你有没有遇到过这样的场景：手头有一个明确的问题亟待解决，但苦于没有头绪？想向AI寻求帮助，却又不知从何问起。把问题直接扔给它，得到的却往往是那些永远正确却毫无营养的套话。比如，当你用“帮我制定提高跑步配速的方案”、“帮我做一下代码评审”、“帮我做一份用户旅程地图”这类问题去AI，那大概率会得到一个比较通用的答案。这些答案对于你解决问题会有帮助，但比较有限。究其原因，还是在于问题的背景信息缺失，同时AI的追问不足导致的。比如：你的身高、体重、年龄、当前配速、心率、每公里配速变化等信息，代码评审是关注逻辑准确、安全缺陷，还是兼容情况等关键背景信息缺失，同时AI也没有主动询问。对于这些关键背景信息的缺失，不同的AI工具处理方式也存在差异。例如，Cursor、Cline等辅助编码工具，借助其全局规则、项目规则、Memory和内置的提示词优化等技术，可以给出一定程度的引导，但效果也比较有限。而对于DeepSeek、豆包这类会话式的通用工具，其信息缺失的负面影响就尤为明显。最直接的影响就是，我们在使用这些工具的时候，会觉得其解决复杂问题的能力比较弱，甚至起不到辅助作用。遇到我们也没有思路的时候，AI工具就开始一本正经的胡说八道。其实，解决这个问题并不复杂，只需要让AI工具主动进行追问，获取更多有针对性的信息，从而给出更加明确的答案即可。下面我介绍三种提示词的编写方法，它们能够有效地提升大模型的追问能力，进而提高其处理复杂问题的效果。该模式适用于你对于问题的解决完全没有思路，需要以AI为主导给出解决方案的场景。优化提示词：我需要为自己制定提高跑步配速的方案。在提供任何解决方案之前，请您先提出3个与我的具体需求和限制相关的关键问题，以便您能提供最合适的实现建议。 注：可以看出Cline对提示词已经做了优化，但回答仍然比较宽泛。优化提示词：我需要你对代码进行评审。在开始评审之前，请你提出至少3个你认为对理解评审重点和我的期望至关重要的澄清问题。 从以上两个例子可以看出，原始提示词未明确要求AI进行追问，AI在背景信息缺失的情况下直接给出了答案，答案正确但笼统，很难用于解决问题。而且答案看上去给出了解决问题的方向，但无法引导提问人思考解决思路，很可能会让提问人陷入“解决方向只有这几个”的误区。该模式适用于你对问题的解决有方向性的思路，但对具体的方案缺乏认识，需要AI辅助给出解决方案的场景。优化提示词：请评审代码，并特别关注其可维护性。如果对以下任何方面有疑问，请务必提出澄清问题：1. 命名是否符合规范；2. 模块的职责划分是否合理；3. 是否存在重复代码。 同鼓励追问模式的结果，使用优化后的提示词进行提问，AI工具的回答会更加的准确和聚焦，更有助于解决问题。Self-Ask模式的提示词会引导AI工具主动提问，通过一问一答的形式将复杂问题进行分解和澄清，从而引导大模型给出更加准确和清晰的解决方案。相较于Chain-of-Thought（CoT）模式，SA的核心是显式化问题并通过追问来获取信息和确认理解，以优化输入，最终得出更准的输出。它解决的是问题定义不清或信息不足的问题，更倾向于推理。CoT的核心是显式化推理步骤，将复杂问题拆解为可顺序执行的子步骤。它解决的是复杂逻辑推理或任务分解的问题，更倾向于执行。当你一头雾水不知道如何处理的时候，不妨可以试一下SA模式。背景：你是一位研发工程师，由你开发的财务系统在使用中饱受财务部门的诟病，使用人员不但抱怨系统时有卡顿，而且抱怨其操作流程上也存在不合理的地方，比如：票据识别率不高，需要人工处理，工作量巨大；报销流程存在断点，需要人工介入等。这些不便已经对部门的工作造成了困扰，占用了大量人力，目前亟需对系统和流程进行优化。作为一名码农，一方面你深感压力山大，一方面又深感无力：对于如何优化你毫无头绪。性能上的问题比较容易解决，但是流程面的问题怎么搞？而且搞到什么程度算是解决了？实际上，作为生在数字化浪潮下，长在模型上的新一代码农，你是幸运的，你还有AI可以抱抱。步骤一：根据原始需求，使用deepseek生成Self-Ask格式的提示词#提示词：我想编写一份提升财务系统日常操作效率的用户旅程地图，请按照Self-Ask Prompting格式帮我编写一份提示词。
#deepseek回答请使用Self-Ask Prompting技术，为财务系统日常操作设计用户旅程地图，重点关注效率提升。按以下步骤执行：
