Scene 01 / 08 · 提问学习模式
不会的，
就问 AI。
但你问得对吗？
同样一个不懂的概念，菜鸟一句话只换到一行定义，老手一句话就能拿到「定义 + 类比 + 例子 + 对比」一整套。
这是什么？
为什么？
怎么做？
这张图看不懂
核心认知
差距不是「快慢」，
是「信息密度」。
同样想搞懂一个新概念，两条路径走完，你拿到的"东西"完全不在一个量级。
PATH A · 老办法
搜索 → 拼凑 → 越搜越乱
- 1打开搜索引擎，输入关键词
- 2看到 10 个标题，分不清谁靠谱
- 3点进去，先吃 3 段广告
- 4换关键词，再点，再换
- 5用自己半懂不懂的状态，硬拼出一个答案
结果：耗时一下午，知识颗粒散，没有结构，记不住。
PATH B · AI 提问
一句话 → 一整套答案
- 1把身份、背景、目标一次说清
- 2同时要求 定义 + 类比 + 例子 + 对比
- 3一次返回结构化答案
- 4不懂的地方追问，AI 不嫌烦
- 510 分钟，你已经能跟同事讲清
结果：一次对话顶过去一下午，信息密度是几倍。
但有个前提要先讲清：AI 学的是「过去的资料」。它知道"什么是相对论"，但不知道"昨天哪个明星塌房"。问新词新事时，打开 AI 的联网/搜索开关，或者用 AI 搜索类工具（秘塔、Perplexity、Kimi 探索版）。
现场对比 · OKR 案例
同一个 AI，
菜鸟拿到 1 行，老手拿到一整张表。
假设老板今天突然说"我们下季度全员推 OKR"，你听过这个词，但说不出和 KPI 有啥区别。两种问法，两种命运。
PATH A · 菜鸟问法1 行答案
什么是 OKR？
AI 回复
OKR（Objectives and Key Results）是一种目标管理方法，由目标（O）和关键结果（KR）组成，常用于公司绩效管理。
…然后呢？
PATH B · 老手问法一整张知识地图
我是一名运营，公司下季度要推 OKR，我完全没用过。请用大白话给我讲：
1. OKR 是什么？用一个生活类比；
2. 它解决了什么问题？没有它会怎样？
3. 给我一个运营岗位可能用到的例子；
4. OKR 和 KPI 有啥区别？最容易搞混的 3 个点是什么？
AI 回复（节选）
1. 生活类比：OKR 像一份"今年我要变成什么样的人"的承诺（O）+"我每月体重、跑步公里数"的可量化目标（KR）。2. 解决了什么：避免大家"低头干活、抬头方向不一致"。
3. 运营例子：O = 让新用户在首月留下来；KR = 7 日留存提到 35%、首月内核心动作完成率提到 60% ……
4. 与 KPI 的混淆点：① OKR 不直接挂奖金，KPI 通常挂；② OKR 允许只完成 70%，KPI 通常要 100%；③ OKR 由下而上，KPI 通常由上而下下发。
信息密度：★☆☆☆☆ · 用时 30 秒 · 还得继续追问
信息密度：★★★★☆ · 用时 30 秒 · 已经能跟同事讲清
可复制 · 现场粘贴
把这一句话，
抄进任何一个 AI 对话框。
不需要背公式。看红色方括号，换成你自己的身份和概念，就能用。
通用模板 · 高密度提问
我是一个【你的身份/背景】，我想搞懂【概念/问题】。
请你：
1. 用一个生活类比告诉我它是什么；
2. 解释它解决了什么问题，没有它会怎样；
3. 给我一个【我的领域】的例子；
4. 列出 3 个相关但容易搞混的概念，并一句话说清区别。
填好的样例 · 直接现场用（OKR）
我是一名运营，公司下季度要全员推 OKR，但我完全没用过。
请你：
1. 用一个生活类比告诉我 OKR 是什么；
2. 解释它解决了什么问题，没有它公司会怎样；
3. 给我一个运营岗位的 O + 3 个 KR 的例子；
