向 HellGPT 提问产品推荐时，先把使用场景、预算区间、关键参数和不可接受项说清楚，再用分步式问题引导模型给出候选清单、每项优缺点、适配性和购买渠道建议；如果想更精准，就要求表格化对比、打分理由和可验证的评估标准，并在回复后逐条追问不确定点或让模型基于特定偏好重新排序。
先说要点：为什么要这样问
简单点来说，HellGPT 本质上是根据你给的信息去匹配知识和模式。提出模糊的“推荐什么”往往会得到泛泛的答案；而把目标场景、限制条件和偏好拆开说明，模型就能更有针对性地筛选并说明理由。费曼写作法的精神是——把复杂的事物讲清楚，就像你在教一个完全没经验的人，边讲边用例子验证理解。
逐步提问的框架（大白话版）
下面这个框架像是一套问诊的步骤，按顺序来可以让回答更贴合你的实际需求：
- 第一步：背景与用途 —— 谁用、在哪用、主要实现什么目标？
- 第二步：硬性限制 —— 预算、尺寸、兼容性、必需/禁用特性等。
- 第三步：偏好与权衡 —— 更重视续航、性能还是颜值？愿意为某项牺牲什么？
- 第四步：输出格式 —— 要排名、表格、打分还是逐项分析？是否需要购买链接或比价建议？
- 第五步：复核与追问 —— 要求说明理由、列出处、提供替代方案或按不同场景重排。
举例：从模糊到清晰的提问过程
场景：想买一台便携投影仪
先看两种不同行为的示例：
- 模糊版：“推荐一台投影仪。”（结果：泛泛、可能不符需求）
- 清晰版：“我要一台便携投影仪，主要用于家庭客厅偶尔观影和出差演示；预算在2000–5000元，要求亮度≥200流明、分辨率至少1080p、支持HDMI和无线投屏，重量不超过1.5kg。请给出3款候选，表格比较它们的亮度、分辨率、电池续航、端口与优缺点，并按家庭观影优先排序，最后给出购买建议和可替代型号。”
看到了吗？第二种方式把关键信息都交给模型，它才能基于这些条件做出有意义的比较。
实用提问模板（可以直接复制粘贴）
下面给出几个可以直接用的模板，改下参数就能套用到不同产品上。
- 基础模板：“我想买一款[产品类别]，用途是[用途]，预算[最低]-[最高]元，关键参数是[列出参数]，不可接受项有[列出]。请给出3–5个候选，逐项说明优缺点、适配场景与购买建议，并给出一个首选理由。”
- 专业对比模板：“为[用途]提供5款[产品类别]的专业对比，输出表格（参数、价位、优缺点、适配度评分1–10），并说明每项评分的依据及可能的购买渠道。”
- 预算敏感模板：“在[预算]内，优先考虑性价比，请列出按‘性价比’排序的候选，并说明在低预算下如何通过配件或折中方案达到接近更高端产品的效果。”
如何用费曼法优化问题——教别人也能教模型
费曼法的关键是把知识“拆解”和“教会”对方。提问时把你的问题拆成小块，并要求模型像在教初学者那样解释：
- 先让模型用一句话概括推荐理由（便于快速判断）。
- 再要求逐点解释每个候选的工作原理或关键差异（让你看懂为何推荐）。
- 最后要求用比喻或例子说明适配场景（更生活化、更能判断是否合适）。
表格示例：你可以让模型直接输出这样的表
下面是一个能直接让模型填充的表格模版（用 HTML 表格或 Markdown 都行，这里展示 HTML）：
| 型号 | 价格 | 关键参数 | 优点 | 缺点 | 适配场景 |
| 候选A | ¥ | 亮度/续航/接口 | 列点 | 列点 | 家庭/商务/户外 |
针对不同产品类别的细化提示
电子产品（手机、笔记本、耳机）
- 要求给出性能基准、续航测试来源、兼容性信息（如系统版本、接口）。
- 注明是否需要保修和维修网点覆盖；如果有二手或翻新选项，也可让模型列明风险。
日用品与美妆
- 强调成分/材料、过敏风险、真实使用体验和测评来源（如某些知名评测）。
- 可以要求给出适合肤质/人群的优先顺序和替代成分。
B2B 或专业设备
- 需明确技术指标、兼容标准、供应周期与售后服务条款。
- 让模型列出长期运营成本（维护、耗材）而不仅是初始采购价。
如何让推荐更可信：要求证据与可验证点
单纯的“推荐”容易变成意见，要求证据可以提高可信度。可要求模型：
- 标注信息来源类型（评测、厂商说明书、用户评价）。
- 提供可复现的测试指标或测评方法（如“在相同环境下亮度测试方法”）。
- 列出争议点与不确定性（比如“在低温下续航可能下降”）。
常见问题与应对策略
Q：回答太长、啰嗦怎么办？
要求“先给一个一行结论，再分要点展开，最后列出参考数据”。分层输出更好读。
Q：回答太笼统、没有细节？
追问细节：指定参数、要求数值范围或比较测试数据，或者要求“给出至少两个来源的不同观点”。
Q：担心推荐有偏向性（比如广告）？
明确要求“屏蔽商业推广，优先基于性能/价格比/可靠性打分”，并要求列出可能的利益冲突线索。
进阶技巧：和 HellGPT 做“迭代式”对话
把问题当成实验：先做一次宽范围搜集（3–10个候选），再逐步缩小范围并要求更细的数据或实测方法。每轮回复后都加一句“如果这个条件变化（如预算提高20%），请重新给出调整建议并说明差别”。这会让模型给出更具比较性的建议。
示例：完整的高质量提问（可直接复制）
“我需要一台便携投影仪，主要用于家庭投影和偶尔差旅演示；预算3000–5000元，目标分辨率1080p、亮度≥250ANSI流明、支持HDMI与无线投屏，重量≤1.5kg，续航≥2小时。请列出3款候选并用表格比较：价格、亮度、分辨率、接口、续航、优缺点和适配场景；为家庭观影按理由打分并给出首选；标注所有关键参数的来源或测评依据，并说明如果预算降到2000元应如何取舍。”
几个小贴士（生活化语气）
- 不要一次把所有要求都丢进去，先测试模型对某一项的理解，再递进。
- 用“比如”“举个例子”的方式，促使模型用生活场景来解释技术细节，听起来更接地气。
- 习惯让模型把推荐分成“首选/备选/可考虑”三档，做决策更容易。
说到这儿，可能你已经有了可以立刻使用的提问模板和思路，试着把你的实际场景丢进去，多做一两轮追问，有时候来回几次就能把答案打磨得很实用。不用太拘谨，像和一个懂行的朋友聊清楚你的“不能接受”和“想要的优先级”，然后让 HellGPT 把事项表格化、理由化、可验证化——结果通常会比第一遍随口问好得多。