先别写代码，让 AI 反问你 10 个问题：澄清式需求对话实战

最大的浪费不是 token，是方向错了的重写

观察过很多 vibe coding 翻车现场，真正的病根很少是「AI 写不出代码」，而是「你以为你说清楚了，AI 以为它听懂了」。一句「做个记账应用」，你脑子里是家庭共享账本，AI 给你做了个单机版；返工三轮之后，你花的 token 是小事，信心被磨掉才是大事。

我的解法很反直觉：开工前不许 AI 写代码，先让它反问你。不是客套两句，而是强制它提出至少 10 个实质性问题，你回答完、它复述确认之后，才允许动手。这个习惯坚持下来，返工量至少砍掉一半。下面是完整打法。

那 10 个问题：覆盖需求的五个维度

不需要每次都问满 10 个，但这五个维度一个都不能漏：

用户与场景（2 问）：「谁会用这个？他此刻在什么场景下打开它？」——把「用户」从抽象名词变成一个具体的人在具体的时刻。比如「通勤路上单手操作的上班族」和「坐在电脑前的财务」，做出来的根本是两个产品。

边界与非目标（2 问）：「这个版本明确不做什么？」和「什么输入是绝对不允许的？」——非目标比目标更重要，它决定了 AI 不会自作主张给你加登录、加支付、加多语言。

数据与状态（2 问）：「核心数据长什么样？举三个真实例子。」和「数据存在哪、丢了怎么办？」——逼你用真实例子代替抽象描述，这是检验需求是否真实的试金石。

成功标准（2 问）：「做完之后，我怎么验证它是对的？走一遍哪个具体流程？」——把验收标准前置，AI 写完代码自己先走一遍，而不是等你人肉点。

约束与顺序（2 问）：「有什么技术/预算/时间的硬约束？」和「如果只能先做一个功能，选哪个？」——排序问题专治「全都要」，逼出真正的 MVP 切口。

一句话术 + 三轮收敛法

开场话术直接复制可用：

「在写任何代码之前，先向我提出至少 10 个问题，把需求问清楚。问题要具体、能用选择题或真实例子回答，不要问正确的废话。等我回答完，用你自己的话复述一遍你理解的需求，得到我确认后再动手。」

然后是三轮收敛：第一轮 AI 提问，你回答（允许说「这个我没想好，你给三个选项我选」）；第二轮 AI 复述理解 + 列出它打算不做的事，你纠偏；第三轮 AI 输出一页纸的规格（功能清单、数据结构、验收流程），你签字画押。三轮之后再开写，返工率会断崖式下降。

三个反模式：问了也白问的情况

反模式一：AI 问正确的废话。「你希望界面美观吗？」这种问题直接打回，告诉它：只问那些答案会改变实现方案的问题。这是调教 AI 提问质量最关键的一句。

反模式二：你替 AI 脑补答案。「这个你看着办」说多了，等于把决策权全部让渡。原则是：凡是涉及用户价值的选择题必须你来答，只有纯技术实现细节可以让 AI 定。

反模式三：问完不复述。没有复述环节的提问等于没问——人类的「嗯」和 AI 的「明白了」一样不可信。强制复述是整个流程里 ROI 最高的一步，别跳过。

什么时候可以不问：三条豁免

不是每个任务都值得 10 问。纯复刻（「照着这个截图做」）、一次性脚本（「帮我把这 200 个文件名批量改了」）、探索性 spike（「试试这个库能不能满足需求」）——这三类任务直接开干，问多了反而是内耗。判断标准就一条：这个任务如果方向错了，重写成本高不高？高，就先问；不高，就直接开火。