夜雨聆风一年前我还以为，用AI的关键是"写更好的prompt"。
直到有一天我用它帮我做一个产品发布计划，得到的方案乍看之下逻辑清晰、术语专业、要点齐全——但当我真正动手去执行的时候才发现，那些方案全是"正确的废话"。每一条都对，却没有任何一条真正能落地。
更让我挫败的是：我换了十几种 prompt 写法，甚至把所谓的"提示词工程技巧"都套了一遍——什么"你是一位资深的 XX 专家"、"请逐步思考"、"请先考虑多种方案再选出最好的"——结果只是在"同样程度的平庸"里兜圈子。我开始怀疑是不是自己笨，直到我意识到：问题根本不在我的 prompt 写得好不好，而在于整个提问方式从一开始就错了。
后来我花了很多时间去研究这个现象，最终总结出一套三步的解法。这套系统让我从"ChatGPT 用户"真正变成了"能驯服 ChatGPT 的人"。输出质量的差距，不是一倍两倍，而是指数级的跃升。
这篇文章就是这套方法的完整拆解，包含我亲测有效的每一条具体 prompt。看完如果你只能记住一句话，那就是：
别再试图"写出完美的 prompt"了，你要做的是构建一个让 AI 不得不说出有用答案的系统。
为什么 AI 总在给你"正确的废话"？
想搞懂解法，先得搞懂根本问题。我观察下来，AI 输出平庸有三个底层原因：
1. 它太保守了。 大语言模型的本质是"预测下一个最可能出现的词"，所以它永远倾向于给你互联网上最广泛、最安全、最平均的那一套答案。它样样都能做到"还行"，但样样都够不到专家水准。 2. 它根本不了解你。 它不知道你的预算、你的用户画像、你的约束条件、你的真实目标。在什么都不知道的前提下，它只能用通用答案兜底。 3. 你自己也很难一次把需求说清楚。 AI 一旦走错方向就像一辆正在高速行驶的车——你中途想调头，它会强行往原来的惯性里贴，越改越偏。研究者把这种现象叫做"已生成响应的路径依赖"。
有个简单的自检方法：去问 AI 一个你自己是专家的领域的问题。你会立刻意识到第一个问题有多严重——你会惊讶地发现它的默认回答有多普通，甚至出错到你难以接受。
步骤一：锚定专家——别让 AI 凭"平均值"给你方案
这一步的核心动作只有一个：在问它任何问题之前，先强行给它一个专家级的知识锚点。
以产品发布为例。我不会直接问"帮我写一个产品发布计划"——那样得到的永远是一份 CSV 式的营销日历。我会做一件事：把一本公认权威著作（比如 Alex Hormozi 的《100M Offers》）的 PDF 丢进对话，然后用下面这条 prompt：
分析附件文档，提炼作者用于产品发布的核心框架。提取它的分步逻辑、作者明确提到的约束条件、以及他始终遵循的黄金规则，然后为我的项目重建一份完整的主指南。不要总结，而是重建这套系统。
这个动作在学术界叫 "grounding"（锚定）。它的效果是：AI 接下来的所有回答都会被"钉"在这套已经被现实验证过的框架上，而不是从互联网的平均值里凑一个答案。
我做过前后对比——不锚定时，AI 给的是标准的"营销日历"：预热 → 上线 → 复盘，一共七天，每一天要发什么内容。看起来很专业，但经不起推敲。锚定之后，它给出的是一套按客户心理阶段递进排布的 offer 序列：先用一个"解决当下痛点"的入门 offer 打开门，再用一个"让效果更快出现"的加速 offer 收割意愿最高的人，最后用一个"把结果系统化"的升级 offer 留住长期客户。每一个 offer 都对应客户在当前阶段会产生的下一个具体问题。
这两个结果不是"更好"和"差一点"的关系，而是"完全不同物种"的关系。 第一个是你上网随便搜就能得到的，第二个是一个上过实战的创业者在一对一指导你。
更关键的是：锚定过的对话会一直维持在这个更高的基准线上。后续你问任何细节问题——"我该怎么定价？"、"怎么起标题？"——它都会从这套专家系统里往下推，而不是退回互联网均值。
如果我不知道谁是专家怎么办？
这是很多人卡在第一步的地方。我的办法是：先用 AI 帮你找专家，但不是简单地让它列名字，而是问得更深：
找出 [你的主题] 领域最顶尖的专家，以及他们各自标志性的方法论。列出他们最重要的书或资源，并特别告诉我，这些专家彼此之间在什么地方存在分歧。
最后那句"在什么地方分歧"才是精髓。通用建议永远会抹平差异，而专家之间的分歧才是你真正需要的 nuance——它揭示了通用答案里被隐藏的权衡。
拿到名单之后，你去追这些资源的 YouTube 字幕、PDF、论文，甚至是高质量的博客长文，然后回过头跑第一步的锚定 prompt 即可。整个过程通常只需要 15 到 30 分钟，而你拿到的将是一份没有任何水分的专家知识蒸馏品。
步骤二：让 AI 反过来采访你
锚定解决了"how"的问题——AI 现在知道怎么做事了。但它还不知道"what"——不知道你具体是谁、要的是什么。这就是第二步要解决的。
大部分人的做法是："我想到什么 context 就塞进去。" 但事实是：我们自己也说不全。等到 AI 给出回答、我们看到结果的那一刻，才会意识到还有十几条重要信息忘了说。这时候再补充已经晚了——AI 已经带着半套信息跑出去很远。
