写提示词时最纠结的往往不是任务本身，而是背景信息该给多少：写少了，AI 会自己脑补一个理解，然后照着脑补的方向往下写；写多了，敲完一大段还是不确定有没有写对地方。其实判断该不该写进去，只需要问两个问题就有答案；真遇到自己都理不清的复杂事，还有一招更省力——把列清单这件苦差事直接交给 AI。
写提示词的人大多经历过同一种纠结：这件事要不要交代、交代到什么程度，心里没有一把尺子，每次都是临场猜。
写少了会出什么问题？缺的那部分信息，AI 不会留白等你补充，而是会自己补一个理解，然后照着这个自己补出来的理解继续往下写。结果就是，交回来的稿子看起来完整,但用的是它猜的前提，不是你真正想要的前提。
写多了呢？把能想到的都往里塞，一大段文字敲下去，写完反而更不踏实——不知道自己有没有写对地方,有没有写多余的东西。
这个纠结其实有章可循。判断一条信息该不该写进提示词，问两个问题当场就有答案；如果连自己都理不清该给什么，还有个更省力的办法：把列清单这件事交给 AI 自己去问。
拿一个具体场景来说：同事让你写一份新人报销流程说明，你打算让 AI 先起个初稿，手头有好几条信息，到底哪些要写进提示词？
对手上任何一条信息，依次问两个问题就能确定它该怎么处理：
第一问：这件事 AI 有渠道知道吗？ 公开发表过的、搜一下就能查到的、行业里做这行的人普遍知道的，AI 大概率有渠道；只写在你们内部文件里、或者只存在你脑子里的事，它没处看。还有一类容易被忽略：事情比它的知识截止日期还新——AI 学到的内容截止到训练完成那一天，之后新出的规定不在它学过的范围里，这部分也得由你来交代。
第二问：你自己答得上吗？ 有些事你张口就能说清楚，有些事连你自己都还没想明白或者拿不准。
两个问题交叉起来，正好把任何一条信息分进四个格子：
四个格子里，真正需要你动手写的只有一格——那些不问你就查不到的事。这个二维分类的思路借自心理学里的经典模型乔哈里视窗（Johari Window），这里把它用在了你和 AI 之间：一个维度是"AI 知不知道"，另一个维度是"你答不答得上"，交叉出四种处理方式，而不是把所有信息一股脑塞进提示词。
四格的判断规则学会了，哪一条该写、哪一条不用写，理论上已经清楚了。但真坐下来写提示词的时候，会遇到一个新麻烦：脑子里的背景是一团的，不是分好类摆在那里的一条一条。你把想得起来的写上去、发出去，心里往往还悬着一个问题——这次是不是又漏了点什么。
更麻烦的是，漏掉的那部分往往要等 AI 把稿子交回来才会浮现出来。看着一份跑偏的稿子，才突然想起来当初该说的是哪一句——但这时候时间已经花出去了。
这一步有个省力的解法：把列清单这件事本身交给 AI。具体做法是，在整条提示词的最后加上这样一句话：
动笔之前，先把你还需要知道的信息列出来问我，一次问完。
加上这句话之后，多数情况下 AI 会先把它需要确认的问题列出来——比如这份东西给谁看、你们那边有哪些现成的规矩、这次有没有什么特殊情况，然后你照着它问的一条条回答，答完再让它动笔。如果它没问就直接开写，回一句让它先把要问的问完，再往下写即可。
这个动作把原本最费劲的一步换了个方向：原先是你对着一个空白输入框，努力回想自己还有什么没交代；现在变成 AI 把它还需要你说明的那几条，列成具体问题摆在你面前，你只需要一条条填答案。回想比填空难得多，而且 AI 列出来的问题里，常常有一两条是你原本压根没想到的。这类由 AI 在动笔前主动提出、用来补齐缺失信息的问题，有个专门的名字，叫澄清式提问（Clarifying Question）。
用一个真实的例子感受一下效果。假设你发出去的提示词是：
帮我给我们组的新同事准备一份入职第一周的上手指南。动笔之前，先把你还需要知道的信息列出来问我，一次问完。
AI 通常会一次性列出一整套结构化问题，覆盖新同事的岗位背景、团队的业务与协作工具、入职流程与环境、第一周的具体任务期望、团队文化习惯、后勤杂项等六个方面，十几个具体问题一次问完，并说明只要你逐一回复（哪怕简单写"无"），它就能立刻给出一份按天细化、可勾选检查清单的完整指南。这些问题很多是你自己单独回想时不容易一次性想全的。答完这一轮再让它动笔，它手上掌握的信息，会比你自己一口气写完的那版更全。
需要注意两点：一是它问完、你答完之后，记得再明确说一句让它动笔，不要停在一问一答上；二是回答它的问题时，只补你自己才答得上的那几条，其余的仍按四格规则处理，不必事无巨细地全部填满。
挑选该给 AI 哪些信息、给到多少的这门功夫，业内有个统称，叫上下文工程（Context Engineering）。四格判断和让它先问，正是这门功夫里最基础也最好用的两个招式。
有一条信息，我知道对成品有用，但自己也说不太清楚，该怎么处理？ 这种情况属于"有渠道 + 答不上"的格子，正确做法是让它先讲给你听，再决定要不要写进提示词。听明白之后，它后面写出来的那一版对不对，你才判得动，到时候再看要不要把其中一两句放进提示词。花时间自己先查资料整理好再抄进去，往往是白费力气——这类通行做法 AI 本来就讲得出个大概，你查完抄进去，成品并不会因此更好；直接跳过也不合适，因为这条信息确实和最终成品有关，跳过去反而是自己吃亏，导致后面没法判断它写得对不对。
一份任务牵扯好几个部门的历史交付，背景信息又多又杂，该先做什么？ 把背景一条条想全再一次性发过去，看起来稳妥，但其实是把最难的一步留给了自己——你能想到的和 AI 真正需要的，未必是同一批信息。更省力的做法是在提示词末尾加一句"先把要问的一次问完"，让它自己开口要，你照着答，省下的是从零回想的力气。直接发任务、等它写歪了再回头补救，看似省了前期时间，实际上是把成本推到了后面：等它写偏了你再补，前面那一稿花的时间就白费了。
这些内容出自哪里？要付费吗？
不用付费，也不需要编程基础。本文改编自 BotLearn 免费 AI 公开课第 18 讲《上下文给足：缺什么，让它先问你》，每讲 15-20 分钟。BotLearn是面向人与AI Agent的学习平台：为终身学习者提供AI新职业课程及免费AI通识课；为AI Agent提供A2A（Agent对Agent）评测与学习社区。
出品方：BotLearn免费AI公开课 ｜ 对应课程：第 18 讲《上下文给足：缺什么，让它先问你》，免费 ｜ 更新日期：2026-08-28