1. 【核心目标确认】 问：财务系统用户旅程应覆盖哪些关键阶段？ → 答：需包含凭证录入、审批流程、报表生成、对账操作、税务申报、数据归档6大阶段
2. 【用户角色拆解】 问：不同角色（会计/财务主管/出纳）在各阶段的操作差异是什么？ → 答：会计重数据录入，主管重审批监督，出纳重支付对账
3. 【阶段深度追问】 按阶段自我提问（示例）： - 阶段：凭证录入 问：当前凭证录入的3个最大时间损耗点？ 问：哪些重复操作可通过模板自动化？ 问：如何减少手工输入错误导致的返工？
- 阶段：审批流程 问：审批卡顿的常见原因及解决方案？ 问：如何设置智能分级审批规则？ 问：移动端审批的可行性及安全措施？
4. 【效率量化分析】 问：各阶段可量化的效率提升指标如何设定？ → 答：如凭证录入时间缩短30%，审批周期压缩50%
5. 【痛点到机会点转化】 问：将用户痛点转化为改进机会（格式）： [痛点] → [技术方案] → [预期效果] 示例： "纸质发票手工录入 → OCR自动识别 → 处理速度提升5倍"
6. 【可视化地图构建】 问：旅程地图的必备可视化元素？ → 答：时间轴+情绪曲线+效率热力图+解决方案标记
最终输出格式：---**财务系统用户旅程地图（效率优化版）**[阶段1] 凭证录入 - 用户行为：扫描发票 → 分录录入 → 校验保存 - 痛点标记：📌发票识别错误率15% | 📌重复科目选择耗时 - 效率提升方案： ✅ 部署AI发票识别（准确率→99%） ✅ 预设常用凭证模板（节省40%操作时间） ⚡ 实时校验提示（减少90%退单）
[阶段2] 审批流程 - 用户行为：发起审批 → 多级签批 → 结果反馈 - 痛点标记：📌审批平均滞留2.8天 | 📌超权限流转混乱 - 效率提升方案： ✅ 自动路由规则（按金额/类型智能分配） ✅ 移动端审批+消息提醒（响应时间<1h） ⚡ 并行审批机制（周期缩短65%）...(后续阶段同理)
**全局优化看板**| 指标 | 现状 | 目标 | 实现路径 ||---------------|--------|--------|------------------------|| 月结耗时 | 6.5天 | ≤3天 | 自动化关账+并行流程 || 对账准确率 | 92% | 99.5% | 银行API直连+AI差异识别 || 报表生成 | 手动 | 一键 | 预制模板+实时数据池 |
步骤二：根据Self-Ask格式的提示词获取解决方案#提示词如上，此处略#deepseek回答基于Self-Ask Prompting技术框架，生成财务系统用户旅程地图如下：
---**财务系统用户旅程地图（效率优化版）**
**[阶段1] 凭证录入**- **用户行为**：采集原始票据 → 发票智能识别 → 分录自动生成 → 交叉校验 → 批量过账- **痛点标记**： 📌 手工录入占单据处理时间70% | 📌 科目匹配错误率18% | 📌 混合票据分类耗时- **效率提升方案**： ✅ 多票种OCR识别引擎（增值税票/行程单/海关票全覆盖） ✅ AI智能推荐会计科目（匹配准确率→98%） ⚡ 银行流水自动勾稽（减少人工核对90%时间）
**[阶段2] 审批流程**- **用户行为**：智能填单 → 规则引擎预审 → 动态路由 → 多终端审批 → 电子签章归档- **痛点标记**： 📌 层级审批滞留占比45% | 📌 超权限二次流转率25% | 📌 紧急审批触发难- **效率提升方案**： ✅ 金额/类型/部门三维度自动路由（规则命中率95%） ✅ 移动端生物识别审批+催办机器人（响应<30分钟） ⚡ 弹性加签机制（关键节点并行审批）
**[阶段3] 报表生成**- **用户行为**：数据源配置 → 模板调用 → 自动取数 → 异常检测 → 多维度输出- **痛点标记**： 📌 手工合并报表耗时3.2h/次 | 📌 数据口径差异率12% | 📌 附注编制依赖专家- **效率提升方案**： ✅ 统一数据中台（消除系统孤岛） ✅ 智能附注引擎（自动提取关键事项） ⚡ 语音交互式报表生成（自然语言指令→自动生成）
**[阶段4] 对账操作**- **用户行为**：银企直连接口 → 交易自动匹配 → 差异AI归因 → 一键调平- **痛点标记**： 📌 