你和AI高手之间,差的不只是工具,是使用方式

AI 实战

📦 4 Parts + Conclusion

👉 滑动

几个月前同事老王帮我用AI写了份周报。同样的模型，我丢进去一模一样的需求，出来的东西像两个人写的——我的精炼到位，他的泛泛而谈。 老王却想不通差在哪。后来我看了一组数据发给了他：麦肯锡做过一个覆盖15个国家、13000人的调查——同样是使用生成式AI的员工，平均每周节省2.2小时，但排在前面的人每周省9小时以上。差距不是有没有AI，是怎么用AI。大多数人跟AI对话的方式，还停留在2022年。一句话丢过去，等缘分给结果。不是AI不行，是你没告诉它你要什么。今天聊的不是一个高深技术。就是三层台阶——看你愿意多花30秒还是3分钟。

你肯定干过这事：

“帮我写个方案。“

AI给你一篇正确的废话。结构齐全，内容空洞。你不能说它错了，但拿到手完全没法用。

这不是AI的问题。你给了它一个零信息量的指令，它只能用最安全的默认答案应付你。

这一层有两个常见招式。一是零样本（zero-shot），啥都不给直接问；二是给个例子（one-shot）或者给几个例子（few-shot），让AI照着葫芦画瓢。

零样本适合简单任务：摘要、改写、头脑风暴、解释概念。你问“用说人话的方式解释一下什么是量子纠缠“，给出来的答案通常不差。

给例子也是一种方式。你把一篇你满意的文案丢给AI说“照着这个风格再写一篇关于XX的“，它会模仿你的语气和结构。这在你想保持风格统一的时候特别有用——比如你一直用某种调性写朋友圈，给AI看一篇，它就能学到你的路数。

但多数人停在这里。一旦任务稍微复杂——写方案、写文案、做分析——零样本就开始拉胯。你丢“按照这个风格帮我写个关于XX的文案“，AI不知道你是写给谁看的，不知道平台是什么，不知道你的产品长什么样。它只能猜。猜得好是运气，猜不好是废话。

打个比方：你去餐厅跟服务员说“来一份吃的“。服务员能怎么办？只能上招牌菜。上来的东西跟你的口味毫无关系。不是服务员水平不行，是你没点菜。

这一层是提示词工程刚刚起步时，最常见的方式，也是性价比最高的方式。花30秒多打几行字，输出质量可以翻几倍。

核心原则就一个：尽量用多维度完整地描述你的需求。

例如，用这4个维度。

角色（Role）。同一件事，你告诉AI“你是拥有5年经验的小红书美妆博主“和直接说“帮我写个文案“，出来的东西完全两个级别。角色设定让AI知道用什么语气、什么视角、什么深度来回答你。

约束（Constraints）。字数限制、风格要求、目标受众。“面向25-35岁都市女性“比“面向年轻妈妈“精确。“300字以内，口语化，不要用'亲'这种称呼“比“写得好一点“有用。

格式（Format）。要表格说表格，要列表说列表。你写“以Markdown格式输出，分为三个部分，每部分用二级标题“——AI就不用猜你想要什么排版。

背景（Context）。你写给谁看？用在什么场景？有什么限制条件？“这是发给客户的正式邮件，对方是传统行业，不喜欢过于活泼的表达“——一句话就杜绝AI写出花里胡哨的文案。

来看个实际对比。

同一个任务：写防晒霜的小红书文案。

Level 1的写法：

AI不知道你的产品是什么卖点，不知道目标受众是谁，不知道你想要什么调性。它只能用通用文案模板套——标题写“这防晒霜绝绝子“，正文写一串形容词，结尾加一句“姐妹们冲“。看起来像小红书文案，但发出去不会有任何互动。

Level 2的写法：

同一个AI，第二种出来的文案可以直接发，第一种出来的文案你得重写大半。差距不是AI聪明了，是你给的约束让它不用猜了。

到了这一层，你不再是给AI发指令，而是在和它协作。

思维链（Chain-of-Thought）。加一句“请一步步分析后再给出结论“，AI的逻辑推理能力会显著提升。适合数学题、复杂分析、多步骤决策这类任务。

原理不复杂。AI默认会直接给你最终答案，中间推理过程跳过。加了这句话，它会先走流程再出结论，虽然花的时间多一点，但答案靠谱得多。

这个技巧不需要记什么术语，你会说人话就行：“先分析一下情况，再给建议“或者“请列出你的思考过程“。

举个例子。你问AI“这两个营销方案哪个好“，零样本问法AI只能凭概率给一个答案。但你加上“请从成本、预期回报、执行难度三个维度分别分析两个方案，然后给出你的推荐“——AI的分析会结构化得多，你也能看到它的推理路径，方便判断哪个环节你不同意。

迭代循环。这是最被低估的能力。

没有人第一次就能拿到最优答案。专业使用者的标准流程是：看AI的输出 → 标记不满意的地方 → 针对性地补充信息 → 让AI改进。

你给AI三轮反馈的机会，最终输出质量可能比第一轮高几个档次。

举个实际场景。你让AI写一篇产品介绍，第一轮出来太官方。你说“太书面了，用跟朋友推荐的口吻重写“。第二轮好一些但缺少亮点。你说“在第三段加一个具体的使用场景，想象用户早上8点赶地铁时用这个产品的情况“。第三轮出来了，可以直接用。

三轮看起来多，实际你每次只需要打二十来个字的反馈。比从头自己写省太多了。

首轮输出是草稿，不是终稿。这个认知转变本身就是一大步。

选对模型。不同AI有不同的强项。Claude擅长长文本处理和复杂推理，GPT在创意和逻辑上表现均衡，中文场景里国产模型在语境理解上有天然优势。

不必一招吃天下。你日常工作涉及文字处理，试几个模型对比就知道哪个更适合你的场景。

二八法则。你不需要学一百种提示词技巧。80%的质量提升来自四个动作：角色设定、补足背景、给例子、迭代修改。把这四件事做扎实，你已经在大多数人之上了。

坑1：信息过载。把5000字资料全粘进去，AI会抓不住重点。它的注意力机制和人类一样——信息太多反而什么都记不住。按重要性排序，核心信息放在前面，辅助信息放在后面或分批给。如果你有很长的参考资料，先自己提炼出三个关键点告诉AI，再把原文附在后面，比直接甩一整篇论文管用得多。

坑2：模糊指令。“写有深度的文章“里的“深度“对AI来说毫无意义。具体比模糊好：“用3个真实案例对比分析这两个方案的优劣，每个案例不少于200字“。

坑3：忽视模型差异。同一套提示词在不同AI上效果可能天差地别。你精心调出来的prompt换个模型可能完全失灵——这不是调prompt的问题，是选错了工具。

坑4：写一次就不改了。第一轮输出是草稿不是终稿。迭代是核心能力，不是额外步骤。拿到输出先看这够不够用，不够用就继续改prompt，不是重新开一个对话框。

坑5：完美主义。不用学一百种技巧。掌握角色 + 背景 + 示例 + 迭代就够了。剩下的锦上添花，先拿到80分再说。很多人收藏了几十个提示词模板，用了不到三个。与其当囤积党，不如把一个模板用熟。