我的做法是彻底反过来，让 AI 来采访我。记住：必须开一个全新的对话，和第一步完全隔离。然后给它这条 prompt：
我做了一个管理日常任务和目标的效率 App。请你一次问我一个问题，逐条收集你需要的所有上下文，以便给我做出最好的发布策略。在我回答完当前问题之前，不要移到下一个问题。
让它去问：预算多少？目标用户画像？已有的分发渠道？最关心哪个指标？竞品是谁？你个人可投入的时间是多少？……一条一条回答完所有问题之后，再给它最后一个指令：
现在，把我所有的回答整合成一份结构化的 context 文件，系统性地总结我们讨论过的全部内容。
你会得到一份极其完整的"项目简报"。这一步可能多花 5-10 分钟，但能省掉后面几个小时的反复拉扯。
步骤三：元提示词合成——让 AI 帮 AI 写 prompt
现在我有了两块东西：一份专家方法论（来自第一步），一份我的 context 文件（来自第二步）。最后一步是把它们融合成一条真正能执行的 prompt。
我不自己写最终 prompt。 我用元提示词（meta prompt）——让 AI 为自己写 prompt。它接受过海量的提示词工程训练，它比我更懂怎么给自己下指令。
我常用的元提示词大概长这样：
你是一位资深的 AI 提示词工程师。我将提供两个数据块。
<expert_guide>这里粘贴第一步得到的专家主指南</expert_guide>
<context_file>这里粘贴第二步得到的 context 文件</context_file>你的任务：把这两个数据块合成一条完整的主执行 prompt，使用 RICE-CO 框架（Role 角色、Instruction 指令、Context 上下文、Examples 示例、Constraints 约束、Output 输出格式）。不要现在就执行这个计划，只输出最终的 prompt 给我，我将在一个干净的新会话里使用它。
注意那两个 XML 标签 <expert_guide> 和 <context_file>——这不是装饰，而是所有主流模型的官方文档里都强烈推荐的一种结构化输入方式。它能让模型清晰地区分"参考数据"和"任务指令"，显著降低混淆概率。
拿到输出之后，再次开一个全新会话，把它完整地粘贴进去。这时候你会得到一个既锚定在专家方法论、又完全贴合你自身情况的最终执行方案。
为什么我不把三步合成一个大 prompt？
你可能会想：能不能一次性跑完？ 我试过，结果很糟糕。
研究界把这种现象叫 "plan abandonment"（计划放弃）：当 AI 必须同时承担"规划"和"执行"两个角色时，它的注意力会被撕扯开，最终默认退回到最省力的选项——又是一堆正确的废话。
把"规划"、"上下文收集"、"合成"分成三个独立阶段，每一步只做一件事，AI 才能把 100% 的注意力压在当前任务上。这和我们自己专注做事的规律完全一样——多任务是生产力的敌人，对 AI 同样适用。
这套系统能做什么？
我已经用这套方法做过：
• 给自己 vibe-code 出的应用写一份完整的产品发布计划 • 研究一个完全陌生的行业并生成一份可直接分享的调研报告 • 设计一门付费课程的完整模块结构和营销页面 • 规划一本书的章节大纲和核心论点 • 为一场广告投放做从受众到文案到预算的端到端方案 • 甚至是帮我规划一次旅行的完整行程，包括预订策略和应急方案
本质上，任何一个"学新东西"或"从 0 造一个东西"的任务，都适用这套系统。 唯一的前提是你愿意花前面那 20-30 分钟做锚定和上下文采集——而不是一上来就想偷懒让 AI 直接给你答案。
我的一条经验是：任务越高风险、越不可逆，这套系统带来的价值越大。做一次无关紧要的周末小项目用这套系统确实有点重；但只要你要决策的事情关系到钱、时间、或者一个无法重来的机会，前面多花的 20 分钟几乎总是会以 10 倍以上的形式回报给你。
写在最后
高质量的 AI 输出从来不是"神奇 prompt"的结果，而是系统设计的结果。
锚定专家、反向采访、元提示词合成——这三步把 AI 从一个"博学但平庸"的工具，变成了你当下这个具体问题的对口专家。我用这套方法做过产品发布、课程设计、调研报告、甚至包括你正在读的这篇文章——每一次的输出质量都远超我用单一 prompt 所能得到的上限。
如果你看完也准备试一次，我的建议是：从你最熟悉的一个领域开始。因为只有在你懂行的领域，你才能第一次真正意识到——以前那些"AI 答案"到底平庸到什么程度。
2026 年 AI 的真正瓶颈，早就不在模型能力，而在你问问题的方式。而提问方式的天花板，取决于你身后是否有一套让 AI 不得不给出有用答案的系统。这套三步法，就是我目前能给出的最好的答案。
如果这篇文章对你有启发，请点赞、在看、转发，防止走丢。
#AI提示词 #ChatGPT技巧 #AI工作流 #提示词工程 #AIGC
