一、过于模糊：精准表达是关键
在与 AI 交互时，问题过于模糊是最常出现的陷阱之一。当提出的问题缺乏明确指向，AI 的回应往往会宽泛且缺乏针对性，难以满足实际需求。比如简单抛出 “告诉我一些事” 这样的指令，AI 可选择的回答范围近乎无穷，可能是一则趣闻、一条历史知识，或者其他毫不相干的内容，这种宽泛的回答对提问者来说几乎没有实际价值。
出现这类问题的根源在于提问者未能清晰界定需求。在日常交流中，人们习惯依赖语境和对方的理解能力来传达模糊信息，但 AI 不具备人类的感知和联想能力，它需要精确的指令才能给出有效回应。以信息检索为例，如果用户想要了解特定城市某一天的天气，却只问 “天气怎么样”，AI 无法知晓具体的查询地点和时间，就无法提供准确的天气信息。
要规避这个陷阱，关键在于让问题更具体、清晰。比如将 “告诉我一些事” 细化为 “请给我分享一个关于科技创新的最新突破”，明确了信息的主题和范围。在涉及具体事物时，要尽可能详细地描述关键特征。若想了解某部电影，不能只说 “给我介绍一部电影”，而应像 “给我介绍一部 2023 年上映的科幻动作电影，主演是汤姆・克鲁斯” 这样，给出年份、类型和主演等关键信息，让 AI 能精准筛选出符合需求的内容。
二、一次问太多：化繁为简更高效
一次向 AI 提出过多问题，会让其陷入 “困惑”，难以给出条理清晰的回答。例如，“请解释量子力学、它的历史、关键人物以及当今应用” 这样的问题，包含了多个复杂的方面，AI 在有限的输出中很难对每个部分都进行深入、准确的阐述，结果可能是每个点都只是浅尝辄止，无法满足提问者对知识深度的需求。
这种现象的产生是因为 AI 在处理问题时，通常是按照预设的算法和模型进行分析和生成答案。过多的问题同时出现，会使 AI 难以确定重点和逻辑顺序，导致回答混乱。这就好比让一个人同时完成多项复杂任务，却不给他明确的先后顺序和重点要求，他很可能会手忙脚乱，无法高质量完成任务。
为避免这类问题，应将复杂问题拆解成多个简单的子问题。以 “解释量子力学、它的历史、关键人物以及当今应用” 为例，可以先问 “什么是量子力学”，在得到清晰的基础概念解释后，再依次询问 “量子力学的发展历史是怎样的”“量子力学领域的关键人物有哪些”“量子力学在当今有哪些应用”。这样循序渐进的提问方式，能让 AI 专注于每个子问题，给出更详细、更有价值的回答，也便于提问者系统地理解和学习相关知识。
三、语气不当：适配情境很重要
提问的语气与期望的回答不匹配，也会影响 AI 的回应效果。不同的语气适用于不同的场景和需求，若语气使用不当，可能导致 AI 给出的答案不符合预期。比如在询问天气信息时，使用正式语气 “Could you please inform me about the current weather conditions in New Delhi?”，期望得到如 “The current weather in New Delhi is 33 degrees Celsius with hazy conditions.” 这样正式、规范的回答；而使用随意语气 “Hey, what’s the weather like in New Delhi right now?” 时，更希望听到像 “It’s 33 degrees and a bit hazy over in New Delhi at the moment.” 这种更口语化、亲切的表述。
语气问题的出现是因为 AI 的训练数据和模型在生成回答时会考虑提问的风格和语境。如果提问语气与期望回答风格不一致，AI 可能无法准确把握提问者的意图，从而给出不理想的答案。在实际应用中，这种情况在客服对话、内容创作等场景中较为常见。例如，在创作小说对话时，如果以正式的语气让 AI 生成角色间随意的对话，就很难得到自然流畅的内容。
