乐于分享
好东西不私藏

AI成长系列3:怎么跟 AI 说话?

AI成长系列3:怎么跟 AI 说话?

AI 入门系列 · 第三篇

怎么跟 AI 说话?Prompt 从零到上手

你用的是同一个模型,结果却差了十倍问题不在 AI,在于你怎么开口

两个同事,用同一个 DeepSeek,问同一个问题。甲得到的是一段模糊的废话,乙得到的是一份可以直接发给客户的分析报告。差别不在模型,不在会员等级,不在任何神秘技巧——差别只在”说话的方式”。

「垃圾进,垃圾出。」—— 计算机科学最古老的定律,对 AI 同样成立

Prompt,就是你发给 AI 的那段文字。它没有任何神秘之处——它就是一封信,写得清楚,AI 才能帮你把事情做对。这篇文章不讲玄学,只讲一件事:怎么把这封信写好。

1AI 的回答烂,九成是你的问题

很多人抱怨 AI 给的答案废话连篇、不够具体、答非所问。但如果你把他们发出去的 Prompt 拿出来看,往往是这样的:

反面示范 · 这类 Prompt 只能得到废话
「帮我写个方案」——什么方案?给谁看?要多长?要解决什么问题?
「分析一下这个行业」——哪个行业?从什么角度?你想用这个分析做什么?
「写一篇文章」——主题是什么?风格是什么?读者是谁?字数要求呢?

⚡ 关键理解

AI 不会读心术。你给它的信息有多少,它能帮你做到的精度就有多高。模糊的输入,结构性地导致模糊的输出。这不是 bug,这是物理定律。

发 Prompt 之前,先问自己一句:如果我把这个任务交给一个刚入职的新同事,他看完这段话,能明白我到底要什么吗?如果不能,AI 也一样不能。

2万能五件套:写好任何 Prompt 的通用公式

不管多复杂的任务,一个好的 Prompt 都可以拆成五个要素。你不需要每次都用齐五个,但了解它们,你就知道自己的 Prompt 缺了什么。

Prompt 五件套 · 通用公式

·【角色】你是一名 ______(给 AI 一个具体身份)

·【任务】请帮我 ______(动词开头,越具体越好)

·【上下文】背景信息:______(目的、读者、约束条件)

·【格式】输出形式:______(表格 / 分点 / 字数 / 语气)

·【示例】参考样例:______(可选,1–3 个效果最佳)

光看公式是抽象的,来看一组实战对比——同一个需求,用没用五件套,结果天壤之别。

实战对比 · 写一封客户道歉邮件

❌ 改造前

帮我写一封道歉邮件。

✓ 改造后(五件套版)

【角色】你是一名有十年经验的客户成功经理【任务】帮我起草一封向重要客户道歉的邮件【上下文】我们的产品上周出现了两天的服务中断,客户是一家制造业公司,这个账户年合同金额 80 万元,双方合作三年,关系良好。邮件需要承认错误、说明原因、给出补偿方案【格式】正式商务邮件,300 字以内,包含主题行【示例】语气参考:诚恳但不过度卑微,有具体行动而不是空洞承诺

⚡ 关键差异

改造后的版本给了 AI 五个维度的信息:身份、任务、完整背景、格式约束、语气示例。AI 拿到的信息越完整,它能自由发挥的空间越小——而这恰恰是你要的结果。五个要素用齐三个,就已经比大多数人强了。

3三套进阶框架:按场景选一个就够了

五件套是底层逻辑。在此基础上,业界总结了几套更具体的框架,针对不同场景各有侧重。你不需要全学,选一套最常用的记住就行。

框架一 · RTF — 10 秒上手,日常首选

Role(角色)+ Task(任务)+ Format(格式)——三个词,覆盖八成日常需求。

「你是一名资深 HR(角色),帮我写一份拒绝候选人的邮件(任务),语气专业但温和,200 字以内(格式)。」

⭐ 难度:一颗星。适合:日常工作任务、快速输出、时间紧张时。

框架二 · ICIO — “喂资料”任务专用

Instruction(指令)+ Context(上下文)+ Input(输入内容)+ Output(期望输出)——当你需要把大量资料喂给 AI 处理时,这套框架最清晰。

「请帮我提炼这份报告的核心结论(指令)。这是一份面向管理层的季度业务回顾(上下文)。[粘贴报告原文](输入)。输出三个重点,每个不超过 50 字(期望输出)。」

⭐⭐ 难度:两颗星。适合:总结长文档、处理会议记录、提炼研报。

框架三 · CO-STAR — 内容创作的全套解法

Context(背景)+ Objective(目标)+ Style(风格)+ Tone(语气)+ Audience(受众)+ Response(格式)——六个维度,专为需要精准拿捏语气和受众的内容任务设计。

「我们公司刚完成了 B 轮融资(背景)。我需要写一条宣布这个消息的朋友圈(目标)。风格参考科技媒体 36 氪的报道感(风格),语气自信但不张扬(语气),受众是我的行业朋友和潜在合作者(受众),150 字以内,带话题标签(格式)。」

