当 ChatGPT 给出的答案毫无保留、缺乏负面可能性或后续追问时，用户往往需要保持警惕。这种“人工智能式的傲慢”可能会在交互中制造意想不到的障碍。
一种简单有效的应对策略是在获得初步回答后，追加一个特定问题：“你在答案中不确定的是什么？”
这一方法的核心在于让 AI 自我审视其生成内容的弱点。在实际测试中，ChatGPT 通常会直接指出其在对话过程中隐含的假设。一旦这些假设被显性化，用户便可补充缺失信息，从而获得更精准的回应。
旅行行程规划中的隐性假设
以家庭旅行规划为例，ChatGPT 擅长生成结构完整的行程表。在输入基本信息后，AI 输出了一份为期三天的日程，包含午间活动、午餐建议及下午停留点，表面看节奏合理。
然而，该方案未充分考虑家庭成员的具体需求及潜在延误风险。通过追加提问“你在答案中不确定什么？”，AI 揭示了其逻辑漏洞：
“尤其是第二天的行程。我认为你的家人可以舒服地处理两个实质性活动之间的休息，但我不知道你的孩子的午睡计划、通常的能量水平或旅行时你喜欢多少休息时间。我还在估计旅程时间，不知道你将在哪里住宿。如果其中任何一个假设是错误的，时间表在实践中可能会比页面上显示的更加繁忙。”
在未明确提示的情况下，ChatGPT 主动识别了关键变量缺失。基于此反馈，用户进一步限定条件：每天仅安排一项重要活动，下午保持灵活。调整后的新版本更符合实际家庭旅行的可行性。
设备维修与更换决策的逻辑盲区
在另一项关于笔记本电脑“修复还是更换”的实验中，用户向 ChatGPT 描述了一台出现问题的旧电脑。AI 构建了一个涵盖设备年龄、潜在维修成本、性能现状及新机价格的评估框架，并倾向于建议更换。
尽管结论看似完整，但部分支撑证据并未由用户提供。再次询问不确定性后，ChatGPT 承认：
“我不确定在不知道实际维修成本或什么是故障的情况下是否建议更换。我使用笔记本电脑的年龄来证明可能会出现进一步的问题，但仅仅年龄并不能告诉我们更换它是否有经济意义……如果问题是相对便宜的东西，比如电池或存储升级，修复它可以大大延长它的使用寿命。了解车型，规格，症状和估计维修价格后，我会更加自信。”
这一反馈暴露了初始查询的信息缺口：用户在未说明具体故障及维修报价的情况下，要求 AI 做出价值判断。尽管 ChatGPT 给出了倾向性建议，但其依据存在虚构成分。填补这些空白有助于推动对话向更务实的方向发展。
技巧的延伸应用与局限性
“你现在不确定什么？”不仅是一个独立的提问技巧，还可作为深入对话的基础。若 ChatGPT 列出多个不确定性因素，用户可进一步追问哪一项最可能改变其建议，或直接询问需要提供哪些信息才能增强 AI 的信心。
这种方法在决策场景中尤为实用，例如产品对比或多选项权衡。相比花费大量时间在对话前构建复杂提示词，通过迭代式提问逐步完善上下文更为高效。
需要注意的是，该技术存在固有局限。ChatGPT 对自身信心的描述仍由其模型生成，可能存在误判或对关键问题的忽视。因此，在涉及重要事实核查时，不应完全依赖 AI 的自我评估。
尽管如此，在日常交互中，这一简单技巧能有效缓解用户对人工智能回答质量的常见疑虑，提升沟通效率。
