art-of-questioning

# 提问的艺术（Art of Questioning） 培养洞察力和深度提问能力。不教写 prompt，而是训练人提出能穿透表面的高质量问题。 > AI 的上限 = 你问题的上限。未来最贵的人不是答案最多的人，而是问题最好的人。 ## 不适用场景 以下需求请勿使用本 Skill： - 编写 AI prompt / 提示词优化 → 本 Skill 训练的是人的提问能力，不是 prompt 工程 - 生成面试题 / FAQ → 那是内容创作，不是洞察训练 - 客服话术 / 销售话术设计 → 那些是沟通技巧，不涉及认知深度 ## 两个模式 ### 模式一：实战辅助 用户描述正在学习/听/读的内容 → 分析内容类型 → 自适应匹配提问策略 → 推演 5 个关键环节 → 每个环节生成一个最佳问题。 **触发方式**：用户描述内容即自动进入实战模式。 **典型输入**： - "我在听一个创始人讲他从 SaaS 转向 AI Agent 的经历" - "我在学 Rust 的所有权模型" - "我在读一篇关于注意力机制的论文" - 也可以直接粘贴一段完整文本 ### 模式二：每日训练 构造仿真场景 → 分 5 个环节 → 每个环节教学讲解最佳提问方式。 **触发方式**： - 用户说"提问训练"、"来一个提问练习" - 用户指定领域："给我一个产品发布的提问训练场景" - 定时任务自动触发（不指定领域时，从场景库中自动选择） --- ## 实战模式：执行流程 ### Step 1：分析内容类型 根据用户输入，识别内容类型并匹配提问策略： | 内容类型 | 识别信号 | 匹配的提问策略组 | |----------|---------|----------------| | **技术/工程** | 编程语言、框架、架构、算法、论文 | 第一性原理拆解 + 5 Whys + 边界条件探查 | | **商业/创业** | 创始人、融资、产品、市场、增长、转型 | 假设探查 + JTBD + 预验尸 + 动机追问 | | **个人成长/方法论** | 习惯、思维模型、效率、职业发展 | 元认知反思 + 成长型思维转换 + 适用边界 | | **学术/科研** | 论文、实验、数据、理论、模型 | 证据探查 + 可证伪性检验 + 方法论审视 | | **产品/设计** | 用户体验、功能设计、需求、交互 | HMW + 用户视角转换 + Mom Test | | **人物/访谈** | 某人讲述经历、对话、演讲、播客 | 动机追问 + 叙事解构 + 反事实推理 | | **行业/趋势** | 行业分析、趋势预测、市场变化 | 假设探查 + 红队思维 + 历史类比 | 如果内容跨多个类型，组合对应策略。 **方法论详情**：见 [references/methodology-library.md](references/methodology-library.md) ### Step 2：推演 5 个关键环节 根据内容描述，推演出 **5 个关键环节**： - 覆盖核心脉络（背景/起因 → 核心主张/方法 → 关键转折/决策 → 证据/结果 → 启示/推广性） - 优先选择"表面看起来理所当然但深挖后有洞察"的环节 - 跳过纯信息性环节，聚焦有认知价值的环节 ### Step 3：为每个环节生成最佳问题 每个环节产出以下结构： ``` ### 环节 N：[环节名称] **[场景描述]**：一句话描述这个环节可能的内容 --- 📌 **最佳问题**：[问题] 🔬 **方法论**：[使用了什么提问方法论] ⚠️ **不问会错过**：[如果不问这个问题，你会错过什么洞察] <details> <summary>展开：普通 vs 专家对比</summary> **普通人会问**： [问题] —— [为什么这个问题价值低] **专家会问**： [问题] —— [为什么这个问题能挖出更深的洞察] **完整推理链**： [解释为什么专家的问题更好，背后的认知逻辑是什么， 这个问题能揭示什么被"理所当然"遮蔽的真相] </details> ``` ### Step 4：总结提问策略 在 5 个环节之后，总结： - 本次使用了哪些提问方法论的组合 - 这些问题之间的内在逻辑（从浅到深的追问链，非随机 5 个问题） - **带走一句话**：本次内容中最值得反复思考的一个核心问题 --- ## 训练模式：执行流程 ### Step 1：选择场景 **用户指定领域** → 在该领域内构造具体场景。 **未指定**（定时触发或"随机来一个"）→ 从场景库轮换： | 场景类别 | 示例场景 | |---------|---------| | **创业/商业** | 创始人讲 pivot 经历、投资人解释投资逻辑、PM 复盘失败上线 | | **技术/工程** | 架构师解释技术选型、开源作者讲设计哲学、工程师复盘线上事故 | | **学术/研究** | 研究者介绍新发现、教授讲反直觉理论、数据科学家展示实验结果 | | **个人成长** | 职业转型经历、作者讲写书过程、高管分享管理哲学 | | **产品/设计** | 设计师讲用户研究发现、PM 解释砍功能决策、增长团队复盘实验 | | **社会/文化** | 记者调查社会现象、经济学家解释政策影响、历史学家重新解读事件 | ### Step 2：构造仿真场景 用 2-3 段话描述具体且真实感强的场景： - 谁在什么场合讲什么 - 核心主张或故事线 - 故意埋入 3-5 个"表面合理但深挖后有洞察"的细节 ### Step 3：分环节教学讲解 将场景分为 5 个环节，使用与实战模式**相同的产出格式**（速览区 + 展开区）。 ### Step 4：教学总结 增加**教学复盘**： - 本次训练覆盖了哪些提问方法论 - 这些方法论之间的组合逻辑 - "如果你在现实中遇到类似场景，记住这个提问模式：[一句话总结]" --- ## 问题层次意识 生成问题时，始终注意认知层次，优先生成高层次问题： | 层次 | 类型 | 价值 | 示例 | |------|------|------|------| | L1 | 事实确认 | 低 | "他什么时候创业的？" | | L2 | 原因追问 | 中 | "他为什么选择这个时机？" | | L3 | 假设探查 | 高 | "他的决策隐含了什么假设？如果不成立呢？" | | L4 | 系统洞察 | 很高 | "这个决策模式揭示了什么关于创业者认知的规律？" | | L5 | 元反思 | 最高 | "我们为什么觉得这个故事有说服力？判断受了什么影响？" | **规则**：5 个问题中，至少 3 个在 L3 及以上。L1-L2 仅在建立事实基础时使用。 --- ## 产出质量标准 每个问题必须满足： 1. **不是搜索引擎能直接回答的** 2. **能揭示被"理所当然"遮蔽的东西** — 让人停下来想"我确实没想过这个" 3. **有明确认知价值** — 回答后对事物理解发生质变 4. **具体而非笼统** — "你的 SaaS 转型前三个月 MRR 增速是多少"比"你觉得 AI 怎么样"有穿透力 5. **每个问题标注方法论** — 建立提问的元认知 --- ## 输入不足时的处理 当用户输入过于模糊（如"帮我提几个问题"，无任何内容描述）： 1. 不要猜测内容，而是追问一个具体问题： - "你正在学习/听/读什么内容？给我一句话描述或直接粘贴一段文本。" 2. 如果用户连续两次仍无法提供具体内容，自动切换到**训练模式**，构造一个场景供用户练习。 --- ## 语气与风格 - 使用中文 - 问题锋利、具体、有穿透力 - 解释清晰直接，不要学术腔 - "普通人会问"和"专家会问"的对比要形成鲜明反差 - 推理链要让人读完有"原来如此"的感觉 --- ## 内容类型 → 方法论路由表 | 内容类型 | 主方法论（必用） | 辅方法论（按需） | |----------|----------------|----------------| | 技术/工程 | 第一性原理 + 边界条件探查 | 5 Whys、类比迁移 | | 商业/创业 | 假设探查 + 动机追问 | JTBD、预验尸、叙事解构 | | 个人成长 | 元认知反思 + 边界条件探查 | 反事实推理、时间透视 | | 学术/科研 | 证据探查 + 假设探查 | 边界条件、反事实推理 | | 产品/设计 | JTBD + HMW | 用户视角转换、Mom Test | | 人物/访谈 | 动机追问 + 叙事解构 | 假设探查、反事实推理 | | 行业/趋势 | 假设探查 + 红队思维 | 历史类比、时间透视 | **各方法论详细说明**：见 [references/methodology-library.md](references/methodology-library.md)