最小可行性提问原则

1. 明确核心需求
   提问需聚焦单一功能或问题，避免多目标混杂。例如直接说明“如何用Python实现JSON数据解析”而非笼统提问“如何处理数据”。

2. 精简输入输出
   提供简洁的输入示例和期望输出格式。例如：

   # 输入  
   data = '{"name": "Alice", "age": 30}'  
   # 期望输出  
   {'name': 'Alice', 'age': 30}  
   

3. 约束条件前置
   限定技术栈或特殊要求。例如：“需使用标准库json，禁止第三方依赖”。

4. 避免冗余描述
   删除背景故事或非技术细节，保留关键信息。错误示例：“我在做一个项目，需要解析用户数据…”，正确示例：“如何将JSON字符串转为Python字典？”

代码实现示例

以下为根据上述原则生成的代码模板，满足“先求对再求优”：

import json  

def parse_json(input_str):  
    """最小可行性实现：JSON字符串转字典"""  
    try:  
        return json.loads(input_str)  
    except json.JSONDecodeError as e:  
        raise ValueError(f"Invalid JSON: {e}")  

# 测试用例  
input_data = '{"name": "Alice", "age": 30}'  
output = parse_json(input_data)  
assert output == {'name': 'Alice', 'age': 30}  

关键点

• 函数仅完成核心功能（解析），异常处理覆盖基础错误场景。
• 测试用例直接验证输入输出是否符合预期。
• 后续优化可扩展为类或增加缓存机制，但初始版本保持极简。

最小可行性提问原则

1. 明确核心需求
   提问需聚焦单一功能或问题，避免多任务混杂。例如：

   # 错误示例：同时请求优化代码性能和可读性  
   # 正确示例：仅请求优化循环结构以提升性能  
   

2. 提供必要上下文
   包含输入/输出示例、关键约束条件或异常场景。例如：

   # 输入要求  
   def sum_even_numbers(lst: list[int]) -> int:  
       """仅对偶数求和，忽略奇数与非整数输入"""  
       pass  
   

3. 分阶段验证
   首轮验证基础逻辑正确性，次轮优化扩展性。例如：

   # 阶段1：基础功能实现  
   def sum_even_numbers_v1(lst):  
       return sum(x for x in lst if isinstance(x, int) and x % 2 == 0)  
   
   # 阶段2：添加异常处理  
   def sum_even_numbers_v2(lst):  
       try:  
           return sum(x for x in lst if isinstance(x, int) and x % 2 == 0)  
       except TypeError:  
           return 0  
   

代码实现模板

def minimal_viable_ask(code_requirements: str) -> str:  
    """  
    根据最小可行性原则生成提示词  
    Args:  
        code_requirements: 用户输入的原始需求描述  
    Returns:  
        结构化提问模板  
    """  
    # 提取核心需求（示例：正则匹配关键动词）  
    import re  
    core_action = re.search(r"实现|编写|优化|修复", code_requirements).group()  

    # 构建最小化提问  
    prompt = f"""  
    请{core_action}一个Python函数，要求：  
    1. 输入：{code_requirements.split('输入')[1].split('输出')[0]}  
    2. 输出：{code_requirements.split('输出')[1]}  
    3. 首要目标：确保基础逻辑正确性  
    """  
    return prompt.strip()  

# 示例调用  
requirements = "输入代码要求：列表包含数字与字符串，输出所有整数的平方和"  
print(minimal_viable_ask(requirements))  

优化方向

• 增量式改进：在基础版本通过测试后，追加边界条件处理需求
• 反馈闭环：根据执行结果动态调整提问粒度，如补充异常类型说明
• 正交分解：将复杂需求拆分为独立子问题（如先处理类型过滤，再处理计算逻辑）

要点：通过原子化提问降低调试成本，优先验证核心路径再逐步扩展。

大模型提示词的“最小可行性提问”原则

核心思想：在向大模型提问时，优先确保问题清晰、简洁且可执行（“对”），再逐步优化细节或扩展复杂性（“优”）。该原则能有效减少无效交互，提升回答质量。

实现方法

1. 明确核心需求

• 删除冗余信息，聚焦关键问题。例如，避免“我想写一篇关于气候变化的文章，但不确定结构，你能帮我规划吗？”改为“请列出气候变化文章的3种常见结构”。
• 使用动词开头直接表达意图，如“总结”“对比”“生成”等。

2. 限制问题范围

• 单次提问仅覆盖一个子任务。例如拆分“解释量子计算并给出代码示例”为两个独立问题。
• 添加约束条件（如字数、格式）。例：“用50字概括深度学习的特点”。

3. 逐步迭代优化

• 基于初始回答补充细节。首轮提问“写一首七言诗”，后续追加“每句包含‘春’字”。
• 通过反馈修正结果。例：“调整第三句的韵脚为‘ang’”。

优化技巧

结构化模板

任务类型：[摘要/生成/推理等]  
主题：[明确对象]  
要求：[格式/长度/风格等]  
示例：  
- 任务类型：生成  
- 主题：碳中和  
- 要求：列出5条企业可采取的措施，每条不超过10字  

避免模糊表述

• 错误示例：“告诉我一些科技新闻”（范围过广）。
• 正确示例：“提供2024年Q1人工智能领域的三项突破性进展，每项用一句话描述”。

实验与验证

• 对同一问题尝试不同表述，对比模型输出的差异。
• 记录高回复率提问模式，建立个人提示词库。

典型应用场景

• 信息检索：先问“ChatGPT是什么？”，再追问“它与GPT-4有何区别？”。
• 内容创作：首轮生成大纲，次轮填充章节内容。
• 代码编写：先描述功能需求，再逐步添加异常处理或性能优化条件。

该原则通过降低初期复杂度，减少因表述不清导致的重复沟通，尤其适合非技术用户快速上手大模型交互。