1. 从"背模板"到"用心法"：我踩过的Prompt弯路先交代个背景。早期我属于典型的"模板依赖型用户",电脑里收藏了几十个所谓的万能Prompt框架,什么COT、角色扮演、思维树,看着头头是道,实际用起来经常翻车——同一个模板换个场景就失灵,生成的答案要么泛泛而谈,要么干脆跑偏。最让人崩溃的是,你根本不知道问题出在哪,只能一遍遍微调措辞碰运气。后来在很长一段时间的反复试验里,我才慢慢意识到一个关键问题:Prompt之所以不稳定,不是因为模板不够多,而是因为你没有理解模型的工作方式。现在的对话式AI本质上是一个"根据当前上下文做概率生成的系统",它不是填空题,不是搜索引擎,更不是一个绝对服从命令的机器。它更像一个极其聪明、知识面极广,但有点"顺着你话说"的新同事——你说得含糊,它就按最通用的方式理解;你给了上下文,它就按你的上下文作答;你没设边界,它就自己脑补边界。所以,"怎么写Prompt"这个问题,本质上是在问:"我该怎么样给这个AI同事布置一份足够清楚、足够可执行、且符合它工作习惯的任务说明?"想通了这一层,所谓的Prompt技巧就不再是死记硬背的咒语,而是一套有逻辑的心法。下面这4个心法,是我目前日常使用频率最高、性价比最好的。它们不解决某个单点技巧,而是覆盖了和AI打交道时最核心的四个维度:角色的设定、语境的传递、边界的约束、步骤的拆解。每一个我都会讲清楚背后的原理、能直接抄的写法、以及我实际踩过的坑。2. 心法一:角色锚定——先给模型一个明确的"工作岗位"2.1 为什么一句"你是专家"经常没用你大概见过很多教程教你:"先让AI扮演一个角色,效果会更好。"于是大家纷纷在开头写"你是一位资深专家",结果发现并没有变厉害多少。我一开始也是这么干的,后来对比了大量输出才发现问题:"专家"这个词太泛了。模型有海量的参数和知识,但在生成回答时,它需要根据你提供的角色来"定位"自己的知识范围和表达风格。当你说"你是专家"时,这个角色描述没有提供任何有用的定位信息——哪个领域的专家?什么岗位的专家?服务的对象是谁?输出应该有什么样的调性?这些全部缺失,模型只好继续走它的"默认通用路径",输出自然还是平庸。反过来,如果你给的角色足够具体,效果会立刻不一样。比如:差:你是一位摄影专家。好:你是一位从业十年的纪实摄影师,主要拍摄城市街头人文题材,擅长利用自然光和几何构图,作品风格冷峻克制。请以这样的视角评价下面这张照片的构图问题。同样是"专家"这两个字,但后面补充的信息完全改变了模型的"工作方式"。它会自动偏向纪实摄影领域的知识,调用关于构图、光线、影调的专业术语,甚至表达口吻都会更冷静、更分析性。这就是角色锚定的核心意义:它不是一个装饰性的话术,而是给模型划定了一个明确的"岗位",让它在正确的知识区域和表达方向上进行生成。2.2 可复用的角色设定公式经过大量尝试,我总结出了一个比较靠谱的角色设定公式,四个要素:领域和资历:不是什么"资深专家",而是"在XX领域做了X年"的具体描述。核心技能或视角:这个角色最擅长用什么方式思考问题?分析框架是什么?服务对象:这个角色写的东西是给谁看的?决策者、同行、还是完全不懂的小白?风格基调:输出的语气是严谨、犀利、温和,还是带点幽默感?把这些要素塞进开头,就是一段很稳的角色锚定。举一个我会实际用的例子:"你是一名在电商行业做了六年、专门负责用户增长的产品经理,擅长用数据拆解问题,习惯从AARRR模型出发分析用户漏斗。你的分析报告主要是写给电商公司的创始人和运营团队看的,要求结论直接、数据扎实,不写空话套话。请用这个视角分析一下当前这个落地页的转化率问题。"你看,有了这套设定,模型输出的内容就会明显"偏产品经理"而非"偏营销写手",它的分析结构、措辞习惯、甚至对某些术语的偏好都会往这个方向靠。2.3 角色组合与反转的进阶玩法角色锚定用熟了之后,可以玩点更进阶的——多个角色组合。