夜雨聆风
上一篇文章，我们讲了一个基本判断：AI 时代的学习，不能只停在“拿到答案”。
答案来得太快，会让人误以为自己已经学会了。
真正有效的学习，是在使用中发生碰撞，再把碰撞后的经验沉淀成流程、模板和作品。
这一篇，就接着往下讲一个最基础、也最容易被低估的能力：怎么把任务说清楚。
很多人使用 AI 的时候，会把重点放在“有没有神奇提示词”上。
好像只要找到某一句咒语，AI 就会突然变得稳定、准确、懂人。
但现实不是这样。
更准确的说法是：提示词不是咒语，而是一份写给 AI 的任务说明书。
说明书写得含糊，AI 就只能猜。
说明书写得清楚，AI 才更可能按我们真正想要的方向工作。
这件事听起来简单，但它背后其实是一种表达规范。
所谓表达规范，不是把话写得复杂。
而是把背景、目标、约束、输入、输出、样例、评价标准和迭代要求说完整。
一旦这套表达方式建立起来，AI 就不再只是一个“能聊天的工具”。
它会更接近一个可以协作的执行伙伴。
一、提示词不是咒语，而是任务说明书
先从一个生活场景说起。
假设要找一位设计师做海报，只说一句**“帮我做得高级一点”。**
这句话不能说完全没用。
但它太空了。
设计师不知道这张海报给谁看，不知道用在哪里，不知道尺寸多大，不知道品牌颜色是什么，也不知道哪些元素不能出现。
最后做出来的结果，很可能不是设计师能力不行，而是任务本身没有被说清楚。
使用 AI 也是一样。
很多提示词失败，不是因为 AI 完全不懂，而是因为我们给它的信息太少。
比如一句“帮我写一篇文章”。
AI 确实能写。
但它不知道文章写给谁看，不知道要多长，不知道是公众号、汇报稿还是短视频脚本，不知道语气要理性还是热血，也不知道哪些观点必须保留。
于是它只能根据常见模式补全。
这就是所谓的“猜”。
AI 的猜测有时能碰巧对上。
但一旦任务稍微复杂，猜出来的结果就容易飘。
所以提示词的第一个认知转变是：不要把提示词理解成一句指令，要把它理解成一份任务说明书。
任务说明书的作用，不是让 AI 瞬间变聪明。
它的作用是减少模糊空间。
模糊空间越大，AI 自由发挥越多。
模糊空间越小，结果越容易接近预期。
OpenAI 的提示工程文档里，也把这件事理解为编写有效指令，让模型更稳定地产出符合要求的内容。
这句话换成白话就是：提示词不是装饰文字，而是在帮模型对齐任务。
二、第一层：背景、目标、约束要说清楚
一份任务说明书，最先要交代三件事。
背景、目标、约束。
背景回答“为什么要做”。
目标回答“要做到什么”。
约束回答“哪些必须遵守，哪些不能越界”。
这三件事如果缺失，AI 很容易给出看似完整、实际不合用的结果。
先看一个很常见的坏提示词。
“帮我写一段课程介绍。”
这句话的问题，不是太短。
而是关键信息缺失。
课程是什么主题？
给谁看？
用于招生页、朋友圈，还是开课前介绍？
读者是完全小白，还是已经有经验的人？
有没有不能夸大的地方？
这些都没说。
更清楚的写法可以是：
“我准备做一门面向职场小白的 AI 办公入门课（背景），课程目的是让学员能用 AI 完成文档整理、PPT 大纲和会议纪要。请写一段 200 字以内的课程介绍（目标），用理性、可信的语气，不要承诺‘学完立刻涨薪’，不要使用夸张营销词（约束）。”
这段话并不复杂。
但它至少交代了背景、目标和约束。
背景是“职场小白的 AI 办公入门课”。
目标是“写一段 200 字以内的课程介绍”。
约束是“语气理性可信，不夸大承诺，不用夸张营销词”。
AI 看到这样的任务，就不需要在关键地方乱猜。
这里有一个很实用的判断标准。
如果一条提示词拿给一个新人同事看，新人同事也不知道该怎么交付，那 AI 大概率也会不稳定。
因为问题不在 AI，而在任务本身没有被定义。
背景、目标、约束，就是定义任务的最小三件套。
三、第二层：输入、输出、样例要给完整
