Install
openclaw skills install art-of-questioningArt Of Questioning
培养洞察力和深度提问能力的双模式 Skill。 实战模式：分析用户正在学习/听/读的内容，自适应匹配 15+ 跨学科提问方法论， 生成 5 个关键环节的深度问题清单，每个问题标注方法论和认知层次。 训练模式：构造仿真场景，分环节教学讲解最佳提问方式，支持定时任务自动触发。 当用户需要深度理解内容、准备提问、练习批判性思考时使用。 触发词：提问训练、提问的艺术、帮我提问、深度提问、洞察提问、提问练习、 art of questioning、questioning practice、如何提问、提问辅助、 critical questioning、ask better questions、深度思考。 不适用于：写 prompt、生成面试题、FAQ 编写、客服话术设计。
提问的艺术（Art of Questioning）
培养洞察力和深度提问能力。不教写 prompt，而是训练人提出能穿透表面的高质量问题。
AI 的上限 = 你问题的上限。未来最贵的人不是答案最多的人，而是问题最好的人。
不适用场景
以下需求请勿使用本 Skill：
- 编写 AI prompt / 提示词优化 → 本 Skill 训练的是人的提问能力，不是 prompt 工程
- 生成面试题 / FAQ → 那是内容创作，不是洞察训练
- 客服话术 / 销售话术设计 → 那些是沟通技巧，不涉及认知深度
两个模式
模式一：实战辅助
用户描述正在学习/听/读的内容 → 分析内容类型 → 自适应匹配提问策略 → 推演 5 个关键环节 → 每个环节生成一个最佳问题。
触发方式：用户描述内容即自动进入实战模式。
典型输入：
- "我在听一个创始人讲他从 SaaS 转向 AI Agent 的经历"
- "我在学 Rust 的所有权模型"
- "我在读一篇关于注意力机制的论文"
- 也可以直接粘贴一段完整文本
模式二：每日训练
构造仿真场景 → 分 5 个环节 → 每个环节教学讲解最佳提问方式。
触发方式：
- 用户说"提问训练"、"来一个提问练习"
- 用户指定领域："给我一个产品发布的提问训练场景"
- 定时任务自动触发（不指定领域时，从场景库中自动选择）
实战模式：执行流程
Step 1：分析内容类型
根据用户输入，识别内容类型并匹配提问策略：
| 内容类型 | 识别信号 | 匹配的提问策略组 |
|---|---|---|
| 技术/工程 | 编程语言、框架、架构、算法、论文 | 第一性原理拆解 + 5 Whys + 边界条件探查 |
| 商业/创业 | 创始人、融资、产品、市场、增长、转型 | 假设探查 + JTBD + 预验尸 + 动机追问 |
| 个人成长/方法论 | 习惯、思维模型、效率、职业发展 | 元认知反思 + 成长型思维转换 + 适用边界 |
| 学术/科研 | 论文、实验、数据、理论、模型 | 证据探查 + 可证伪性检验 + 方法论审视 |
| 产品/设计 | 用户体验、功能设计、需求、交互 | HMW + 用户视角转换 + Mom Test |
| 人物/访谈 | 某人讲述经历、对话、演讲、播客 | 动机追问 + 叙事解构 + 反事实推理 |
| 行业/趋势 | 行业分析、趋势预测、市场变化 | 假设探查 + 红队思维 + 历史类比 |
如果内容跨多个类型，组合对应策略。
方法论详情：见 references/methodology-library.md
Step 2：推演 5 个关键环节
根据内容描述，推演出 5 个关键环节：
- 覆盖核心脉络（背景/起因 → 核心主张/方法 → 关键转折/决策 → 证据/结果 → 启示/推广性）
- 优先选择"表面看起来理所当然但深挖后有洞察"的环节
- 跳过纯信息性环节，聚焦有认知价值的环节
Step 3：为每个环节生成最佳问题
每个环节产出以下结构：
### 环节 N：[环节名称]
**[场景描述]**：一句话描述这个环节可能的内容
---
📌 **最佳问题**：[问题]
🔬 **方法论**：[使用了什么提问方法论]
⚠️ **不问会错过**：[如果不问这个问题，你会错过什么洞察]
<details>
<summary>展开：普通 vs 专家对比</summary>
**普通人会问**：
[问题] —— [为什么这个问题价值低]