我经常同时设置两个互补角色,让它们互相配合,比如:先让"严谨的审计师"挑毛病,再让"乐观的执行者"提落地建议;或者设一个"资深工程师"和一个"对技术一窍不通的运营",让前者用后者能听懂的方式解释系统问题。更狠的一招是角色反转,让AI扮演一个"专门抬杠的评审人",故意找出你方案里的漏洞。这个用法特别适合在你觉得自己方案已经很完美、想找找有没有盲区的时候。你完全不用怕被怼,反正被多怼出几个隐蔽问题,总比实际执行后踩雷要好。提示:角色反转不适合用来代替真正的同行评审,它的意义在于帮你快速暴露"你自己已经默认没问题、但换个立场就能看到问题"的盲点。3. 心法二:语境前置——上下文给足,输出才不飘3.1 一个反直觉的事实:问题本身只占一半权重很多人把写Prompt等同于"把问题写清楚",于是拼命打磨问题本身的长短。但我在实际使用中发现一个规律:**当问题涉及具体业务场景、背景信息或者有特定目标时,光有问题是远远不够的。我打个比方你就懂了。你去咨询一位资深的行业前辈,如果你一上来就问"我这个项目该怎么做",再厉害的人也只能给你一套泛泛的方法论——因为他根本不知道你的项目背景、资源限制、时间周期、目标受众。同样的,模型也是一样,你的问题越缺少上下文,它就越倾向于用"最安全的标准答案"来应对,而这个标准答案大概率不是你要的。所以我把"语境前置"看作比问题本身更重要的部分——先让模型进入你的世界,再让它回答你的问题。3.2 语境三件套:背景、目标、受众具体操作上,我习惯在提问之前,先用一小段话交代三件事:背景:现在是什么情况?已经做过什么?卡在哪里?目标:你最终想得到什么结果?是决策建议、可执行方案、还是可发布的文案?受众:产出物是给谁看的?他们的精力、知识水平、关心什么问题?这三件事交代清楚了,模型的"上下文空间"就被极大压缩到一个具体的方向上,生成的内容自然更贴地。举个例子,我早期写工作周报时直接问:"帮我写一份本周工作总结。"结果AI给我输出了一版"我在本周积极推动项目进展,团队协作顺畅,努力达成目标"式的空话。后来我改成这样:"背景:本周完成了用户中心模块的开发,提测后发现了3个接口时序问题,已修复2个,剩余1个在联调环境复现中;此外还配合设计师完成了两个页面的视觉走查。目标:周报要向上级展示本周进展和风险,语气要客观,别自我表扬,也不用详细讲技术细节。受众:部门负责人,每周看几十份周报,每份阅读时间不超过一分钟,只关心重点和风险。"输出立刻从"假大空总结"变成了"一句话重点+风险说明+下一步计划"的结构,基本可以直接用。这中间我没有做任何复杂操作,只是先给了足够语境。3.3 从"问一句"到"递一份工作简报"如果你觉得每次都要写一大段背景很麻烦,可以换个思路:把AI当成你的助理,每次开始一个新任务时,先发给它一份"工作简报",里面包含固定的项目信息、约束条件、验收标准。后续再围绕这个简报展开多轮对话,模型就能始终在你建立的上下文里工作,而不是每轮都从零开始。我的做法是在每项长期任务开始时,用一段文字敲定"任务背景""任务目标""角色分工""输出格式",然后说"以上是本次任务的背景,后续我会基于这些背景继续提问,你不需要每次都重复,但回答时请默认遵守"。这会明显提升连续对话的稳定性——尤其是当你和模型聊了很长时间、上下文已经很长之后,开头那次"简报"几乎决定了后面所有输出不会跑偏。4. 心法三:负面清单——把"不要什么"写清楚4.1 负面约束为什么比正向期望更有效这是我自己体会最深、也是变化最大的一条心法。早期我写Prompt,满脑子都是"我想要什么",于是写出来一大堆"要专业、要有深度、要全面、要有创新性"。可是我发现,不管你怎么强调正向要求,模型总会时不时给你来点"正确的废话"——一会儿说这套方案具有重要的现实意义,一会儿说在今后的工作中我们要继续加强。问题出在哪儿呢?