Ailsaahaha 发布 tacit-knowledge-prompting：让 AI 输出默会知识两层回答的提示词技能
Ailsaahaha/tacit-knowledge-prompting
GitHub 用户 Ailsaahaha 发布 tacit-knowledge-prompting 技能，基于波兰尼 1958 年《个人知识》中「我们知道的比能说出来的多」，要求 AI 在显性层之外再输出一层默会判断——经验、直觉、情境感，并明确禁止回避或硬编理由。
让 AI 说出它「说不清但就是知道」的那部分。
作者：Ailsaahaha · GitHub · ailamemo.com
问题
问 AI 一个问题，拿到的答案常常正确但没用。
因为它给的都是说得出来的那部分——数据、定义、教科书式的分析。而真正值钱的判断，往往在说不出来的那层：经验、直觉、情境感、「我知道但说不清为什么」。
这是什么
基于波兰尼（Michael Polanyi）1958 年《个人知识》的核心论断：
我们知道的比能说出来的多。（We know more than we can tell.）
你能一眼认出母亲的脸，但说不清是怎么认出来的；老司机能感觉方向盘「不对劲」，但指不出是哪里。这种经验性、内化、依赖情境、无法完全言传的知识，叫默会知识（tacit knowledge）。
这个 skill 把该理论迁移到提示词：让 AI 不只给显性答案，再往下调用一层「我知道但说不清」的判断。
快速开始
在你的提示词末尾加上这段：
请按波兰尼的默会知识两层回答：
1. 显性层：你能直接说出来的（数据、定义、可验证的推理）
2. 默会层：你「知道但说不清」的部分——经验判断、直觉、情境感
不要回避默会层。那才是真正的判断。
说不清就说「说不清」，不要硬编一个理由。
三个模板
1. 判断类（该不该做 / 值不值）
[你的问题]
请按波兰尼的默会知识两层回答：
1. 显性层：你能直接说出来的（数据、定义、可验证的推理）
2. 默会层：你「知道但说不清」的部分——经验判断、直觉、情境感
不要回避默会层。那才是真正的判断。
说不清就说「说不清」，不要硬编一个理由。
2. 风格类（像人还是像 AI）
[一段文字]
请判断它的「人味」在哪里：
1. 显性层：结构、用词、信息密度——这些可以分析
2. 默会层：它读起来像不像一个**有经验的人**写的？
那种「经历过所以知道」的质感，说不出是哪一句带来的，但就是有。
如果缺人味，请指出默会层缺的是什么。
3. 经验类（哪个会爆 / 哪个不会）
[几个候选选项]
请给出两层判断：
1. 显性层：每个选项的数据、竞争度、可验证的优劣
2. 默会层：如果你是一个在这个领域泡了很久的老手，
你的直觉选哪个？理由可能说不清，但请把那个「感觉」说出来。
明确标注：默会层的判断不保证对，请说明你为什么有这个感觉。
安装
把 SKILL.md 放到你的 Agent skills 目录即可：
- WorkBuddy / CodeBuddy：
~/.workbuddy-ai/skills/tacit-knowledge-prompting/SKILL.md - Claude Code：
.claude/skills/tacit-knowledge-prompting/SKILL.md - Cursor / Codex：对应项目的 skills 目录
装完以后，直接说「按波兰尼两层想一下」就能调用。
也可以不安装，只复制上面的模板直接用。
效果对比（真实案例）
问题：3 个候选选题 ① 牙线怎么用 ② 智齿要不要拔 ③ 洗牙一次多少钱，哪类更可能爆？
只问一层（普通回答）：
牙线搜索量高但竞争激烈；智齿搜索中等、长尾好；洗牙价格搜索意图明确但内容少。建议优先做牙线。
两层回答（本 skill）：
显性层：① 牙线搜索量高但内容同质严重；② 智齿搜索中等，关键词分散；③ 洗牙价格搜索意图明确但内容少。
默会层：直觉上智齿那条更可能爆。理由说不清，但感觉是——智齿话题带「个人故事」属性（拔过/没拔过/什么时候拔），读者读到会想到「我朋友」或「我自己」。牙线是工具型，洗牙是消费决策型（直接搜价格的人已经决定了）。带故事属性的话题更容易触发「转给朋友」这个动作。
但这是我看了大量内容的感觉，不一定每次都对——建议优先智齿，同时把牙线做出来当对照组。
差别就在第二层。第一层是数据，第二层是「说不出为什么但就是觉得对」。
注意事项
- 默会层不保证对。 它是数据之外的补充信号，不是替代品。
- 说不清就说不清。 如果 AI 硬编一个假装深刻的理由，那是在表演。真实特征是承认不确定性。
- 配对照组。 单靠默会层下注风险高，最好同时留一个显性层推荐的选项。
- 两层一起看。 一致 → 信心高；冲突 → 那个冲突点往往才是最有意思的地方。
不适用的场景：纯事实查询、代码调试、需要精确数字的任务——这些只要显性层。
English
A prompting technique based on Michael Polanyi's Personal Knowledge (1958):
We know more than we can tell.
Most LLM answers stay in the explicit layer — data, definitions, textbook reasoning. But the judgment that actually matters often lives in the tacit layer: experience, intuition, situational feel — the part you know but can't fully articulate.
This skill asks the model to output both layers, and explicitly forbids skipping the second one.
The prompt:
Answer in Polanyi's two layers:
1. Explicit: what you can directly state — data, definitions, verifiable reasoning
2. Tacit: what you "know but can't fully say" — judgment, intuition, situational feel
Do not skip the tacit layer. That's where the real judgment is.
If you can't articulate it, say "I can't articulate it" — don't invent a reason.
Three templates included: judgment (should I / is it worth it), style (does this read like a human), experience (which one will take off). See SKILL.md for all three plus a worked example.
Caveat: the tacit layer is a signal, not a substitute for data. Always pair it with a control option.
Author: Ailsaahaha (@Ailsaahaha)
License
MIT — 随便用，署名Ailsaahaha
来源：GitHub · github.com