前面三篇我们了解了AI 提示词原则 和 提示词的扩展 以及如何提问，

—— 今天我们从「敷衍你」到「懂你」的 Prompt 进一步进行探索 ——

一、理解 Prompt——你在跟谁说话？

很多人把 Prompt 想得太神秘了。说白了，它没什么魔法，本质就是一件事：给 AI 布置任务。

类比一下：Prompt 就像给新员工交代工作。你交代得模糊，他只能按自己的理解做；你交代得清楚，他才能给你想要的结果。

问题是大多数人交代任务的方式是这样的：

「帮我写篇文章。」

这就是在考验 AI 的读心术。写什么主题？给谁看？什么风格？多少字？

把这些补上之后：

「帮我写一篇 800 字的公众号文章，主题是『Claude Code 和 Codex 的工具对比』，语气轻松、有共鸣，通俗易懂，涉及到一些专业术语用类比解释，结尾给出 3 个实用建议。读者是 25-35 岁的互联网上班族。」

结果会天差地别。

我自己用下来最大的体会是：你给 AI 的信息越具体，它就越像一个「懂你」的助手；你给的信息越模糊，它就越像一个「敷衍你」的客服。

二、新手最常犯的 5 个错误

这些错误我自己在刚用 AI 的时候，几乎全踩过，而且身边绝大部分的人都在踩。

错误一：问题太模糊

• • ❌ 「帮我总结一下这篇文章。」
• • ✅ 「帮我用 3 个要点总结这篇文章，每个要点不超过 30 字，用中文。」

模糊的问题，AI 只能给你一个模糊的答案。你越懒，AI 越敷衍。

错误二：没给背景

• • ❌ 「帮我改一下这段话。」
• • ✅ 「这段话是发给客户的道歉邮件，请帮我改得更真诚一些，保留道歉的核心意思。」

AI 不知道你是谁、要干什么、给谁看。你不说，它只能按最通用的方式来。

错误三：一次问太多事

AI 不是不能同时做多件事，但你把五个不相关的问题堆在一起，质量会直线下降。

我的经验是：一个对话专注一件事。 如果你要做五件事，开五个对话，每个对话的结果都会比挤在一起好得多。

错误四：收到不好的结果就放弃

AI 的第一轮回答不满意太正常了。但很多人的习惯是「问一次 → 不满意 → 换个话题」，这是最大的浪费。正确做法是告诉 AI 哪里不对，接着聊。迭代这件事太重要了，本文最后一节会专门展开讲。

错误五：把 AI 当搜索引擎

「最新 iPhone 价格是多少？」这种问题去搜索引擎更快更准。

AI 擅长的是理解、分析、生成、改写——这些需要「动脑子」的事情。实时信息、查价格、查天气，不是它的强项。而且大模型的训练数据都有截止日期，涉及最新信息最好明确让它联网搜索。

搞清楚 AI 的能力边界，才不会觉得它「什么都不行」。

三、万能 Prompt 公式

说了这么多原则，落到实操，记住一个公式就够了，90% 的场景都能用：

角色 + 任务 + 背景 + 格式 + 限制

把这五个要素组合起来：

「你是一位资深产品经理。帮我分析这个功能需求的可行性：用户希望在 App 里直接发起视频会议。我们是一家 B2B SaaS 公司，目标用户是中小企业。请用结构化列表呈现，分「优势」「风险」「建议」三块，300 字以内。」

不需要每次都写全五个要素。简单的事情两三个就够了，但如果结果不满意，回来看看是不是漏了哪个。

这个公式的核心就是一句话：把 AI 当一个聪明但对你一无所知的人，你要说什么他才能做好这件事？

四、Prompt 进阶：6 个让回答质量翻倍的技巧

上面讲的是基础——让 AI「听懂你在说什么」。但听懂是最低要求，很多人用了万能公式之后，发现 AI 的回答「对」但不够「好」。这部分讲 6 个进阶技巧，每个都是反复验证过的。其中技巧一、二、四来自 Anthropic（Claude 的开发公司）官方 Prompt 工程指南，不是野路子，是官方验证过的最佳实践。