正向的期望(比如"专业""全面")是主观且模糊的,模型很难精确知道你的"专业"和它的"专业"是不是同一个尺度。但负面约束通常是具体且可验证的。比如"不要用'赋能''抓手''闭环'这些词""不要超过200字""不要用感叹号""不要分五条以上",模型执行起来几乎不会出错。从机制上看,这有点像你在给AI划定"禁区"。它默认会按照训练数据里最通用的文风去生成,而那些"最通用的文风"恰恰充满了浮夸的形容词和空泛的句子。你如果不给负面清单,它就像一匹没有缰绳的马,会往最顺滑、最不出错的方向跑;而负面清单的作用,就是圈住几个它最容易跑去的方向,逼它走一条更符合你预期的路。4.2 负面清单的写法:具体、可验证、不贪多我总结出三个原则:具体到词,别只说到类。与其说"语言要朴实",不如说"请不要使用任何成语、四字格和排比句";与其说"条理要清晰",不如说"不要输出超过5条"。越具体的负面指令,模型越容易判断是否违反。可验证,能量化。比如"不要超过300字""每段不超过3句话""结尾不要总结""不要使用问句"。这些约束不光模型容易执行,你自己也能一眼看出它有没有做到。不贪多。负面清单列得太多,模型会变得束手束脚、内容僵硬。我一般控制在3到5条以内,选最影响观感的那几条就行。举一个具体对照的例子。我早期让AI写一个活动文案时写的是:"写一段有吸引力的活动介绍,要有创意,打动人心。"结果出来的文案全是"点燃你的潜能""遇见更好的自己"这种悬浮句式。后来我的Prompt改成了:"写一段线下读书会的活动介绍。不要使用'赋能''蜕变''遇见更好的自己'这类成长鸡汤词;不要使用感叹号;不要超过150字;要像朋友在微信群里发消息那样自然。"输出瞬间从广告腔变成了有烟火气的真实介绍。你看,其实我没有教AI怎么写好,我只是明确告诉它"哪些风格不能用",剩下的,它自己就能完成得不错。4.3 与正面引导的搭配比例负面清单好用,但不等于永远只写"不要"。我现在的习惯是正面给方向,负面给边界——开头用一两句话给出你想要的整体方向和调性,然后用负面清单把那些"绝对不能出现的东西"框死。比如写商业方案时我会写:"整体方向要强调可落地、偏执行,先分析现状再给分步计划。不要使用官方口吻,不要出现'在当今复杂多变的市场环境下'这类套话,不要提出需要额外预算才能落地的建议。"一正一负,模型既知道往哪个方向走,也知道哪些路不能走,输出质量会稳定很多。注意:负面清单是一种约束技巧,但它并不能拯救一个本身就没想清楚的需求。如果你的目标本身就是模糊的,列再多"不要"也只会逼出模型瞎猜。5. 心法四:分步拆解——一次只问一件事,大事拆成系列对话5.1 长任务为什么容易"尾大不掉"如果你试着让AI一口气完成一件很复杂的任务,比如"帮我从零写一个包含市场分析、用户调研、竞品对比、增长策略、落地排期的完整方案",大概率会得到一个结构完整但每部分都很浅的"空心方案"。原因不难理解:模型在生成超长内容时,前面的输出会占据上下文,后面的输出既受前面内容影响,又受到生成长度和注意力的限制,越往后越容易走偏、重复、或者干脆开始"水字数"。早期我总指望"一个问题解决所有事情",后来慢慢接受了一个事实:把任务拆小,每个步骤让AI专注一个点,得到的结果会比一次性要全面很多。5.2 直接对话法和"先列计划再逐步执行"法分步拆解有两种操作路径。如果任务本身非常复杂、输出内容很长,我建议用多轮对话法:自己扮演项目负责人,把大任务分成几个阶段,一个阶段一个阶段地提问。比如写方案的时候,我先让AI列大纲,再针对大纲里的每个部分逐段深挖,最后再让它把所有内容拼起来统一润色。这样做每一轮模型都能集中注意力,输出的深度比一次性强很多。如果时间有限、不想来回聊太多轮,我推荐**"先列计划再逐步执行"法**:开头就先让AI列一份详细的执行计划,然后告诉它"按计划逐步输出,每完成一步等我确认后再继续"。