我第一次真正意识到“提示词”这东西不简单，是在一个深夜。当时我正对着AI生成的答案发愣，它说得头头是道，逻辑通顺，可我就是觉得哪里不对劲。那种感觉像是吃了一碗看着很丰盛、实际没什么营养的速食面。后来我反复琢磨才明白，问题不在AI回答得好不好，而在我问得太随便。我问什么，它就答什么，我懒，它比我还懒。
这件事让我开始重新打量“批判性思维提示词”这个概念。它听起来像两个时髦词的拼接，实际上是一个很实在的东西：你用一套有结构的提问方式，逼着自己和AI都不许停留在表面。这里面有澄清，有质疑，有论证，有反思。我把它当成一种思维体操，而不是查资料的快捷键。
1.1 从批判性思维到提示词：概念边界与核心要素
批判性思维这个词，大家都不陌生。我最早接触它是在大学逻辑课上，老师讲“论证结构”，底下睡倒一片。那时候我以为批判性思维就是挑毛病、抬杠。工作几年后我才慢慢品出来，它更像是一种对自己思考过程的监视：我凭什么相信这个说法？我有没有漏掉反面证据？我的结论是不是下得太快了？
把这些习惯搬进提示词里，就形成一个很具体的转变。我从“帮我分析一下这个问题”变成“请指出我这个论证里的隐含假设，并给出至少两个可能的反例”。前一种问法省事，后一种问法费脑子。费脑子的那个，才是批判性思维提示词的核心要素——它内置了质疑动作，而不是等着AI替你去质疑。
我自己的体会是，概念边界就在这里：普通的提示词追求“得到答案”，批判性思维提示词追求“得到一个经得起推敲的答案”。一个是伸手要鱼，一个是自己带渔网还检查网眼有没有破。
1.2 提示词为何能促进批判性思维：澄清、质疑、论证与反思
提示词能促进思维，听起来有点反直觉。很多人觉得跟AI聊天就是偷懒，哪来的思维训练。我一开始也这么想，直到有一次我让AI帮我写一段产品介绍，它写得很漂亮，但里面有一句话把用户数据夸大了三倍。我要是没多看一眼，这稿子就发出去了。
那次之后我开始刻意在提示词里加“澄清”动作。比如问：“你这句话的依据是什么？能不能把数据来源也列出来？”AI会老老实实承认哪些是推测，哪些是事实。这个追问的过程，其实就是在练澄清能力。
质疑和论证也一样。我经常这样提问：“你给出的这个结论，假设是什么？如果假设不成立，结论会怎么变？”AI通常会补出一段我之前没想到的前提。它不一定每次都答对，但这个互动逼着我去看论证的骨架，而不是被漂亮的措辞牵着走。反思则更多发生在我自己这边——我会在对话结束后记两笔：这次提问我漏了什么？哪句话问得太笼统？
1.3 常见误区：把“反问”当批判、把“复杂指令”当深度思考
我踩过这个坑，而且踩得很结实。有一阵子我特别喜欢在提示词里堆反问句，觉得自己特别有批判精神。“难道这个方案没有风险吗？难道没有更好的选择吗？”AI回得也很配合，列出一堆风险点。我当时挺得意，后来回头看那些对话记录，发现我什么实质性的东西都没得到。反问不等于批判。反问只是把语气变硬了，思维还是软的。
另一个误区是把复杂指令当成深度思考。我见过有人写提示词，一写就是五百字，角色设定、背景信息、格式要求堆得密密麻麻。看着很专业，实际上很多指令是重叠的，甚至是相互打架的。我试过那种写法，AI被绕晕了，我也被绕晕了。复杂不等于深。真正有深度的提示词，往往不长，但它每一句都落在关键位置上。
我自己总结了一个笨办法：每次写完提示词，问自己一句“这句话是在帮我想得更清楚，还是在帮我说得更热闹？”答案通常是后者的时候，我就删掉重写。
1.4 目标设定：用提示词训练思维而非替代思考
目标这件事，我想得越久越觉得重要。如果你的目标是“让AI替我思考”，那提示词写得再花哨也没用，你只是在训练自己当甲方。如果你的目标是“借AI练自己的脑子”，那提示词就变成了训练器材。
我现在用提示词有个习惯，每次对话结束前会加一轮“反向提问”：“请你指出我在这次对话中可能忽略的角度，或者我提问方式上的盲区。”这一轮往往最费时间，也最有收获。它让AI从答题机变成了陪练。
