3.2 与 AI 确认需求 🔴
阅读完本节后，你将会收获：
- 理解 AI 的理解盲区，知道何时需要主动确认
- 掌握让 AI 确认理解的提示词模板
- 学会使用确认清单检查关键细节
- 掌握发现盲点的提示词方法
序言中提到的：AI 不一定会追问所有关键细节，你需要主动让它确认理解。
AI 的理解盲区
AI 不一定会追问所有关键细节。当需求描述模糊时，它可能主动追问，也可能按常见模式处理。这种默认处理往往与预期不符。
AI 的理解来源于上下文。上下文越完整，理解越准确。但上下文不是"字数越多越好"，而是"关键信息越明确越好"。
这种差异源于 AI 的工作方式。当你与一个人类开发者讨论需求时，如果对方有不清楚的地方，他会停下来问你："这个按钮是放在左上角还是右上角？""用户没有登录时能看到这个页面吗？"这些问题可能会让你感到有些烦琐，但它们确保了双方理解的一致性。AI 有时会追问，但不保证每次都问到关键点。当需求模糊时，它可能基于常见模式做出假设就开始工作。如果这些假设恰好符合你的预期，那当然是好事；但如果假设错了，你将在后续的迭代中付出更多的沟通成本来纠正。
更糟糕的是，AI 的假设往往是"合理"的——它选择的方案在技术上是可行的，在逻辑上是自洽的，只是不符合你的特定需求。这种偏差很难在代码生成之前被发现，因为你可能根本不会想到去确认那些"显而易见"的细节。只有当代码运行起来，看到结果与预期不符时，问题才会暴露。
常见的理解偏差来源：
| 偏差来源 | 导致的问题 |
|---|---|
| 用户模糊 | AI 猜测目标用户，可能猜错 |
| 功能边界不明确 | AI 可能加功能，也可能漏功能 |
| 技术约束未说明 | AI 选用了不兼容的技术 |
| 边缘情况未考虑 | 生成的代码缺少错误处理 |
主动确认的核心是：不要等 AI 来问你，而是让 AI 明确说出它的理解。
确认理解的提示词模板
每次讨论完需求后，使用以下模板让 AI 确认理解：
请确认你理解了我的需求。请按以下格式回复：
- 目标用户：[你理解的目标用户]
- 核心功能：[你理解的 3-5 个核心功能]
- 不做的事情：[你理解的不做的功能]
- 可能的问题：[你认为我可能没考虑到的地方]
如果有任何不确定，请列出问题清单。
这个模板的作用是让 AI 明确输出它的理解，方便逐项检查。
使用这个模板时，不要把它当作一种形式主义的流程。它的真正价值在于强迫 AI 把隐含的假设显性化。当 AI 写下"目标用户是职场人士"时，你可以立即发现这个理解是否准确——也许你指的是"大学生"，也许你指的是"自由职业者"。这种显性的对比让误解无处藏身。
另一个容易被忽视的好处是，这个模板实际上在训练 AI 更好地理解你的需求。当你第一次使用时，AI 的确认可能有很多偏差；但随着你不断纠正这些偏差，AI 会逐渐学习到你的偏好和习惯，后续的理解会越来越准确。这是一个双向适应的过程。
为什么这样有效
| 只说"帮我做X" | 用确认模板 |
|---|---|
| AI 按猜测理解 | AI 必须明确说出理解 |
| 不知道 AI 理解对不对 | 能逐项检查 AI 的理解 |
| 有误解只能返工 | 在写代码前就发现误解 |
让 AI 主动追问
不要等 AI 确认，让 AI 主动提问。 当你给出需求后，直接告诉 AI "基于现有方案，列出多个你不确定的问题向我确认"，AI 会主动挖掘隐藏假设，双方通过多轮问答对齐理解。
为什么让 AI 主动追问
传统的"用户问 AI 答"模式下，用户需要自己发现问题，这要求用户对产品有完整思考。但现实中，很多细节是在对话中逐渐清晰的。
让 AI 主动追问的好处：
- AI 能发现你忽略的问题 —— 基于训练数据中的常见模式，AI 知道哪些地方容易有歧义
- 对话更自然 —— 像讨论一样，一问一答，逐步深入
- 减少你的认知负担 —— 不需要一次性想清楚所有细节
如何启动
当你描述完需求后，直接说：
"基于现有方案，列出多个你不确定的问题向我确认"
AI 会输出一批问题（通常 3-5 个），你逐一回答后，AI 根据你的回答继续追问，直到双方对齐。