**专家会问**：
[问题] —— [为什么这个问题能挖出更深的洞察]
**完整推理链**：
[解释为什么专家的问题更好，背后的认知逻辑是什么，
这个问题能揭示什么被"理所当然"遮蔽的真相]
</details>
Step 4：总结提问策略
在 5 个环节之后，总结：
- 本次使用了哪些提问方法论的组合
- 这些问题之间的内在逻辑（从浅到深的追问链，非随机 5 个问题）
- 带走一句话：本次内容中最值得反复思考的一个核心问题
训练模式：执行流程
Step 1：选择场景
用户指定领域 → 在该领域内构造具体场景。
未指定（定时触发或"随机来一个"）→ 从场景库轮换：
| 场景类别 | 示例场景 |
|---|---|
| 创业/商业 | 创始人讲 pivot 经历、投资人解释投资逻辑、PM 复盘失败上线 |
| 技术/工程 | 架构师解释技术选型、开源作者讲设计哲学、工程师复盘线上事故 |
| 学术/研究 | 研究者介绍新发现、教授讲反直觉理论、数据科学家展示实验结果 |
| 个人成长 | 职业转型经历、作者讲写书过程、高管分享管理哲学 |
| 产品/设计 | 设计师讲用户研究发现、PM 解释砍功能决策、增长团队复盘实验 |
| 社会/文化 | 记者调查社会现象、经济学家解释政策影响、历史学家重新解读事件 |
Step 2：构造仿真场景
用 2-3 段话描述具体且真实感强的场景：
- 谁在什么场合讲什么
- 核心主张或故事线
- 故意埋入 3-5 个"表面合理但深挖后有洞察"的细节
Step 3：分环节教学讲解
将场景分为 5 个环节，使用与实战模式相同的产出格式（速览区 + 展开区）。
Step 4：教学总结
增加教学复盘：
- 本次训练覆盖了哪些提问方法论
- 这些方法论之间的组合逻辑
- "如果你在现实中遇到类似场景，记住这个提问模式：[一句话总结]"
问题层次意识
生成问题时，始终注意认知层次，优先生成高层次问题：
| 层次 | 类型 | 价值 | 示例 |
|---|---|---|---|
| L1 | 事实确认 | 低 | "他什么时候创业的？" |
| L2 | 原因追问 | 中 | "他为什么选择这个时机？" |
| L3 | 假设探查 | 高 | "他的决策隐含了什么假设？如果不成立呢？" |
| L4 | 系统洞察 | 很高 | "这个决策模式揭示了什么关于创业者认知的规律？" |
| L5 | 元反思 | 最高 | "我们为什么觉得这个故事有说服力？判断受了什么影响？" |
规则：5 个问题中，至少 3 个在 L3 及以上。L1-L2 仅在建立事实基础时使用。
产出质量标准
每个问题必须满足：
- 不是搜索引擎能直接回答的
- 能揭示被"理所当然"遮蔽的东西 — 让人停下来想"我确实没想过这个"
- 有明确认知价值 — 回答后对事物理解发生质变
- 具体而非笼统 — "你的 SaaS 转型前三个月 MRR 增速是多少"比"你觉得 AI 怎么样"有穿透力
- 每个问题标注方法论 — 建立提问的元认知
输入不足时的处理
当用户输入过于模糊（如"帮我提几个问题"，无任何内容描述）：
- 不要猜测内容，而是追问一个具体问题：
- "你正在学习/听/读什么内容？给我一句话描述或直接粘贴一段文本。"
- 如果用户连续两次仍无法提供具体内容，自动切换到训练模式，构造一个场景供用户练习。
语气与风格
- 使用中文
- 问题锋利、具体、有穿透力
- 解释清晰直接，不要学术腔
- "普通人会问"和"专家会问"的对比要形成鲜明反差
- 推理链要让人读完有"原来如此"的感觉
内容类型 → 方法论路由表
| 内容类型 | 主方法论（必用） | 辅方法论（按需） |
|---|---|---|
| 技术/工程 | 第一性原理 + 边界条件探查 | 5 Whys、类比迁移 |
| 商业/创业 | 假设探查 + 动机追问 | JTBD、预验尸、叙事解构 |
| 个人成长 | 元认知反思 + 边界条件探查 | 反事实推理、时间透视 |
| 学术/科研 | 证据探查 + 假设探查 | 边界条件、反事实推理 |
| 产品/设计 | JTBD + HMW | 用户视角转换、Mom Test |
| 人物/访谈 | 动机追问 + 叙事解构 | 假设探查、反事实推理 |
| 行业/趋势 | 假设探查 + 红队思维 | 历史类比、时间透视 |
各方法论详细说明：见 references/methodology-library.md