一抹斯文的粉笔灰先说个尴尬事：上个月需求评审，我拿着改了六版的需求文档进会议室，开发看了一眼，开口就问：“审核不通过退回后，流程到底是从节点重走，还是直接作废重提？”我当时心里咯噔一下——文档里确实没写。已经是第六版了，还是漏了最基础的异常分支。更扎心的是，这个需求本身并不复杂，就是内部系统加一个审批环节，结果文档来回改，核心原因不是我不努力，而是我在写之前压根没想透。
后来我换了一个很反直觉的做法：不让AI直接帮我写答案，而是让AI反过来“采访”我。它问，我答；它再追，我再补；最后让它把对话整理成正式的需求文档。一套下来，文档返工次数几乎降为零。今天我把自己搭的这套“AI采访式需求梳理法”完整拆开讲，包括提示词底稿、提问框架、实操流程和踩坑记录，适合经常被需求文档反复折磨的产品经理、项目负责人，也适合想用AI Agent帮自己理清思路的任何人。
1. 为什么“让AI直接写”容易翻车，反过来问反而靠谱
1.1 不交代上下文就让AI写，等于让新人闭眼干活
很多人用过AI写需求文档，第一句话往往是这样的：“帮我写一份会员系统的需求文档”。AI确实能在一分钟里吐出积分、等级、优惠券、签到、分享得奖励……看起来什么都有，但这份文档大概率不能用。因为你没告诉它：这个会员系统是给谁用的？要解决什么业务问题？现有系统是什么？哪些功能这期必须做、哪些这期根本不做？
打个比方，这就像你让一个刚入职的实习生去设计报销流程，只跟他说“做个报销功能”，然后怪他设计得太复杂。问题的根源不是AI能力不行，而是需求上下文完全没有传导给它。普通对话模型本质上是一个“极强的新同事”，它懂得很多常识，但不了解你公司内部的特殊情况，所以一旦你跳过信息输入，它只能靠“行业通识”来脑补，脑补出来的方案自然是又全又空、无法落地。
1.2 采访式做法的本质：把需求评审前置到动笔之前
我试过很多办法去填这个信息差，比如把所有资料喂给AI，让它“分析一下再写”；或者给它一个复杂的提示词模板，让它按模板输出。效果有好有坏，好的是结构规整，不好的地方在于——它把我没想清楚的东西，用看起来很专业的句子掩盖过去了。
后来我才想明白一个问题：需求文档返工，最关键的瓶颈往往不是“写不清楚”，而是“没想清楚”。于是我想，能不能让AI像记者一样采访我？由它来一步步问，我负责回答。如果某个问题我答不上来，那恰恰说明这个点我还没想清楚，晚点它就会在开发阶段变成返工。把这些问题在访谈阶段全部曝出来，等于提前做了一次无死角的需求评审，比写完文档再评审要高效太多。
这个思路之所以能落地，还得多亏了现在的AI Agent特性。普通搜索工具只能给答案，但大语言模型天然擅长多轮对话，能记住你前面说过什么，还能在你语焉不详的时候反复追问。你只要给它定好角色和追问规则，它就像个较真的产品同事。这类工具的载体很多：在Cursor里、在各类AI Agent工作台里、在在线对话工具里都能用，区别只在于你愿不愿意把流程固化下来。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 整体玩法设计：先定角色，再定一套提问框架
2.1 给AI一个角色，比给AI一堆命令更好用
从一开始我就没有用“帮我问问题”这种大白话提示词，因为效果不稳定，它会问几个就停下来，或者开始自问自答。折腾了几轮后，我把角色设定固定下来了，让它扮演一个“资深产品访谈员”，不是帮我写文档的人，而是靠提问帮我把需求逼出来的人。
为什么角色设定很重要？因为大语言模型会根据用户给的指令调整行为模式。当你说“你是访谈员”的时候，它的提问意愿、追问逻辑、信息整理方式，都会向一个访谈者靠拢，而不是急着给出方案。试过几次以后发现，给AI设定一个明确角色