导言：AI 中“我不确定”的无声力量
如果您曾经问过 AI 一个棘手的问题，却得到了一个自信满满但错误的答案，那么您就能体会到本指南的紧迫性。大型语言模型经过优化，可以生成流畅的文本，而不是校准过的真理。这意味着它们常常在不应该确定的情况下听起来很确定。解决方法不是魔法，而是方法。通过正确的后续提示，您可以促使 AI 系统浮出不确定性，提出澄清问题，并量化置信度。在这个实用的、以解决方案为导向的教程中，您将学习如何设计后续提示，使 AI 减速、自检，并且——至关重要地——承认它不知道。
本指南涵盖内容
- 为什么 AI 在校准方面存在困难，以及后续提示如何弥补
为什么 AI 很少主动表示不确定性（以及为什么您必须询问）
- 流畅性高于保真度：大多数模型优先考虑连贯的、类似人类的响应，而不是明确的置信度校准。
- 训练动态：人类反馈通常奖励乐于助人和自信，这会抑制谨慎。
- 缺少信号：最终用户界面很少默认显示模型概率或 token 对数概率。
- 社会镜像：模型会镜像用户的确定性——如果您显得确定，它们也会以同样的方式回应。
最终结果：除非您明确要求不确定性——并使用后续提示来强制执行——否则您很可能会得到过度自信的答案。研究人员和从业者都强调了将确定性和不确定性“直接摆在桌面上”的价值，以便您和模型都在共同的期望下运作。
后续提示策略：有效的模式
将后续提示视为第二次尝试：在初始响应后进行结构化的推动，旨在提取不确定性、调节谨慎性并校准置信度。
- 模板：“在回答之前，请在 0-1 的范围内估计您的不确定性，其中 0 = 完全确定，1 = 高度不确定。如果 > 0.2，请首先提出 2-3 个澄清问题。然后提供您的答案，并附上简要的理由和您最终的不确定性。”
- 为什么有效：它强制进行答案前的 检查，并创建一个用于澄清的决策阈值。从业者报告说，即使是像这样添加的一小段短语也能显着提高答案质量并减少幻觉。
- 模板：“列出前 3 个合理的答案。对于每个答案，提供：（a）您作为百分比的置信度，（b）1-2 个使其成立的关键假设，以及（c）我可以运行以验证的 1-2 个检查。”
- 为什么有效：强制多样化，揭示假设，并为您提供验证钩子。
- 模板：“用一句话陈述您的答案，然后列出 3 个证明其合理的‘如果-那么’陈述。将每个‘证据强度’标记为强、中或弱。以范围形式提供您的总体置信度（例如，55-70%）。”
- 为什么有效：它将声明与其支架分开，并标记证据质量。
- 模板：“向我提出最多 5 个澄清问题。在每次回答后，重申您更新后的理解。在您的剩余 在 0-1 的范围内 ≤ 0.2 之前，不要提供最终答案。”
- 为什么有效：它将模糊性转换为交互式循环。您将获得更好的答案，因为模型可以更准确地理解目标。
- 模板：“提供您的答案，然后运行自检：列出 2-3 个潜在的错误或盲点。如果任何错误或盲点是实质性的，请修改。声明最终置信度以及什么会改变它。”
- 为什么有效：事后反思始终如一地通过捕捉疏忽来提高响应质量。
- 模板：“为相反的结论辩护。什么证据会使该替代方案更有可能？如果您的观点发生了变化，请说明您更新后的置信度。”
- 为什么有效：它鼓励探索假设空间，而不是锁定到第一个合理的路径。
- 模板：“在 ≤120 个字中，提供：（a）您的答案，（b）0-100 的置信度，（c）一个可能错误的假设，（d）一个快速验证步骤。”
量化不确定性：使其可见且有用
- 量表：使用 0-1 或 0-100 的置信度量表。鼓励使用范围（例如，60-75%）而不是点。
- 几率语言：询问几率（例如，“60/40 支持 X”）。人类对几率的理解不同；选择您的团队理解的内容。
- 存储桶：具有定义的低/中/高（例如，低 ≤40%，中 41-70%，高 >70%）。
- 证据标签：来源的强/中/弱，并附有简短的理由（时效性、共识、直接性）。
- 验证计划：始终要求进行快速测试或来源检查，以将不确定性转化为行动。
实际应用中的后续提示：实际场景
- 产品战略：“按预期影响和置信度范围对三个发布假设进行排名。列出每个假设的一个反驳性测试。”
- 数据分析：“给出对这种趋势的两种最佳解释，以及 0-1 的不确定性，以及什么额外数据可以减少它。”
- 编码帮助：“提出两个修复方案，每个方案都具有置信度、复杂性估计和一个要测试的失败案例。”
- 研究综合：“总结共识与争议，每个主张的置信度以及要验证的阅读清单。”