4. 列出 OKR 和 KPI 最容易搞混的 3 个点，分别一句话说清区别。
一个小提醒：越是「我是谁、我要干嘛、我已经懂什么」这三句话写清楚，AI 答得越准。模糊的人得到模糊答案，清楚的人得到一张知识地图。
被严重低估的能力
看不懂的图，
直接截图扔给 AI。
这不是 OCR。OCR 只把图里的字抠出来；现在主流 AI 是真的"看懂"了这张图——它能告诉你架构图里的上下游、海报的视觉风格、报表里最值得关注的趋势。
uploaded · q1-dashboard.png
把这张图直接拖进 AI 对话框，AI 会告诉你 3 月那次跳点是什么、整张图最值得追的指标是哪条线。
图 + 文 模板
【上传图片】
这是【图片是啥，比如：我们公司 Q1 业务看板】。
请你：
1. 描述这张图主要在表达什么；
2. 指出图中最关键的 3 个信息点；
3. 站在【我的身份】视角，我最该关注哪一部分？为什么？场景 A · 新员工
截公司架构图问：每个模块负责啥？我做用户增长最常打交道哪几个？
场景 B · 设计师
截一张你喜欢的海报：色调 / 字体 / 版式 / 情绪，请描述出来给我"复刻配方"。
场景 C · 看不懂的图表
老板甩你一张 Tableau：几组数据？最值得关注哪条趋势？
系统学习 · 三段式
3 小时入门
一个完全陌生的行业。
提问学习不只能解一个点，还能让 AI 给你搭一棵知识树。先让 AI 画地图 → 按地图各个击破 → 让 AI 出题考自己。
09:00
让 AI 画一张「新能源汽车行业」学习地图
10 分钟
09:10
纯电 vs 增程：为什么是两条路？各自优劣？
30 分钟
09:40
中国主要玩家是谁？谁走纯电、谁走增程？
30 分钟
10:10
政策 / 供应链 / 消费者三端的最新变化
30 分钟
10:40
让 AI 出 10 道理解题考自己，先不给答案
30 分钟
11:10
对着错题补缺，结束。
完成
结果：你对一个陌生行业的"基本盘"，已经超过 80% 只是"听过这个词"的人。这不是夸张——因为大多数人卡在第一步（不知道从哪开始），AI 直接帮你跳过了这一步。
现场最常被问到的 5 个误区
这 5 句话你心里想过，
但每一句都不对。
看似有道理，但把这一节剪掉，提问学习就用不出价值。
看似
"AI 啥都知道，问就完事了。"
真相
AI 只知道训练截止前的事。新词、新闻、实时信息一定要开联网或搜索，否则它会很自信地编。
看似
"图我就用 OCR 提一下字。"
真相
OCR 只是抠字；理解模型是"读懂图"。截图直接扔给 AI，不要先转文字——你会丢掉图里最重要的结构和视觉关系。
看似
"问得简单一点 AI 才答得清。"
真相
恰好相反。简单问题给的是简单答案。密度高的问题 = 一次抵十次。
看似
"AI 答得不对，肯定是 AI 不行。"
真相
大概率是你的问题太短太模糊。问题质量决定答案质量。遇到不对的答案，先回头看自己的提示词。
看似
"以后学新东西就该问 AI，不用看书了。"
真相
AI 适合快速入门、建立框架；深入掌握还是要看权威资料。把 AI 当地图，把书当腿——地图能让你跑得快，腿决定你能跑多远。
本场景结束 · 行动清单
3 句话，
带走这一章。
-
1
不会的就问 AI——但要问得密度高。
一次问出「是什么 + 例子 + 对比 + 类比」，别浪费一次免费的密集回答。
-
2
看不懂的图直接截图扔过去。
AI 真的能看懂图。不用先转文字，不用再 OCR。
-
3
把零散提问升级为「画地图 → 各个击破 → 反问检验」。
3 小时入门一个新领域，完全可行。
下一场景
02 · 总结整合 —— 把一篇 30 页报告，压成你能用的 5 句话
回到
返回首页