要更有效地向 AI 提出跟進問題或要求修改，先診斷目前回答中的一個缺陷，提出一項具體的修正要求，再把修訂版與原版對照。重要事實要一直與原始來源掛鈎，因為語氣更肯定、更潤飾的第二個回答，並不自動更準確。

本流程由第一次回答之後開始。如果最初的要求本身仍未界定清楚，請先看改善首輪 Prompt 的方法；需要規劃整項任務時，使用較全面的有邊界的 AI 工作流程。

關鍵要點

要求新版本之前，先為問題分類。

每次只改變一個變數，才知道是甚麼改善了回答。

要求模型標示假設、未知項目、證據和反例。

保存各個版本，而不是悄悄取代第一個回答。

餘下的決定需要來源、量度或負責任的人時，就停止。

如何向 AI 提出跟進問題並改善 AI 回答？

對話提供了低成本的回饋循環。OpenAI 建議反覆改進：先審閱初步回答，再按欠缺的內容調整措辭、上下文或範圍。［1］當模型誤解了任務、選錯詳略程度，或用了不方便的格式時，這很有幫助。

反覆追問本身不會產生證據。如果第一個回答欠缺可靠來源，問一句「你肯定嗎？」可能只換來一個聽來更有把握的覆述。有用的跟進問題會指出欠缺的證據，並要求一件可核查的交付成果，例如一份把每項主張與原始來源 URL 配對、並列出未解決事項的清單。

把對話視作一系列可檢驗的草稿。目標不是一直追問至模型同意你，而是在保留改動記錄的同時，減少某個已點明的不確定性。

第一步：診斷首次回答

先讀一遍看是否有用，再讀一遍看屬於哪類失敗。把每個問題歸入四類之一：

缺陷	表現	較佳的跟進問題
缺事實	欠缺關鍵日期、定義、限制或來源	「列出回答所需但欠缺的事實，不要自行填補。」
範圍錯	回答過闊、過窄、過於技術化或太籠統	「只修改設定決定的部分，排除部署。」
格式錯	內容可用，但難以比較或執行	「改成附證據和未知項目的三欄決策表。」
推理跳步	結論出現卻沒有可見的前提	「列出這個結論的前提，並標明哪些屬假設。」

在能說出缺陷之前，不要要求「更好的回答」。否則下一個回答可能同時改變語氣、長度、例子和結論，令你無法判斷是哪項改動起了作用。

如果有多個缺陷，就排出先後。先糾正錯誤前提，再潤飾格式；先修正範圍，再要求更多細節。建基於錯誤任務的回答，格式再好也仍然是錯的。

第二步：用更好的 AI 跟進提示每次只改變一個變數

受控的跟進只改變一個範疇：範圍、受眾、證據標準、長度、結構或決策準則。OpenAI 的提示指引強調清晰的上下文和明確的輸出要求，包括長度和格式。［2］同樣的控制在其後的回合也適用。

例如，假設第一個回答推薦了三個方案，卻沒有解釋取捨。可以這樣問：

保留同樣的三個方案。只補充作出選擇所需的假設、最大優點、主要缺點和證據。暫時不要加入新方案。

這項指示保留了基線。如果修訂版更有用，你便知道欠缺的是比較這一範疇。如果同時要求新方案、較短的回答、不同的受眾、引用和建議，就無法分辨是甚麼帶來了改善。

重要的工作，保留一份簡短的改動記錄：

版本	改變的變數	預期效果	實際結果
V1	初始要求	建立基線	範圍籠統，沒有決策準則
V2	加入準則	令方案可比較	取捨已顯示，證據仍欠缺
V3	加入證據規則	分開主張與猜測	仍有兩項主張未解決

第三步：只補充必要內容和輸出限制

上下文並非越多越好。只補充能解決已診斷缺口的最少事實包：受眾、目標、限制、定義、已知證據和禁止的假設。一段政策或一個數據表已足夠時，不要貼上整個項目歷史。

以標題或分隔符把上下文與指示分開，再說明模型可以怎樣使用。例如：

已知事實： 已批准的預算範圍、交付日期和支援的平台。 未知： 供應商是否支援資料匯出。 任務： 只修改實施次序。不要推斷未知項目；把它列為阻礙因素。

這種結構可防止未知項目被吸納進流暢的文字，也令日後移除過時的上下文更容易。

絕不要貼上憑證、私人記錄、客戶資料、機密申請材料，或你無權分享的材料。如果答案取決於敏感事實，就以合成標籤代替，或使用獲批准的環境。

第四步：要求顯示假設、未知項、反例和證據

許多薄弱的回答把不確定性藏在順滑的過渡語背後。用一個跟進問題強制它分成四部分輸出：

已觀察或已提供的事實： 回答能直接支持的內容。
假設： 未經現有證據證明便被接受的前提。
未知項目： 需要但無法取得的資料。
反例： 建議會失效的條件。

NIST 的生成式 AI 風險概況把風險管理圍繞在整個使用過程中識別、量度、管理和管治風險。［3］對用戶而言，實際做法就是在依據回答行動之前，先令不確定性清晰可見。

