前言
前面几章提到过，上下文和提示词十分关键。你要提供足够多的信息，AI Agent 才能理解你的需求，并知道该如何完成它。
你不能在完全没有提供使用场景、安全边界和其他限制的情况下，直接对它说：
帮我实现一个 xxx 功能。
这样生成出来的结果，大概率不会符合你的预期。因为当 AI Agent 无法确定某些细节应该如何实现时，它往往会“自以为是”地替你补充，并按照它认为合理的方式继续完成任务。
于是，你只能一次又一次地要求它修改或者实现，也就是一直要求它迭代。直到最后，你可能会发现：需求还没有完成，token 却已经快用完了。
但是很多时候，道理我都懂，我就是不知道应该提供哪些信息。毕竟我不是什么具有“几十年功力的老师傅”，只是一个刚刚入门的菜鸟。
我自己完全不懂架构之类的东西，该怎么向 AI 描述一个完整的方案呢？
这个问题其实很简单。以前遇到不会的问题，使用的“古法”是“找度娘”，而现在，我们还可以直接询问 AI，比如 ChatGPT、DeepSeek 之类的工具。
那么这里就引出了一个问题：
我什么也不懂，我怎么向 AI 问方案？
其实我也是在不断摸索，可能几个月后 LLM 又变强了，这个文章提到的方法又没用了
所以这篇文章可能随时会改，只能说做下参考，欢迎你们评论说说你们的方法
乔哈里视窗
这里可以用 乔哈里视窗（Johari Window） 来理解。它原本是一种分析人际沟通的模型，会根据信息是否被自己和他人知道，将其分成开放区、隐蔽区、盲点区和未知区。
乔哈里视窗
放到 AI 协作中，隐藏区是“我知道但没有告诉 AI”的项目背景和限制，盲点区是“AI 可能知道，但我还没有意识到”的风险和方案，未知区则需要双方继续探索。
询问方案的过程，其实就是把这些信息一点点搬到开放区。
Plan Mode
现在很多 Agent 都有 Plan Mode 功能。
这个功能可以帮助我们在执行复杂任务之前先制订计划，避免 Agent 还没有想清楚就直接修改项目。
很多人会想：那我什么也不懂，直接把需求丢给它，让它生成一份详细的 Plan，不就解决上面的问题了吗？
但真正用 Agent 开发过的人，可能会发现这里面还有一个很大的坑：你怎么确保 AI 制订的计划和你想的一样？又或者像上面说的，你连这份 Plan 都看不懂，又该怎么判断它是否合理？
这时可能有人会说，那我把 Prompt 写长一点，多提供一些信息不就行了吗？
问题在于，用户通常只描述了自己想要的结果，而从结果到最终计划之间，还藏着很多需要选择的决策，比如技术路线、架构边界、数据结构、异常处理、兼容性和取舍。
如果用户没有参与这些决策，AI 就只能替用户决定。即使结果描述得再详细，最后生成的 Plan 也可能出现问题：为了看起来完整而过度设计，没有考虑项目现有的技术栈和可用资源，或者忽略了一些为了避免 Bug 而存在的特殊设计。
所以问题的本质不在于 Prompt 写得够不够长，而在于这些关键决策有没有被摆到桌面上讨论。Plan Mode 当然可以用来探索和提问，但不能只让它给出结果，然后默认接受它在背后作出的所有决定。
具体的方法
- 先告知所有你知道的内容，有多少说多少，让 AI 了解当前状况。比如最终目标、大概有哪些限制、有没有相关文档，以及基于什么场景等。不知道的地方就直接说不知道，让 AI 先读取项目，并告诉你还缺少哪些信息。
- 无论自己有没有想法，都可以询问 AI 有什么看法，让它提供几个备用方案，并用简单的话说明各自的优缺点、适用场景和推荐理由。遇到看不懂的概念就继续问，不需要假装自己已经理解。当然如果你有自己的意见，这一步也可以询问 AI 有什么看法。
- 根据自己的真实需求补充细节，纠正明显不符合预期的地方。如果无法判断 AI 的观点是否正确，就让它标出依据、假设和需要进一步验证的内容，而不是直接接受。
- 逐个确认关键决策。对于不了解的决策，可以让 AI 解释“现在要决定什么”“不同选择有什么后果”以及“它推荐哪一个”。仍然无法确定时，优先选择风险较低、容易修改的方案，或者暂时保留为未决问题。
- 切换到 Plan Mode 生成 Plan，并要求它明确列出已经确认的决策、仍然使用的假设、未解决的问题和验证方法。如果 Plan 中还有看不懂的内容，就先让 AI 解释，不要急着执行。
- 审核 Plan 是否符合最初的目标和限制，再基于 Plan 分步骤执行。即使看不懂具体代码，也可以检查它有没有修改不相关的文件、有没有完成预期效果，以及有没有执行必要的测试。
一些辅助工具
有些人喜欢使用 grill-me 之类的 Skill 辅助梳理决策。
grill-me 会在写代码前沿着决策树不断追问，每次只问一个问题，并给出它推荐的答案。这样做的好处是不会一次塞给用户一大堆问题，也能减少 AI 默默替用户作出决定的情况。
不过，它的缺点也很明显：复杂需求可能连续问几十个问题，容易把人问废，也会占用不少上下文和 Token。因此有人认为这种一个一个问的方式纯属浪费时间，不如直接让 Agent 列出所有需要确认的内容，一次性给出一份决策清单，再由用户集中回答。
现在也出现了一些可能更合适的工具。batch-grill-me 会把当前已经满足前置条件、可以立即回答的问题放在同一轮中提问，在保留决策依赖关系的同时减少来回问答的次数。不过它目前仍在 in-progress 目录中，更像一个正在试验的新方案。
wayfinder 则适合大到无法在一个 Agent 会话中完成、方向又比较模糊的任务。它会把整个工作整理成一张决策地图，再将研究、原型和需要人工参与的讨论拆成一个个 Ticket，逐步把未知内容弄清楚。它不一定比 grill-me 更快，而且对小需求可能有些过重，但对于大型项目，可能比在一个会话里连续追问更合适。
所以这些工具并没有绝对的好坏：小需求可以直接列决策清单，普通需求可以使用 grill-me 或 batch-grill-me，而跨越多个会话且大型的或者模糊不清的需求再考虑 wayfinder。
总结
大概可以分成下面几个阶段：
描述问题 → 补充信息 → 讨论方案 →
Plan Mode收敛计划 → 理解并确认 Plan → 执行并review
说到底，AI Agent 可以帮你干活，但不能代替你确认自己到底想要什么。