如何撰寫提示以進行批判性分析

若要指示 AI 工具對你的論證邏輯進行批評，必須明確指派其扮演懷疑者的角色，並禁止其摘要或潤飾你的文字。你可以透過使用特定的提示結構來達成此目的，這些結構迫使模型採取對立立場，從而隔離特定的邏輯謬誤與缺乏依據的假設，而不僅僅是改善文字表達。

Why Default Responses Fail

預設的 AI 回應傾向於附和或摘要，因為底層模型經過訓練以具備協助性與對話性。當您將論點貼入聊天視窗而未提供具體指示時，工具會預設進入協作模式。它會識別主要觀點，為求清晰而重新措辭，並可能建議微小的風格改進。這種行為對編輯很有用，但對邏輯無效。模型不知道您希望它找出您推理中的漏洞；它假設您需要驗證或潤飾。因此，輸出內容往往反映您自己的偏見，強化論點而非檢驗論點。若要獲得批判性分析，您必須以明確的對抗性指示來覆蓋這種預設的協作姿態。

懷疑主義的提示結構

若要強制採用懷疑立場，請使用能定義特定對立角色的提示結構。與其詢問「這個論點好嗎？」，不如要求工具扮演特定類型的評論者。例如，指示模型扮演一位形式邏輯學家，其唯一任務是在你的論點中找出邏輯謬誤與推理漏洞。這種框架設定能消除一般意義上必須禮貌或樂於助人的壓力。你也可以使用角色扮演提示，為 AI 設定特定對手的視角，例如以嚴格標準著稱的同儕審稿人，或是專精於認識論的哲學家。

另一種有效的架構是「先強化再批評」的方法。請工具先闡述你論點的最強版本，接著再拆解該最強版本。這能防止 AI 攻擊你論點的薄弱稻草人版本。你必須明確禁止模型摘要文本。在提示詞中加入負面約束，例如：「不要摘要論點。不要重寫文本。僅識別邏輯弱點。」這迫使輸出聚焦於結構與有效性，而非內容或風格。

隔離謬誤與假設

隔離邏輯謬誤與無依據假設的技巧，需要將論點拆解為其組成部分。不要貼上長篇論文並要求對整體進行批評。相反地，應隔離核心邏輯結構。你可以使用 QuillBot 將你的論點改寫或摘要為純粹的邏輯骨架，去除修辭裝飾。一旦有了這個簡化版本，將其輸入 AI 並指示其識別每個前提與結論。請工具列出每個前提，並判斷其是否有證據支持，抑或僅為斷言。

為了識別謬誤，請 AI 檢查特定的常見錯誤，例如肯定後件、循環論證或非sequitur。你也可以請它識別未言明的假設。對於你得出的每個結論，詢問工具：「為了讓這個結論從這些前提中推導出來，什麼必須為真？」這突顯了你可能忽略的隱藏假設。如果你處理的是複雜、多層次的論點，可以利用 Claude 的延伸思考功能，深入分析跨越多個段落的結構弱點與未言明的假設。這讓模型能夠追蹤你論點中遠端部分之間的依賴關係，而簡單的線性掃描可能會錯過這些關係。

迭代批評

要提升論點的穩健性，必須針對批評進行反覆迭代。不要將第一次批評視為最終結果。針對 AI 指出的弱點修改你的論點以加以解決。接著，將修改後的論點连同相同的質疑提示詞再次輸入工具中。請 AI 批評新版本。重複此循環，直到 AI 無法再識別出重大的邏輯缺口為止。這種迭代過程是在持續壓力下測試你論點的耐久性。

在此迭代過程中，你可以針對流程的不同階段使用不同的工具。如果你的論點依賴事實前提，可使用 Perplexity 來驗證這些前提與引用來源之間的邏輯一致性，確保你的事實主張有所依據。如果你的論點嵌入在較大的文件或簡報中，可使用 Microsoft Copilot 直接在工作流程中批評邏輯，讓你能檢視論點在脈絡中的運作方式。如果你的論點涉及多模態元素，如圖表或圖示，可使用 Gemini 同時批評以文字、圖像或影片格式呈現的論點。如果你的筆記儲存在資料庫中，可使用 Notion AI 分析儲存的論點以找出內部不一致之處。可使用 Grammarly 辨識削弱論點精確度的結構性歧義，確保你的邏輯主張不會因語法不清而變得混亂。

在評估這些任何一個工具的輸出時，請尋找具體性。好的批評會指出具體失敗的前提，並解釋為何該前提無法支持結論。差的批評則提供模糊的泛泛之談，例如「這部分很弱」或「你需要更多證據」。丟棄那些模糊或僅是用不同措辭重述你自身論點的輸出。利用批評來強化你的論點，而非放棄它。目標是產出一個能經受嚴格檢視的論點。