说白了，批判性思维提示词的价值不在提示词本身，在它逼你养成的那个动作：先别急着要答案，先看看问题问得对不对。这个动作练久了，离开AI也用得上。
我第一次认真设计提示词模板，是因为吃了一次大亏。当时我拿一个看似周全的模板去分析某份行业报告，AI洋洋洒洒输出了一大篇，结构工整、语气专业，我差点直接拿去用了。临发出去前多看了一眼，发现它把我的问题原样复述了一遍，然后给了一堆放之四海而皆准的废话。那一刻我意识到，模板要是没设计好，AI偷懒比人还快。
后来我拆了几十个自己用过的提示词，慢慢摸出一点门道。一个好的批判性思维模板，不是让AI替你想，而是用一套结构把你的思考过程固定在轨道上。轨道太松，车会脱轨；轨道太死，车又跑不起来。这个松紧度，就是设计的关键。
2.1 模板基本结构：角色、任务、约束、证据、推理与输出
我一开始写模板，只会写“你是一个专家，请帮我分析……”。这种写法不能说错，但太空了，AI根本不知道从哪里使劲。后来我把它拆成六个部件，每个部件都有具体功能。
角色这块，我现在不写“资深分析师”这种虚头衔了。我会写“你是一个习惯先找反面证据再下结论的人”，或者“你是一个不轻易接受表面说法的审稿人”。角色描述的是思维习惯，不是职位高低。任务要具体到什么动作上，比如“列出这段论证的三个隐含假设”就比“分析这段论证”有用得多。约束是我后来加得最多的部分，用来防止AI跑偏，比如“不要超过五条结论”“每条结论必须标注是事实还是推断”。
证据这个部件我纠结了很久。我一开始写“请提供证据”，AI就编一堆看起来像真的但查无出处的引用。后来我改成“只能使用我提供的材料中的信息，材料里没有的请直接说找不到”。这一改，AI老实多了。推理部分我一般要求它把推导步骤写出来，一步一句，不许跳步。输出格式也很重要，我会指定用列表还是表格，因为格式一固定，AI就没法用漂亮话糊弄过去。
这六个部件凑在一起，模板就有了骨架。但我得说清楚，不是每次都要全用上。有时候只写任务加约束就够了，多写了反而累赘。我见过有人把六个部件扩展到十几个，加了一堆“语气”“风格”“字数”的细枝末节，结果AI光顾着数要求，正经问题反倒没想。结构是为了让思维有落点，不是为了显得专业。
2.2 关键提问维度：假设识别、证据评估、反例寻找、替代解释与结论限定
结构搭好了，接下来得往里面填具体问题。我经常用的有五个维度，每一个都对应一种思维动作。假设识别是我用得最多的，我会问“这个说法成立的前提是什么？其中一个前提不成立会怎样？”AI通常能挖出两三个我自己没意识到的默认前提。
证据评估这个维度，我吃过不少甜头也吃过不少亏。甜头是它逼着AI区分事实和猜测，亏是有时候AI会煞有介事地给出一堆假证据。现在我会加上一句“如果证据来源不确定，请标注置信度低”。反例寻找也好用，让AI站在对立面想问题，找两三个相反案例。这个动作经常把我从想当然里拽出来。
替代解释和结论限定经常一起用。我习惯问“除了这个解释，还有什么可能？你的结论在什么范围内成立？”这么问完之后，AI的结论通常会缩水一圈，从“肯定如何”变成“在A条件下可能如何”。我心里有数，缩过水的结论虽然没那么爽，但更接近能用的东西。这五个维度不用每次都全上，我一般挑两三个针对当前问题最关键的，混着用效果反而好。
2.3 模板分层设计：入门级、进阶级与专家级提示词
我教别人用提示词的时候，最怕一上来就甩专家级模板。我自己当初就是被一个复杂模板劝退的，密密麻麻的结构后来看懂了，但当时只觉得头大。后来我就把模板分成三个层次。
入门级只做一件事：让AI帮我把问题说清楚。模板很简单，比如“请用三句话总结我的问题，并指出其中最关键的一个判断”。这个级别适合刚开始练的人，不要求深度分析，先把“看清问题”这个习惯养起来。我用了大概两周入门模板，最大的收获是发现我以前问问题有多含糊。
进阶级开始加追问和多角度要求。比如“针对这个结论，分别从反方立场、数据来源和适用条件三个角度各提一个问题”。这个级别会让AI做有限度的深度挖掘，但不指望它全自动跑完。我一般在这个级别花的时间最多，因为大多数日常场景够用了。