这样虽然也是一次对话,但你把拆解的节奏掌握在自己手里,模型不会一口气把所有内容全部生成完,而是在你的控制下逐步推进。我自己的经验是,对于超过1500字的生成任务,基本都会用这两种方式之一。看上去多花了几轮对话,但省下的是大量返工时间,怎么算都划算。5.3 多轮迭代的节奏管理分步拆解还有一层好处:每一步的输出都可以审视,出问题了可以随时校正方向。比如让AI起草一篇文章,我第一步只看它的大纲,如果大纲里观点的顺序、详略分配不合我意,我直接在这里就修正,后面的生成就不会白费。如果你一口气让它输出全文,中间有一处方向性错误,后半篇基本全部作废,你还得从头改。所以我的建议是:宁可前面多花两轮确认方向,也不要到最后一次性返工。这是我在做了大量"一次成型结果却不尽人意"的尝试之后,最想分享的一条经验。6. 四个心法的组合运用与现场调试6.1 一个完整案例:从0到1写一份项目复盘报告光分开讲四个心法,你可能会觉得它们彼此独立。其实在实际使用中,这四个心法往往是一起出动的,只是在不同场景下权重不同。我拿一个真实的场景串一遍:写一个项目复盘报告。第一步,角色锚定:"你是一位有五年经验的技术项目经理,擅长做项目复盘,分析问题时不贴标签、不甩锅,注重流程和数据依据。复盘报告是给团队内部和上级看的,要求客观、简洁、有改进建议。"第二步,语境前置:"背景:我们是一个五人小团队,用三周时间完成了一个企业内部用的数据看板系统,最终按时上线,但开发期间出现过一次需求变更和一次联调延期。目标:写一份复盘报告,重点分析延期原因和后续改进动作。受众:部门负责人和团队成员,时间紧,只关注结论和改进行动,不关心流水账。"第三步,负面清单:"不要使用套话和口号式总结;不要写'团队努力克服困难'这类空话;不要超过1000字;不要回避问题,直接写到点子上。"第四步,分步拆解:先让它列复盘大纲,确认结构后再逐段生成,最后统一润色。你看,这四个心法就像四层过滤网,一层层把模型的输出从"通用、保守、空泛"拧成了"具体、贴地、可用"。说实话,这套流程熟练之后,大约三到四轮对话就能产出一份质量明显高于我自己初稿的复盘报告。6.2 输出不符合预期时的排查顺序就算心法都用了,偶尔还是会有翻车的时候。输出不符合预期时,我习惯按照下面的顺序排查,而不是盲目改措辞:先看角色是否含糊:如果角色只是一句"你是专家",立刻补上具体领域和视角。再看语境是否缺失:模型输出的内容是否明显"通用"?如果是,先补上背景、目标、受众三件套。然后看负面约束有没有放宽:如果生成内容里出现了你不喜欢的风格,想想自己是不是只写了"要怎样"而没写"不要怎样"。最后才考虑步骤问题:如果生成内容整体结构没问题但细节太浅,这不是本次对话的问题,而是应该拆成多轮来追问。按照这个顺序排查,大部分问题都能在两三轮内解决。最忌讳的是没有逻辑地瞎试,一会儿加一句"再专业一点",一会儿又换成"换个风格",结果输出越改越乱。6.3 我的个人调试清单最后,分享一点我自己在用了很长时间之后形成的"通用调试清单",你可以贴在某个顺手的地方,每次写Prompt前过一遍:角色是否具体到"领域+岗位+视角+受众"?背景信息是否足够让一个完全不了解情况的人听懂?目标是否明确到"产出物的形态"(是建议、文案、代码,还是分析)?有没有3到5条"不要什么"的负面约束?是不是想一口气生成很长的内容?如果是,考虑拆成多轮。这个清单不需要每次都完整走一遍,但它能帮你快速判断一次Prompt写得是否"稳"。在我个人的实际使用节奏里,真正让我和AI协作质量发生质变的,并不是某一条技巧,而是这四个心法互相配合形成的稳定习惯。角色让AI知道"以什么身份说话",语境让它知道"在什么背景下说",负面清单帮它避开"不合适的表达方式",分步拆解让每次生成都聚焦在一个可控范围内。你不需要一次全学会,但每掌握一个,输出质量都会上一个台阶。至于下一步怎么精进,我的建议是别急着学更多花哨的技巧,先把这四个心法用在你的日常任务里,用两周时间反复体会。等你发现自己在写Prompt时已经不自觉地开始想"这里要补背景""这里要加个不要什么"的时候,你其实已经不需要看任何Prompt教程了。