追问示例
你提出需求：
你：我想做一个待办清单应用。启动追问：
你：基于现有方案，列出多个你不确定的问题向我确认AI 第一轮追问：
AI：好的，基于你的需求，我有以下几个问题：
1. 目标用户是谁？是个人使用还是团队协作？
2. 核心功能有哪些？（如添加任务、设置截止日期、分类标签等）
3. 数据存储在哪里？本地浏览器还是云端？
4. 需要用户登录吗？还是开箱即用？
5. 有移动端需求吗？还是只做桌面端？
请逐一回答，我会继续追问需要澄清的细节。你回答后，AI 继续追问：
你：1. 个人使用 2. 添加/完成/删除任务，不做标签 3. 本地存储
4. 不需要登录 5. 只做桌面端
AI：明白了。基于你的回答，我还有几个问题：
1. 本地存储的话，如果用户清理浏览器数据，任务会丢失吗？
这个风险需要处理吗，还是可接受？
2. "完成"的任务是删除还是保留但标记为已完成？
3. 任务有截止日期吗？还是只做简单的清单？
请确认这些细节。关键洞察： AI 根据你的回答，不断挖掘新的隐藏假设（如"数据丢失风险"、"已完成任务的处理"），直到所有关键细节都明确。
追问的终点
当满足以下条件时，可以停止：
- AI 的理解与你的预期完全一致 —— 逐条检查，没有偏差
- 所有关键细节都已明确 —— 没有模糊地带，没有"视情况而定"
- 边缘情况已讨论清楚 —— 异常情况怎么处理，有明确方案
- 你自己也感到清晰了 —— 通过回答 AI 的问题，你对自己的需求也有了更完整的认识
此时你说"没问题了，开始吧"，AI 就可以基于对齐后的理解生成方案或代码。
追问是双向澄清
回答 AI 的问题时，你也会发现自己之前没考虑到的细节。这种"被问到才想起来"的情况很正常，正是 AI 追问的价值所在。
常见误区
误区一：AI 问的问题太基础，觉得没必要回答
- 结果：跳过了关键确认，理解偏差被隐藏
- 正确做法：即使是基础问题，也明确回答，消除歧义
误区二：回答模糊，让 AI "看着办"
- 结果：AI 按默认方式处理，不符合你的特定需求
- 正确做法：明确给出选择，不要说"都可以"、"你决定"
误区三：怕麻烦，一轮问答就喊停
- 结果：深层假设没被挖掘，后续返工成本更高
- 正确做法：耐心回答多轮问题，直到双方真正对齐
必须确认的细节清单
让 AI 确认时，检查它是否回答了这些关键问题。
用户与场景
| 确认项 | 为什么重要 |
|---|---|
| 目标用户是谁 | 决定 UI 复杂度、操作方式 |
| 使用场景是什么 | 决定技术选型（移动端/桌面端） |
| 解决什么问题 | 确保做的是有价值的功能 |
核心功能
| 确认项 | 为什么重要 |
|---|---|
| 最核心的 3-5 个功能 | 防止 AI 加太多功能 |
| 用户完成任务的流程 | 确保 AI 理解业务逻辑 |
| 有哪些状态变化 | 影响 UI 设计（加载、成功、失败） |
不做的事情
| 确认项 | 为什么重要 |
|---|---|
| 哪些功能这次不做 | 防止范围蔓延 |
| 哪些功能永远不做 | 保持产品聚焦 |
AI 倾向于"多做"，必须明确告诉它边界。
这种倾向有其根源。在训练数据中，AI 看到了大量功能丰富的应用，它学会了"完整的产品应该包含什么"。但你的需求可能只是一个极简的原型，或者一个特定场景下的工具。如果不明确边界，AI 会默认按照"完整产品"的标准来生成代码，结果就是过度工程。
明确"不做的事情"还有一个心理层面的好处：它迫使你思考产品的核心是什么。当你列出"不做登录、不做云同步、不做分类标签"时，你实际上在确认这个产品最本质的价值是什么。这种聚焦对于早期产品至关重要。
数据与状态
| 确认项 | 为什么重要 |
|---|---|
| 需要存储哪些数据 | 决定数据结构设计 |
| 数据从哪里来 | 决定实现方式 |
| 边缘情况怎么处理 | 防止 bug（快速点击、网络错误等） |
技术约束
| 确认项 | 为什么重要 |
|---|---|
| 有技术栈限制吗 | 影响 AI 的代码选择 |