说清背景、目标和约束之后，还不够。
接下来要说明三件更具体的东西。
输入、输出、样例。
输入，是 AI 可以使用的原材料。
输出，是我们希望它交付的结果形态。
样例，是告诉 AI“结果大概长什么样”。
这三件事决定了结果的形状。
很多人会把一大段材料直接丢给 AI，然后说“总结一下”。
AI 当然能总结。
但问题是，它不知道该按什么维度总结。
是总结成三条结论？
还是提炼成行动清单？
是保留关键数据？
还是改写成小白能看懂的口语表达？
这些没有说清，输出就会漂。
更稳的写法是：
“下面是一次课程访谈记录。请只根据这段材料，提炼出 5 条学员最关心的问题。输出为表格，表头包括：问题、背后真实需求、适合放在哪一节课。每条不超过 80 字。”
这时，输入是“课程访谈记录”。
输出是“5 条问题表格”。
格式也清楚了。
如果再加一个样例，就更稳定。
比如：
“样例：问题：学 AI 是不是要先学编程？背后真实需求：担心入门门槛太高。适合放在哪一节课：第一节，AI 工具入门。”
样例的价值，不是让 AI 照抄。
它的价值是给 AI 一个“交付形状”。
这和教新人做事很像。
只说“把会议纪要整理好”，新人可能不知道什么叫好。
但给一份以前整理得不错的纪要，他马上就能看出标题怎么写、重点怎么分、行动项怎么列。
AI 也是类似。
OpenAI 文档中提到的少样本示例（few-shot learning），本质上就是在提示词里提供少量输入和输出示例，让模型从示例中抓住任务模式。
对普通使用者来说，不需要记住术语。
只要记住一句话：复杂任务说不清时，给一个像样的例子。
四、第三层：评价标准要提前写出来
很多提示词看起来已经写得很完整，但结果还是不好。
原因往往出在一个地方。
我们没有告诉 AI，什么叫“好”。
比如让 AI 写一篇公众号文章。
只说“写得好一点”，这个标准没有操作性。
好在哪里？
是逻辑清楚？
是案例直白？
是语气克制？
是标题不夸张？
是读者看完能马上照做？
不同标准会导向完全不同的结果。
所以，提示词里最好提前写评价标准。
评价标准可以理解成验收清单。
比如一篇面向零基础读者的 AI 教程，评价标准可以写成：
“读者不需要技术背景也能看懂。”
“每个专业词第一次出现时，要先用白话解释。”
“抽象判断后面要补一个生活化例子。”
“不要只给口号，结尾要有可执行建议。”
“不要夸大 AI 能力，也不要制造焦虑。”
这些标准写进去之后，AI 就更容易知道该往哪里收。
如果没有这些标准，AI 往往会按互联网上最常见的文章套路来写。
结果就会变成看起来完整，但读完以后没留下什么东西。
评价标准的意义，是把“我感觉不对”提前翻译成“哪些地方要做到”。
这一步很关键。
因为 AI 不能直接读取我们的感觉。
它只能根据文字里的条件工作。
感觉越模糊，结果越不稳定。
标准越清楚，修改越有方向。
五、第四层：迭代要求决定结果能不能变好
提示词还有一个常见误区。
很多人希望一次就写对。
一次写对当然最好。
但对稍微复杂一点的任务来说，这个期待并不现实。
更可靠的方式，是把 AI 当成可以反复协作的对象。
先让它出一个版本。
再根据评价标准指出问题。
然后让它按具体要求修改。
这就是迭代。
迭代不是简单说“再优化一下”。
“再优化一下”仍然太空。
更有效的迭代要求，要指出保留什么、删除什么、补充什么、改成什么。
比如：
“保留现在的结构，但把第二章改得更适合零基础读者。”
“删掉夸张语气，补一个生活化例子解释这个概念。”
“结尾不要喊口号，改成 3 条可执行建议。”
“第三段逻辑跳太快，请补一句为什么会从 A 走到 B。”
这类要求看起来细。
但它们能让 AI 明确知道下一步怎么改。
OpenAI 的 ChatGPT 提示建议里也强调，提示工程通常需要迭代：先看输出，再根据输出补上下文、调整措辞或简化请求。
这和现实工作很接近。
