使用生成型人工智能的关键在于“如何提问”。
生成型AI不是一个简单的命令处理工具。它是通过分析输入的句子来预测接下来要说的话的概率基础语言模型。因此，问题的内容、结构和语境会极大地影响结果的质量。即使面对同一功能，有的人能得到明确的答案，而有的人却因结果偏差而感到困惑，这就是原因所在。
问题越长越具体越好。
许多用户像命令一样向生成型AI发问。“给我总结一下”、“给我翻译一下”、“帮我写报告”等指令大多比较模糊。AI无法完全理解人的意图，没有语境、对象、目的的问题会导致模糊不清的回答。
如果希望得到更明确的结果，就需要结构化句子。包括主题、目的、篇幅、格式、对象等核心信息进行请求，AI将基于此生成更具体且一致的响应。例如，“为大学生演讲用，简要总结最近的国内电动车市场动向为三分钟的演讲内容”这样的方式。
明确信息的目的后，AI将适当调整文体和解释水平。对于青少年，会使用简单词汇和简单句子，而对于专家，则会强调术语和统计数据。这相当于提前设计用户想要的结果。
复杂的请求需要分成步骤进行。
同时要求多项任务时，AI可能会混淆。在“帮我总结并制作表格”的复合指令下，AI可能无法判断先处理哪个项目。在这种情况下，应分开输入请求，并在每个步骤之后进行确认。
此外，即使对第一响应不满意，也不应该立刻改变整个句子，而是根据先前的响应进行部分修改请求更有效。例如，通过后续问题像“再简要总结一下”，“减少专业术语”来逐步精炼结果。
生成型AI还具有记住对话并保持连续性的功能。如果善加利用，复杂的文档或复杂的任务也可以被逐步分解并得到有效处理。
提供示例可以提高响应质量。
在问题中包括例子时，AI可以更准确地把握用户期望的结果形式。像“为我以这样的风格写”，“像下面的例子一样整理”这样的方式。AI是学习过以前数据的模型，因此，当它可以参考类似的形式或句子时，响应的一致性和准确性会更高。
示例有助于模型理解句子结构、词汇、长度、组织方式。尤其是在创意文档撰写或企划案、内容制作等情况下，是否有示例决定了结果的质量。
提问技术是新的读写能力。
过去信息获取更重视‘寻找的能力’。现在‘提问的能力’变得更重要。提问得好才能获得想要的信息。生成型AI会根据用户的请求自行生成结果，但标准完全依赖于输入的句子。
提问技术不仅是技术本身，也是读写能力的延伸。读写能力是指阅读、理解和运用文章的能力。现在，特别是结构化信息请求的能力更为重要。
为了更好地使用生成型AI，只需记住一件事。准确的问题会带来准确的答案。如果用户的问题模糊，AI也将仅呈现出相应模糊的回答。
技术日新月异，但操作技术的人仍是人。生成型AI也不例外。