技巧一：说原因，不只说要求

大多数人给 AI 下指令只说「要什么」，不说「为什么」。但 AI 足够聪明，告诉它原因，它能自己推导出更多你没想到的细节。

• • ❌ 「不要用省略号。」
• • ✅ 「不要用省略号，因为这段文字会被语音播报系统朗读，省略号会导致语音引擎不知道怎么处理。」

给了原因之后，AI 不仅会避开省略号，还会自动避开其他可能影响朗读的特殊符号——你不需要一条条列出来。

再举一个：

• • ❌ 「写简短一些。」
• • ✅ 「写简短一些，因为这段话是放在 App 的推送通知里，用户只能看到前 40 个字。」

AI 拿到原因之后，不只是压缩字数，还会自动把最重要的信息放在开头。

原则：给 AI 「为什么」，它会自动推导出很多你没提到的「怎么做」。

技巧二：给示例，比说十遍管用

这是我用下来提升最大的一个技巧。

与其花很多话描述你要的格式和风格，不如直接给它一个例子看。

比如你想让 AI 帮你写产品更新日志，与其描述半天格式要求，不如直接给它一个你写过的例子：

我需要你按以下风格写产品更新日志，示例：

「2026.04 更新新增：支持批量导出 PDF，最多 50 个文件一次搞定优化：搜索速度提升 40%，大文件也不卡了修复：偶尔登录失败的问题」

现在请按这个风格，帮我写以下功能的更新日志：[粘贴功能列表]

给 2-3 个示例效果最好。 AI 会从示例里自动学会你的格式、语气甚至用词习惯。

这个技巧在 AI 领域有个专业名词叫 Few-shot（少样本学习），听起来很高级，但本质就是「做一个给它看，比说十遍都管用」。

我自己现在写公众号，每次让 AI 帮忙改稿，都会先粘贴一段我之前写的文章，告诉它「按这个风格来」。效果远比描述「口语化、有态度、多用短句」好得多。

技巧三：让 AI 分步思考

这个技巧在分析和决策类任务上效果最明显。

直接问 AI 一个复杂问题，它会试图一步到位给你答案——结果就是分析不够深，容易遗漏重要角度。

但如果你在 Prompt 里加一句「请一步步分析」或「先列出你的思考过程，再给结论」，AI 会强制自己把推理过程展开，分析质量会高很多。

举个例子：

• • ❌ 「我应该跳槽吗？」
• • ✅ 「我在考虑是否跳槽，请一步步帮我分析：
1. 1. 先列出跳槽的潜在收益
2. 2. 再列出潜在风险和代价
3. 3. 分析我当前情况下哪些因素权重最高
4. 4. 最后给出你的建议和理由

我的情况：目前在一家中型互联网公司做产品经理，3 年经验，月薪 2 万，新机会是一家创业公司，月薪 3 万但没有期权。」

这个技巧有个专业名字叫 思维链（Chain of Thought），是目前 AI 领域最有效的提示技巧之一。

我自己用下来的经验：凡是需要 AI 做判断、做对比、做分析的任务，都加上「一步步分析」，效果至少好 30%。

技巧四：长内容放前面，问题放后面

这条很多人不知道，但效果很实在。

如果你要让 AI 处理一篇长文档，把文档放在前面、你的问题放在最后面，回答质量会更好。

正确做法：

[粘贴你的长文档 / 报告 / 数据]请根据以上内容，总结 3 个核心结论，每条不超过 50 字。

而不是：

帮我总结以下内容的 3 个核心结论。[粘贴长文档]

就是把顺序调一下。原因是 AI 在处理长文本时，对最后出现的指令的「注意力」最集中。你把问题放在最后，AI 会带着你的问题去「回看」前面的内容，而不是读完内容再想你要什么。

技巧五：指定输出格式

大部分人只关心 AI 说了什么，不关心它怎么呈现。但格式决定了信息的可用性。

同样是竞品分析，一段流水账和一张对比表格，哪个你拿到就能直接用？

几种最实用的格式指令：

要表格：

「请用表格呈现，列包含：竞品名称 / 核心优势 / 价格 / 适合场景。」

要分级结构：

「按重要性从高到低排列，每条用一句话概括，后面跟一句解释。」

要可执行的清单：

「输出一份待办清单，每条包含：具体动作 + 截止时间 + 预期产出。」

要固定模板：

「按以下格式输出每个方案：

• • 方案名称：
• • 优点：（3 条以内）
• • 缺点：（3 条以内）
• • 适合场景：
• • 我的建议：」

养成习惯，每次提问的时候想一下：我拿到结果之后要怎么用？然后反过来告诉 AI 你要的格式。

技巧六：告诉 AI 不要做什么

前面五个技巧都是「正向指令」——告诉 AI 要什么。但实际用下来你会发现，有时候说「不要什么」比说「要什么」更精准。

因为 AI 有一些默认习惯：喜欢加总结段、喜欢面面俱到、喜欢在结尾来一句「希望对你有帮助」。你不说，它就默认带上了。

几个最常用的排除指令：

• • 「不要写开头的寒暄和结尾的客套」
• • 「不要用『赋能』『闭环』『颗粒度』这类词」
• • 「不要超过 5 条，宁少勿多」
• • 「不要解释原因，直接给结论」
• • 「不要加 emoji」