1. 从"背模板"到"用心法"：我踩过的Prompt弯路先交代个背景。早期我属于典型的"模板依赖型用户",电脑里收藏了几十个所谓的万能Prompt框架,什么COT、角色扮演、思维树,看着头头是道,实际用起来经常翻车——同一个模板换个场景就失灵,生成的答案要么泛泛而谈,要么干脆跑偏。最让人崩溃的是,你根本不知道问题出在哪,只能一遍遍微调措辞碰运气。后来在很长一段时间的反复试验里,我才慢慢意识到一个关键问题:Prompt之所以不稳定,不是因为模板不够多,而是因为你没有理解模型的工作方式。现在的对话式AI本质上是一个"根据当前上下文做概率生成的系统",它不是填空题,不是搜索引擎,更不是一个绝对服从命令的机器。它更像一个极其聪明、知识面极广,但有点"顺着你话说"的新同事——你说得含糊,它就按最通用的方式理解;你给了上下文,它就按你的上下文作答;你没设边界,它就自己脑补边界。所以,"怎么写Prompt"这个问题,本质上是在问:"我该怎么样给这个AI同事布置一份足够清楚、足够可执行、且符合它工作习惯的任务说明?"想通了这一层,所谓的Prompt技巧就不再是死记硬背的咒语,而是一套有逻辑的心法。下面这4个心法,是我目前日常使用频率最高、性价比最好的。它们不解决某个单点技巧,而是覆盖了和AI打交道时最核心的四个维度:角色的设定、语境的传递、边界的约束、步骤的拆解。每一个我都会讲清楚背后的原理、能直接抄的写法、以及我实际踩过的坑。2. 心法一:角色锚定——先给模型一个明确的"工作岗位"2.1 为什么一句"你是专家"经常没用你大概见过很多教程教你:"先让AI扮演一个角色,效果会更好。"于是大家纷纷在开头写"你是一位资深专家",结果发现并没有变厉害多少。我一开始也是这么干的,后来对比了大量输出才发现问题:"专家"这个词太泛了。模型有海量的参数和知识,但在生成回答时,它需要根据你提供的角色来"定位"自己的知识范围和表达风格。当你说"你是专家"时,这个角色描述没有提供任何有用的定位信息——哪个领域的专家?什么岗位的专家?服务的对象是谁?输出应该有什么样的调性?这些全部缺失,模型只好继续走它的"默认通用路径",输出自然还是平庸。反过来,如果你给的角色足够具体,效果会立刻不一样。比如:差:你是一位摄影专家。好:你是一位从业十年的纪实摄影师,主要拍摄城市街头人文题材,擅长利用自然光和几何构图,作品风格冷峻克制。请以这样的视角评价下面这张照片的构图问题。同样是"专家"这两个字,但后面补充的信息完全改变了模型的"工作方式"。它会自动偏向纪实摄影领域的知识,调用关于构图、光线、影调的专业术语,甚至表达口吻都会更冷静、更分析性。这就是角色锚定的核心意义:它不是一个装饰性的话术,而是给模型划定了一个明确的"岗位",让它在正确的知识区域和表达方向上进行生成。2.2 可复用的角色设定公式经过大量尝试,我总结出了一个比较靠谱的角色设定公式,四个要素:领域和资历:不是什么"资深专家",而是"在XX领域做了X年"的具体描述。核心技能或视角:这个角色最擅长用什么方式思考问题?分析框架是什么?服务对象:这个角色写的东西是给谁看的?决策者、同行、还是完全不懂的小白?风格基调:输出的语气是严谨、犀利、温和,还是带点幽默感?把这些要素塞进开头,就是一段很稳的角色锚定。举一个我会实际用的例子:"你是一名在电商行业做了六年、专门负责用户增长的产品经理,擅长用数据拆解问题,习惯从AARRR模型出发分析用户漏斗。你的分析报告主要是写给电商公司的创始人和运营团队看的,要求结论直接、数据扎实,不写空话套话。请用这个视角分析一下当前这个落地页的转化率问题。"