同样使用生成式AI，不同人的用法可以完全不同。
有人问一个问题，拿到答案，然后结束。
有人会从答案继续跳到原因、比较、例外、其他行业、反驳和应用。
差别不只是“谁会写更长的提示词”。
更大的差别，是AI回答之后，大脑会不会自然接上这些问题：
“为什么？”
“和别的相比呢？”
“反例是什么？”
“这个结构能不能用到别处？”
AI的高级用法，有一部分不是搜索，而是联想游戏。
把AI当搜索框，往往一问一答就结束。把它当思考搭档，每个答案都会成为下一个问题的材料。
1. 核心不是一次命中完美问题，而是把问题长成一棵树
清晰的提示当然重要，但没必要每次一开始就写出完美问题。
真实探索中，我们经常看完第一个答案才发现“这个点更有意思”。
更有效的流程是：
- 先问一个合理的问题。
- 从答案里挑一个感兴趣的点。
- 沿原因、比较、例外、应用或类比延伸一条分支。
- 再从新答案继续长出下一条分支。
- 对重要事实使用外部资料核验。
第一个问题只是种子，真正的价值往往在它长成树之后出现。
2. 为什么很多人一问就停——“得到答案”和“继续探索”是两种行为
“介绍一下我听过的这家公司”本身是一个很正常的入口。
问题在于，说明一返回，就觉得任务完成了。
探索式使用会把答案看成下一轮提问的零件，而不是成品。
看完一家公司后，可以立刻离开公司名本身：
- 为什么这个行业的利润结构不同？
- 和竞争对手相比差在哪里？
- 弱点是什么？
- 其他行业有没有相同结构？
- 什么条件会让这种模式失效？
原本只是查一个专有名词，最后可能走到行业结构、经济、技术和组织问题。
这就是问题开始“增殖”。
3. 联想游戏的认知核心——不只在同一个货架深挖，还要换货架
关于语义记忆搜索的研究，会区分两种动作：在相近意义的簇内继续寻找，以及切换到另一个意义簇。
前者像在同一排货架越翻越深，后者是直接换货架。
2022年的研究发现，这种“切换”与组合远距离概念的能力、语义记忆结构和执行能力有关。
放到AI上就很好理解。
“这家公司有哪些产品？” “还有哪些产品？” “再来几个？”
这是同一货架。
而：
“为什么形成这种产品组合？” “竞争对手为什么组合不同？” “其他行业有没有同样的赚钱结构？”
就已经换了货架。
想增强联想探索，不只是多收集信息，还要练习类别切换。
4. 一开始不用自由联想——先铺五条轨道
如果一个人本来就不擅长联想，告诉他“再多联想一点”几乎没有操作性。
先只用五个方向即可。
| 方向 | 下一个问题 |
|---|---|
| 原因 | 为什么会这样？ |
| 比较 | 和其他案例有什么不同？ |
| 例外／反证 | 什么反例或条件会让它失效？ |
| 应用 | 能不能用到另一个问题？ |
| 类似 | 哪个案例有相同结构？ |
关于问题生成训练的研究发现，相比只让学习者“自己提问”，提供提问线索的训练条件在元认知知识和自我调节方面出现了更大的提升。
所以最初不需要完全自由发挥。
先装辅助轮。
5. 让AI生成“分支”，不要只生成答案
生成式AI很擅长大量提出候选。在发散思维任务中，有研究发现GPT-4在特定测试条件下比平均人类参与者更有原创性、也更详细。
但如果下一步的问题也永远全部交给AI，人就只剩“选择”。
一个实用折中是：
“我先想1条 → AI补3条 → 再选1条。”
先自己写一个后续问题，再问AI：
从这个答案继续延伸3个问题，方向从原因、比较、例外、应用、类似中选择。先不要回答，只列问题。
这样AI负责扩大搜索空间，而自己的提问能力也不会消失。
2025年的生成式AI搜索研究也发现，鼓励用户反思理解程度、考虑其他视角的元认知提示，会促使参与者探索更广的话题并提出更深入的追问。
6. “把AI养熟”到底是什么——更多是积累可用上下文，不是个人重新训练基础模型
长期使用后，AI的回答可能越来越像“懂你”。
这里需要区分两件事。
在能够利用当前对话、过去信息、偏好或记忆功能的系统中，AI会拥有更多关于目标、限制和既往决定的材料。
这可以提高个性化，但通常不等于用户亲自重新训练了基础模型。
真正实用的优势是：不用每次从零解释背景。
如果目标、不要什么、过去比较过什么、判断标准已经共享，同一句“你推荐哪个？”也会从完全不同的起点开始。
但上下文也不是越多越好。
如果AI过度依赖过去偏好，新选项可能越来越看不见。
重要判断时，偶尔可以问：
暂时忽略我过去的偏好和结论，从最强的反对立场尝试反证。
“积累上下文”和“把世界关小”有时只差一步。
7. 比较能把个案提炼成更高一层的规则
比较是增强联想最简单的方法之一。
显式比较两个案例的共同点和差异，比各自单独阅读更容易抽取脱离表面名称的共同结构。
在谈判学习研究中，比较两个案例并提取共同原理的组，比把同样两个案例分开分析的组，更容易把该原理迁移到新的谈判情境。
AI也可以照搬这个结构。
“解释A”之后继续问：
“A和B在结构上有什么不同？”
再问：
“是什么原因造成这个差异？” “C也有同样结构吗？”
比较是把专有名词变成可复用规则的桥。
8. 但AI的联想不是事实
分支越多，方向越有趣，同时错误入口也越多。
AI可以把语义上看起来接近的概念连起来，但“看起来有关”并不证明现实中的因果或事实关系。
最好分工：
- AI：提出分支、比较轴、反论和假设。
- 一手资料或可信来源：确定数字、制度、价格、人物和最新规格。
- 用户：决定哪条分支值得继续。
AI追问可以深化已有发现，却不一定总能发现新问题。一项60人的可用性研究中，GPT-4生成的追问擅长补充已有发现的细节，但发现的新可用性问题更少。
问题更多，不等于自动更接近真相。
生成分支和验证分支要分开做。
9. 联想能力可以训练，但不是魔法
2024年一项汇总169个创造力训练研究的元分析发现，未校正的平均效应约为0.53个标准差；校正发表偏倚后，估计降到约0.29～0.32个标准差。
这意味着训练可能有帮助，但不是几天内就彻底换一个大脑。
与其另外启动一套学习系统，不如每次正常使用AI时都做一遍：
“读答案 → 从五个方向里挑一个，再延伸一条。”
让日常AI使用本身成为训练。
10. 四个可以马上复制的问题
生成下一批分支
从原因、比较、例外、应用、类似中给我3个后续问题。先不要回答。
找盲点
按我现在的提问方式，哪些重要角度容易被忽略？给我3个不同切口。
用比较做抽象
给一个相似案例，并分别整理共同结构和关键差异。
打破既有框架
不要把之前对话的结论当成前提，从相反立场提出最强反驳。
总结——把AI从“答案盒子”变成“问题放大器”
会不会用AI，不只取决于你收藏了多少神秘提示词。
第一个答案之后，你还能不能继续提问？
能不能比较？
能不能换类别？
能不能反证？
能不能核验重要事实？
这个循环一旦运转，AI就不再只是搜索替代品，而会变成思考搭档。
从“一问一答结束”变成“把问题长成树”。
你以为自己在养AI，可能同时也在养自己的提问方式。
