AI 的第一次回答，常常是「正确但没法用」的建议。真正拉开差距的，是会不会追问，以及会不会校验。这一章告诉你：用三个方向把回答从泛逼到实，再用两招校验它到底靠不靠谱。
- 把泛泛建议追问成可执行的动作与可衡量的指标。
- 记住对抗式追问的三个方向：为什么、如果、具体。
- 理解 AI 为什么会讨好和瞎编，从而不被「你确定吗」带进陷阱。
- 用交叉验证和结果回传两招，校验 AI 的事实与判断。
不要接受泛泛建议
当 AI 给出「建议做好用户调研、打磨差异化」这类正确的废话时，追问的目标是把抽象词压成可执行动作：为什么这么判断？第一步具体做什么？怎么验证有效？
当回答缺少事实、例子或指标时，把这些明确地要回来——「给我两个真实例子」「拆成 7 天每天的动作」「给出可衡量的指标」。说不到这一步，就继续追。
对抗式追问：为什么 / 如果 / 具体
当你觉得 AI 的推理有点飘、或太顺着你，就主动质疑它，让它换个角度再看，这叫「对抗式追问」。外面流传的万能话术不用背，你只要记住三个方向。
为什么：你给这个结论的理由成立吗？换一个前提，结论还站得住吗？如果：换一个人、一个场景、一个时间点，结论会变吗？具体：给我一个真实的例子、一个数字、一张截图，不要概括。追问完对比前后两次回答，你会明显感到它从「给一个看似合理的结论」切换到「认真帮你把结论想透」。
三个方向就够了：为什么（理由成立吗）、如果（换个前提还成立吗）、具体（给例子、数字、截图，别概括）。
为什么 AI 爱顺着你：讨好偏见与「你确定吗」陷阱
大模型训练的最后一步叫 RLHF（基于人类反馈的强化学习），简单说就是「让人类满意的回答得高分」。于是 AI 养成了下意识顺着你说的习惯，这叫讨好偏见。
它带来一个反直觉的陷阱：你一问「你确定吗？」，它立刻改口——不是因为你对，而是因为它在避免让你不满意。生硬地说「你再严格点、帮我挑刺」也会反弹，它只是换一副讨好的皮。真正有效的反制，是把它放进一个无法讨好你的局：换独立窗口、换角色、换模型。
自信瞎编=幻觉：事实默认打个问号
除了讨好，AI 还会自信地编造数据、案例、引用，口气笃定、来源写得有模有样，这叫幻觉。它粗略有三层来源：训练截止（截止日期之后的事它全靠编）、压缩损失（具体数字、冷门人名地名、细碎引文在训练里被压缩，细节会走形）、自洽偏好（编一个听起来合理的答案，比「我不知道」更容易得高评，所以它宁愿编）。
三层合起来告诉你一件事：AI 给出的事实性陈述，默认都要打个问号。数字、时间、人物、政策、引用这类内容，不能因为回答流畅就直接用。
校验两招：交叉验证 + 结果回传
第一招交叉验证：换一个 AI 来核对关键事实，而且要挑血统不同、且最能拿到这个领域事实的那个——学术论点让 Gemini 核（它开着谷歌学术）、最近两周的公众号舆情让元宝核、短视频判断让豆包核。两个 AI 高度一致则可信，分歧大就是你要重点想的地方。（Claude+Gemini 比 Claude+ChatGPT 有效，因为后两者语料重叠大，会异口同声地错。）
第二招结果回传，价值更大：挑一个本周能做完的最小动作真去做（聊一位从业者、发一条小红书、按建议写个尝试方案），记录客观数据和主观感受，再把这份一手、具体的真实结果喂回原来那个 AI，让它在你的现实里学习、调整建议。你做得越多次，它对你这个具体的人就越准。
长对话会失忆：用四个习惯管注意力
聊久了 AI 会失忆、跑偏，因为它一次能看的字数有上限（上下文窗口），而且就算窗口够大，它也只重点关注开头和结尾、容易漏掉中间（业内叫 Lost in the Middle，中段遗忘）。
四个习惯能管住它的注意力：一窗一事（任务一换就开新窗）、聊长开新窗（臃肿了让它写个交接文档再带去新窗）、重要约束隔几轮重申一遍、隔几轮收一次意图（问自己「我们在聊什么、这轮结论是什么」，再告诉 AI 往哪收）。
回到「让 AI 梳理个人优势」的对话：它给了你 3 个优势或方向，挑一个最认同的，走一遍追问 + 校验的完整闭环。
- 1
把泛泛建议追成可执行
让它把这个方向拆成未来 7 天每天能做的动作，并说明每个动作怎么验证有没有效。