专家级模板我平时用得少，只在需要做重要决策的时候拿出来。它包含多轮追问的设计、对抗性审查和置信度标注。举个例子，我会让AI先用五轮追问把某个方案的假设全部挖出来，然后要求它在每一轮必须给出与上一轮相反的证据或推理。这个级别的模板很费AI的算力，也很费我的脑力，用完一次要缓半天。分层的好处是让我知道自己当前在哪一步，不会拿专家级模板去解决一个只需要澄清一下的小问题。
2.4 可复用模板示例与改写原则：避免机械套用与形式化提问
我电脑里存了十来个自己改过的模板，但真正经常用的就三四个。每次用的时候我都会改，一个字不改直接套的情况很少。机械套用是我见过最多的毛病，有人从网上抄一个模板，不管什么问题原样丢给AI，然后抱怨AI回答得不行。模板是死的，问题是活的，不改肯定不行。
我举一个自己常用的简版模板。针对需要评估某个说法的场景，我会写：“请找出这段话里的一个关键断言，列出支持它的两个理由，再列出可能推翻它的一个条件。如果你找不到推翻条件，请直接说明理由。输出用三段，每段不超过两句话。”这个模板短，但每个要求都是具体的，AI没法糊弄。
改写原则我有三条。第一条，拿到一个模板先删掉自己看不懂的部分，看不懂说明用不上。第二条，每次用之前至少改一个地方，改约束或者改输出格式都行，目的是逼自己重新想一遍这次到底要什么。第三条，如果用了两三次发现AI的回答越来越像，就说明模板开始形式化了，得换角度重写。我有一次连续用一个模板分析了五个案例，到第五个的时候AI输出的开头跟第一个几乎一样，我就知道该动刀了。
形式化提问还有一个隐蔽的表现：模板里全是“请分析”“请评估”这种大词，没有一个具体动作。我现在会逼自己把每个动词换成“列出”“比较”“标注”“删除”这类看得见摸得着的操作。这么一换，AI的回答立刻从散文变成了工作清单，效率高很多。
我一开始跟AI对话，习惯特别差。问一句，它答一段，我看完觉得有道理就收工，跟点外卖似的。后来有一次我写一个产品分析，AI给了我一堆看起来挺像回事的结论，我照单全收发给了团队。第二天开会，同事问我“这个数据哪来的”，我当场卡壳，回去翻对话记录才发现AI从头到尾没提过数据来源，它只是把我说过的话换了个说法还给我。那次之后我才明白，跟AI协作不是下单取货，它更像跟一个反应极快但特别容易顺着你说的搭档聊天，你得会问，还得会追。
3.1 与AI对话的批判性思维流程：提问、追问、反驳与校准
我现在跟AI对话，脑子里的流程跟以前完全不一样了。以前是“提问—看答案—结束”，现在至少跑四步：提问、追问、反驳、校准。提问这一步我改得最多。以前我问“这个方案可行吗”，现在我会问“这个方案在什么条件下可行，在什么条件下会失败”。问题一换，AI的输出立刻从一坨模糊判断变成了有棱角的条件清单。这跟第二章聊的模板设计是一回事，问题本身的结构决定了答案的结构。
追问是我花时间最多的环节。AI第一轮回答通常像刚睡醒，说得很顺但不太经得起扒。我会挑它回答里最含糊的那句话问：“你刚才说‘效果显著’，具体指什么？有没有反例？”这一追问，它经常会把前面的结论往回缩一点，或者补上一个我之前没想到的限制条件。反驳这一步需要一点心理建设，因为要逼着自己站在AI的对立面。我常用的说法是“如果你要推翻你刚才的结论，你会从哪三个角度下手”。这一问经常能炸出一些它第一轮故意藏起来的复杂性。
校准是最后一步，也是我最容易偷懒的一步。校准的意思是，把AI几轮回答里的共识部分、分歧部分、不确定部分分别拎出来，自己再判断一遍。我一般的做法是让AI自己列一个表：“把你这几轮回答里确定的事实、推测性的判断、明显矛盾的地方分三列写出来。”这个动作做完，我心里才有底哪些能直接用，哪些得自己再查。整个流程跑下来，比单次提问慢不少，但踩坑的概率也小很多。
3.2 框架设计：苏格拉底式追问、论证地图、正反合与红队审查
