用户问题很模糊时，AI系统应该直接回答还是先追问？
这道题考的是AI系统处理模糊输入时的决策能力。核心是：AI什么时候该猜，什么时候该问。
先澄清还是直接答？用户要的是"猜对"的体验
先说个扎心的数据：模糊问题直接回答，用户接受率只有66%。
也就是说，你吭哧吭哧答了半天，三个人里有一个直接关掉走人。
为什么？因为用户问的时候自己都没想清楚要什么，你答得再完整，可能根本不是他想要的。就像你去修手机，客服说"寄回来修"，结果你想换货——白折腾一趟。
追问能显著提升回答准确率。用户不是讨厌被问，是讨厌被猜错。
你问一句"您是想退换还是维修呢？"用户两秒回复，整个对话效率反而更高。
所以判断标准很简单：模糊程度 vs 回答成本。模糊度高 → 追问；模糊度低 → 直接答。
为什么现在的AI不爱追问？
明明追问效果好，为什么ChatGPT们一个个跟"问题少年"似的，遇到模糊问题硬着头皮也要答？
根本原因：RLHF训练把AI"教歪了"。
大模型训练分两步：预训练学知识，RLHF学对话。RLHF阶段，人类标注员会给"完整回答"打高分，给"让我先问问你"打低分。久而久之，模型学到了一个隐藏规则：被夸奖 = 给完整答案。
结果就是：模型内部可能检测到歧义，但没被教会把追问当作正确行为。就像一个学生被训练"永远要交卷"，遇到不确定的题也硬着头皮写，从不举手问老师。
还有个问题：训练数据里几乎没有"让我先问问你"类型的对话。
公开数据集里的问答，都是"问什么答什么"的格式。AI没见过好例子，自然学不会。
怎么让AI学会追问？
三个方法，效果从弱到强：
1. 监督微调：用数据教
用人写好的"模糊问题→追问→澄清→回答"对话数据，喂给模型微调。ClarifyingQA数据集就是这么来的——几千条对话，就能教会模型"明确直接答、模糊先问"。
成本低、见效快，但泛化能力一般。换一个新领域，可能又不会问了。
2. 逐步提示（Chain-of-Thought）：让AI"想一下"
在prompt里加一句："先检查这个问题是否有歧义，再决定是否追问"。
简单粗暴，效果能提升约20个百分点。原理是让模型调用推理能力，而不是依赖记忆。
3. APA方法（2024）：利用AI的困惑感
这是最新研究：让模型自查不确定度——"我自己对这个问题有多大把握？"
如果模型回答"我不确定用户指的是A还是B"，那就去追问。这个方法利用了模型自身的困惑感作为信号，泛化能力最强。
类比一下：教小孩解题。监督微调是背答案；CoT是教他"先审题再动笔"；APA是让他自己感觉"这题我真会吗？不会就问"。
实际面试中怎么答？
面试官不只想听理论，更想看你能不能落地。
第一，判断模糊类型：
- 词汇歧义："苹果"指水果还是公司？→ 追问
- 上下文歧义：用户前一句聊电影，后一句说"那个演员"，指的是谁？→ 追问
- 错误前提：用户问"为什么蒸煮比烘焙更健康"（隐含蒸煮更健康的假设）→ 不追问，直接指出前提问题
第二，高风险领域必须追问：
医疗、法律、金融这些领域，答错了要命。宁可多问一句，也不要猜错了害人。
第三，追问有"黄金标准"：
问题相关、简明扼要、不让用户反感。连问三个问题？用户早就跑了。
面试怎么答？
基础版（能过就行）：
模糊问题确实困扰AI系统。现在的LLM因为RLHF训练偏好完整回答，往往跳过追问直接猜测。可以用逐步提示（CoT）改善效果，让模型先检查歧义再决定。实际场景需要平衡用户体验和回答效率。
加分版（让面试官眼前一亮）：
模糊问题要分类处理：词汇歧义和上下文歧义建议追问，错误前提假设建议直接指出。根据CLAMBER研究，AI学会追问需要专门的训练数据，可以用ClarifyingQA数据集做监督微调，或者用APA方法让模型自查不确定度判断是否需要追问。高风险领域（医疗、法律）追问更必要，追问要遵循"问题相关、简明、不让用户反感"的黄金标准。
一句话总结
模糊问题先判断歧义类型，词汇/上下文歧义就追问，错误前提就纠正，高风险领域必须问。