一句话定义：澄清式追问（Clarifying Question）是指模型在信息不足、存在歧义或者后果较重的时候，先提出一个能改变结论的具体问题，而不是硬着头皮猜一个答案。
模型天生不爱提问。它的训练目标是“接着往下写”，评测也大多奖励“给出答案”，于是它养成了一个坏习惯：哪怕前提缺一半，也要输出一段看起来很专业的回答。打个比方，你跟装修师傅说“帮我把这面墙弄一下”，靠谱的师傅会先问：“刷漆还是贴壁纸？预算多少？这墙后面有没有水电？”不靠谱的师傅直接开干，干完再告诉你“我以为你要的是这个”。
什么样的提问才算“澄清”：标准只有一条：这个问题的答案会不会改变你接下来给出的内容。用户问“这份合同能签吗”，回一句“您是想咨询合同问题吗”属于把问题原样退回，没用；问“您是甲方还是乙方，最在意付款周期还是违约责任”，才是澄清，因为它把回答的分支收窄了。好追问通常不超过一次，并且一次问全，把两三个待确认点合并成一句，附上默认选项让用户点选。
什么时候该问、什么时候该答，可以用两个维度来筛：
| 情形 | 建议做法 |
|---|---|
| 高风险不可逆（医疗、法律、财务、删数据、发对外邮件） | 必须追问关键前提 |
| 歧义大且猜错代价高（需求模糊、指代不明） | 追问，或给两三个选项让用户选 |
| 低风险且大概率可猜（润色、改写、解释名词） | 直接答，同时标注“我按 X 理解” |
| 用户明显赶时间、只想先看个大概 | 先按最常见情况答，把假设写在前面 |
和相邻概念的区别：澄清式追问不等于推诿，后者的目的是把活儿退回去，前者的目的是把活儿干对；它也不等于多轮对话，多轮是被动的，追问是主动发起的；它和意图识别（intent recognition）也不是一回事，意图识别是模型内部的判断，追问是把这份判断外化成一句人话，让用户确认或纠正。
产品上怎么逼它问：靠一句“必要时请提问”基本无效，因为“必要时”没有可执行的边界。有效的做法有三层。一是在AI 词典：系统提示词">系统提示词（system prompt）里写死条件清单和两三个示例（few-shot），比如“当用户未说明金额单位、时间范围、目标读者时，先问再答”；二是结构化输出，要求先给出“已知信息、缺失信息、我的假设”三个字段，只要缺失信息不为空，就走追问分支；三是流程上做槽位填充（slot filling），关键槽位没填满就不允许进入回答节点，用规则或分类器判定，别全指望模型自觉。同时留一个出口：用户不想回答时，允许“按最常见假设先答，并显式标注假设”。
对普通使用者来说，结论反过来用：模型答得太顺、太像样，反而值得警惕；把对象、目的、约束、期望格式一次说清，往往能省掉一整轮来回。