面对艰难决定时，把“我该怎么做？”作为问模型的最终问题，通常并不合适。答案可能谨慎，也可能自信，但无论哪种，都受限于你提供的事实和问题框架，以及模型自行猜测的内容。
更可靠的做法，是把AI当作结构化的思辨伙伴：要求它提出可能的替代方案、挑战你的问题框架，并指出缺失的证据。下面的工作流用于组织这种用法，而不把模型当作决策者。
不要把个人或机密信息输入未经批准的工具。对于招聘、医疗、法律、财务、安全等后果重大的决定，应让AI帮助梳理问题，而不是取代权威规则、领域专业知识、公平性检查或负有责任的人类决策者。NIST的人机协作指南警告，人机系统可能丢失语境并放大偏见。
转换思路
你需要把思路从“告诉我答案”转变为“帮助我思考”。具体来说：
- 不要问“我该怎么做？”，而要说“帮助我理解自己的处境。”
- 不要问“有哪些利弊？”，而要问“最有力的利弊分别是什么？我的哪些假设最薄弱？”
- 不要问“你有什么建议？”，而要问“对于我目前倾向的选择，最可信的反对理由是什么？”
不同的问题可以引出同一情境的不同侧面。转换思路能明确你想获得哪类帮助，但不能保证回答完整或没有偏见。
四步决策工作流
以下流程适用于较低风险的决策，也可以用来梳理重大决策中的一项输入：
- 界定：清晰地呈现现状。
- 生成：提出论据和选项，供你检查。
- 压力测试：让模型攻击你倾向的选择。
- 决定：作出选择，同时明确不确定性和责任归属。
下面逐步说明。
第1步：界定
决策类提示词的一个常见错误，是提供的上下文太少。如果你只简要描述情况，模型可能会把你的问题框架和遗漏都当作事实。
先让模型采访你。
我即将做出一项决定。先不要发表任何看法，请问我5–7个问题，以便为我提供有价值的思考协助。问题应涵盖：实际有哪些选项、我的真实限制是什么、还会影响谁、成功是什么样子，以及我最可能为什么感到后悔。等待我回答。
“问题应涵盖”这一句明确了问题需要涉及的维度。请审核这些问题，并补上模型遗漏的任何维度。
在获准分享的范围内详细回答。回答本身可能会暴露选项、限制或成功标准仍未充分定义。
回答后，模型掌握了更多上下文，但仍可能遗漏对话中没有体现的事实、激励因素或相关人员。
第2步：生成
现在，要求模型生成论据和选项。下面是一种结构化模板：
现在请给我：
**每个选项最有力的三个论据。**在我的回答能够支持某个观点时，请引用原话。对任何不确定的内容作出标记。
**我可能遗漏的两个选项。**有时，最佳选择是我尚未考虑的选择。如果发现此类选项，请明确指出。
**我应权衡的唯一一个最重要因素。**在这项决定中，哪个维度真正最重要？
**我最薄弱的假设。**我告诉你的哪些内容最可能是错的，或最可能发生变化？
这份清单可能会拓宽问题框架。“接受这份工作还是不接受”这样的二选一问题，可能隐藏了协商、推迟或选择第三条路等方案。应把生成的替代方案视为候选项，而不是它们确实可行的证据。
一个实用的追问是：“关于我最薄弱的假设，如果事实证明它是错的，这项决定会发生什么变化？”这是一项敏感性检查；请核实被识别出的假设是否真的既不确定又会产生重大影响。
第3步：压力测试
接下来，明确要求模型提出反对意见。
现在，请针对我倾向的选择扮演反方。假设我即将选择[option you’re leaning toward]，请构建反对它的最有力且可信的论证。务必具体：不要只提出泛泛的顾虑，而要说明哪些实际情形会使它成为错误选择。
研究发现，一些助手偏好与用户所述观点一致的回答，即使该观点是错误的（Sharma等，2023）。要求反方论证可以引出另一条推理路径，但不会使其独立、完整或正确。
更激进的版本是：
想象现在是两年后，而这项决定最终酿成了灾难。发生了什么？请逐步带我分析最有可能的失败情形。
这条提示词改编了事前验尸方法：想象未来的失败，再逆向寻找可能的原因（Klein，2007）。请把生成的原因与真实证据、基础比率和领域专业知识进行比较。
对于直觉很强烈的决定，还可以尝试：