你看,有了这套设定,模型输出的内容就会明显"偏产品经理"而非"偏营销写手",它的分析结构、措辞习惯、甚至对某些术语的偏好都会往这个方向靠。2.3 角色组合与反转的进阶玩法角色锚定用熟了之后,可以玩点更进阶的——多个角色组合。我经常同时设置两个互补角色,让它们互相配合,比如:先让"严谨的审计师"挑毛病,再让"乐观的执行者"提落地建议;或者设一个"资深工程师"和一个"对技术一窍不通的运营",让前者用后者能听懂的方式解释系统问题。更狠的一招是角色反转,让AI扮演一个"专门抬杠的评审人",故意找出你方案里的漏洞。这个用法特别适合在你觉得自己方案已经很完美、想找找有没有盲区的时候。你完全不用怕被怼,反正被多怼出几个隐蔽问题,总比实际执行后踩雷要好。提示:角色反转不适合用来代替真正的同行评审,它的意义在于帮你快速暴露"你自己已经默认没问题、但换个立场就能看到问题"的盲点。3. 心法二:语境前置——上下文给足,输出才不飘3.1 一个反直觉的事实:问题本身只占一半权重很多人把写Prompt等同于"把问题写清楚",于是拼命打磨问题本身的长短。但我在实际使用中发现一个规律:**当问题涉及具体业务场景、背景信息或者有特定目标时,光有问题是远远不够的。我打个比方你就懂了。你去咨询一位资深的行业前辈,如果你一上来就问"我这个项目该怎么做",再厉害的人也只能给你一套泛泛的方法论——因为他根本不知道你的项目背景、资源限制、时间周期、目标受众。同样的,模型也是一样,你的问题越缺少上下文,它就越倾向于用"最安全的标准答案"来应对,而这个标准答案大概率不是你要的。所以我把"语境前置"看作比问题本身更重要的部分——先让模型进入你的世界,再让它回答你的问题。3.2 语境三件套:背景、目标、受众具体操作上,我习惯在提问之前,先用一小段话交代三件事:背景:现在是什么情况?已经做过什么?卡在哪里?目标:你最终想得到什么结果?是决策建议、可执行方案、还是可发布的文案?受众:产出物是给谁看的?他们的精力、知识水平、关心什么问题?这三件事交代清楚了,模型的"上下文空间"就被极大压缩到一个具体的方向上,生成的内容自然更贴地。举个例子,我早期写工作周报时直接问:"帮我写一份本周工作总结。"结果AI给我输出了一版"我在本周积极推动项目进展,团队协作顺畅,努力达成目标"式的空话。后来我改成这样:"背景:本周完成了用户中心模块的开发,提测后发现了3个接口时序问题,已修复2个,剩余1个在联调环境复现中;此外还配合设计师完成了两个页面的视觉走查。目标:周报要向上级展示本周进展和风险,语气要客观,别自我表扬,也不用详细讲技术细节。受众:部门负责人,每周看几十份周报,每份阅读时间不超过一分钟,只关心重点和风险。"输出立刻从"假大空总结"变成了"一句话重点+风险说明+下一步计划"的结构,基本可以直接用。这中间我没有做任何复杂操作,只是先给了足够语境。3.3 从"问一句"到"递一份工作简报"如果你觉得每次都要写一大段背景很麻烦,可以换个思路:把AI当成你的助理,每次开始一个新任务时,先发给它一份"工作简报",里面包含固定的项目信息、约束条件、验收标准。后续再围绕这个简报展开多轮对话,模型就能始终在你建立的上下文里工作,而不是每轮都从零开始。我的做法是在每项长期任务开始时,用一段文字敲定"任务背景""任务目标""角色分工""输出格式",然后说"以上是本次任务的背景,后续我会基于这些背景继续提问,你不需要每次都重复,但回答时请默认遵守"。这会明显提升连续对话的稳定性——尤其是当你和模型聊了很长时间、上下文已经很长之后,开头那次"简报"几乎决定了后面所有输出不会跑偏。4. 心法三:负面清单——把"不要什么"写清楚4.1 负面约束为什么比正向期望更有效这是我自己体会最深、也是变化最大的一条心法。早期我写Prompt,满脑子都是"我想要什么",于是写出来一大堆"要专业、要有深度、要全面、要有创新性"。