一个初稿很少直接交付。
真正交付之前，总要经历审阅、改写、补证据、删废话、调结构。
AI 只是把这个过程变快了。
但它没有取消这个过程。
所以，使用 AI 的重点不是追求“完美的一次性提示词”。
更重要的是建立一套稳定的迭代语言。
能指出问题，能提出标准，能要求修改。
这才是长期可复用的能力。
六、一个完整提示词，可以这样组织
把前面几层合在一起，我们可以得到一个通用模板。
先别急着背模板。
它不是考试题，而是一张检查表，用来提醒我们有没有漏掉关键条件。
这个模板不需要每次全部填满。
也可以把它放进一个更常见的提示词框架里理解。
新加坡 GovTech 介绍过一个 CO-STAR 框架。
CO-STAR 分别是 Context、Objective、Style、Tone、Audience、Response。
翻成中文，可以先理解为：背景、目标、风格、语气、受众、回应格式。
它和前面讲的思路并不冲突。
Context 对应背景。
Objective 对应目标。
Style 和 Tone 对应表达风格与情绪分寸。
Audience 对应这段内容写给谁看。
Response 对应输出格式。
比如同样让 AI 写一段课程介绍，CO-STAR 会提醒我们：不仅要说课程背景和写作目标，还要说清楚面向谁、用什么风格、保持什么语气、最后输出成什么形态。
这就是它好用的地方。
它不是让提示词看起来更高级，而是把容易漏掉的条件摆到桌面上。
不过，CO-STAR 也不是万能模板。
它特别适合写文章、文案、邮件、课程介绍、汇报话术这类需要控制表达风格和受众感受的任务。
如果任务更偏资料整理、信息提取、方案迭代，还需要补上输入材料、样例、评价标准和迭代要求。
所以这篇文章后面给出的模板，可以看作是 CO-STAR 的日常扩展版。
它把“表达给谁、用什么语气”保留下来，同时补上“用什么材料、按什么标准验收、下一轮怎么改”。
可以先看这个版本：
背景：我现在正在做什么，为什么要做，相关对象是谁。目标：请完成什么任务，最终要达到什么效果。受众：这份内容写给谁看，他大概懂到什么程度。风格与语气：文字长什么样，读起来是什么感觉。约束：哪些必须遵守，哪些不能出现，篇幅、语气、边界是什么。输入：下面提供哪些材料，请基于哪些材料处理。输出：请输出成什么格式，包含哪些部分，每部分大概多长。样例：参考下面这个例子的结构、细致程度或语言风格，但不要照抄内容。评价标准：请按哪些标准判断结果是否合格。迭代要求：如果第一版不够好，优先检查哪些问题，并按什么方式修改。如果把它用在一篇公众号文章上，可以这样写：
背景：我在写一篇面向零基础读者的公众号文章，主题是 AI 时代如何写好提示词。目标：请帮我生成一版文章大纲，让读者理解提示词不是咒语，而是任务说明书。受众：读者是零基础或接近零基础的小白，不预设技术背景。风格与语气：理性、清楚、克制，多用生活化例子，不要像营销文。约束：不要堆技术术语，不要制造焦虑，不要使用夸张营销语。输入：核心观点包括：背景、目标、约束要说清楚；输入、输出、样例要完整；评价标准和迭代要求要明确。输出：请输出 6 个二级标题，每个标题下面写 3 句话说明本章要讲什么。样例：标题风格参考：“提示词不是咒语，而是任务说明书”。评价标准：逻辑要递进，零基础读者能看懂，每章只解决一个问题。迭代要求：如果大纲太像技巧清单，请改成从问题到方法再到模板的递进结构。这段提示词不算短。
但它不是为了显得专业。
它只是把任务说完整。
很多时候，提示词写得长并不等于好。
真正好的提示词，是关键信息足够清楚。
如果任务很简单，一句话就够。
比如“把下面这段文字改成更口语化，保留原意，不超过 100 字”。
这已经很清楚。
不需要硬塞背景、样例和评价标准。
但如果任务复杂，比如写文章、做方案、拆课程、生成脚本、分析用户反馈，就需要更完整的说明。