列出我可能出于错误原因做出这一选择的三个理由，例如偏见、贪图安逸、沉没成本，或是把我希望为真的事情当成事实。
模型可以在不涉及他人的情况下生成可能的偏见，但无法知道你的动机。请把这份清单视为反思问题，而不是诊断。
第4步：决定
至此，你已经形成一份结构更清晰的决策记录。最后一步是在保持不确定性明确的同时陈述选择。
根据我们讨论的全部内容，你有什么建议？请包含：
- 用一句话说明你会做出的选择。
- 用低、中或高给出定性确信程度。不要虚构概率，并说明哪些证据和未解决的假设支持这一判断。
- 唯一一项会改变你答案的新信息。
请直截了当。不要用礼貌的“视情况而定”来铺垫，我需要明确立场。
这一定性标签有助于区分明确建议和难以取舍的情况，但它不是测得的概率，也不代表已经校准。应通过说明来审视证据和未解决的假设，而不能用标签制造虚假的精确度。
阅读建议，核查其中的事实和假设，然后作出决定。建议只是一项输入；责任仍由你或获授权的决策者承担。
针对不同决策类型的实用模式
**工作/职业选择。**询问时间跨度、财务限制、对其他人的影响，以及仍然缺失的证据。只分享你愿意输入获批工具的细节，不要把生成的建议误当成模型了解该工作场所。
**招聘决定。**先制定与岗位相关的标准和结构化流程，尽量减少个人数据，不要让AI推断受保护特征、给候选人排名或代替人作决定。可让AI检验现有证据是否支持各项标准，以及流程是否可能造成不公平影响。在美国，EEOC的甄选程序指南说明了岗位相关性和不利影响；其他地区应适用当地规则，并保留负有责任的人类审核者。
**战略/商业决策。**使用事前验尸法（“想象两年后这件事失败了”）来要求列出依赖因素和失败情形，再将它们与运营数据和负有责任的负责人核对。
**大额购买。**使用“最薄弱的假设”框架来检查关于未来用途、总成本、转售价值或收入的论断。独立核实价格、条款和负担能力。
**人际关系与个人决定。**把“我最可能为什么感到后悔”作为一项输入。梳理可能的后悔有助于区分长期担忧与暂时不适，但不应自动让它主导决定。
需要避免的常见陷阱
这个陷阱就是把AI当作确认机器。如果提示词为你的倾向辩护并省略相反证据，模型可能会为收到的问题框架生成一套精致论证。
一种结构性防护措施，是定期要求可信的反方论证，尤其是在你的倾向似乎显而易见时。执行这一步后仍然赞同，并不能证明决定正确；不同意也不能证明决定错误。有关相关故障模式，请参阅思考伙伴的四种失败模式和如何让AI反驳你。
一个实用的自检问题是：“模型补充了什么？哪些证据支持这些内容？”如果没有补充任何有用内容，请简化或修改提示词，不要把更多对话误当作进展。
用Custom GPT让流程成为习惯
如果经常采用这套方法，可以构建一个内置工作流的“决策思辨伙伴”Custom GPT（或Claude Project）。说明可以这样写：
当用户询问任何决定时，严格遵循以下顺序：
- 提出5–7个问题，涵盖选项、限制、受影响的人、成功标准，以及当事人最可能为什么感到后悔。等待回答。
- 列出每个选项最有力的论据、当事人可能遗漏的选项、最重要的维度和最薄弱的假设。
- 针对倾向的选项扮演反方，构建最有力且可信的反对论证。
- 给出直接建议，并说明定性确信程度、背后的证据与未知因素，以及哪项信息会改变答案。不要虚构概率。
只有用户明确要求时才可跳过步骤。把可能的合理化解释或偏见称为假设，而不是关于当事人的事实。呈现有依据的最有力立场及其取舍，不要制造虚假的平衡。
仅在工作流与决策重要性相称，而且工具已获准处理相关信息时使用。保存的助手可以让流程更容易重复，但不能验证建议。
应当记住什么
AI可以支持决策分析的一部分工作：阐明情况、列出替代方案，以及对倾向进行压力测试。它也可能放大不完整的问题框架，或编造有说服力的理由。最终选择仍由负有责任的人作出。
界定、生成、压力测试、决定。把这四步作为检查清单，而不是决策正确的证据。对于后果重大的决定，还应加入权威规则、合格的专业意见、受影响人员，以及情境所需的正式审核。
