第 6 课：与 AI 协作确认需求

第二章：需求定义与文档 | 第 6 课

课前思考

你有一个清晰的产品想法，你打开 AI 工具，描述了一番你的需求，AI 开始生成代码。一切看起来都很顺利——直到你运行起来，发现 AI 做了一个和你想象的完全不同的东西。

问题出在哪？不是 AI 不够聪明，而是你的需求描述中充满了"你以为不用说但 AI 其实不知道"的隐含信息。

这一课要解决的问题是：如何确保 AI 真正理解了你的需求，而不是按照自己的默认理解去执行。

---

AI 的理解盲区

AI 的工作方式和人有一个根本差异：AI 不会"脑补"。

当你说"帮我做一个登录功能"时：

• 人类开发者会问："用户名+密码？还是手机验证码？还是第三方登录？"
• AI 可能会直接按照最常见的模式生成代码——如果这不是你要的，你就得返工。

更危险的是，AI 不一定会追问。AI 有时会追问模糊的地方，但也可能直接按照"常见做法"处理，而这种默认处理往往与你的预期不符。

常见的理解偏差来源

偏差来源	具体表现	导致的后果
用户模糊	"给职场人士用的工具"——职场人士是谁？	AI 猜错目标用户群体
边界不明确	"做一个聊天功能"——群聊？私聊？	AI 可能做了一整套 IM 系统
约束未说明	你没说只能用纯前端	AI 选用了数据库和后端框架
默认值差异	"显示列表"——多少条？分页吗？	AI 可能猜 10 条，也可能猜 100 条
状态遗漏	"提交表单"——提交中、失败、成功怎么办？	AI 可能不做加载状态和错误处理

核心问题不是"AI 会犯错"，而是"AI 犯错了你可能到运行时才发现"。

---

核心方法一：让 AI 主动追问

传统的"用户说、AI 做"模式有一个问题——用户需要自己去发现遗漏了什么。但现实中，很多细节是在对话中逐渐清晰的。

更好的方式是：让你的 AI 反过来问你问题。

如何启动追问

描述完你的需求后，加一句：

"基于现有方案，列出多个你不确定的问题向我确认。"

AI 会输出一批问题（通常 3-7 个），你逐一回答后，AI 根据你的回答继续追问，直到双方对齐。

一个追问示例

你提出需求：

"我想做一个待办清单应用。"

你启动追问：

"基于现有方案，列出多个你不确定的问题向我确认。"

AI 第一轮追问：

1. 目标用户是谁？是个人使用还是团队协作？
2. 核心功能有哪些？（添加、勾选、删除就够了吗？需要分类标签吗？）
3. 数据存储在哪里？本地浏览器还是云端？
4. 需要用户登录吗？
5. 有移动端需求吗？

你回答后，AI 继续深入：

你：1.个人使用 2.只做添加/勾选/删除 3.本地存储 4.不需要登录 5.只做桌面端

AI：明白了。还有几个问题：

1. 本地存储的话，用户清理浏览器数据任务会丢失——这个风险可接受吗？
2. "完成"的任务是删除还是保留但标记为已完成？
3. 任务有截止日期吗？
4. 列表为空时显示什么？

注意 AI 是如何根据你的回答，不断挖掘更深的隐藏假设的——从"清理浏览器数据会丢失"到"空列表显示什么"。

追问的终点

当满足以下条件时，可以停止追问：

1. AI 的理解与你的预期完全一致——逐条检查，没有偏差
2. 所有关键细节都已明确——没有模糊地带
3. 边缘情况已讨论——异常情况怎么处理有明确方案
4. 你自己也感到清晰了——通过回答问题，你对自己的需求也有了更清晰的认识

---

核心方法二：使用确认模板

每次讨论完需求后，使用以下模板让 AI 输出它的理解：

请确认你理解了我的需求，按以下格式回复：

1. 目标用户：你理解的目标用户
2. 核心功能：你理解的 3-5 个核心功能
3. 不做的事情：你理解的不做的功能
4. 可能的问题：你认为我可能没考虑到的地方

