需求不清时，如何让 AI 帮你补全问题，而不是瞎写代码

开篇

产品同学走过来，留下一句话：

给用户做一个积分商城，可以用积分兑换商品。

听起来很完整？

积分怎么获得、兑换比例是多少、有没有门槛、哪些商品可以兑换、兑换后能不能退、库存怎么处理、积分会不会过期、并发兑换会不会超卖......

一句话背后，藏着几十个没有被定义的问题。

很多开发者的第一反应，是把这句话直接丢给 AI：

帮我写一个积分商城系统。

AI 会在十几秒内生成一个看起来非常完整的模块：积分表、兑换接口、下单流程、前端页面，甚至带上单元测试。

看起来很高效。

但代价是：需求里所有没有定义的地方，都被 AI 猜了一遍。而 AI 猜出来的结果，几乎一定和产品的真实预期不一致。

这不是 AI 的错。

模糊的需求输入，必然得到"看起来合理"的输出。问题在于，我们让 AI 承担了本该由人来确认的决策。

这篇文章只解决一件事：

需求不清时，如何让 AI 帮你把"未知"全部列出来、整理成可确认的问题，而不是替你把代码"瞎写"出来。

本文不会讨论什么

在开始之前，先明确边界：

• 不会把 AI 当成业务规则的最终决定者，确认权始终在人手里。
• 不会提供"一句提示词生成整个功能"的万能公式。
• 不绑定任何具体模型或产品，方法对所有主流 AI 编程工具都适用。
• 不会跳过与产品、业务方的确认环节。
• 不会承诺 AI 能一次性找全所有问题，它只是帮我们把遗漏概率降下来。

一、需求不清时，AI 最擅长做什么

当需求只有一句话时，AI 手里没有更多信息。

它不会说"我不知道"。

它会根据训练数据里的常见模式，补出一个"最像"的版本。这个能力叫补全，它既是 AI 最有用的能力，也是需求不清时最危险的能力。

用一句话需求去喂 AI，它会默认假设很多业务规则。比如积分商城，AI 可能会默认：

• 积分按消费金额 1:1 获得，没有其他来源。
• 兑换比例固定为 100 积分 = 1 元。
• 兑换后立即扣减积分，不支持取消。
• 商品库存充足，不考虑超卖。
• 积分永久有效，不过期。
• 未登录用户不能访问积分商城。

每一个默认假设，都是一次未经确认的决策。

你给的信息越少，AI 替你拍板的地方就越多。等代码写完了才发现规则不对，返工的不只是几行代码，而是整张数据表、整个接口设计、整条业务链路。

这就是"瞎写代码"的完整成因：

需求模糊 → AI 自动补全 → 补全结果被当成需求 → 错误规则被写进代码 → 后期全部推翻。

所以问题的关键，不是让 AI 少补全一点，而是在让它写代码之前，先把所有需要确认的补全点暴露出来。

二、把任务从"生成代码"改成"生成问题"

既然模糊需求直接生成代码必然出错，那正确的做法是换一个任务：

不让 AI 生成代码，先让 AI 生成问题。

先看反例。

反例：

帮我写一个积分商城系统，用户可以用积分兑换商品。

AI 会立刻进入"实现模式"：设计表、写接口、出页面。你看起来拿到了一堆代码，实际上只是拿到了 AI 对需求的一次猜测。

正例：

下面是一句业务需求。先不要写任何代码。

需求：用户可以在积分商城用积分兑换商品。

请完成两件事：
1. 列出所有你目前无法确定、需要向需求方确认的问题。
2. 按业务规则、权限、数据、异常、交付五个维度分类。

不确定的地方直接说"不确定"，不要替我假设。

AI 的输出会完全不一样。它不再给你代码，而是给你一份问题清单：

业务规则：
- 积分有哪些获取途径？比例分别是多少？
- 兑换比例是全局统一，还是按商品分类设置？
- 兑换后是否支持取消/退货？积分如何退回？
- 积分是否有有效期？过期后如何处理？

权限与状态：
- 未登录用户能否浏览积分商城？
- 兑换是否需要实名/手机号等前置条件？

数据与边界：
- 商品库存是否与主商城库存联动？
- 兑换记录是否需要分页和筛选？

异常与幂等：
- 用户重复点击兑换，如何保证只兑换一次？
- 库存不足或积分不足时，返回什么提示？

交付与验证：
- 兑换成功后是否需要通知用户？
- 订单状态机包含哪些状态？

对比一下：反例给了你 2000 行代码，正例给了你 20 个问题。

代码随时可以再生成，但问题一旦漏掉，代价是整条链路的返工。

记住这条原则：先让 AI 证明自己理解了需求，才允许它写代码。在理解需求之前产出的代码，本质上都是垃圾输入驱动的猜测。

三、把问题分五类，才不会问漏

人思考问题时习惯按"场景"想，比如"用户下单时会遇到什么"。这种思维方式很容易漏掉系统侧的问题：库存并发、幂等、状态流转、数据一致性。

AI 恰好相反，它习惯按"维度"想。让 AI 按维度生成问题，再靠你的业务场景去补充，两者结合，遗漏率会明显下降。

这里沿用本专栏在需求分析上的五类框架：

维度	关注点	积分商城的典型问题
业务规则	积分怎么来、怎么花、怎么退	获取途径、兑换比例、有效期、退货规则
权限与状态	谁能做、在什么状态下能做	未登录访问、实名要求、封禁用户能否兑换
数据与边界	数据长什么样、边界在哪里	库存来源、记录分页、兑换历史保留多久
异常与幂等	失败怎么处理、重复操作怎么办	重复点击、库存不足、积分不足、支付超时
交付与验证	怎么验收、怎么让用户感知	通知方式、订单状态机、对账口径