我试过好几种跟AI协作的框架，最后留下来常用的有四个。苏格拉底式追问是最顺手的一个。我不直接问结论，而是让AI连续回答一串递进问题。比如分析一个商业决策，我会让它依次回答：“这个决策想解决什么问题？”“解决这个问题的前提假设是什么？”“如果其中一个假设不成立，决策还成立吗？”“有没有人曾经用相反的方式解决过同样的问题？”这一串问题问下来，AI经常在第三或第四问上卡住，一卡住就说明前提有问题。这个框架的好处是它不给你结论，给你的是结论底下的地基。
论证地图我一般用在处理复杂材料的时候。我会让AI把一段论证拆成“主张—理由—证据—隐含假设”四层，画成树状结构。这个动作特别适合用来对付那种写得头头是道但细看全是窟窿的文章。有一次我拿一篇行业分析试了一下，AI画完图我一看，三个主要理由里有两个共享同一个未经验证的假设，整个论证的稳定性一下就露馅了。
正反合这个框架我用得少一些，但每次用都觉得值。我会让AI先站在正方立场把道理说圆，再站到反方立场把漏洞挑干净，最后让它尝试找一个能同时容纳双方合理部分的中间立场。这个框架用在争议性话题上特别好使，因为AI在单轮回答里容易选边站，逼它跑完正反合之后，它的立场会变得克制很多。红队审查是我从安全测试那边借来的思路，做法是让AI扮演一个专门找茬的审查者，对某个方案做攻击性测试。我一般会给它一个角色设定：“你是一个专门挑毛病的人，你的任务是找出这个方案里最致命的三个漏洞，不许说好话。”这个框架每次都能把我从自我感觉良好里拽出来，它挑出来的毛病有时候比我预想的还准。
3.3 多轮提示词编排：从开放探索到证据核验再到决策输出
跟AI协作时间长了，我发现单次提问和多次提问的差别特别大。单次提问像扔个石子看水花，多次提问像修一条水渠，让水往你要的方向流。我现在处理稍微重要一点的问题，会分三个阶段编排提示词。
第一阶段是开放探索。这个阶段我不设太多约束，主要让AI把问题的边界摸清楚。我会用比较宽的问法：“关于这个话题，列出五个不同角度的切入方式，每个角度给一句话说明。”这个阶段的目标是让我看到自己没想到的方向，不追求答案的质量。有时候AI列出来的五个角度里有三个是废话，但剩下两个能打开我的思路，这一轮就算没白跑。
第二阶段是证据核验。我会把第一阶段里最有价值的两个方向拎出来，让AI专门针对它们找证据、做区分。“在这个方向上，哪些说法是有明确来源的，哪些是推测，哪些是矛盾信息，分三类列出来。”这个阶段我会特别强调让它标注不确定性，因为AI有个毛病，越到后面越自信，明明前面说“可能”，到第五轮就变成“一定”了。我会在提示词里明确写“不确定的地方请直接说不确定，不要用模糊词盖过去”。
第三阶段是决策输出。这个阶段我会把前面两轮的成果压缩成一个可操作的结论框架。“基于前面核验过的信息，给我一个三行的判断：第一行写你最有把握的结论，第二行写这个结论成立的条件，第三行写如果条件不成立时的备选判断。”这么编排下来，AI的输出会变得非常紧凑，没有废话，我拿去用的时候心里也踏实。三个阶段不用每次都跑满，日常小问题跑第一阶段就够了，重要决策我才走完三轮。
3.4 AI回答审查清单：事实、逻辑、偏见、不确定性与可验证性
不管前面框架用得多细，AI的回答拿到手，我最后都会过一遍审查清单。这份清单是我踩坑踩出来的，现在贴在显示器边上，跟便签纸似的，每次用之前扫一眼。清单一共五项，每项都是一句话提醒。
事实这项我盯得最紧。AI最擅长的就是编造看起来像真的事实，数字、人名、引用、日期，样样都能说得有鼻子有眼。我现在的习惯是，凡是AI给出的事实性信息，只要我不确定，一律标黄，回头自己查。有一个简单的自查方法：让AI把回答里所有事实性陈述单独列出来，然后在每条后面标注“有明确来源”还是“凭印象生成”。它标注“凭印象”的部分，基本就是我需要自己核实的地方。
