执行。每轮改变任务目标——先锁死最终交付物，否则前面结果无法继承。一轮改太多维度——一轮只改一个重点。不保留好版本——让 AI 给版本号 V1/V2/V3，改坏了能回退。越聊越长导致约束丢失——每隔几轮让 AI 总结一次当前任务规格。
对复杂任务，用「先评审、再改写」两步：先让 AI 当评审员逐条指出问题（问题位置、问题类型、为什么、修改建议），再基于评审输出 V2，保留初稿可用部分、不引入你没提供的事实。
再深一层：对话状态管理与 prompt chaining
复杂 HR 任务别在一条长对话里无限改。在关键节点让 AI 生成一份「当前任务说明书」：目标、已确定内容、未确定内容、下一步。
再往上是 prompt chaining——把大任务拆成调研、结构、写作、审稿、定稿五条独立链条，每条只干一件事，比一根线拖到底稳得多。
- Microsoft Support《Learn about Copilot prompts》，2026
- Google Cloud《Prompt engineering overview》，2026
- Anthropic《Prompt engineering overview》，2025