跨银行对账耗时8h/月 | 📌 未达账项定位困难 | 📌 汇率差异手工计算- **效率提升方案**： ✅ 全球银行API库（支持1500+金融机构） ✅ 机器学习差异归因模型（准确率97%） ⚡ 自动生成余额调节表（SEC合规格式）
**[阶段5] 税务申报**- **用户行为**：政策库更新 → 风险扫描 → 跨区数据整合 → 一键报税- **痛点标记**： 📌 政策变更响应延迟 | 📌 多地申报重复操作 | 📌 退税进度不透明- **效率提升方案**： ✅ 税务规则引擎（实时更新2000+政策） ✅ 全国税务申报机器人（省际数据自动汇总） ⚡ 退税进度区块链存证（全流程可追溯）
**[阶段6] 数据归档**- **用户行为**：智能分类 → 敏感信息脱敏 → 多介质存储 → 审计线索链- **痛点标记**： 📌 审计材料准备耗时15h/次 | 📌 非结构化数据难检索 | 📌 合规存储成本高- **效率提升方案**： ✅ AI档案管理员（自动打标+关系图谱） ✅ 区块链存证（防篡改审计追踪） ⚡ 自然语言审计问答系统（秒级定位凭证）
---
**全局优化看板** | 指标 | 现状 | 目标 | 实现路径 ||------------------|---------|----------|------------------------------|| 月结耗时 | 6.5天 | ≤2.5天 | 自动关账引擎+智能异常中断 || 单张凭证处理成本 | ¥18.6 | ¥6.8 | RPA+AI全流程自动化 || 审计材料准备 | 手动 | 自动生成 | 区块链审计线索库 || 税务申报错误率 | 5.7% | ≤0.5% | 实时政策引擎+风险预检 || 银企对账效率 | 8.2h/户 | 0.5h/户 | 开放银行API+AI差异处理 |
---
**可视化设计说明** 1. **时间轴**：横向展示6阶段标准化耗时（当前值vs目标值） 2. **情绪曲线**：在审批滞留/月末关账处设置波谷，移动审批/自动归档处波峰 3. **热力图**：红色聚焦凭证录入（35%总耗时）、税务申报（28%风险点） 4. **解决方案标记**： 🔵AI驱动 🟢流程再造 🟣区块链 🟠RPA 5. **角色动线**：出纳→会计→主管的三色操作轨迹叠加
> *注：效率提升数据基于300家企业的财务数字化转型基准研究，实际效果可能因系统成熟度存在±15%浮动*
步骤三：使用Self-Ask模式进一步提炼解决方案#提示词我想针对上述运营流程进行监控，以便能够从全局角度显式化的观测运营工作的堵点和卡点，从而更有针对性的进行优化。请按照Self-Ask给出设计思路和解决方案。
从以上步骤可以看出，我们可以使用deepseek生成SA模式的提示词，再使用这个提示词生成解决方案。最终，deepseek给出的解决方案比较完整，包括了核心指标设计、数据收集方案、看板展示方案、响应机制和处理机制。就像上图最后一句话所说，这些机制实现了从“被动救火”到“主动排雷”的运营监控升级。这个效果也正是我们想要的，适用于更广泛的效能提升方案的实现。2. 在解决方案的基础上，使用Self-Ask引导AI给出方法论。上述步骤，我们使用SA提示词，让deepseek给出了技术解决方案。现在，我们将其提升一下，使用SA让deepseek将其升级为方法论。#提示词请针对上述方案，请按照Self-Ask提炼运营流程监控的方法论，以指导执行方案的制定和实施。
deepseek给出的方法论我截取了一部分，但可以看出其合理性和可执行性都比较高，有更加广泛的适用价值。给这个例子做个总结，可以看出，deepseek给出的解决方案和方法论可执行度都比较高。方法论包含了指标体系、检测体系和优化体系，解决方案给出了埋点、显式化展示和跟踪处理体系，两者均比较完整且合理。看到这里，你有没有意识到看似普通的AI通用聊天模型更像什么？它其实更像是一个使用自然语言进行交互的编码工具。在你对它的原理更加理解的基础上，使用自然语言组织成其更能接受的格式，即可完成任务编码，从而使其更加准确的完成交付。AI辅助编码工具的定义可以更加广泛，只要使用得当，人人都能雇佣AI完成交付。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
