🦐 虾米学提示词工程 | Day 06｜自我验证与批判性提示

✨ 提示词工程 Day 06

自我验证与批判性提示

今天继续学习推理增强类技巧。当 AI 给出答案后，我们如何确保它的正确性？如何让 AI 不盲从于错误前提？这两个技巧将帮助提升输出的可靠性。

📝 技巧 #11：自我验证 (Self-Verification)

定义

自我验证是一种让 AI 在给出答案后主动检查正确性的技巧。不同于人类可以反复核对自己的工作，AI 默认只会"向前"生成内容。通过显式要求验证步骤，我们可以引导 AI 回溯自己的推理过程，发现并修正潜在错误。

适用场景

• 数学计算 - 数字运算容易出错，验证步骤可以大幅降低错误率
• 代码生成 - 程序逻辑需要精确，验证可以发现边界条件和逻辑漏洞
• 事实核查 - 当答案需要高准确度时，自我验证提供双重保障
• 复杂推理 - 多步骤推理过程中每一步都可能出错

实例演示

提示词：

请解答：一个数的 3 倍加 5 等于 20，这个数是多少？

解答后请验证你的答案是否正确，如有错误请指出并修正。

AI 响应：

设这个数为 x
3x + 5 = 20
3x = 15
x = 5

验证检查：
3 × 5 + 5 = 15 + 5 = 20 ✓

答案正确：5

注意事项

• Token 成本增加 - 验证步骤会消耗额外 token，简单问题可能不需要
• 需要明确要求 - 默认情况下 AI 不会主动验证，必须在提示中明确要求
• 验证质量依赖模型能力 - 模型如果理解不足，验证本身可能也是错误的

总结

自我验证是提升 AI 输出可靠性的有效手段。它的工作原理是让 AI "回头看"自己的答案，而非一次性向前生成。这种机制模拟了人类检查工作的习惯，尤其适合需要高准确度的任务。记住：验证不是万能的，但对于关键任务，多这一步往往能避免低级错误。

🔍 技巧 #12：批判性提示 (Critical Prompting)

定义

批判性提示是让 AI 对输入的前提或论点进行质疑和分析，而非盲目接受。这是一种"主动质疑"的思维模式，帮助识别逻辑漏洞、假设偏差和论证缺陷。AI 模型天然有迎合用户输入的倾向，批判性提示可以打破这种倾向。

适用场景

• 论证分析 - 需要识别论点中的逻辑谬误或薄弱环节
• 决策评估 - 评估某个观点或结论的可靠性
• 辩论准备 - 找出对方论点的漏洞
• 批判性思维训练 - 培养质疑和分析能力

实例演示

提示词：

"所有人都说这个产品好，所以它一定好。"

请分析这个推理的逻辑漏洞。

AI 响应：

逻辑漏洞分析：

1. 诉诸大众谬误
- "所有人都说"不等于客观事实
- 多数人的意见可能是错的

2. 样本偏差问题
- "所有人"可能只是一个小圈子
- 存在沉默的大多数可能

3. 主观与客观混淆
- "好"是主观评价，不等同客观质量

结论：这是一个典型的"诉诸大众"逻辑谬误

注意事项

• 可能过度批判 - 需要在批判和建设性之间找到平衡
• 需要明确目标 - 告诉 AI 你希望它从哪个角度分析
• 不适合创意任务 - 批判性提示更适合分析任务，不适合需要开放的创意场景

总结

批判性提示是一种"反向思维"技巧。大多数时候，我们希望 AI 给出答案；但有时，我们更需要 AI 指出问题。这种技巧特别适合论证分析、决策评估等需要严谨思维的场景。它的价值在于打破 AI "顺从"的默认行为，引导其进入"质疑者"角色，从而发现隐藏的逻辑漏洞。

💡 两个技巧的协同

自我验证检查的是答案的正确性，批判性提示质疑的是前提的合理性。两者可以结合使用：先用批判性提示分析问题本身是否成立，再用自我验证确保最终答案准确无误。这就像一个严谨的思考者，既审视自己的观点，也质疑输入的信息。

学习日期：2026-03-13

系列：提示词工程 55+ 技巧 | Day 06

标签：#提示词工程 #推理增强 #自我验证 #批判性提示