一位用 Agent 管训练数据的作者发现，AI 擅长描述，不擅长给建议。他把办法拆成三步，每一步都能照抄。
先说个真实的过程
少数派上有一位作者，给自己的日常训练搭了套流程：把运动健康数据拉进本地数据库，让 Agent 读着数据出建议。
数据有了，他做了一件多数人都会做的事。把文件丢过去，说一句「这是我的健康运动数据，帮我做一下详细的分析」。
结果出来一份很好看的 HTML。上面有每个动作的训练趋势、恢复状态的图标，还有按日历排开的训练日历图，信息很满。
他自己的评价是：研究一下就会发现，它除了好看，并没有什么用。
这句是整篇文章的起点。给的东西越满，越容易让人误以为有用。
他把原因归结成一句：AI Agent 擅长描述，要它在实际问题上给分析、给建议，需要你自己对需求的判断和引导。
下面三招，是从这篇里拆出来的。
第一招：让它先问你
他给 Agent 装了一个技能，作用是让 Agent 反过来向你提问，从粗糙的想法一路追问到确定而详细的结论。
他用的那个来自 Matt Pocock 的开源仓库。作者自己写了坏处：问题会很多。
关键在于，它问出来的问题，正好是你没想清楚的地方。
他跟 AI 的第一轮对话里，AI 问了一个很关键的问题：计算和决策，分别由谁来做。
这一问把后面所有事都定了。哪些数字该机器算，哪些结论必须人拍板，混在一句里就两头都做不好。
模板照抄：
「在你动手之前，先就这件事问我问题。一次最多三个，我答完再问下一轮，直到你认为信息够了再开始做。」
改一个词会怎样。把「最多三个」换成「尽量多问」，它可能一口气抛来十几个问题，你没耐心答完。数量限制是为了让你答得下去。
它问的问题，也不必全答。答不上来的那一两条，正好就是缺口，可以让它带着假设先算，并把假设写明。
第二招：算数和拍板分开
数据类任务最容易翻车的地方，是一句话里同时要它算、又要它判断。
你写「算一下同比，再给三条建议」，它算错了，建议照样头头是道，语气也不会变。你没法从语气上听出数算错了。
拆成两轮。
第一轮只算：「只做计算，不做判断。每一步写清用了哪几个数，中间结果保留两位小数。」
第二轮再判：「等我确认过数字再开始。基于这组数给三个选项，每个写清代价。数字有疑问先问我，不要自己改。」
第二轮的第一句是等确认。多花一次来回，能省掉后面整段的返工。
第三招：缺数据就降级，别硬算
这一步是整套方法里最要紧的。
他在参考别人的方案时，注意到一个机制：数据缺失的时候，那套方案的准备度评分会自动降级，换成一个 1 到 5 分的主观精力评分。
换句话说，缺数据的时候它不假装算得出来，换一把更粗的尺子，并且告诉你换了。
模板：
「这条结论需要哪些数据？现在够不够？不够的话写清缺哪几项，再给一个更粗的判断方式，注明这个判断的可靠程度低。」
后半句别省。只让它说「数据不足」，你就卡住了。让它顺手给个降级版本，你至少能往下走一步。
还有一句更省事的，可以直接贴：「凡是原始资料里没有的数字，一律写缺失，不许估算。」
这里还有一层：结论该信几分，得由你判断。他写得很直接，这套方法只适合辅助日常训练，不建议用来排查身体的实际症状，也不该用在医疗上。
这种边界，AI 自己写不出来。得你写进去。
三句放一起
速查，三句都不长，加在原来的提问前面就行，不用重写整段：
一、动手前先问：「先问我，一次最多三个，答完再问下一轮。」
二、计算分开：「只计算不判断，中间结果写清，等我确认再开始。」
三、缺数据降级：「不够就说缺哪几项，给个更粗的判断，并注明可靠程度低。」
一点补充
他还提到一件相关的事：现成的技能方案，关注度普遍不高，他能找到的最多也就两百多个 Star，使用反馈大都不足。
这条对写提示词的人有用。别人的模板可以借结构，别指望直接套上就能跑。你的目标、你手上有什么数据、你的判断标准，都跟写模板的人不一样。
它的答案有多可靠，取决于你给的条件有多具体。
这也是为什么第一招要放在最前面。让它先问你，本质上就是把条件补齐的过程。
【资料来源】少数派《让 Agent 读懂你的身体：数据处理篇》，2026 年 10 月。反向提问的技能来自 Matt Pocock 的开源技能仓库。
原文作者明确说明，该套方法只用于辅助日常训练，不适用于医疗判断。