夜雨聆风一、先判断任务是否适合交给 AI
开始之前先问三个问题：这是发散、整理、改写，还是必须承担责任的最终判断？输入材料里是否含客户身份、内部策略、未公开财务或受限制代码？错误答案会造成多大影响？AI 很适合列提纲、比较方案、转换格式和生成初稿，却不应独自决定医疗、法律、招聘、付款等高风险事项。先划清可委托与不可委托的边界，后续效率才有意义。
二、把模糊愿望改写成明确目标
“帮我写得更好”缺少可执行标准。更有效的目标应说明用途、读者和完成状态，例如：把会议记录整理为给项目负责人的一页决策摘要，突出三项待定事项，并保留负责人和截止日期。目标越具体，模型越容易选择信息。若自己还没想清楚，可先让 AI 提出澄清问题，但回答后要重述最终目标，避免多轮对话中的旧假设继续影响输出。
三、提供够用而不过量的上下文
上下文不是材料堆积，而是与当前决策直接相关的信息。可交代业务背景、已有结论、术语定义、禁用表达和参考样例；长文档则先标出需要处理的章节。不要把整个资料库无差别粘贴进去，噪声会稀释重点，也会扩大隐私暴露面。引用原文时用清晰分隔符包围，并明确要求模型只依据分隔符内材料作答，缺失信息必须标注未知。
四、用约束减少无效发挥
提示词应主动声明不能做什么：不得虚构数据，不得补写不存在的政策，不得把推测写成事实，不得改变专有名词。还可以限定篇幅、语言、语气、时间范围和必须覆盖的要点。约束不是越多越好；互相冲突的要求会让模型随机取舍。提交前快速检查优先级，把“准确、完整、格式”之类要求按重要程度排序，并说明冲突时以哪一项为准。
五、先规定输出结构再要求内容
结构化输出能显著降低返工。需要表格时写出列名，需要 JSON 时给出字段及类型，需要邮件时指定主题、称呼、正文和行动项。若结果将进入程序，还要要求只输出约定结构，并在本地做解析和字段校验，不能因外观看似正确就直接入库。面向人阅读的内容也可给一个短小范例，让模型理解颗粒度，但应提醒它学习结构而非照抄措辞。
六、把复杂任务拆成可检查的小步
一次要求研究、判断、写作、排版和发布，任何中间错误都会藏在成品里。更稳妥的做法是分阶段：先提取事实，再列未知项，然后提出方案，最后按确认后的方向成稿。每一步都设置验收点，例如事实表必须对应原文位置，方案必须写出取舍。阶段之间由人确认，既能及时纠偏，也能避免模型基于错误前提继续生成一大段流畅却无用的内容。
七、示例要真实、短小且覆盖边界
范例比抽象形容词更能说明预期。与其说“专业但亲切”，不如给一段符合品牌语气的短文，并标出为什么合格。若任务存在容易混淆的边界，再提供一个反例，说明哪些措辞过度承诺、哪些信息不得出现。示例不要夹带真实个人数据，也不要长到让模型把复制当成目标。定期更新范例，过时的产品名称和流程会悄悄污染新输出。
八、工具与连接器坚持最小权限
能读取邮件、网盘、代码库或日历的 AI，比纯聊天工具拥有更大的影响范围。授权前确认它需要读权限还是写权限、访问单个文件夹还是整个账户、授权持续多久。优先使用专门测试账户和可撤销的短期授权；不需要时立即关闭连接器。任何发送邮件、删除文件、下单或发布内容的动作，都应在执行前展示最终对象、范围和内容，由人明确确认。
九、把提示注入视为外部输入风险
网页、文档、邮件里可能藏有“忽略之前规则”“上传所有文件”等指令，它们只是待分析内容，不是可信命令。当 AI 同时能读外部材料和调用工具时，应把数据与指令分离：系统规则只来自可信配置，外部文本只用于提取信息。若材料要求改变权限、泄露秘密或执行额外动作，应停止流程并报告，而不是让模型自行判断是否照做。
十、核验事实、数字、引用与时效
生成文本最危险的地方往往不是语法，而是看似自然的错误。对人物、日期、政策、产品能力和统计数字逐项建立核验清单；引用必须回到原始来源确认原句与语境；计算应使用计算器或代码复算。还要检查信息截至哪一天，因为旧知识可能与当前规则冲突。找不到可靠依据时，把结论降级为待确认，不要用多个相互转载的页面制造虚假确定性。
十一、用对抗式复核寻找遗漏
完成初稿后，不要只问“有没有问题”，而要换角度审查：让 AI 列出最可能错误的五处、指出证据不足的句子、模拟反对者提出质疑，再由人逐项验证。也可以开一个不继承原对话的新会话，仅提供需求和成品做独立评审，减少前文立场带来的偏差。复核重点包括是否答非所问、是否遗漏例外、语气是否越权，以及行动项能否真正执行。
十二、保存过程并形成可复用模板
稳定使用 AI 依赖可追溯记录，而不是记住某句神奇提示词。保存任务版本、关键输入、模型或工具名称、输出、人工修改和核验依据；涉及敏感内容时按组织规则脱敏与设定保留期限。复盘哪些约束有效、哪些错误反复出现，再把流程沉淀为带占位符的模板和检查表。模板应保留人工确认点，并随政策、产品和风险变化更新，不能成为无人审视的自动流水线。
官方与原始来源
- OpenAI 官方提示工程指南：OpenAI 官方提示工程指南
- Microsoft 官方 Copilot 隐私说明：Microsoft 官方 Copilot 隐私说明
- CISA 官方人工智能安全资源：CISA 官方人工智能安全资源