将模糊意图映射为确定性结果

很多人习惯把 AI 当搜索引擎，输入一个模糊的指令，结果模型给你一个泛泛而谈的答案。但如果把 AI 当作“需求分析师”，让它先通过反向询问来对齐意图，结果会完全不同。

我最近在测一套复杂的自动化工作流脚本，最初的需求非常模糊，大概就是“想让 AI 帮我监控某个网页变化并把关键信息推送到飞书”。

GPT-4o 的表现：
它会直接给我一段 Python 代码，用了 requests 和 BeautifulSoup。虽然代码能跑，但它默认了网页是静态的，而且推送格式极其简陋。它是在尝试“猜测”我的意图，一旦猜错，后续所有调整都是在打补丁。

Claude 3.5 Sonnet 的表现：
它没有急着写代码，而是先列了几个关键点问我：网页是否需要模拟登录？推送的触发频率是实时还是定时？飞书端是需要文本消息还是结构化卡片？

这种“先对齐，后执行”的机制，把模糊意图强行映射成了确定性的技术指标。

实测对比下来，在处理这类任务时：
Claude 3.5 Sonnet 胜在逻辑严密，擅长在模糊地带通过追问来收敛范围，生成的代码一次性正确率极高，尤其适合写架构设计或复杂逻辑。
GPT-4o 胜在响应速度和通用性，但容易陷入“过度自信”的陷阱，直接跳到结果而忽略了前提条件的确认。

如果你也遇到 AI 总是不能心领神会的情况，建议试下这个 Prompt 框架，强迫它进入“意图确认”模式：

你现在是一个资深需求分析师。当我输入一个模糊的需求时，不要直接给出方案。
请执行以下流程：
1. 分析我话语中不确定的变量。
2. 针对这些变量提出 3-5 个关键问题以消除歧义。
3. 在我回答之前，仅提供一个初步的理解大纲。
4. 等我确认后再输出最终的确定性结果。

用这套逻辑跑了一圈，我发现把“确定性”的责任交给模型去引导，比自己死磕 Prompt 描述词要高效得多。