你甚至可以把「不要做什么」单独列成一块，放在 Prompt 的最后面：

「帮我写一份产品方案摘要，300 字以内。

不要做的事：

• • 不要写背景介绍
• • 不要加「综上所述」之类的过渡
• • 不要超过 3 个核心要点」

「要什么」划定方向，「不要什么」划定边界。两个配合用，AI 的输出会精准很多。

五、高级用法（普通人不知道的）

前面讲的技巧解决的是单个问题的质量。但真实工作中，很多任务不是一个问题能搞定的——你需要分析、对比、做决策、写报告，这些任务有多个步骤，每一步的结果会影响下一步。

这部分讲的 6 个用法，是大部分人完全不知道的。学会了之后，你用 AI 的方式会跟普通人拉开明显差距。

用法一：Prompt 链——把大任务拆成流水线

前面进阶部分讲过「让 AI 分步思考」——那是在一个问题里让 AI 自己展开推理步骤。Prompt 链不一样，是你主动把一个大任务拆成多个独立的问题，每步一个 Prompt，你来控制节奏和方向。

遇到复杂任务，很多人的习惯是把所有要求塞进一个 Prompt 里，让 AI 一次性搞定。结果就是：AI 什么都做了，但什么都做得一般。

更好的做法：把一个大任务拆成几个小步骤，每步一个 Prompt，前一步的输出作为下一步的输入。

类比：工厂流水线。 一个工人从头到尾做一整辆车，质量不好控；但把造车拆成底盘、发动机、车身、喷漆几个工序，每道工序专注做好一件事，最后出来的车质量稳定得多。

举个例子，你要写一篇公众号文章：

第一步（选题）：

「我想写一篇关于 AI 提升工作效率的文章，读者是 25-35 岁的职场人。请给我 5 个不同角度的选题方向，每个方向一句话说明切入点。」

第二步（大纲）：

「就上面第 3 个方向，帮我展开一个文章大纲，6-8 个小节，每节一句话说明要讲什么。」

第三步（逐节撰写）：

「按大纲的第 1 节，帮我写 200-300 字的内容。风格参考：[粘贴你之前的一段文章]。」

第四步（整合优化）：

「以下是所有小节的内容，请帮我通读一遍，检查逻辑是否连贯、风格是否统一，有问题的地方直接改。」

四步下来，比你把所有要求塞进一个 Prompt 里效果好很多。

我自己写东西基本都是这个套路。拆得越细，每一步的输出质量越高。

用法二：让 AI 自检——要求它反驳自己

这个用法对于做决策、做分析特别有用。

AI 有一个特点：你问它什么，它倾向于顺着你说。 你说「这个方案好不好」，它大概率会说「好，因为……」。这不是它在拍马屁，是它的工作机制决定的。

解决办法是主动要求它反驳自己：

「你刚才给了我方案 A 的分析，现在请站在反对者的角度，列出方案 A 最大的 3 个风险和可能失败的原因。不需要客气，越尖锐越好。」

或者一步到位：

「请分析这个方案的可行性。分析完之后，请你自己扮演一个挑刺的评审，对你的分析提出 3 个最有力的反驳。」

这个技巧能帮你发现自己思考中的盲区。说句实话，AI 反驳自己的水平，经常比你想象的高——因为它确实能从更多角度看问题。

我现在做重要决策之前，都会让 AI 先分析一遍，然后让它自己反驳一遍。两轮下来，基本能把关键风险都识别出来。

用法三：多角色视角——让 AI 换身份看同一件事

这个技巧适合「需要考虑多方利益」的场景。

「我们公司要推一个新功能：让用户可以匿名发表评论。请分别从以下三个角色的视角分析这个功能：

1. 1. 产品经理：这个功能能带来什么价值？
2. 2. 法务：有什么法律风险？
3. 3. 用户运营：会对社区氛围产生什么影响？

每个角色分别给出判断和理由，最后综合三个视角给一个建议。」

一次提问，相当于做了三场专家访谈。

这个技巧的核心价值是：帮你跳出自己的视角，看到你本来看不到的角度。 特别是涉及跨部门的决策，用这招能提前发现很多潜在问题。

用法四：让 AI 帮你写 Prompt（元提示）

大多数人不知道，最好的 Prompt 工程师其实是 AI 自己。

你不知道怎么写 Prompt？直接让 AI 帮你写：