試試這個精簡的提示：

審查你之前的回答。分成四部分：有根據的事實、假設、未知項目和反例。就每項有根據的事實，寫出核實它所需的來源。不要虛構引用，也不要以推斷解決未知項目。

如果模型提供了來源，就按 AI 引用核實流程處理。URL、標題或引文仍可能是錯誤、無關、過時或虛構的。

第五步：比較版本並保存差異

不要以 V2 覆蓋 V1，再靠記憶比較。兩者都保存，然後要求按主張而非措辭整理差異：

新增、刪除或有實質改變的主張；
新增或撤回的證據；
被升格為事實的假設；
範圍或受眾的改變；
改變了的建議及原因。

要求模型只引述其先前草稿中的簡短識別，而不是大段來源文字。然後你便可直接檢查改變了的主張。

兩個回答互相矛盾時，不要讓模型投票。建立一個小型裁決表，列出矛盾的主張、各版本的依據、能解決它的原始來源，以及目前狀態。這樣，分歧便變成一份研究待辦清單。

這個循環是一種審查方法，並不證明某個回答正確。每一輪都必須減少一個已點明的不確定性，否則就應停止。

第六步：核實事實、引文、數字和高風險建議

當回答包含日期、法律規則、醫療或財務建議、統計數字、產品功能、引文，或關於具名人士或機構的主張時，使用獨立的核實 AI 回答的重要事實流程。由原始來源開始，而不是由搜尋摘錄或另一份 AI 撮要開始。

研究任務請按安全的 AI 研究流程：界定問題、收集來源、比較主張，並讓未解決的矛盾保持可見。NIST 的 AI RMF Playbook 同樣為管治、映射、量度和管理 AI 風險提供了建議行動；它是供人判斷的選單，而不是模型提供的保證。［4］

以底層數據集或計算核對數字。在來源段落及其上下文核對引文。在現行官方文件核對現行產品行為。後果重大的決定，即使所有引用看似有效，也要請負責的專業人士或負責人參與。

第七步：預先定義停止條件

更多回合可能增加雜訊、令模型固守早前的錯誤，或耗費時間卻得不到新證據。符合以下任何一項時便停止：

交付成果已符合明確的驗收準則；
餘下的未知項目需要對話中沒有的來源、量度、工具、權限或人；
兩次修訂在沒有新證據下重複同一主張；
模型改變結論，卻沒有說明新的前提；
下一步行動後果重大，需要有人負責批准；
任務已偏離原本的範圍。

把結果記為接納、拒絕或未解決。證據欠缺時，「未解決」是有用的結果，比再追問一輪去製造確定性更安全。

可重用的跟進次序

把以下七輪次序當作選單，而不是必須走完的劇本：

「為你回答中的弱點分類；暫時不要修改。」
「只修正範圍問題，主張和結構保持不變。」
「加入以下已核實的上下文，並標出矛盾。」
「分開寫事實、假設、未知項目和反例。」
「在主張層面把這個版本與 V1 比較。」
「列出未解決主張所需的原始來源或量度。」
「說明是否符合驗收準則，以及哪些需要人判斷。」

這個次序之所以有效，是因為每一輪目的都很窄，並產出一份可審計的材料。與實際缺陷無關的步驟可以略過。

總結

先診斷是缺事實、範圍錯、格式錯還是推理跳步。
每次只改變一個變數，並保存之前的版本。
只補充最少的上下文和明確的輸出限制。
強制把假設、未知項目、反例和證據分開寫。
在原始來源核實重要主張；對話無法解決餘下問題時便停止。

常見問題

應繼續目前對話還是另開對話？

現有上下文簡短、相關而正確時，繼續目前對話。指示互相衝突、任務改變、需要排除敏感上下文，或早前的錯誤不斷影響其後的回答時，另開對話，只帶入一份已核實的撮要。

「你肯定嗎？」是好問題嗎？

單獨使用通常沒有甚麼用。要問甚麼證據支持這項主張、哪些假設可能改變它，以及哪個原始來源能核實它。肯定的語氣不是可靠性的量度標準。

應該跟進多少次？

只要能減少某個已點明的不確定性便可繼續，沒有固定次數。符合驗收準則，或餘下缺口需要外部證據或人的權限時，就停止。

可以叫 AI 批評自己的回答嗎？

可以，但要把批評視為另一份草稿。給它評分準則，要求主張層面的證據，然後獨立核實重要發現。

模型忘記早前限制怎麼辦？

重新寫明少數幾項具約束力的條件，並要求它在修訂前先列出。如果衝突仍然存在，就帶着一份已核實的上下文包另開對話。

每輪都應要求多個方案嗎？

不需要。決策空間不確定時，備選方案有幫助，但可能分散對事實或範圍缺陷的注意。先修正已診斷的問題，再在相同準則下要求備選方案。

如何跟進一項引用？

要求它說明該來源支持的確切主張，以及文件標題、發布者、日期和直接 URL。親自打開來源，核實段落、上下文和時效。

AI 工具完成研究報告後應跟進甚麼？

把完成的報告視為 V1，而不是結論。要求它列出主要主張及各自依據的來源、它未能回答的問題，以及它收窄或放棄的範圍。然後每次只要求一項修改，並親自核實關鍵引用。也可以讓第二個模型審閱這份報告，但它的批評只是另一份草稿，不等於核實。

何時必須交由人處理？

涉及法律、醫療、財務、僱傭、安全、私隱或其他後果重大的決定，欠缺權限或涉及機密資料，以及證據仍有爭議時，都需要有人負責作判斷。

延伸閱讀：

免責聲明：本文只提供一般資訊。高後果結論應回到原始來源並由合資格專業人士確認，同時遵守機構的私隱及決策控制規則。

來源：

OpenAI — Prompt engineering best practices for ChatGPT — https://help.openai.com/en/articles/10032626-how-do-i-prompt-chatgpt-effectively
OpenAI — Best practices for prompt engineering with the OpenAI API — https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-the-openai-api
NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
NIST — AI Risk Management Framework Playbook — https://airc.nist.gov/AI_RMF_Knowledge_Base/Playbook

Sources checked 2026 年 10 月 4 日。

如何向 AI 提出跟進問題：要求修改、比較版本並核實回答