Self-Ask
Self-Ask（Press et al., 2022）的核心是让模型把“直接回答”改成一个更稳的流程：先判断是否需要补充信息/分解问题 → 生成后续子问题 → 逐个回答子问题 → 汇总回答原问题。它本质上是一种“显式问题分解（question decomposition）”与“自我提问（self-query）”的提示框架，常用于提升多跳推理与复杂问答的可靠性。
在原论文与后续实践中，Self-Ask 还经常与外部工具结合（例如搜索引擎/知识库），即 Self-Ask + Search：模型先提出需要查证的子问题，再去检索回答这些子问题，最后综合。
1) Self-Ask 适用场景
特别适合：
- 多跳问题：需要先求 A 再求 B（人物关系、时间线、组合条件）。
- 事实查证：需要先确认某个事实再推导结论（适合接搜索/RAG）。
- 复杂决策/方案：需要先澄清需求、约束、资源，再输出方案。
- 用户问题信息不足：模型先提出澄清问题，比直接瞎答更好。
不太适合（或要加约束）：
- 强结构化输出（纯 JSON）：需要把“自问自答”隐藏到内部，或分阶段输出。
- 对延迟极敏感的场景：Self-Ask 可能增加步骤与 token。
2) 标准流程（你可以这样理解）
Self-Ask 通常包含 4 个阶段：
- Need follow-up?：判断是否需要后续问题
- Generate follow-up questions：生成子问题（通常 2-5 个）
- Answer follow-ups：回答子问题（必要时调用检索/工具）
- Final answer：综合子问题答案，回答原问题
什么是Follow-up questions
“Follow-up questions”（后续问题/追问）指的是在你已经提出并得到初步回答之后，为了把事情问得更清楚、更具体或继续深入而提出的补充问题。
常见目的：
- **澄清**：把不明确的地方问清楚
例：你说“可以优化性能”，那具体指哪些优化点？
- **补充信息**：把缺失的关键信息补上
例：如果是在手机端和电脑端表现不一样，该怎么处理？
- **深入细节**：从概念进入可操作步骤
例：能给一个具体的实现步骤或代码示例吗？
- **验证理解/确认结论**：确认自己理解对不对
例：所以你的意思是先做A，再做B，对吗？
- **延伸到相关问题**：从当前话题自然扩展
例：除了这种方案，还有没有更简单/更便宜的替代方案？
一句话：**Follow-up questions 就是基于已有对话的“继续追问”，让答案更准确、更完整或更深入。**
3) Prompt 模板（可复制）
模板 A：纯提示词版（不接工具）
适合：知识主要在模型内部、或是逻辑分解类任务。
你将使用 Self-Ask 方式回答问题。
步骤：
- 判断是否需要后续问题（Need follow-up: Yes/No）。
- 如果需要，提出 2-5 个后续问题（Follow-up questions）。
- 逐个回答这些后续问题（Answers）。
- 最后基于上述回答，给出原问题的最终答案（Final）。
原问题：{question}
模板 B：Self-Ask + 检索/RAG（工程最常用）
适合：事实型、多跳、需要可验证来源。
你将使用 Self-Ask 方式，并且你可以调用检索工具来回答后续问题。
- 先输出：Need follow-up: Yes/No
- 若 Yes：列出 Follow-up questions（每个应当是可检索、可验证的）
- 对每个问题：先检索，再基于检索结果回答
- 最后综合为 Final answer，并标注引用/依据来自哪些检索片段
原问题：{question}
（如果你有特定工具接口，可以把“检索”替换成 search(query) 或你的 RAG 函数。）
模板 C：面向产品的结构化输出（便于控制）
输出 JSON：
{
"need_follow_up": true/false,
"follow_up_questions": ["..."],
"follow_up_answers": ["..."],
"final_answer": "..."
}
4) 应用场景例子 1：多跳事实问题（经典用法）
原问题：
《哈利·波特》的作者出生在哪个国家的哪个城市？
Self-Ask 会分解成：
- Follow-up 1：哈利·波特作者是谁？（J.K. Rowling）
- Follow-up 2：J.K. Rowling 出生城市和国家是什么？（例如：英国，Yate/约特——具体需查证）
- Final：综合给出国家+城市
如果接搜索/维基/RAG，这类问题准确率会明显高于“一步到位凭记忆”。
5) 应用场景例子 2：方案类问题（先澄清再设计）
原问题：
帮我设计一个公司内部知识库的检索系统。
Self-Ask 的后续问题可能是：
- 你的知识源有哪些（Wiki、PDF、工单、代码）？
- 需要哪些权限模型（部门/角色/项目）？
- 主要查询类型（FAQ、排障、政策）？
- 预算与延迟要求？
- 是否需要可追溯引用？
然后模型再给出架构：采集→切分→向量/倒排→重排→权限过滤→评测→监控。
6) 应用场景例子 3：数学/逻辑分解（不一定要检索）
原问题：
一个商店打八折后再减 20 元，原价 200 的商品现在多少钱？
Self-Ask 子问题：
- 先算八折后的价格是多少？（200×0.8=160）
- 再减 20 元得到多少？（140）
Final：140 元
这里 Self-Ask 的价值在于强制“分步”，降低跳步算错。
7) 与相近方法的区别（避免混淆）
- Self-Ask vs CoT（Chain-of-Thought）：
CoT 是“直接展开推理步骤”；Self-Ask 是“先提出子问题再回答”，更像显式分治，且更适合接检索。 - Self-Ask vs RaR：
RaR 是“把原问题改写得更清楚再答”；Self-Ask 是“把问题拆成多个可回答子问题再综合”。 - Self-Ask vs S2A：
S2A 主要“去除无关信息/注入”，Self-Ask 主要“分解并补齐信息”。
如果你告诉我：你打算把 Self-Ask 用在 纯对话 还是 RAG/搜索问答，以及你希望输出是“给用户看见的自问自答”还是“内部进行、只给最终答案”，我可以给你一份更贴近你系统的 Prompt 模板（包含字段、最大子问题数、何时必须提问澄清、以及如何把每个子问题变成检索 query）。