为了规避语气问题，在提问前应先明确使用场景和期望的回答风格。如果是用于正式的商务报告，就应采用正式、严谨的语气提问；如果是在日常交流或创意写作中，可使用更轻松、随意的语气。同时，还可以在提问中适当加入一些体现语气的词汇或表达方式，帮助 AI 更好地理解需求。比如在要求 AI 写一篇幽默的短文时，可以在提问中加上 “请用幽默风趣的语言” 这样的表述，引导 AI 生成符合要求的内容。
四、细节不足：提供背景更准确
在向 AI 提问时，若遗漏重要细节，会使 AI 失去给出优质答案的机会。例如，问 “它有多大？”，由于没有明确 “它” 指代的对象，AI 无法确定是在询问物体的尺寸、面积还是其他相关属性，只能给出模糊或无法满足需求的回答。
这种问题的产生是因为 AI 不具备人类的常识和上下文理解能力，它只能依据提问中提供的信息进行分析和回答。在实际场景中，缺乏细节的问题会导致信息不准确，影响决策和判断。比如在咨询产品信息时，如果只问 “这个产品多少钱”，而不说明具体产品名称，AI 无法给出准确的价格信息。
要解决细节不足的问题，提问时必须提供足够的背景信息。像 “它有多大？” 这个问题，可以改为 “亚马逊雨林的面积有多大？”，明确了 “它” 的具体指向。在涉及专业领域或特定情境的问题中，更要详细说明相关背景知识和关键信息。例如在医学咨询时，不能只说 “我头疼怎么办”，而应补充症状出现的时间、频率、是否伴有其他症状等信息，这样 AI 才能给出更有针对性的建议。
五、期望过高：认清边界是前提
对 AI 抱有不切实际的期望，也是 Prompt Engineering （9个最佳prompt框架：解锁LLMs无限潜力）中的常见陷阱。例如，要求 AI 像人类一样理解情感并做出情感回应，问 “如果你处于我的情况，你会有什么感受？”，这种将 AI 拟人化的提问方式忽略了 AI 目前并不具备真正的情感和主观意识这一事实。AI 只能基于数据和算法模拟人类的情感表达，但无法真正感同身受
这种现象的出现是因为人们对 AI 的能力边界认识不足。随着 AI 技术的发展，其表现越来越出色，让一些人产生了 AI 无所不能的错觉。在实际应用中，这种过高的期望可能导致对 AI 的错误使用和失望。比如在心理咨询场景中，如果患者期望 AI 能像真正的心理咨询师一样给予情感支持和深度理解，就可能无法得到满足。
为避免此类问题，需要正确认识 AI 的能力边界。在提问时，应根据 AI 的实际能力调整期望。对于情感相关问题，可以改为 “一般人在这种情况下可能会有什么感受？”，这样的问题更符合 AI 的处理能力，能得到更合理的回答。同时，在使用 AI 时，要清楚它擅长的领域和存在的局限性，在合适的场景中发挥其优势。
六、不吸取经验：迭代优化是途径
重复使用无效的提示，而不根据过往经验进行调整，会阻碍与 AI 交互效果的提升。比如总是要求 AI 创作有创意的内容，却从不根据之前的生成结果调整提问方式和要求，这样很难获得更优质的创意成果。
这种问题的根源在于缺乏对交互过程的反思和总结。在与 AI 交互时，每次的提问和回答都是一次学习机会，但很多人没有充分利用这些反馈信息，导致不断重复同样的错误。在内容创作、数据分析等领域，这种情况会浪费大量时间和精力，无法提高工作效率和质量。
要解决不吸取经验的问题，就需要重视反馈，将每次与 AI 的交互都视为一次学习过程。在得到 AI 的回答后，仔细分析回答是否满足需求，哪些地方存在不足。根据分析结果，调整提问的方式、内容和重点。例如，如果 AI 生成的文章缺乏深度，下次提问时可以增加 “请深入分析”“提供具体案例支持” 等要求。通过不断地迭代优化，逐渐提高提问的质量，从而获得更符合期望的 AI 回答。
Prompt Engineering （大模型中的提示词（prompt）压缩：让每个Token都物尽其用）是一门不断发展的技能，在与 AI 交互的过程中，我们会遇到各种各样的陷阱。通过识别并避免上述常见的陷阱，不断优化提问方式和技巧，我们能更好地发挥 AI 的潜力，实现更高效、更有价值的交互。