⭐⭐⭐⭐ 难度:四颗星。适合:公众号文案、朋友圈、品牌内容、重要对外传播。

懒人选择:不想记三套,就记这一句——

日常任务用RTF;需要”喂资料”用ICIO;写对外内容用CO-STAR。三选一,不纠结。

42025 年最重要的变化:推理模型要反着用

上面说的都是针对”普通模型”的用法。但如果你用的是 DeepSeek-R1、Kimi K2 Thinking、通义的思考版——这类推理模型,规则完全反过来了。

先理解一个比喻:

普通模型像一个聪明但经验不足的新员工——你需要把任务拆解清楚、一步一步告诉他怎么做,他才能做好。推理模型像一位深耕多年的老专家——你只需要把目标说清楚,他自己会想出最优路径。你越指手画脚,他越别扭。

普通模型 vs 推理模型 · Prompt 策略对比

·加「一步步思考」→ 普通模型 ✅  推理模型 ❌ 不需要,它自己就会

·写详细 System Prompt → 普通模型 ✅  推理模型 ❌ 直接提问即可

·给多个 Few-shot 示例 → 普通模型 ✅  推理模型 ❌ 示例反而干扰它的推理

·详细约束和格式要求 → 普通模型 ✅  推理模型 ⚠️ 只说最关键的一条

·Prompt 长度 → 普通模型 越详细越好  推理模型 ✅ 越简洁越好

推理模型实操 · 用 DeepSeek-R1 分析竞争格局

❌ 普通模型思维(推理模型上用这个会变笨)

请你一步一步思考,先分析市场规模,再分析主要玩家,然后分析竞争壁垒,最后给出结论,用表格输出,每个部分不少于 200 字……

✓ 推理模型正确姿势

分析中国即时零售行业的竞争格局,找出三个关键结论。

⚡ 核心原则

用推理模型时,只说「你要什么」,不要教它「怎么做」——它自己会想,而且想得比你规划的路径更好。

5一个被严重低估的技巧:告诉 AI 不要做什么

大多数人的 Prompt 只告诉 AI 要做什么,却很少告诉它不要做什么。但很多时候,”排除”比”包含”更有效——尤其是当你对 AI 的某个固定毛病已经很熟悉的时候。

高效反向约束 · 直接复制使用

·不要开头排比句,直接切入主题」——消灭”AI 味儿”最有效的一句话

·不要客套话,直接给结论」——跳过”当然,这是个很好的问题……”

·不要使用”首先、其次、最后”,换成更自然的过渡」——打破机械列举感

·不要编造数据或引用,如果不确定请直接说不确定」——对抗幻觉的最实用一句

·不要超过 300 字」——比”写得简洁一些”有效十倍,有具体数字就有边界

把这五条反向约束加在你的 Prompt 末尾,哪怕其他什么都不改,输出质量也会肉眼可见地提升。

6六个常见误区:对号入座,逐一排雷

了解了正确做法,再把常见误区过一遍——这些坑,几乎每个人都踩过至少三个。

六大误区 · 自查清单
一句话期望完美答案。复杂任务要分步追问,先让 AI 给大纲,确认后再展开每一节。
不给上下文,要求”理解我的意思”。AI 没有读心术,你省的每个字,都会变成输出质量的折损。
把”英文 Prompt 更好”当成信仰。2025 年的主流国产模型,中文 Prompt 效果已经完全够用,甚至对中文任务更准确。
对坏结果跟 AI 反复”争论”。结果不对,重写 Prompt,开新对话。跟 AI 吵架是效率最低的调试方式。
用推理模型时还在写”一步一步思考”。上一章已经说清楚了——推理模型自己会想,你只需要说目标。
把 AI 的输出直接交出去。哪怕 Prompt 写得再好,输出结果都需要你读一遍,核查事实、调整语气、确认逻辑。AI 是草稿机,你是编辑。

⚡ 关于误区⑥

这条最重要,也是平台和企业都在强调的底线。AI 生成的内容需要人工审核,不是因为 AI 不够好,而是因为你对结果负责,AI 不负责

三句话,记住这一篇的全部

✍️输出质量取决于输入质量。五件套框架(角色 + 任务 + 上下文 + 格式 + 示例)是写好任何 Prompt 的底层逻辑。

🧠推理模型(DeepSeek-R1 / Kimi K2 Thinking)反着用——只说目标,不要教路径,越简洁越好。

🚫反向约束(告诉 AI 不要做什么)是被严重低估的技巧,五条反向约束加在 Prompt 末尾,输出立刻提档。

Prompt 不是魔法咒语,是一封写给 AI 的任务书。写得越清楚,AI 帮你完成得越漂亮。

会说话之后下一步,是让 AI 替你干活

Prompt 解决的是”单次对话”的质量问题。但真正的效率飞跃,来自工作流和 Agent——让 AI 自己做一系列任务,不需要你每一步都盯着。下一篇,我们讲 AI Agent 是什么,以及你能用它做什么。

点击关注,下篇不迷路

你在用 AI 的过程中,Prompt 写不好常卡在哪一步?或者你有什么自己总结出来的 Prompt 技巧?👇 评论区分享,我会在后续文章里收录好用的案例