开场白：从 Prompt 到 Context，再到 Harness——AI 编程的三层进化
过去三年，AI 编程的底层逻辑悄然迭代了三次。从 Prompt 到 Context，再到 Harness，热词换了一茬又一茬，但本质上它们不是替代关系，而是分层关系：
| 层级 | 核心问题 | 边界 |
|---|---|---|
| Prompt Engineering | 怎么说 | 优化表达，激活正确的模型行为 |
| Context Engineering | 喂什么 | 管理信息环境，让模型在决策时看到该看的东西 |
| Harness Engineering | 怎么管 | 构建运行系统，用约束和验证让 Agent 稳定交付 |
Harness 的核心理念用一句话就能讲清楚：模型是马，Harness 才是缰绳、马鞍与路。 动力依然来自模型本身，但方向、节奏、安全和边界，靠的是套在它外面的那层系统。
而本文要讲的 “让 Claude 采访你” ，正是 Harness 工程中“需求前置澄清”这个关键环节的具体落地——在 AI 动手写代码之前，用结构化提问把模糊的想法逼成清晰的规格，从源头堵住歧义的漏洞。不需要学新技术，只需要换个姿势和 AI 对话。
别急着让 AI 写代码，先让它采访你——最高效的人机协作心法
【参考——Claude Code 最佳实践】
你可能也有过这种抓狂的瞬间：你满心期待地对 AI 助手说出“帮我加个缓存”，它自信满满地吐出一整屏代码，你定睛一看——它用的是你压根不想碰的内存缓存，而你心里想的是 Redis。于是你删代码、改措辞、重新生成，如此循环，最后不耐烦地自己手撸了一个。
问题出在哪儿？我们和 AI 之间，隔着一道巨大的信息鸿沟。
很多时候，不是 AI 太笨，而是我们自己都没彻底想清楚到底要什么，更没有把那层心照不宣的隐性知识喂给它。于是 AI 在猜，你在改，两个“人”都累得够呛。
直到我见识了一种被称为 “Spec 面试法” 的玩法，才恍然大悟：最高效的 AI 编程，不在于把提示词写得多么花哨，而在于彻底扭转对话的方向——别让 AI 做你的手下，让它先做你的产品经理。
为什么你一开口，AI 就注定要猜？
自然语言的模糊性是与生俱来的。你说“优化一下性能”，这后面藏着几十个 AI 必须脑补的细节：是优化渲染还是优化网络？能接受多大的改动成本？要不要考虑 SSR？
著名开发者 Greg Isenberg 说过一句很犀利的话：“大多数时候，人们只是在描述一个产品愿景，而不是一个具体的功能点，然后对 AI 的结果气得跳脚。”
更有意思的是，Anthropic 的产品经理 Catherine Wu 观察到一个现象：资深开发者会同时开着六个 Claude 会话窗口，有的负责答疑解惑不动代码，有的专攻实现，有的死磕日志，有的盯着 Bug 不放。这种手忙脚乱的“分身流”操作背后，其实是我们在用人肉填补 AI 理解力的缺口。
但有没有更体面的办法？ 有。那就是让 AI 在动手之前，像一位严苛的面试官一样，把所有藏在暗处的需求都挖出来问清楚。
核心思维转换：从“我说你做”到“你先问我”
- 传统指令驱动：你说 → AI 做（AI 疯狂猜测，方向错了你就得返工）
- 让 AI 采访你：AI 问 → 你说清 → AI 做（AI 主动挖掘需求，确保一出手就在靶心上）
手把手拆解：“让 AI 采访你”怎么玩？
让 AI 采访你，本质上是一种 “需求前置澄清机制”。在它敲下第一行代码之前，它得先扮演你的架构师和质检员，用一连串结构化的拷问，把你脑海里那团模糊的烟雾，捏成一块清晰的砖。
具体操作四步走，出奇地简单：
第 1 步：拿出你的“毛坯房”构想（极简 SPEC.md）
不需要长篇大论，写一句话就行。比如：
“我想做个内部用的员工聊天窗，能发实时消息和文件。”
第 2 步：在新的对话里，把采访权交给 AI
用下面这个经典指令开场（感谢 Thariq 的智慧）：
