把AI答错的案例按提问方式分组后，我发现七成错在问题本身没说清

上周复盘一批AI回答错误，我把用户原始提问和最终答案放在一起看，发现一个规律：七成错误不是模型不懂业务，是问题本身就没说清。简单说，我们一直在教AI「怎么答」，但没教它「怎么问」。

具体场景：用户问「你们设备参数里那个压力值是多少」，AI回答了一个数字，但没带单位。实际上原文档里写的是「1.6」，单位在表格标题里写了「MPa」。模型把表格拆开读，单位丢了。我们第一反应是模型抽取能力不行，但仔细看，是原始内容里单位和数值分开了，提问方式又没引导模型去找上下文。

我的判断依据：把200条错误样本按提问类型分组，发现三类问题最集中。第一类是「数值型问题缺单位」，占38%。第二类是「比较型问题缺基准」，比如「哪个更好」，模型只能猜。第三类是「条件型问题缺前提」，比如「在低温环境下」，但没说是多少度。

踩过的坑：一开始我们给每个FAQ加了一大段解释，想把背景说全。结果AI抓取时反而把解释当正文，答案变啰嗦了，引用率还降了。后来改成结构化写法：每个问答先给一句结论，再跟一个「适用条件」的短句，比如「适用条件：常温25℃、额定电压下」。改动很小，但错误率从31%降到14%。

另一个发现：问题里带具体场景词，模型准确率明显高。比如把「这个材料耐不耐用」改成「这个材料在户外暴晒三年会不会开裂」，回答就具体多了。这不是模型变聪明了，是问题给了它可验证的锚点。

我的立场没变：GEO技术门槛不高，难的是把用户真实问法拆清楚。内容质量不是写得多全，是写得让模型能对上号。

想问问大家：你们在整理用户提问时，有没有遇到过那种「用户觉得自己问得很清楚，但模型完全理解偏了」的案例？具体是哪类问题？我想收集一批看看能不能归纳出通用模板。