我发现让 AI 多怼自己几遍，答案会好很多
不知道你有没有过这种体验——问 AI 一个问题，它给的第一个回答看起来挺像回事，但仔细一想，总觉得哪里不对。
说不上来哪里不对，就是太顺了。逻辑自洽，语气笃定，但你隐隐觉得“不应该这么简单”。
后来我无意中发现一件事：让 AI 自己怼自己一遍，效果会好非常多。
最开始是无意间试的。
我在做一个功能选型，问 AI“这两个方案哪个更好”，它洋洋洒洒列了一堆理由推荐方案 A。我本来都要信了，鬼使神差地问了一句：“那你站在反方，反驳一下你自己的推荐。”
它开始一条一条拆自己的台。
“方案 A 的迁移成本被低估了”“在并发场景下它的表现其实不如方案 B”“我之前推荐的时候假设了用户量不大，但如果用户量在半年内翻十倍，方案 A 反而会成为瓶颈”。
这些问题它第一次回答的时候一个字都没提。
不是因为它在第一次回答里“故意隐瞒”，而是默认状态下 AI 倾向于给一个流畅的、让你满意的答案，而不是一个全面的答案。 流畅比全面更容易生成，也更容易让你觉得“嗯，有用”——所以模型天然会往这个方向走。
但流畅不等于对。
从那之后我养成了一个习惯：重要的决定，不让 AI 只答一次。
至少走两轮。第一轮让它正常回答。第二轮让它站在反面——“如果你是持相反观点的人，你会怎么批评这个回答？哪些假设可能是错的？最坏的情况会怎么发生？”
你会发现第二轮的输出跟第一轮完全不在一个层次上。不是模型变强了，是提问的方式逼它跳出了“给出流畅答案”的惯性，进入了“审视自己漏洞”的模式。
而且这种自辩不需要多复杂的工程。不用部署多个模型，不用搭 pipeline。就是同一句话，换一个角度再问一次。
后来我把这个做法玩得更极端了一点。
我让 AI 同时扮演两个角色——红方和蓝方。红方说“这个方案有什么问题”，蓝方说“尽管有这些问题，为什么它仍然值得做”。辩完一轮，再让两个角色交换论点，重新来一遍。
过程里 AI 会自己发现一些之前藏在盲区里的东西。比如红方会说“你假设用户会按照你设计的流程走，但实际用户根本不会”，蓝方会回应“那我可以在流程中间加一个触发点”。这些不是预先设计好的论据——是在对抗过程中被逼出来的。
人在面对质疑的时候思路会变清晰，AI 也一样。
还有一个特别实用的变体：预演失败。
做决定之前，不让 AI 回答“怎么做”，而是让它想“这件事半年后会怎么失败”。这个思维反转会让答案的质量提升一截。
比如我最近在做一个产品的功能规划。如果直接问“这个功能应该怎么设计”，AI 会给一个中规中矩的方案。但我换了一种问法——“假设这个功能上线半年后彻底失败了，最可能的原因是什么？”
它的回答让我背脊一凉：
“用户在前两周的新鲜感消退后没有形成使用习惯，因为功能本身没有创造新的信息价值，只是在包装已有信息。半年后日活可能只有初期的 20%。”
这些问题，在“怎么做”的视角下是完全不会被触及的。从失败的终点往回看，你才能看到今天规划里那些自欺欺人的假设。
这些方法跑了一段时间之后，我慢慢把它们整理成了一个简单的流程。
不是要教 AI 怎么做，是给自己的提示词加了几道“自检关”。每次做重要决策的时候，不让 AI 给出第一个答案就算完，而是硬性要求它过一遍这几道检查。
先说清楚要解决的问题到底是什么——很多时候我自以为清楚了，其实没有。然后从不同角度生成几种完全不一样的方案。再让它们互相辩一轮。最后在选定方案之后，做一次预演失败。
严格来说这不是什么技术发明。就是一个比较固执的使用习惯——不相信第一答案。
但这个方法确实让我少踩了不少坑。至少，被自己提出的方案反呛过一次之后，你不太会再盲目相信 AI 给出的第一反应了。
写这篇的时候我在想，为什么这么简单的做法，大多数人不用。
可能是因为 AI 真的太会让人满意了。你问它，它秒回你一个结构清晰、语气自信的答案。你觉得“嗯，搞定了”，然后关掉对话框。
但搞定的，是你的焦虑，不是你的问题。那个顺畅的答案让你觉得很舒服，是真正危险的。
当一个答案来得太容易的时候，它很可能不值得相信——不管写它的人有多聪明。