「我想让 AI 帮我分析竞品，但我不知道怎么写 Prompt。请帮我设计一个专业的竞品分析 Prompt，要包含角色、任务、输出格式。」

AI 会给你一个比你自己写得好得多的 Prompt。拿来直接用，或者再微调。

还有一个更实用的进阶版——让 AI 帮你优化已有的 Prompt：

「以下是我写的 Prompt，请找出它的问题，告诉我应该怎么改，然后给我改进版本：

[粘贴你的 Prompt]」

说句实话，这招是我用得最多的。 遇到复杂任务不知道怎么描述，先随便写一版扔给 AI，让它帮我优化，省掉自己绞尽脑汁措辞的时间。

用法五：角色反转——让 AI 来采访你

通常是你问 AI。但你可以反过来——让 AI 问你。

「我想创业，方向还不清晰。请扮演一位顶级创业导师，通过提问来帮我厘清方向。先问我第一个最关键的问题，等我回答后，再问下一个。不要一次问多个问题。」

这样 AI 会引导你深度思考，而不是给你一堆你没消化的信息。

这个技巧特别适合三类场景：

• • 想法模糊时：你知道自己想做什么，但说不清楚，让 AI 通过提问帮你梳理
• • 做决策时：让 AI 扮演顾问，用问题逼你想清楚关键因素
• • 写东西之前：让 AI 当采访者，问出你脑子里的素材，比对着空白文档发呆高效得多

用法六：给 AI「压力」——突破惯性答案

AI 有一个明显的倾向：给你「正确但无聊」的标准答案。 面面俱到、四平八稳、谁都不得罪。

破解方法很简单——给它「压力」：

「这个答案太表面了。请假设你是领域内最顶尖的专家，给出一个普通人想不到的深度见解。」

或者：

「假设你的答案会被一位严苛的专家审查，他会挑剔任何不够精准的说法。请重新回答。」

还可以用「假设框架」逼出非常规视角：

「假设你是一个反传统的思考者，你认为主流对这个问题的看法完全错了。请给出一个颠覆性的、让人意想不到的观点（但要有逻辑支撑）。」

「如果你只能给一个建议，而且这个建议必须是大多数人都没想到的，你会说什么？」

AI 在被赋予更高标准时，输出质量会明显提升。默认的 AI 给你 70 分的答案，加了压力的 AI 能给你 90 分。

六、迭代：不满意别换话题，接着聊

这件事太重要了，单独拿出来讲。

很多人用 AI 的习惯是：问一次 → 看了结果不满意 → 开个新对话重新来过 → 又不满意 → 觉得 AI 不行。

这是最大的浪费。

正确的做法是在同一个对话里持续迭代。 你之前说的话、提供的背景、纠正的方向，全是有效上下文，AI 记着呢。你开新对话，这些上下文全丢了，又从零开始。

迭代的正确姿势是指出具体问题，而不是笼统地说「不好」：

还有一个很实用的迭代方式：先让 AI 出一个粗糙版本，然后你来挑毛病。

比起你从零描述你要什么，看到一个不完美的版本再说「哪里不对」要容易得多。这也是为什么很多高手用 AI 的方式是「快速出初稿 → 多轮微调」，而不是「花半小时写一个完美 Prompt 试图一次到位」。

改 2-3 轮是正常的，不是 AI 不行，是所有好结果都需要打磨。

七、小结

这篇文章讲了三层东西：

• • 基础：万能公式（角色 + 任务 + 背景 + 格式 + 限制），解决「AI 听不懂我在说什么」的问题。
• • 进阶：说原因、给示例、分步思考、控制格式、排除指令，解决「AI 听懂了但回答不够好」的问题。
• • 高级：Prompt 链、自检反驳、多角色视角、元提示、角色反转、给 AI 压力，解决「复杂任务不知道怎么用 AI」的问题。

所有技巧的底层逻辑是一样的：你给 AI 的信息越精准，它的输出越有用。

不需要一次全记住，先把万能公式用起来，遇到效果不好的场景回来翻翻进阶技巧，慢慢就内化了。

📋 Prompt 速查卡

以后忘了回来翻这张表就够了：

看完之后立刻去实践一下，改变你和 AI 的交互方式。亲身体验之后，你才会深刻地理解——原来 AI 是这么用的。

当你发现某个好用的 Prompt 反复在用，就该把它固化成可以一键调用的「技能」，也就是所谓的 Skill。下一篇我们将从实用出发，从如何让AI具有长期记忆以及可以让它追溯历史的任务