你问AI一个问题，它秒回你一大段。
你看了两眼，说不上哪里不对，就是觉得没法直接用。
这种感觉很常见。多数人会觉得是AI不够聪明。
其实不是。是你问得太直接了。
前三篇我们聊的都是怎么把需求说清楚。给背景、给例子、给角色、给推理步骤。有一个问题，就想办法把它描述得更精确，AI就给你更精确的回答。
这条路没错。但走到一定程度会撞墙。
有些问题，不是你描述得不够精确，是提问的起点就偏了。
就像你问一个顾问"我该不该降价"，如果他只围着降和不降两个选项打转，说明他思考问题的层次不够。但你不能怪他，因为是你把他框在了这两个选项里。
AI也一样。你给它什么样的起点，它就在什么层次上思考。
今天聊两个技巧，都有一个共同特点：反直觉。你以为直接问最快，但这两种方法都要你多绕一步。绕完之后，输出质量会有明显的跃升。
第一个技巧：后退一步再提问（Step-Back Prompting）
说一个你大概率遇到过的场景。
你的SaaS产品定价299/月，竞品刚降到199/月。你问AI："我该不该降价？"
AI的回答大概是这样的：竞品降价了，你如果不跟可能丢客户，但降价会影响利润，建议你做个市场调研再决定。
看完什么感觉？
说了等于没说。
问题出在哪？你问它该不该降价，它就围着"降"和"不降"两个选项打转。它不知道定价决策还牵扯哪些变量，不知道你的客户留存率、获客成本、差异化优势应该怎么放在一起分析。
回答不是错了，是浅了。
浅的原因是你给它的思考起点太低。
Step-Back Prompting做的事情很简单：在你问真正的问题之前，先问一个更宏观更深层次的问题。
还是定价那个例子。不要直接问"该不该降价"，先问第一个问题：
"B2B SaaS产品的定价决策，核心需要考虑哪些变量？竞品降价时，跟进和不跟进各自适合什么情况？请给出一个系统的分析框架。"
AI会给你一个包含客户价格敏感度、差异化程度、市场阶段、毛利结构等多个变量的框架。
然后你再问第二个问题：
"基于上面的框架，分析我们的情况：产品定价299/月，竞品降至199/月。我们的优势是服务响应速度和客户成功体系，留存率90%，但新客户获取成本偏高。目标客户是50-500人规模的企业。请给出定价建议和理由。"
同样一个定价问题，两种问法，拿到的东西完全不在一个层次上。
原因不复杂。第一步那个"后退一步"的问题，帮AI激活了训练数据里关于定价策略的系统知识。它不再围着降和不降打转，而是拿着一个多维度的分析框架来审视你的具体情况。
你去看那些好的咨询顾问，没有人上来就回答"该不该降价"。他一定先说："我们先看看定价策略的核心变量有哪些。"
看完全局，再回来讨论你的情况。这一步退后看全局，让建议有了根基。
Step-Back就是让AI也走这一步。
再看一个例子。你是一家15人的AI SaaS公司，创始人自己做销售，月流水30万，想招第一个销售负责人。
你问AI："帮我写一个销售总监的JD。"
AI给你一份标准的销售总监岗位描述。5年以上销售管理经验、带过20人以上团队、有大客户资源。
你拿着这份JD去招人，大概率招来一个在大公司待惯了的管理者。到你这里没有团队让他管、没有流程让他跑、没有品牌帮他敲门，三个月后彼此失望。
换一种问法。先退一步：
"一家从0到1阶段的B2B创业公司，招第一个销售负责人，最核心的3个能力维度是什么？和成熟公司招销售总监有什么本质区别？"
AI会告诉你：早期公司需要的不是管理能力，而是亲自打单的能力、从零搭建流程的能力、和创始人协同的能力。
然后你再说：
"基于这个分析，帮我写一份JD。我们15人，月流水30万，目标6个月做到100万。请基于你刚才分析的能力维度来写，不要写成大公司的JD模板。"
出来的JD，和之前那份是两个物种。
Step-Back的操作结构就两步。第一步：在回答你的具体问题之前，请先回答一个更宏观的问题。第二步：基于上面的分析，结合我的具体情况来回答。
什么时候该用？四个信号。
AI给的答案感觉正确但太浅，缺底层逻辑支撑。你面对的决策变量很多，不知道从哪切入。你想让AI的建议禁得起追问。你自己对这个领域的系统知识不够扎实，需要先建框架再做判断。
什么时候不用？有明确答案的事实性问题，直接问就好。你已经很清楚框架只需要AI执行，不用再退。时间紧急需要快速方向性判断，用上一篇讲的CoT更高效。
多花30秒问一个前置问题，能省你30分钟改方案。
这笔账不难算。
第二个技巧：同一个问题多问几遍（Self-Consistency）
后退一步你可能还好理解。毕竟"先看全局再做判断"这个道理做生意的人都懂。
接下来这个就有点奇怪了：同一个问题，你得让AI回答好几遍。
听起来像是浪费时间。先看一个案例你就明白了。
