Asking（提问）在人工智能语境下指的是向 AI 模型或 Agent 提出问题的方式——包括提示词编写、需求澄清以及在信息不足时主动向用户追问。随着大模型从一次性问答走向多轮协作，“会问什么、何时问”正在成为影响 AI 产出质量的关键变量，也是当前研究与工程实践共同关注的课题。
Asking Smarter Questions：让模型学会主动追问
一篇 2025 年 10 月发布的 arXiv 论文《Asking Smarter Questions: Targeted Active Preference Learning for Underspecified Rewards》系统研究了这一方向：当奖励信号不明确、用户需求未被充分说明时，模型与其盲目猜测，不如有针对性地提出少量澄清问题，从而更高效地学到用户的真实偏好。这一思路把“提问”从被动工具变成了主动学习策略，被视为对齐用户意图的低成本路径。
在工程实践中，提问质量同样影响 Agent 的代码生成。开发者 Viking 在社交平台指出，AI 写代码时常复制已有代码和注释，产生大量“临时无害 workaround”式的无用注释，而这些残留信息又会干扰后续 Agent 的生成——换言之，模型没有主动追问“该不该保留”，默认照搬，最终污染代码库。
提问背后的人机协作分歧
提问方式的热度也与 AI 编程工具引发的职业讨论相关。Google 工程师 Addy Osmani 关于 AI Agent 的观点被广泛引用：工程师对 AI Coding Agent 的感受两极分化，有人兴奋、有人焦虑，差异或许不只在于“爱写代码还是爱交付”，还在于如何向 Agent 下达和澄清需求。代码评审环节被多方视为需要人类介入把关的关键节点。
当前焦点与观察点
综合来看，围绕 Asking 的讨论集中在三点：其一，模型主动追问能否降低偏好学习的标注成本，arXiv 上的新工作给出了肯定方向的初步证据；其二，Agent 在信息不足时默认“不问、照做”，容易在代码、文档等长链路任务中累积错误，业界普遍认为需要在工具链中加入澄清与评审机制；其三，社交平台上亦出现大量以 "Asking" 为句式的讨论，如 "Asking for a friend"、"As easy as asking" 等，反映提问已成为 AI 产品的常见交互隐喻（例如 Grok 相关演示）。对研究者和产品团队而言，值得持续观察的是：主动提问策略何时比直接生成更划算，以及人机之间“该问谁”的分工边界如何界定。