| 需要兼容哪些设备 | 影响 UI 实现 |
| 有性能要求吗 | 影响技术方案 |
发现盲点的提示词
讨论完需求后，用以下提示词让 AI 帮助发现问题：
基于我们刚才的讨论，请列出：
- 我可能没考虑到的边缘情况
- 你认为常见但我可能不需要的功能
- 需要明确的技术细节
请逐条列出，我会逐一确认。
AI 可能会指出：
- 用户删除数据后，需要能恢复吗？
- 数据列表有没有数量上限？
- 如果用户输入特别长的内容，怎么显示？
- 需要在手机上用吗？
这些就是被忽略的细节。
让 AI 帮你发现盲点是一种高效的做法。作为产品负责人，你不可避免地会有一些思维定式——你会假设某些事情是"显然"的，或者某些情况是"不会发生的"。AI 没有这些定式，它会从纯逻辑的角度审视你的需求，指出那些你因为太过熟悉而忽视的问题。
当然，AI 指出的问题不一定都需要解决。有些边缘情况可能确实很少发生，不值得为此增加复杂度。但知道这些问题的存在，让你能够做出知情的权衡，而不是在无知中冒险。
方案先行原则
在让 AI 生成完整代码之前，先让它生成方案或架构。
让 AI 先输出方案的好处：
- 能更快发现理解偏差
- 修改方案比修改代码成本低
- 确保整体架构合理后再进入细节
先输出方案，相当于给你一个审核整体设计的机会。审查一份方案文档只需要关注高层设计是否合理，比直接审查代码更容易发现方向性问题。
从认知负荷的角度看，方案确认也降低了你的审核难度。审查一份方案文档，你只需要关注高层设计是否合理；而审查一份代码，你需要同时关注架构逻辑和语法细节。前者更容易发现根本性的误解，后者往往让人陷入细节的泥潭而忽略了整体方向的问题。
方案确认模板：
请先不要写代码，先给出实现方案：
- 数据结构设计
- 主要页面/组件及其职责
- 核心流程的实现思路
- 可能遇到的技术难点
对比：有确认 vs 无确认
无确认（常见错误）
你：帮我做一个待办清单。
AI：[生成带登录、云同步、分类标签的复杂版本]
你：太多了，我只要简单的。
AI：[重新生成，但可能还有其他你没说的功能]有确认（正确做法）
你：帮我做一个待办清单。请确认理解...
AI：我有几个问题...个人用还是团队用？
你：个人用，只要添加/勾选/删除。
AI：确认了：个人用，核心功能是添加/勾选/删除任务，不做登录/云同步/分类标签。
AI：[生成准确的版本]讨论结束的检查清单
当能全部打钩时，就可以让 AI 生成 PRD 或代码了：
- [ ] AI 明确说了目标用户是谁
- [ ] AI 列出了 3-5 个核心功能
- [ ] AI 明确了不做哪些功能
- [ ] AI 理解了完整的使用流程
- [ ] 数据怎么存、存什么已明确
- [ ] 边缘情况已讨论
- [ ] 技术约束已说明
- [ ] 让 AI 总结确认，它的理解准确
常见问题
Q1: AI 列出了很多我不需要的功能
A: 这说明边界不够明确。在确认模板中强调"不做的事情"，并具体列出不需要的功能类别。
Q2: AI 的理解完全错了
A: 不要直接说"不对"。先理解它是如何理解的，然后指出偏差。使用"我说的 X 是指...，你理解的是..."这种对比方式。
Q3: 每次都要写这么长的确认提示吗？
A: 不需要。第一次或复杂需求需要完整确认。简单或后续的迭代，可以简化为"请确认理解"或"有没有不清楚的地方"。
Q4: AI 确认了，但生成的代码还是不对
A: 检查是否遗漏了某些细节，或者让 AI 生成方案时没有仔细审核。方案是代码的蓝图，方案错了，代码一定错。
本节核心要点
- ✅ AI 不一定会追问所有关键细节，你需要主动让它追问
- ✅ 用"基于现有方案，列出多个你不确定的问题向我确认"启动追问
- ✅ 多轮问答，直到所有隐藏假设都被挖掘
- ✅ 明确回答每个问题，不要让 AI "看着办"
- ✅ 方案先行，确认方案后再生成代码
- ✅ 双方理解一致后，再让 AI 生成 PRD
- ✅ 回答 AI 的问题也是自我澄清的过程
理解确认后，接下来用标准模板写 PRD。
相关内容
- 前置：3.1 想法验证实战
- 详见：3.3 PRD 编写实战