如何编写提示词以进行批判性分析

要指示 AI 工具对你论点的逻辑进行批判，你必须明确赋予其怀疑者的角色，并禁止其总结或润色你的文本。你可以通过使用特定的提示词结构来实现这一点，迫使模型采取对立立场，从而识别出具体的逻辑谬误和缺乏支持的假设，而不仅仅是改进文笔。

默认响应为何失效

默认的 AI 响应往往倾向于附和或总结，因为底层模型经过训练旨在提供有帮助且具对话性的回复。当你将论点粘贴到聊天窗口而未提供具体指令时，工具会默认进入协作模式。它会识别主要观点，为清晰起见重新表述，并可能建议细微的风格改进。这种行为对于编辑很有用，但对于逻辑检验则毫无用处。模型并不知道你希望它找出推理中的漏洞；它假设你需要的是验证或润色。因此，输出结果往往反映你自己的偏见，从而强化论点而非检验论点。为了获得批判性分析，你必须通过明确的对抗性指令来覆盖这种默认的协作姿态。

用于激发怀疑态度的提示词结构

为了迫使模型采取怀疑立场，请使用定义特定对立角色的提示词结构。不要问“这个论点好吗？”，而是要求工具扮演特定类型的批评者。例如，指示模型扮演一位形式逻辑学家，其唯一任务是识别你论点中的逻辑谬误和推理漏洞。这种框架消除了保持礼貌或提供一般性帮助的压力。你还可以使用角色扮演提示词，赋予 AI 特定对手的视角，例如以严格标准著称的同行评审员或专注于认识论的哲学家。

另一种有效的结构是“先钢人后批判”的方法。要求工具首先阐述你论点的最强版本，然后再拆解该最强版本。这可以防止 AI 攻击你论点的薄弱稻草人版本。你必须明确禁止模型总结文本。在提示词中加入负面约束，例如“不要总结论点。不要重写文本。仅识别逻辑弱点。”这迫使输出专注于结构和有效性，而非内容或风格。

隔离谬误和假设

隔离逻辑谬误和无依据假设的技巧需要将论点分解为其组成部分。不要粘贴长篇文章并要求对整个文章进行批判。相反，应隔离核心逻辑结构。你可以使用 QuillBot 将你的论点改写或总结为纯粹的逻辑骨架，去除修辞修饰。获得这一精简版本后，将其输入 AI，并指示其识别每个前提和结论。要求工具列出每个前提，并确定它是有证据支持的还是仅仅被断言的。

为了识别谬误，要求 AI 检查特定的常见错误，如肯定后件、循环论证或非 sequitur（不合逻辑的推论）。你也可以要求它识别未陈述的假设。对于你得出的每个结论，询问工具：“为了使该结论从这些前提中得出，什么必须是真实的？”这突出了你可能忽略的隐藏假设。如果你在处理复杂的多层论点，可以利用 Claude 的扩展思考功能来深入分析跨越多个段落的结构弱点和未陈述假设。这使模型能够跟踪论点中相距较远部分之间的依赖关系，而简单的线性扫描可能会遗漏这些关系。

迭代批判

要提升论证的稳健性，需要对批评意见进行迭代优化。不要将首轮批评视为最终定论。针对 AI 指出的弱点修改你的论证，然后将修改后的论证连同相同的质疑性提示重新输入工具，要求 AI 对新版本进行批评。重复这一循环，直到 AI 无法再识别出重大的逻辑漏洞。这种迭代过程旨在测试你的论证在持续压力下的耐久性。

在此迭代过程中，你可以针对流程的不同阶段使用不同的工具。如果你的论证依赖于事实前提，可以使用 Perplexity 对照引用来源核实这些前提的逻辑一致性，确保你的事实主张有据可依。如果你的论证嵌入在更大的文档或演示文稿中，可以使用 Microsoft Copilot 在工作流中直接批评逻辑，从而让你了解论证在具体语境中的运作方式。如果你的论证包含图表或示意图等多模态元素，可以使用 Gemini 同时针对文本、图像或视频格式中的论证进行批评。如果你的笔记存储在数据库中，可以使用 Notion AI 分析存储的论证以发现内部不一致之处。可以使用 Grammarly 识别削弱论证精确性的结构性歧义，确保你的逻辑主张不会因句法不清而变得混乱。

在评估这些工具的输出时，应关注具体性。好的批评会指出具体失效的前提，并解释其为何不支持结论。糟糕的批评则提供诸如“本节较弱”或“你需要更多证据”之类的模糊泛论。丢弃那些模糊不清或仅用不同措辞复述你原有观点的输出。利用批评意见来强化你的论证，而不是放弃它。目标是构建一个经得起严格审视的论证。