如何与AI协作澄清复杂需求：一套可复用的方法论
基于本次对话的完整过程，我提炼出以下八个步骤。这套方法的核心原则是 "自己先思考" ------AI是辅助你理清思路的工具，而不是替代你思考的主体。
步骤一：明确初始诉求，设定协作模式
- 任务目标：向AI清晰表达你想要解决的问题或达成的目标，并主动设定AI的角色（如教练、顾问、记录员等），引导AI以你期望的方式参与。
- 任务效果：避免AI直接给出答案或偏离你的意图，确保对话始终围绕你的核心需求展开。
- 示例："我正在想做一个workflow或prompt......请你不要直接给我答案，而是作为我的教练，通过提问来引导我思考。"
- 关键点 ：这一步最重要的是把自己的模糊想法写下来，哪怕只是碎片化的描述。设定角色能让AI明确自己的职责，防止它跳过思考过程直接给结论。
步骤二：接受AI的结构化提问，全面梳理需求维度
- 任务目标：AI会根据你的初始诉求，提出一系列覆盖关键维度的问题，帮助你从多个角度审视需求。
- 任务效果：通过回答这些问题，你能系统性地理清需求的各个方面，避免遗漏重要细节。
- 示例 ：AI提出了5个问题，涉及总结文档的服务场景 （个人回顾还是分享）、对话类型 （技术问题、写作辅助等）、内容保留方式 （原始提问是否保留）、经验提炼深度 （是否要教训和改进建议）、工作流程偏好（事后总结还是实时复盘）。
- 关键点：认真对待每一个问题，逐一回答。这些问题相当于需求的"骨架"，后续的细化都建立在此之上。
步骤三：基于AI的追问，深入细化细节
- 任务目标：AI会根据你的初步回答，针对模糊或有歧义的地方进行追问，帮助你明确具体规则、边界和偏好。
- 任务效果：将需求从"大致方向"推进到"可执行细节"，消除理解偏差。
- 示例：AI在获得第一次反馈后，又追问了5个问题：核心模块是否可合并？确认环节的具体形式？技术内容（代码）如何概括？改进建议是否需要区分通用和具体？输出格式是否需要标签便于检索？
- 关键点：这是深度澄清的阶段。你的回答越具体（比如"代码只保留函数名和核心逻辑"），AI产出的初稿就越精准。可以多用例子说明你的想法。
步骤四：AI整合信息，生成初稿/方案
- 任务目标：AI将收集到的所有信息进行整合，按照你期望的格式输出一个完整的初稿或方案。
- 任务效果：将抽象的需求转化为有形的产出，为后续审阅和迭代提供基础。
- 示例 ：AI综合所有反馈，输出了优化后的两阶段提示词草案，包含了文档结构 、核心目标 和详细流程。
- 关键点：此时AI产出的初稿可能仍有偏差，但已经是一个可讨论的"实体"。不要期望一次完美，它是迭代的起点。
步骤五：用户审阅初稿，提出具体修改意见
- 任务目标：仔细阅读AI生成的初稿，对照自己的真实需求，找出不准确、遗漏或不满意的地方，并给出明确的修改指令。
- 任务效果：将你的主观判断转化为可操作的修改项，引导AI进行精准调整。
- 示例：用户提出增加确认提示、调整主语逻辑、要求命名等具体修改意见，并且分点列出，清晰明了。
- 关键点 ：意见要具体（指出位置、期望效果），最好用列表形式。例如："请在文档末尾添加用户确认提示，并确保主语是'用户'而不是'AI'。" 避免笼统地说"这里不太好"。
步骤六：AI根据反馈迭代优化
- 任务目标：AI根据用户的修改意见，对初稿进行调整和优化，生成新版本。
- 任务效果：逐步逼近用户的理想方案，直至双方达成共识。
- 示例：AI根据用户指令重新生成最终版提示词，整合用户确认提示，调整措辞使逻辑通顺。
- 关键点 ：这个过程可能需要多轮。如果仍有不满，重复步骤五和六，直到满意为止。每一次迭代都要确保反馈足够清晰。
步骤七：实战应用与闭环验证
- 任务目标：将最终产出的方案应用到实际场景中，检验其效果。
- 任务效果：验证方案是否真正解决了问题，并发现新的改进空间。
- 示例：用户要求AI用新提示词总结本次对话，实现了闭环验证------既检验了提示词，又完成了知识资产的沉淀。
- 关键点：只有通过实践，才能评估方案的有效性。如果应用效果不理想，可以回到前面的步骤继续优化。
步骤八：沉淀可复用资产
- 任务目标：将最终成果整理成文档、模板或清单，便于未来复用和分享。
- 任务效果：将一次性成果转化为长期价值，形成个人知识库。
- 示例：本次对话产出的"对话记忆淬炼师"提示词，就是一个可复用的知识资产，包含更新日志、核心目标、工作流程等结构化信息。
- 关键点：注重文档的结构化（如元信息、标签、摘要），方便日后检索。也可以考虑集成到笔记工具或自动化流程中。
这套方法的核心在于人类主导思考，AI辅助澄清。通过"表达-提问-细化-生成-审阅-迭代-验证-沉淀"的循环，你能将模糊的想法逐步打磨成高质量的可复用资产。