逻辑这项看的是推理过程有没有跳步。AI经常在两个判断之间跳过关键环节，尤其是从“A发生了”直接跳到“所以B导致了A”这种因果推断。我会让它把因果链条一步一句写出来，中间不许用“因此”“所以”这种词糊弄过去。写出来之后，哪一步是硬凑的，一眼就能看出来。偏见这项比较微妙，AI的偏见往往藏在用词里，比如描述同一个行为，对一方用“果断”，对另一方用“冒进”。我会让AI自己检查“你的回答里有没有对某一方使用更负面的措辞”，它有时候能揪出来，有时候揪不出来，但至少有这个动作比没有强。
不确定性和可验证性我经常合在一起看。前者的意思是，AI有没有把不确定的东西说成确定的，后者的意思是，它给出的结论能不能被第三方验证。我会问它“你回答里最没把握的部分是哪一段，为什么没把握”，以及“如果有人要验证你的核心结论，他需要查什么资料”。这两个问题能逼着AI把底牌亮出来。说实话，每次过完这份清单，AI的回答都会缩水一圈，但缩完水的那部分才是真正能用的东西。清单不是为了否定AI的输出，是为了把其中真正结实的部分留下来。
我把第三章那套提问框架用了大概两个月，有天晚上复盘，发现自己其实一直在做三件事：拿它学东西、拿它做决定、拿它防着被忽悠。这三件事听起来差别挺大，底下跑的是同一套动作——让AI把话说清楚，然后我自己判断哪句能信。这章我想把这三个场景拆开聊聊，顺便说说我踩过的坑，以及后来怎么给自己上了几道保险。
4.1 典型场景：学习研究、工作决策、写作论证与信息甄别
学习研究这块，我用得最笨也最实在。以前看书看论文，遇到不懂的概念就搜一下，搜到什么算什么。现在我会让AI干一件事：把概念拆成“它反对什么”“它成立需要什么条件”“别人怎么批评它”三个问题，挨个回答。这个动作能把我从“好像懂了”的幻觉里拽出来。有次我读一个心理学理论，搜到的资料都说得头头是道，我让AI列了三条反对意见，其中一条直接指向该理论实验设计的漏洞，我去查了原始文献，确实如此。学习场景里最值钱的不是答案本身，是让你看见一个知识点周围的争议地形。
工作决策上我用得更谨慎。我做过一个小项目的方案评估，没直接问AI“这方案行不行”，而是让它做了一件事：假设这个方案已经失败了，倒推可能的原因，列六条。它列出来的六条里有两条是我完全没想过的，一条关于资源错配，一条关于时间窗口。这两条我拿去跟同事讨论，讨论完方案改了一版，实施后确实避开了那两个坑。工作场景里AI最大的价值不是替你做决定，是逼你把决定周围的盲区看清楚。我一般不会在决策场景里省掉追问环节，因为决策错了代价太大。
写作论证这个场景我感情最深。我写东西有个毛病，论点摆出来，后面跟着的全是支持性材料，反对意见自动过滤。后来我让AI扮演一个专门挑刺的读者，任务是读完我的论证提纲后说三句话：哪句话逻辑跳跃了，哪个证据撑不住结论，哪个反例我假装没看见。这招挺狠的，有次它指出我一段论证里偷换了概念，我回去改了三遍才把那个坑填平。写作场景里用提示词，核心是让AI当你的杠精，不是当你的捧哏。捧哏你自己就能干，杠精得找个有耐心的。
信息甄别是我用得最频繁也最紧张的场景。网上看到一篇文章说得天花乱坠，我会把核心观点敲给AI，让它做一件事：把文章里的事实性陈述和观点性陈述分开列，事实性陈述标注“有出处”还是“没出处”。这个动作花不了几分钟，但能筛掉一多半看着唬人的东西。有次我差点转发一篇数据详实的行业分析，让AI一拆，发现它引用的三个数据里有两个找不到原始来源，第三个来源是某公司自己发的新闻稿。信息甄别这个场景里，提示词的作用不是帮你判断真假，是帮你把“该查的地方”标出来。真假还得你自己去核。
4.2 效果评估：思维质量指标与提示词迭代记录
用了一段时间之后我开始琢磨一个问题：我怎么知道自己用提示词的水平在涨？一开始全凭感觉，觉得想得比以前细了。感觉这东西不靠谱，我就给自己定了几个能摸得着的指标。
第一个指标是追问次数。我翻自己早期的对话记录，一个话题平均追问不到一轮，拿到的答案直接就用。现在的记录里，稍微复杂点的问题平均追问三到四轮。这个数字本身说明不了太多，但它能反映一个习惯变化：我从“拿答案”变成了“磨答案”。第二个指标是结论修改率。我养成了一个习惯，跟AI聊完一个话题，先把自己的初始判断写一行，聊完再写一行，对比一下改没改。如果十次里有六七次判断有调整，说明这套流程确实在帮我松动固有想法。要是连续几次都没改，我得回头看看是不是自己问得太舒服了。第三个指标有点土，就是事后打脸率。工作里用AI辅助做的判断，过两周回头看看准不准。这个指标最疼，但最诚实。