这里的原则很简单。
任务越复杂，说明书越要完整。
任务越简单，条件越要精准。
七、框架是工具，不是新的负担
讲到这里，可能会出现另一个问题。
是不是每次使用 AI，都要把所有项目全部写一遍？
不需要。
框架是工具，不是新的负担。
这一章先做两件事。
先说明怎么用模板排查问题。
再把它收束成一个日常能用的最小版本。
它的价值，是在结果不稳定时帮我们排查问题。
如果 AI 输出方向错了，通常是背景或目标没说清。
如果 AI 输出形状乱了，通常是输出格式没说清。
如果 AI 写得不像想要的风格，通常是样例、受众或语气没说清。
如果 AI 看起来完成了，但不可用，通常是评价标准没说清。
如果 AI 改了几轮还原地打转，通常是迭代要求太模糊。
所以，不要把模板当成填表作业。
更好的用法是把它当成诊断清单。
哪里不稳定，就补哪里。
比如只是想让 AI 把一段话改短，目标和约束最重要。
比如想让 AI 模仿一种写法，样例最重要。
比如想让 AI 从材料中提取信息，输入边界和输出格式最重要。
比如想让 AI 帮忙反复打磨文章，评价标准和迭代要求最重要。
这也是提示词能力真正的分水岭。
初学者常常追求“万能模板”。
熟练使用者更关心“这个任务缺了哪一块说明”。
前者是在找答案。
后者是在建立表达能力。
讲完怎么诊断，再往回收一层。
好提示词背后，其实是好表达。
提示词表面上是在和 AI 说话。
更深一层看，它是在训练我们把问题表达清楚。
这件事并不只对 AI 有用。
在工作里，给同事交代任务，也需要背景、目标和约束。
向上级汇报方案，也需要输入、输出和评价标准。
带团队做项目，也需要样例、节点和迭代要求。
AI 只是把这个问题放大了。
因为它不会像熟人一样自动补全太多隐含信息。
人和人协作时，有时靠默契。
AI 协作时，更依赖显性表达。
这反而是一件好事。
它逼着我们把脑子里的模糊想法，拆成别人能理解、机器能执行的清楚指令。
从这个角度看，提示词不是一个孤立技巧。
它是 AI 时代的基础表达能力。
表达越清楚，协作成本越低。
任务越清楚，结果越稳定。
标准越清楚，迭代越有效。
上一篇文章讲学习不能只拿答案。
这一篇其实讲的是下一步：把拿到答案之后的经验，沉淀成可以复用的表达方式。
真正会用 AI 的人，不是记住了多少提示词金句。
而是能把一个模糊问题，拆成一份清楚的任务说明书。
这份能力一旦建立起来，换工具、换模型、换场景，都不会完全失效。
因为模型会变。
但清楚表达任务的能力，会一直有用。
最后给一个最小可用版本。
如果觉得完整模板还是有点多，可以先记一个最小版本。
下次使用 AI 前，先问自己四个问题。
第一，我现在要它做什么？
第二，它需要知道哪些背景和材料？
第三，我希望它输出成什么样？
第四，我准备用什么标准判断它做得好不好？
这四个问题回答清楚，提示词质量就会明显提高。
如果还想再进一步，再补两个问题。
第五，有没有一个可以参考的样例？
第六，如果第一版不好，希望它优先怎么改？
这就是从一次性提问，走向协作式使用。
AI 不是万能助手。
它更像一个能力很强、但需要清楚任务说明的执行伙伴。
我们给它一个含糊愿望，它就只能生成一个大概结果。
我们给它一份清楚说明书，它才更可能交付一份可用成果。
所以，写提示词的关键不是追求复杂。
而是把该说清楚的事情说清楚。
背景让 AI 知道从哪里来。
目标让 AI 知道往哪里去。
约束让 AI 知道哪些路不能走。
输入让 AI 知道用什么材料。
输出让 AI 知道交付什么形状。
样例让 AI 知道什么叫像样。
评价标准让 AI 知道什么叫合格。
迭代要求让 AI 知道下一步怎么变好。
实际使用时，先从上面的四问版本开始，不必一次写满所有项目。
这就是提示词结构的底层逻辑。
不是神秘技巧。
是清楚表达。
觉得有帮助，转发给需要的人。
我是文左灬刀右，明天见。
