你不会写提示词的真正原因：不是话术不够，是没法验收

很多刚摸生物信息学的人都揣着同一个默认假设：AI 连代码都能写了，我还学什么代码。然后第一次动手就卡住——不是卡在写代码上，而是卡在提问上。让 AI”帮我做个单细胞分析”，它回你一大段看起来很专业的东西，跑不通；把报错最后一行贴过去问”怎么办”，它开始猜，你跟着乱改，越改越乱。最后归因成两句话：”我果然不适合做这个”，或者”我去学学提示词工程”。这两个方向都不对。这篇只讲一件事：你的问题不是不会说话，是你既说不清输入是什么，也说不清什么叫做对。

上一篇讲的是通用的自查顺序：先看 Agent 模式开没开，再谈目标描述、授权和基建。这篇不重复那张分层表，而是往下再挖一层，只对生信新手回答一个更前置的问题：为什么你连”把问题描述清楚”这一步都迈不过去——答案通常不是懒，也不是话术不够，是你的知识结构里还没有可说的东西。

先摆一个观点：提示词不是话术，是说明书加验收标准

市面上的提示词课大多在教话术：要角色扮演，要说”请你扮演资深专家”，要加上”一步一步思考”。这些有点用，但都是次要的。一份能用的提示词，本质上是两样东西：一份足够完整的需求说明书，加一套判断输出对不对的验收标准。

这也解释了一个现象：同一个人，让他写”帮我把这段中文翻译成英文”，提示词清清楚楚；让他写”帮我处理这批测序数据”，立刻语无伦次。不是他突然不会说话了，而是翻译这件事他自己就能验收，生信这件事他不能。你没办法要求别人交付一样你自己都不知道长什么样的东西。

为什么零基础的人连提问都做不到

拆开看，写不出合格提示词的人，通常同时缺三层。

第一层，说不清输入。count matrix 还是 fastq，哪个物种，哪个参考基因组版本，几个样本，怎么分组的，有没有批次——这些词构成了描述数据的最低词汇量。不懂的人连”我的数据属于哪一类”都判断不了，自然一句话都描述不出来。

第二层，说不清目标。生信分析的每一步都是为了回答一个具体的生物学问题，不是为了”跑完一个流程”。做差异表达是为了找什么，做富集是想验证什么假设——你得知道每一步在干嘛，才能说明你要什么。不知道目的的人只能喊”帮我分析一下”，这句话对 AI 的信息量等于零。

第三层，也是最要命的一层：没有验收手段。AI 给你一段代码，你没有任何办法区分”对的”和”看起来是对的”。

这不是吓唬人。Stack Overflow 2025 年的开发者调查覆盖了近五万名开发者，他们对 AI 最大的抱怨不是”完全不行”，而是”给的方案几乎对，但不完全对”——66% 的人选了这一条；明确表示信任 AI 输出准确性的只有 33%。更扎心的是 METR 在 2025 年做的随机对照试验：16 名资深开源开发者在自己维护多年的项目里干活，允许用 AI 的那组实际慢了 19%，但他们自我感觉快了 20%。专家敢用 AI，恰恰因为他们有能力花时间验收；把这层能力拿掉，AI 出的错就得全数由你吞下。

顺便回应另一条岔路：有人说那我连问都懒得问，直接把别人跑通的代码拿来重跑一遍不就行了。这条路同样高估了自己——“把别人的项目在你电脑上跑通”本身就是一个工程活，环境、依赖、版本、数据格式，每一环都能卡死没基础的人，这在生信软件里是有实证数据的（这个话题值得单独一篇，这里按下不表）。今天先把提问这一关过了。

一个可以直接抄的五要素模板

好提问是可以套格式的。下面这五个格子，填满了就超过九成的新手提问：

【背景】Windows 11 + WSL2 Ubuntu 22.04，Miniconda，国内网络环境。
【输入】10x 单细胞数据，3 个样本各约 8000 个细胞的 count matrix（h5 格式），人（GRCh38）。
【目标】找出处理组与对照组的差异表达基因，重点关注免疫相关通路。
【约束】只用 Scanpy 1.10 和 Python 3.11，不要用我没安装的包；内存只有 16G，注意别一次读入全部数据。
【验收】完成后请告诉我：1) 我该先造一个多大的子集来验证流程能跑通；2) 中间结果里哪些数字可以做合理性检查（比如高变基因的数量级、线粒体比例范围）；3) 哪些参数大概率要按我的数据调整。

五行缺一不可：背景决定 AI 给你的命令能不能直接抄；输入决定它帮你选什么工具；目标决定流程往哪走；约束防止它给你一个你的机器根本装不出来的方案；验收是最重要的一行——它逼着 AI 把”怎么检查对错”也一起交出来。

两组坏提问与好提问的对照

场景一：报错排查

坏提问：

ModuleNotFoundError: No module named ‘scanpy’，怎么办？

问题不在措辞，在信息量为零。AI 只能回你”装一下 scanpy”，而你真正的问题可能是包装进了别的解释器、虚拟环境没激活、conda 环境根本没建好。好一点的问法是把上下文给足：

我在 Windows 11 用 Miniconda 跑一个单细胞教程，执行以下命令时报错：
conda activate sc_env
python run_qc.py

完整报错如下：（贴全部报错，不要只贴最后一行）

环境信息：
- python --version：Python 3.11.9
- python -m pip --version：（连同路径一起贴）
- conda env list 显示 sc_env 存在
- 执行 activate 后终端提示符前有 (sc_env)
- 教程 README 要求 scanpy>=1.9

请先给出你认为最可能的原因并解释依据，再给我一条验证这个判断的命令，最后给修复步骤。可能性不要超过三种。

前一种是在抽签，后一种才是排障。

场景二：让 AI 写分析脚本

坏提问：帮我写一个单细胞数据分析的 Python 脚本。

好提问就是上面的五要素模板填满。另外补一个专门对付 AI”不懂装懂”毛病的技巧——让它先复述再动手：

在写任何代码之前，先用五句话向我复述你理解的任务：你准备用什么包、每个步骤的输入输出是什么。我确认无误你再动手。如果你发现信息不够，先列出你还需要我问的问题清单。

这一步的价值在于：你至少有机会在第一行代码出现之前，发现它的理解和你的意图差了多远。

拿到输出之后：三步验收

提问只是上半场。AI 的输出到手，按这三步走。

第一步，最小样例先跑通。不要拿全量真实数据去试 AI 写的脚本。切 100 个细胞、一条染色体的子集，先证明流程通，再放大。跑不通的时候，损失的是几分钟，不是一个晚上。

第二步，查数量级和生物学常识。高变基因是不是几千个的量级，线粒体比例是不是落在合理区间，差异基因列表里的名字像不像这个组织该有的基因。AI 写的代码经常语法完美、参数离谱——阈值错一位这种事，不看生物学意义永远发现不了。

第三步，查虚构。AI 会一本正经地编出不存在的包名、不存在的参数、已经废弃的 API。它给出的每一个 import、每一个参数都要当成嫌疑人：装之前去官方文档搜一遍是否存在，用之前 --help 或查文档确认行为一致。所谓 66% 开发者被”几乎正确”折磨，解法就是这三步，没有别的捷径。

最后一句

回到开头那个假设：AI 都能写代码了，我是不是不用学了。现在答案应该清楚了：AI 降低的是打字的成本，不是判断的成本。提问的上限取决于你对问题的理解，验收的能力取决于你的基础。所以基础还是要学——只是不需要学到徒手写整个流程的程度，只需要学到能把话说清楚、把结果验明白的程度。这个门槛比以前低了很多，但它不是零。