Art 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：

text

### 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：

1. 不是搜索引擎能直接回答的
2. 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"
3. 有明确认知价值 — 回答后对事物理解发生质变
4. 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
5. 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）：

1. 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。"
2. 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