跟指标配套的是提示词迭代记录。我建了个文档，每用完一个自认为不错的提示词就存进去，格式很简单：提示词原文、用在哪类问题上、效果怎么样、后来怎么改的。这个文档现在攒了三十多条，大部分是改过三四版的。有一条关于“找反例”的提示词，最初写的是“请给出反例”，AI经常给些不痛不痒的。后来改成“请给出三个反例，一个来自理论层面，一个来自实践层面，一个来自极端情境”，输出质量立刻不一样。迭代记录的意义不在于攒模板，在于让你看见自己的提问是怎么一步步变具体的。模板是死的，改模板的过程才是活的。
4.3 风险与边界：提示词依赖、AI幻觉、偏见放大与伦理责任
用久了我也撞过几堵墙，现在回头看，有几类风险值得单独拎出来说说。
提示词依赖这个事我中过招。有段时间我发现自己遇到问题第一反应不是自己想，是打开对话框先敲提示词。这个习惯的危险在于，它把思考的启动权交给了工具。我后来给自己定了个规矩：任何问题先自己在纸上写三行想法，再去跟AI聊。这三行写得再烂也得写，因为那是我自己的东西。没有这三行，对话容易被AI牵着走，它说什么我接什么。依赖的反面不是不用，是带着自己的东西去用。
AI幻觉我踩的坑最多。有次写稿子让AI给一组行业数据，它给了，格式工整，还带了年份。我留了个心眼去核，三个数据全对不上。从那之后我养成了一个条件反射：AI给的所有数字、人名、引用、日期，一律先标黄，核实之后再取消标记。这个动作花时间，但不做的话总有一天会翻车。幻觉最危险的地方不是它编得离谱，是它编得太像真的，格式、语气、上下文全对，就内容不对。
偏见放大这个事比较隐蔽。我发现AI在描述同一类行为时，用词会随着我提问的框架变化。我问“这个策略激进吗”，它回答里“风险”“冒进”这类词就多；我问“这个策略果断吗”，同样的内容它换成了“坚决”“效率”。后来我养成一个习惯，让AI自己检查一遍：“你的回答里有没有对某一方使用更正面或更负面的措辞？”它有时候能揪出来，有时候揪不出来。揪不出来的时候我就自己过一遍，把带情绪的形容词圈出来，看看是不是被我的提问带偏了。
伦理责任这块我想得比较清楚。AI可以帮我分析一个决策的利弊，但它不承担决策后果。我可以用它辅助写一份报告，但报告署的是我的名字，出了事也是我兜着。这个边界不能模糊。我见过有人把AI的建议原封不动当自己的判断交上去，结果出问题了说“是AI说的”。这种话在伦理上站不住脚。工具越顺手，越得记得最后签字的是自己。
4.4 扩展大纲：从单次提示词到批判性思维训练体系
单次提示词用熟了之后，我开始琢磨能不能把它变成一套有节奏的训练，而不是每次遇到问题才临时抱佛脚。
我现在的做法是给自己排了个周训练表，听起来挺正经，其实就三件事。周一挑一个我笃信的观点，让AI帮着找三条反对意见，我逐条回应，回应不了的记下来回去查。周三找一篇最近看过的文章，让AI把论证结构拆开，我自己再拆一遍，对比两边的差距在哪。周五拿一个工作中的真实小决策练手，走完提问、追问、反驳、校准四步，把过程记下来。每件事花不了半小时，但一周下来至少有三个思考动作是刻意练过的。这种练法比漫无目的地聊天有用，因为它有固定动作、有反馈、有记录。
再往上一层，我开始把训练往复杂问题上迁移。简单问题练的是动作规范，复杂问题练的是判断力。我手头攒了几个长期跟踪的话题，每隔一段时间拿同样的提示词跑一遍，对比AI这轮的回答跟上一轮有什么变化。变化本身不一定说明问题，但对比的过程能让我看见自己关注的点在漂移。有时候同一套提示词用了几个月，突然发现它问不出新东西了，那就说明该改提示词了，或者该换问题了。训练体系这个东西，说到底不是让你把提示词背下来，是让你对“自己怎么想问题”这件事保持敏感。工具会变，模型会升级，这套敏感度才是自己的。