拿到 AI 的问题清单后，再做三件事：

1. 去重：AI 经常把同一个问题换个说法写两遍，合并同类项。
2. 补漏：用你自己的业务场景过一遍，把 AI 没想到的问题补进去。你比 AI 更了解业务，这是你不可替代的部分。
3. 排序：把会影响表结构、接口契约的问题放在前面，把纯 UI 文案类问题放在后面。

这一步做完，你就得到了一份可以拿去开会的需求确认清单。

四、让 AI 给候选答案，而不是替你做决定

问题列出来了，下一步是确认。

很多人到这里又把问题原样丢给 AI：

积分应该过期吗？

AI 会给出一个"平均答案"：大多数电商积分有有效期，通常 1~2 年。这个答案来自统计，而不是来自你的业务。

更好的做法是让 AI 给出候选方案和影响分析，由你来拍板：

针对下面每个问题，给出 2~3 个可选方案，
每个方案说明：实现成本、用户体验、风险。
最后给出你的推荐，但不要替我做最终决定。

问题：积分是否需要有效期？

AI 的输出会变成一张"选项卡片"：

方案	说明	成本	体验	风险	推荐
永久有效	积分不清零	低	好	长期负债、运营压力大
一年滚动清零	每年清一次	中	中	清零前投诉高峰	一般推荐
按获取时间逐笔过期	每笔积分独立计时	高	中	计算复杂

你只需要做一件事：根据业务目标选一个，并写进需求说明。

推荐使用下面这个确认表，把每一次确认都沉淀下来：

#	问题	候选方案	影响	决定	状态
1	积分是否过期	永久 / 滚动清零 / 逐笔过期	见上方分析	一年滚动清零	已确认
2	兑换能否取消	支持 / 不支持	库存与积分回退逻辑	支持，24 小时内	待确认
3	未登录能否浏览	可浏览 / 必须登录	页面与接口鉴权	可浏览	已确认

这里的角色分工非常明确：

AI 负责枚举选项、分析影响、指出风险；人负责根据业务目标拍板。

把 AI 当成一个能快速出方案、又不会替你做主的技术顾问。它最大的价值不是"替你决定"，而是"让你在 10 分钟内看到所有可能的选择"。

五、一份可复用的需求澄清工作流

把前面四节的方法串起来，就是一套可以直接复用的流程。

第一步：写下需求原文。

不改写、不美化、不补全，产品怎么说就怎么写。模糊恰恰是流程的输入。

第二步：让 AI 列出所有未知问题。

用第二节的正例 Prompt，明确要求"不确定就说出来，不要假设"。

第三步：按五类维度分类、去重、排序。

补上你业务场景里的遗漏项，把影响接口和数据设计的排前面。

第四步：让 AI 为每个问题生成候选答案与影响。

用第四节的 Prompt，逐批处理，拿到选项卡片和推荐。

第五步：与产品、业务确认。

用确认表逐行打勾，标记"已确认 / 待确认 / 不适用"。没有确认的问题，不进入编码。

第六步：把确认结果写回需求说明。

把确认后的规则整理成一段完整的需求描述，再开始让 AI 写代码。

这套流程可以浓缩成一个 Prompt，存进你的个人 Prompt 库：

以下是一句业务需求，请帮我完成需求澄清，不要写代码。

需求：{这里粘贴需求原文}

请按以下顺序处理：
1. 列出所有需要确认的问题，不确定就直接说，不要假设。
2. 按业务规则、权限与状态、数据与边界、异常与幂等、
   交付与验证五个维度分类，并去重排序。
3. 对前 10 个最关键的问题，各给出 2~3 个候选方案，
   说明实现成本、用户体验与风险，并给出推荐。
4. 输出一份确认表：问题、候选方案、影响、推荐、状态。

完成后告诉我：哪些问题必须由需求方确认，才可以开始编码。

花在澄清上的 30 分钟，通常会省下开发期 3 天的返工。

六、总结

模糊需求不是拿来"喂"给 AI 的，是拿来"拆"的。

把一句话需求变成可确认的问题清单，本质上是把 AI 的"补全权"关掉，把"枚举权"打开：

• 让 AI 列出问题，它能把系统维度的遗漏补全。
• 让 AI 给出候选方案，它能让你在几分钟内看到所有选择。
• 让 AI 分析影响，它能替你把返工成本提前算清楚。
• 让你来做决定，业务规则最终必须由人来确认。

记住这个顺序：先澄清，后设计，再编码。 跳过澄清直接写代码，AI 越强，翻车越快。

下一篇文章，我们来把这一周的内容做一次复盘：

周复盘：这一周最值得保存的 7 条 AI 编程原则。

---

如果这篇文章对你有帮助，欢迎点赞、收藏、关注专栏。

也欢迎在评论区留言：你最近遇到过哪一句"看起来清楚、细想全是问题"的需求？

---

✍坚持原创，求关注，点赞，收藏