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：

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：

CODEBLOCK0

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：

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：

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. 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. 1. 不要猜测内容，而是追问一个具体问题：

1. 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

各方法论详细说明：见 references/methodology-library.md