如果有任何不确定，请列出问题清单。

这个模板的价值在于：强迫 AI 把隐含的假设显性化。 当 AI 写下"目标用户是职场白领"时，你可以立即纠正——"不对，目标用户是大学生"。这种显性对比让误解无处藏身。

只说"帮我做X"	用确认模板
AI 按猜测理解	AI 必须明确写出它的理解
不知道 AI 理解对不对	能逐项检查
有误解只能返工	在写代码前就发现误解

---

核心方法三：方案先行

一个非常有效的实践：先让 AI 输出方案，确认后再写代码。

"请先不要写代码，先给出实现方案：数据结构设计、主要页面/组件及其职责、核心流程的实现思路、可能遇到的技术难点。我确认后再写代码。"

这样做的好处：

直接写代码	先出方案
方向性错误发现得晚	方案阶段就能纠偏
有误解返工量大	方案阶段就能发现
结果是否可控不确定	方案确认后再写，预期明确

方案先行把"想清楚做什么"和"怎么实现"分开。第一阶段只关注高层设计是否合理，第二阶段只关注代码细节。这样你审查方案的认知负担更小，也更容易发现方向性的错误。

---

必须确认的 5 类细节

无论用追问还是确认模板，以下 5 类细节都必须在让 AI 开始写代码之前确认清楚：

1. 用户与场景

• 目标用户是谁？（具体到人，不是"所有人"）
• 使用场景是什么？（决定了做移动端还是桌面端）
• 解决什么问题？（确保做的是有价值的功能）

2. 核心功能（明确边界）

• 最核心的 3-5 个功能是什么？
• 用户完成任务的完整流程是什么？
• 有哪些状态变化？（加载、成功、失败、空数据）

3. 不做的事情（范围管理）

• 哪些功能这次不做？
• 哪些功能永远不做？

记住：AI 倾向于"多做"。必须明确告诉它边界。

4. 数据与状态

• 需要存储哪些数据？
• 数据从哪里来？
• 边缘情况怎么处理？（快速点击、网络错误、空数据、超长输入）

5. 技术约束

• 有技术栈限制吗？
• 需要兼容哪些设备和浏览器？
• 有性能要求吗？

---

常见误区

误区一：AI 问的问题太基础，觉得没必要回答。 结果是跳过了关键确认，理解偏差被隐藏。即使是基础问题，也应该明确回答来消除歧义。

误区二：回答模糊，让 AI "看着办"。 "都可以"、"你决定"——AI 会按默认方式处理，可能不符合你的需求。明确给出选择，不要模糊。

误区三：怕麻烦，一轮问答就喊停。 深层假设没被挖掘出来，后续返工成本更高。耐心回答多轮问题，直到双方真正对齐。

误区四：AI 确认了，但生成的代码还是不对。 检查是不是遗漏了某些细节，或者让 AI 生成方案时没有仔细审核。方案是代码的蓝图，方案错了代码一定错。

---

本课实践

用你现在正在做的产品想法，完成以下练习：

1. 向 AI 描述你的需求（不要太详细，就像你平时会做的那样）
2. 用"基于现有方案，列出多个你不确定的问题向我确认"启动追问
3. 回答 AI 的问题，直到它没有新的追问
4. 用确认模板让 AI 输出它的完整理解
5. 检查 AI 的理解是否与你一致，标记出不一致的地方

记录这个过程中你被 AI 问到的最让你"意外"的 3 个问题——那些你之前完全没想到但确实很重要的细节。

---

下一步

掌握了如何与 AI 确认需求之后，下一课我们将学习如何把这些确认过的信息组织成一份结构化的 PRD——它不是给老板看的报告，而是你和 AI 之间的"执行契约"。