“读一下这份 @SPEC.md，然后像面试官一样详细采访我。用上你的提问工具，事无巨细地追问：技术实现路径、UI/UX 细节、潜在的隐患、取舍权衡……别问那些显而易见的废话，往深了挖。一直问到你觉得榨干了所有信息为止，然后再动手写完整的技术规格书。”
如果你习惯中文语境，直接说人话也行：
【参考】
“我想做个用户认证系统。别急着写代码，你先采访我，把技术选型、交互边界、安全红线、各种极端情况全问一遍。我问不倒你就别停，问完了把 SPEC 给我写出来。”用例： 让 Claude 采访你
对于更大的功能，让 Claude 先采访你。从最小的提示开始，要求 Claude 使用
AskUserQuestion工具采访你。Claude 会问你可能还没有考虑过的东西，包括技术实现、UI/UX、边界情况和权衡。
示例：
中文示例：
一旦规范完成，启动新会话来执行它。新会话有干净的 context，完全专注于实现，你有一个书面规范可以参考。
第 3 步：享受这场头脑风暴，并实时见证奇迹
接下来，你会看到 Claude 像个资深架构顾问一样，抛出 30 个、50 个甚至更多的问题。从“缓存击穿怎么防？”到“用户突然断网时消息队列怎么处理？”，你会惊讶地发现，很多坑是你之前根本没想到的。随着你一一作答，它会默默更新那份 SPEC.md 文档，把它从一句话魔法般扩充成一份滴水不漏的作战地图。
第 4 步：另起炉灶，按图索骥写代码
最关键的一步：换一个新的对话会话。 把刚才那份沉甸甸的 SPEC.md 直接丢给它：
“请严格按这份规格实现。”
由于所有的模糊地带都已在前期扫清，这时 AI 生成的代码往往会让你有种“开盲盒开出隐藏款”的惊喜感，一次成功率极高。
有位开发者朋友跟我感慨：“以前用 vibe coding 的玄学写法，两三次迭代就崩了。用了 Spec 面试后，那种代码一次跑通、逻辑严丝合缝的顺畅感，真的会上瘾。”
为什么这个反直觉的方法这么好用？
这背后其实藏着几个挺朴素的道理：
- 把歧义扼杀在摇篮里
AI 不再猜哑谜，而是在提问中向你展示选项。从源头堵住了信息泄露的阀门，代码质量自然水涨船高。 - 倒逼自己把问题想透
你以为是“说清楚了”，其实大脑里全是跳帧的画面。采访过程会像一面镜子，逼你正视那些被忽略的细节——数据库到底用哪个？权限模型是 RBAC 还是 ABAC？没有这一步，你永远不知道自己漏掉了什么。 - 给了 AI 一张“标准答案”来自查
有了详细的 Spec，AI 就能自我验证。就像官方文档里反复强调的那句箴言：“给 AI 一种验证其工作的方式，是你所能做的杠杆效应最高的事情。” - 极大减少返工的挫败感
前期花 15 分钟接受采访，换来的是接下来几个小时的丝滑开发。这笔时间投资的 ROI，高得离谱。毕竟，如果你只有一份稀烂的计划书，那你不是在编程，只是在给算力服务器捐电费罢了。
当然，得说句公道话
不是所有场景都需要这种重型武器。如果你只是想改个变量名、修个显而易见的语法错误，这么搞确实有点杀鸡用牛刀。但如果你面对的是：
- 一个牵扯多种技术路径的大功能模块。
- 一个需求本身就像雾里看花、怎么解读都行得通的模糊任务。
- 或者你刚接手一个陌生的庞大代码库。
这时候，请务必试试 “让 AI 采访你”。你会明白什么叫 事半功倍。
写在最后：搭档，而非工具
“让 AI 采访你”这个技巧之所以迷人，是因为它揭示了一种更高阶的人机关系：最好的 AI 伙伴，不是那种你说一它就画一的执行机器，而是能帮你拨开迷雾、理清思绪、甚至能比你更擅长追问“为什么”的同路人。
下次当你准备把需求丢给 AI 之前，不妨停顿片刻，问问自己：我真的准备好了吗？如果心里打了个突，不妨深吸一口气，对 AI 说出那句神奇的咒语：
“别急，你先采访我，问完了我们再一起动手。”
你会发现，最好的协作，不是“我说你做”，而是 “你先问，我再答，然后我们一起造。” 这一刻，AI 不再是工具，它是那个能陪你一起把想法变清晰的、最耐心的搭档。
ICP备案/许可证号：
鲁ICP备2026011998号-1
鲁公网安备37010202700599号