如何让 AI 做比较和选择：列出依据、权衡与风险，而不是替你拍板

比较任务真正需要的，不只是一个结论，还包括比较目标、候选方案、判断维度、证据、权重、风险和适用条件。依据透明，用户才知道什么时候应该接受推荐，什么时候应该换一个选择。

让 AI 比较软件、方案、产品或流程时，如果只问“哪个最好”，模型往往会根据常见印象给出一个听起来确定的答案。但“最好”总要依赖场景：成本、速度、稳定性、扩展性和学习门槛的重要程度不同，答案也会不同。

资料中关于任务目标、结构化输出、评估标准和不确定性处理的内容，可以直接用于决策分析。先确定决策对象和目标，再统一比较维度，最后给出带条件的推荐，而不是把模型的偏好伪装成唯一结论。

“帮我比较两个数据库”还不够。需要说明比较是为了选型、迁移、学习还是短期试用；使用者是谁；当前约束是什么；决定需要支持多长时间。决策目标不同，比较维度就不同。

如果目标是快速做出一个小工具，安装难度和上手速度可能更重要；如果目标是长期核心系统，稳定性、维护成本、生态和迁移风险可能优先。把目标写清楚，AI 才能避免用一套固定榜单回答所有场景。

还要说明不可妥协条件。例如必须支持某种协议、必须能在现有环境运行、不能引入新的数据出境风险、预算不能超过某个范围。候选方案不满足硬条件时，应先排除或单独标记，而不是让它在软性评分中被平均回来。

如果用户还没有做出价值取舍，让 AI 输出不同目标下的推荐版本，比强行给一个总答案更有帮助。

候选方案要处在同一个比较层级。不要把一个产品、一个技术路线和一个服务套餐直接放在同一张表里，除非明确它们代表不同层面的选择。候选范围不一致，后面的评分再精确也没有意义。

比较维度要能观察或解释。成本可以拆成初始投入、持续费用和迁移成本；性能要说明测试条件和指标；易用性要说明面向谁；稳定性要说明故障、恢复和支持方式。只写“性价比高”“更稳定”无法复核。

维度数量不宜过多。优先保留会改变决策的五到八项，其他内容放到补充说明。维度太多会让模型平均打分，读者也很难看出真正的取舍。

对每个维度写清方向：越低越好、越高越好，还是必须达到某个门槛。这样能减少把不同含义的数字简单相加。

推荐不是把几个分数相加就结束。每个判断都应该有证据来源、适用条件和可信度。材料明确写出的事实、经过测试的数据、用户反馈和模型根据经验做出的推断，证据等级不同，不能混在同一列。

权重要来自决策目标，而不是模型自行设定。可以要求用户给出权重；没有权重时，让 AI 提出一套暂定权重，并说明它如何影响结果。权重变化后，推荐是否会改变，也是值得展示的信息。

对于无法量化的维度，可以用定性等级，但要写说明。比如维护成本评为中等，需要说明是人员学习成本、运维复杂度还是供应商依赖。一个没有依据的五分制，看起来精确，实际可能只是包装。

如果证据不足，降低结论强度。可以写“在当前材料和这些权重下更适合”，不要写成“绝对最好”。不确定性不是推荐的缺陷，而是帮助用户理解适用范围的必要信息。

方案比较常常只列优点，却忽略选择错误后的成本。迁移难度、供应商锁定、团队学习、数据兼容、合规风险和退出成本，都可能比表面功能更重要。

可以要求 AI 对每个候选方案输出：主要收益、主要风险、发生条件、影响范围、缓解办法和最晚确认时间。这样用户看到的不是一个静态排名，而是一份与行动相关的判断。

风险要和场景对应。同一个方案在小规模试点中风险可控，在核心系统中可能无法接受；一个学习门槛高的工具，对熟练团队不是问题，对临时项目却可能成为主要成本。

如果风险无法从材料判断，列为待验证项，并给出验证方式。例如要求试运行、查阅官方文档、进行小样本压测或让目标用户完成任务。不要用模型的熟悉感代替真实验证。

很多比较任务不应该只输出一个总排名。可以按场景给出推荐：预算优先时选择什么，交付速度优先时选择什么，长期扩展优先时选择什么；再说明哪些条件会让推荐发生变化。

场景化推荐不等于回避结论。每个场景都应给出首选、理由、主要风险和适用边界。如果所有场景都说“各有优劣”，用户仍然无法行动；如果所有场景都选同一个，又可能说明比较维度没有真正发挥作用。

让 AI 额外输出“如果只能问用户一个问题，最值得确认什么”，能帮助决策继续推进。这个问题应当是会显著改变推荐的变量，例如规模、预算、合规限制或迁移时间。

下面的模板适合产品选型、工具比较、技术方案和流程决策。材料不完整时，先输出缺口和暂定假设。

示例 Prompt： 任务：比较【候选方案 A、B、C】，帮助【决策对象】在【使用场景】下做选择。 目标：优先实现【核心结果】；时间、预算、规模和环境约束是【约束条件】。 不可妥协条件：必须满足【硬条件】；不满足者单独标记，不与其他优势抵消。 比较维度：成本、交付速度、稳定性、维护难度、扩展性、迁移风险和安全边界。对每个维度说明定义、方向、证据和适用条件。 权重：采用【用户提供的权重】；如果没有提供，先给出暂定权重并说明权重变化会不会改变推荐。 输出：先给候选与材料清单，再给比较表、证据和风险，最后按不同场景给出推荐。每个推荐必须包含适用条件和不适用情况。 边界：材料没有提供的信息标记待验证，不要把经验判断写成事实；不要替用户做超出任务范围的最终授权决定。 材料：<<<粘贴候选方案资料>>>。

生成后可以继续追问：请做一次反向检查，指出当前推荐最依赖哪些假设；如果这些假设不成立，推荐会如何变化；还需要哪一个问题的答案才能降低最大不确定性。

AI 比较的价值，在于帮用户整理信息、暴露权衡和发现盲点，而不是把复杂判断包装成一个确定的榜单。最终决策仍需要结合预算、权限、组织目标和现实责任。

好的推荐应该能被追问：为什么是它？依据在哪里？如果优先级改变会怎样？最大的风险是什么？什么条件下不建议使用？如果 AI 无法回答这些问题，说明推荐还停留在印象层面。

把目标、维度、证据、权重和风险写进 Prompt，再要求输出场景化建议和不确定性，用户得到的不只是一句话结论，而是一份可以复核、讨论和调整的决策材料。