- 决策备忘录：“提供建议、您的置信度以及什么证据可以将您的观点改变 20 个点。”
“大声思考”怎么样？推理提示的优缺点
- 思维链：要求模型逐步推理可以提高准确性——但会冒着产生冗长、推测性文本的风险。在执行敏感任务时要谨慎使用。
- 简短的理由：首选引用假设和检查的简短、结构化的理由。它们更易于审核且阅读速度更快。
- 自我一致性：要求模型生成多个简短的理由并选择共识可以减少错误，而不会过度暴露内部链。
一个简单、可重复的工作流程
- 澄清循环（如果需要）：让模型提出问题，直到不确定性降至阈值以下。
- 对抗性传递：请求相反的情况，看看置信度是否发生变化。
- 最终确定：需要提供最终答案，并附上置信度范围和验证计划。
您可以立即复制和使用的提示
- “在回答之前，请在 0-1 的范围内估计您的不确定性。如果 >0.2，请首先提出 2-3 个澄清问题。”
- “列出 3 个合理的答案，每个答案都具有置信度百分比、关键假设和一个快速验证步骤。”
- “陈述您的答案，然后列出 3 个带有证据强度标签的如果-那么证明。以范围形式提供最终置信度。”
- “运行自检：什么是 2 个可能的错误或盲点？如果重要，请修改并更新置信度。”
- “为相反的结论辩护。什么证据会使其更有可能？重新陈述您的置信度。”
- “在 ≤120 个字中：答案、置信度 0-100、一个可能错误的假设以及我可以运行的一个测试。”
真实世界的提示：使不确定性成为常设指令
许多用户报告说，通过嵌入如下常设指令，可以获得更好的结果：“在回答之前评估您的不确定性；如果较高，请首先提出澄清问题。”这种简单的添加可以将模型行为转变为谨慎的、寻求上下文的回复，从而提高质量和安全性。分析师还认为，明确地浮出确定性和不确定性应该是生成式 AI 交互的提示设计的默认部分。
避免这些常见的陷阱
- 过度精确：单个置信度数字可能暗示比保证的更多的确定性。首选范围。
- 未强制执行的阈值：如果您设置了不确定性阈值，请指定超过阈值时会发生什么（提出问题、获取来源或拒绝）。
- 没有验证路径：始终要求采取具体的下一步行动以减少不确定性。
值得注意的是：使用 Sider.AI 来实施不确定性
如果您从事研究、编码或内容方面的工作，可以简化后续提示的工具会有所帮助。顺便说一句，Sider.AI 的聊天工作流程可让您固定常设指令（例如不确定性阈值），并在对话中重复使用结构化的后续提示。这可以使团队保持一致：每个答案都带有置信度范围、假设和验证步骤——而无需每次都重新输入提示。 主要收获
- 明确说明不确定性：询问置信度范围、假设和快速检查。
- 系统化：将您最好的提示转化为可重用的模板或团队默认设置。
进一步阅读和社区示例
- 关于在提示工程中明确说明确定性和不确定性的从业者观点。
- 社区提示，展示了单个短语如何通过强制进行答案前的 检查来改善结果。
现在尝试一下
将以下内容粘贴到您的下一个 AI 会话中：
“在回答之前，请在 0-1 的范围内估计您的不确定性。如果 > 0.2，请向我提出 2-3 个澄清问题。然后用一句话的主张、一个置信度范围、一个关键假设和一个快速验证步骤来回答。”
如果您想通过 AI 加深您的批判性思维工作流程，请尝试使用提示来映射场景、替代方案和准备工作——许多用户发现这种方法可以提高不确定性下的决策清晰度。
常见问题解答
Q1：什么是 AI 中用于不确定性的后续提示？
后续提示是第二次传递指令，要求模型量化置信度、浮出假设并提出验证步骤。它们通过明确说明不确定性来减少过度自信的答案并提高清晰度。
Q2：如何让 AI 首先提出澄清问题？
设置一个规则：如果不确定性超过阈值（例如，0-1 范围内的 0.2），则模型必须在回答之前提出澄清问题。这减少了歧义并提高了准确性。
Q3：量化 AI 置信度的最佳方法是什么？
询问范围（例如，60-75%）、几率（60/40）或带有定义的标记存储桶（低/中/高）。将置信度与假设和快速验证步骤配对，以实现实际的可操作性。
Q4：后续提示可以防止 AI 幻觉吗？
它们可以通过强制执行自检、替代答案和证据强度标签来显着减少幻觉。虽然不是万无一失的，但这些方法鼓励谨慎和可验证的推理。
Q5：如何防止不确定性提示变得太长？
限制输出时间并使用紧凑的结构：答案 + 置信度 + 一个假设 + 一个测试。简短的理由可以保持校准，而不会降低您的速度。
