找回未知

要解决的问题

给大模型下指令时，最常见的返工来源不是模型能力不够，而是需求里藏着大量没说清的部分。模型不会读心，它只会把你没写的东西猜出来，然后在长任务里一路执行下去——猜错的代价往往在几十个步骤之后才暴露。finding-your-unknowns 的出发点很朴素：与其把 prompt 写得更厚，不如先把未知暴露出来。

核心框架：四类未知

技能要求你在任何任务开始前先做一次自我盘点，把认知拆成四类：

• 已知的已知：能明确写进指令的需求。
• 已知的未知：清楚自己还没想清楚的部分。
• 未知的已知：那些"看到才知道对不对"的隐性标准，比如审美、交互手感、业务惯例。
• 未知的未知：根本没意识到的盲区。

目标不是消灭未知，而是在返工成本变高之前，尽量把第 3、4 类转化为第 1、2 类。

关键步骤

实施前提供五种挖掘手段，可以按任务复杂度挑选：

• 盲区扫描：如实告知起点，让模型列出你可能遗漏的问题。
• 头脑风暴与原型：在视觉、架构选型这类隐性标准多的领域，先用低成本原型把模糊标准具象化。
• 反向访谈：仍有模糊地带时，让模型反过来采访你。
• 参考物指向：说不清想要什么时，直接指向源代码、文档、截图或 URL。
• 计划审阅：动手前先看计划，重点暴露可能需要改的决策。

实施中要求模型维护决策日志，并设置阶段性检查点——每完成一个子模块就暂停，按"做了什么 / 遇到了什么 / 你的决策 / 需要确认什么"汇报，确认后再继续。这是它与面向顶尖模型的原版方案最大的差异：它假设模型能力仍是变量。

实施后产出说明文档，让评审者能从你的起点理解整件事，并让模型考你，确认自己真的理解了所有改动。

适用边界

这套方法依赖长上下文（≥128K token）与工具调用/代码库访问能力，更适合复杂、跨模块的任务。简单任务可以跳过盲区扫描和访谈，直接写计划。另外，如果模型在盲区扫描等步骤明显跟不上，说明它对该领域的理解有限，这时需要自己补外部检索，而不是完全依赖它。