有一封邮件，发件人叫"Harry the Hacker"。邮件语气很友好，但内容是在报告一个网站的安全漏洞，里面提到了JavaScript注入的技术细节。
用CoT提示词让AI判断这封邮件"重要还是不重要"，提交三次，结果是这样的：
第1次：IMPORTANT。AI识别出了安全漏洞风险，注意到了JavaScript注入的技术细节。
第2次：NOT IMPORTANT。AI被友好的语气和"feel free to leave the bug"这句话误导了，判断为不重要。
第3次：IMPORTANT。AI再次识别出安全风险，关注到了发件人自称Hacker的身份。
取多数票：2比1，IMPORTANT。正确答案。
同一个提示词，同一封邮件，三次回答两种结论。
这不是bug。
AI每次回答问题，内部会走不同的推理路径，注意到不同的细节，有时候就会得出不同的结论。
你可以把它想象成抛硬币，只不过这个硬币不是五五开，是有倾向性的。单独抛一次你不确定，多抛几次，哪面朝上多，哪面就更可能是对的。
Self-Consistency的做法就是：让AI多走几次，看哪个结论出现得最多。
5次里4次说"重要"，那"重要"大概率是对的。这不是确定正确，但比只听一次靠谱得多。
跟你做重要决定之前找三个朋友分别问一遍，一个道理。三个人里两个说不靠谱，你多半会再想想。
操作方法有两种。
基础版：手动多次提交。同一个提示词提交3到5次，记录每次结果，取多数。简单粗暴，但有效。适合偶尔遇到的重要判断。
进阶版：一次性要求多个角度。在一条提示词里让AI从不同角度独立分析，最后给综合判断。
比如分析一封客户投诉邮件是否需要升级处理，你可以这样写：
"请从三个不同角度分析这封投诉是否需要升级处理：角度一，从客户情绪和用词的激烈程度来判断；角度二，从问题的实际影响范围来判断；角度三，从客户的重要性来判断。每个角度给出独立判断和理由，最后给出综合判断。"
不如真正的多次提交严格，但实操性强，一条提示词搞定。
什么场景适合用？
合同风险排查，一次判断可能漏掉隐含风险，让AI从甲方、乙方、律师三个角度分别排查。
候选人简历初筛，AI可能过度看重某个维度，同一份简历提交3次看判断是否一致。
客户投诉分级，语气和实际严重程度可能不一致，从情绪、影响、客户价值三个角度独立判断。
竞品动态解读，公开信息可能有多种解读方式，让AI给出2到3种可能的解读并标注可信度。
但Self-Consistency有成本。同一个问题问多次，时间更长。所以它不是日常工具，是关键时刻的保险杠。
判断标准很简单：这个判断如果出错，代价有多大？
代价大于多问几次的时间成本，就用。日常对话、内容创作、头脑风暴，一次CoT就够了。
那我怎么知道什么时候用哪个？
从第1篇到现在，你接触了一串技法。Zero-Shot、Few-Shot、Role Prompting、Contextual Prompting、CoT、Step-Back、Self-Consistency。
名字不重要。
重要的是你3秒钟能判断出，手上这个任务该用哪种。
一张表就够了。
有明确答案的事实性问题，直接问，Zero-Shot。需要复现某种风格的创作任务，给例子，Few-Shot。需要从不同角色审视同一个问题，给角色，Role Prompting。需要基于具体材料做分析，喂文档，Contextual Prompting。需要逐步推导的分析任务，让AI显示推理过程，CoT。复杂决策、需要底层框架支撑，先退一步问，Step-Back。重要判断、不容许犯错，多问几遍取多数票，Self-Consistency。
这些技法不互斥，实际用的时候经常组合。
让AI扮演投资人角色同时显示推理过程，这是Role Prompting加CoT。先退一步建立分析框架再用Few-Shot确保输出风格一致，这是Step-Back加Few-Shot。上传一份合同让AI排查风险同时从三个角度分别判断，这是Contextual Prompting加Self-Consistency。
选哪个，不看哪个高级，看哪个匹配你手上的活。
技法本身不值钱。知道什么场景用什么技法，才值钱。
从第1篇到第4篇，你走了一条不短的路。
从"AI不好用"到"原来是我没说清楚"。从"说不清风格"到"给个例子就行"。从"AI只能写文案"到"AI能帮我想问题"。
到现在，"直接问"变成了"绕一步问，质量翻倍"。
这四步，解决的是同一个问题：你给AI的思考起点有多好，它的输出就有多好。
下一篇聊最后一件事：怎么把这些零散的技巧变成一套系统，让AI不是你偶尔用一下的工具，而是每天替你干活的员工。
去试试吧。