- 2
用「为什么」追依据
你从我背景里的哪几句话推出这个结论？如果其中某条变了（我没那个资源 / 其实没兴趣），还站得住吗？
- 3
用「如果 / 具体」逼实
如果换个收入水平或城市，这个方向还最优吗？别再给总判断，给我 3 个本周就能做、能看到反馈的具体动作。
- 4
换血统不同的 AI 交叉验证
把这个判断 + 背景文档贴给另一个语料不同的模型，问它「有什么漏洞或盲区」，对比分歧处。
- 5
把真实结果回传
挑一个本周能做完的最小动作真去做，记录数据和感受，再喂回 AI：哪些假设被现实推翻了，请重新调整建议。
实战示例
错误示例
（对泛泛建议）说得更具体一点。
正确示例
请把「持续输出」拆成未来 7 天每天能执行的动作，并说明每个动作怎么验证有没有效。
「具体一点」还是模糊。给出可执行的颗粒度（7 天 / 每天 / 可验证），AI 才给得出能用的答案。
错误示例
（对它的结论）你确定吗？
正确示例
换一个血统不同的 AI，把它的结论 + 我的背景贴过去，让新模型挑漏洞和盲区。
在原窗口问「你确定吗」，它只会改口讨好你；交叉验证才是有效的反制。
错误示例
这个数据对吗？（直接采信它的回答）
正确示例
先列出这个数据的可能出处，并区分哪些是确定的、哪些是推测，我再去两个官方来源核对。
事实默认打问号：校验是把「来源」拿回手里，而不是再问 AI 一遍「对吗」。
Claude / ChatGPT（主力）
有免费额度用途：承担主对话、出初步结论
结构化、少废话优先 Claude
Gemini / 元宝 / 豆包（校验）
免费用途：按领域挑能拿到事实的 AI 做交叉验证
学术→Gemini，公众号舆情→元宝，短视频→豆包；尽量挑血统不同的
常见误区
- 满足于「正确的废话」，不追问到可执行的动作。
- 用「再具体一点」这种模糊追问，得到的还是模糊回答。
- 在原窗口反复问「你确定吗」，它只会改口讨好你，不是真的纠错。
- 把 AI 的事实性陈述（数字 / 人名 / 引用）默认当真，忘了它有训练截止、压缩损失、自洽偏好三层幻觉来源。
- 只在 AI 之间交叉验证，却从不把建议拿去现实跑一次、回传真实结果。
- 长对话里不更新背景，AI「失忆」后给出前后矛盾的建议。
追问几轮算够？
直到结论能落到具体动作、依据能复查、验证有可衡量的指标为止；说不到这一步就用「为什么 / 如果 / 具体」继续追。
交叉验证该挑哪个 AI？
挑血统不同（语料重叠小）、且最能拿到该领域事实的：学术用 Gemini、公众号舆情用元宝、短视频用豆包。Claude+Gemini 比 Claude+ChatGPT 更有效。
结果回传具体怎么做？
挑一个本周能做完的最小动作真去做，记录客观数据和主观感受，再把这份一手、具体的结果喂回 AI 让它调整建议；后台数据、录音、照片越具体越好。
本章小结
- 追问的目标是把抽象建议压成可执行动作与指标。
- 记住对抗式追问三方向：为什么、如果、具体。
- AI 会讨好（RLHF），在原窗口问「你确定吗」只会让它改口，换独立窗口 / 模型才有效。
- AI 会幻觉（训练截止 / 压缩损失 / 自洽偏好），事实性陈述默认打问号。
- 校验两招：交叉验证（换血统不同的 AI）+ 结果回传（拿建议去现实跑一次再喂回），后者价值更大。
- 长对话会失忆，用一窗一事、聊长开新窗、重申约束、隔几轮收意图四个习惯管注意力。
- 对抗式追问
- 主动质疑 AI 的回答，沿「为什么 / 如果 / 具体」三方向重新拨它的注意力。
- 讨好偏见（RLHF）
- 训练让 AI 倾向给人满意的回答，于是它下意识顺着你说，问「你确定吗」它就改口。
- 幻觉
- AI 自信编造的内容，三层来源：训练截止、压缩损失、自洽偏好；事实陈述默认打问号。
- 交叉验证
- 换一个血统不同、能拿到该领域事实的 AI 核对关键事实，分歧处重点思考。
- 结果回传
- 把 AI 的建议拿到现实跑一次，把一手真实结果喂回它，让它在你的现实里越用越准。
- 上下文管理
- 用一窗一事、聊长开新窗、重申约束、隔几轮收意图，管住 AI 在长对话里的注意力。