大家好，我卡頌。

經常與 AI 進行專業討論（比如需求分析、方案討論…）的朋友會發現，即使再先進的 AI，都有兩個問題：

• 輸出內容有幻覺
• 經常說恭維話

常見的解決辦法通常是「工程化方案」，比如「對生成內容進行事實核查」。

最近在推上看到@Tz_2022巧妙將Mom Test方法論遷移到“與AI對話”上，獲得不錯效果。

整個理念非常有意思，今天就將這一方法論分享給大家。

The Mom Test

Mom Test（媽媽測試）是一套由「Rob Fitzpatrick」提出的，用于「評估創業想法和獲取真實客戶反饋」的框架。

Rob Fitzpatrick

其核心思想是：「你無法通過詢問他人（即使是你媽）是否喜歡你的創業點子來獲得真實反饋，因為人們出于禮貌或避免沖突，往往會說“好話”而不是“真話”。」

這個測試的目的是教你如何提出正確的問題，從而繞過這種“社交禮貌”，挖掘出用戶真實的行為、痛點和需求，避免在錯誤的想法上浪費時間和金錢。

方法論的核心可以總結為3個基本原則：

原則1：談論他們的生活，而不是你的想法

不要一上來就激動地描述你的產品創意，因為這會立刻將對方置于一個“評審員”的角色，他們只會對你的想法做出反應（通常是鼓勵性的），而不是透露自己的真實情況。

• 錯誤示范：“我有一個做XX的App創意，你覺得怎么樣？”
• 正確示范：“你平時是怎么處理「某個問題」的？”、“能跟我聊聊你上次遇到「某個問題」時的具體情況嗎？”

通過聚焦于「他們過去的經歷、行為和痛點」，你能獲得客觀、真實的數據。

原則2：詢問具體的事實和行為，而不是泛泛的意見和假設

人們的意見和未來的承諾（“我可能會用”）是廉價且不可靠的。過去的具體行為和事實才是可靠的證據。

• 錯誤示范：“你會使用一個能解決這個問題的產品嗎？”

這是一個關于未來的假設，答案很可能是“會的”

• 正確示范：“你目前是怎么解決這個問題的？”、“你為此嘗試過哪些工具或方法？”

這些是關于過去事實的問題

原則3：傾聽“壞消息”和痛點

創業的寶貴洞察往往隱藏在用戶的挫折、抱怨和不滿意中。你的目標是發現并理解這些痛點，因為它們才是你產品存在的理由。

方法論遷移

聰明的朋友已經發現了，如果將Mom Test的提問技巧用在 AI 上，天然就有如下效果：

• 反幻覺：基于用戶的經歷、行為等真實發生的事提問
• 反恭維：傾聽壞消息、不滿

以下是@Tz_2022總結的「適用于 AI 的Mom Test提問技巧」：

1. 避免問意見，改問證據

錯誤示范：

• 你覺得這個方案好不好？
• 這樣設計是不是很合理？

分析：模型會傾向于說更多泛泛的恭維話。

正確示范：

• 請給我 3 個具體反例，說明這個方案可能失敗的場景
• 請基于已知的事實/數據，列出這個設計可能遇到的限制

2. 避免未來假設，追問過去表現

錯誤示范：

• 如果遇到X問題，你會怎么處理？

分析：模型輸出沒有依據，可能會產生幻覺。

正確示例：

• 請列舉你在訓練語料中學到的、已經出現過的X問題解決案例
• 在過去的研究或歷史記錄中，X是如何被解決的？

分析：基于「已發生的事實」輸出。

3. 避免模糊，要求具體

錯誤示范：

• 幫我優化這個文案
• 給我一些改進建議

正確示范：

• 請將這個文案重寫成3個版本：① 面向投資人，② 面向工程師，③ 面向普通用戶，每個版本100字
• 請逐句指出文案中哪些地方含糊，并給出更清晰的替代表達

4. 用行為驅動而不是態度驅動

錯誤示范：

• 如果你是用戶，你會不會喜歡這個產品？

正確示范：

• 假設你是目標用戶，請模擬一次實際使用過程，并逐步寫出你會點擊、輸入、猶豫的步驟

5. 驗證而非求贊美

錯誤示范：

• 你能確認我這個邏輯是對的嗎？

正確示例：

• 請檢查我這個邏輯，找出其中至少一個可能的錯誤，并解釋理由。
• 如果必須反駁我，請站在反方角度給出3點論證。

總結

掌握5個基于Mom Test的提示詞技巧，有效減少模型輸出的幻覺與恭維。

以下是推友@JerryBobAI制作的總結：

如果你覺得5個技巧記憶起來有點難，也可以記住一個關鍵詞「brutal」。

使用方式很簡單，在與 AI 進行專業討論時，帶上這個關鍵詞，能讓輸出更犀利，有效減少恭維。

比如：

以下是我的網站功能描述，
分析他的前景如何，
如何主動驗證用戶需求？
請使用最 brutal 的方式評估一下

[網站功能描述]