可是我发现,不管你怎么强调正向要求,模型总会时不时给你来点"正确的废话"——一会儿说这套方案具有重要的现实意义,一会儿说在今后的工作中我们要继续加强。问题出在哪儿呢?正向的期望(比如"专业""全面")是主观且模糊的,模型很难精确知道你的"专业"和它的"专业"是不是同一个尺度。但负面约束通常是具体且可验证的。比如"不要用'赋能''抓手''闭环'这些词""不要超过200字""不要用感叹号""不要分五条以上",模型执行起来几乎不会出错。从机制上看,这有点像你在给AI划定"禁区"。它默认会按照训练数据里最通用的文风去生成,而那些"最通用的文风"恰恰充满了浮夸的形容词和空泛的句子。你如果不给负面清单,它就像一匹没有缰绳的马,会往最顺滑、最不出错的方向跑;而负面清单的作用,就是圈住几个它最容易跑去的方向,逼它走一条更符合你预期的路。4.2 负面清单的写法:具体、可验证、不贪多我总结出三个原则:具体到词,别只说到类。与其说"语言要朴实",不如说"请不要使用任何成语、四字格和排比句";与其说"条理要清晰",不如说"不要输出超过5条"。越具体的负面指令,模型越容易判断是否违反。可验证,能量化。比如"不要超过300字""每段不超过3句话""结尾不要总结""不要使用问句"。这些约束不光模型容易执行,你自己也能一眼看出它有没有做到。不贪多。负面清单列得太多,模型会变得束手束脚、内容僵硬。我一般控制在3到5条以内,选最影响观感的那几条就行。举一个具体对照的例子。我早期让AI写一个活动文案时写的是:"写一段有吸引力的活动介绍,要有创意,打动人心。"结果出来的文案全是"点燃你的潜能""遇见更好的自己"这种悬浮句式。后来我的Prompt改成了:"写一段线下读书会的活动介绍。不要使用'赋能''蜕变''遇见更好的自己'这类成长鸡汤词;不要使用感叹号;不要超过150字;要像朋友在微信群里发消息那样自然。"输出瞬间从广告腔变成了有烟火气的真实介绍。你看,其实我没有教AI怎么写好,我只是明确告诉它"哪些风格不能用",剩下的,它自己就能完成得不错。4.3 与正面引导的搭配比例负面清单好用,但不等于永远只写"不要"。我现在的习惯是正面给方向,负面给边界——开头用一两句话给出你想要的整体方向和调性,然后用负面清单把那些"绝对不能出现的东西"框死。比如写商业方案时我会写:"整体方向要强调可落地、偏执行,先分析现状再给分步计划。不要使用官方口吻,不要出现'在当今复杂多变的市场环境下'这类套话,不要提出需要额外预算才能落地的建议。"一正一负,模型既知道往哪个方向走,也知道哪些路不能走,输出质量会稳定很多。注意:负面清单是一种约束技巧,但它并不能拯救一个本身就没想清楚的需求。如果你的目标本身就是模糊的,列再多"不要"也只会逼出模型瞎猜。5. 心法四:分步拆解——一次只问一件事,大事拆成系列对话5.1 长任务为什么容易"尾大不掉"如果你试着让AI一口气完成一件很复杂的任务,比如"帮我从零写一个包含市场分析、用户调研、竞品对比、增长策略、落地排期的完整方案",大概率会得到一个结构完整但每部分都很浅的"空心方案"。原因不难理解:模型在生成超长内容时,前面的输出会占据上下文,后面的输出既受前面内容影响,又受到生成长度和注意力的限制,越往后越容易走偏、重复、或者干脆开始"水字数"。早期我总指望"一个问题解决所有事情",后来慢慢接受了一个事实:把任务拆小,每个步骤让AI专注一个点,得到的结果会比一次性要全面很多。5.2 直接对话法和"先列计划再逐步执行"法分步拆解有两种操作路径。如果任务本身非常复杂、输出内容很长,我建议用多轮对话法:自己扮演项目负责人,把大任务分成几个阶段,一个阶段一个阶段地提问。比如写方案的时候,我先让AI列大纲,再针对大纲里的每个部分逐段深挖,最后再让它把所有内容拼起来统一润色。这样做每一轮模型都能集中注意力,输出的深度比一次性强很多。如果时间有限、不想来回聊太多轮,我推荐**"先列计划再逐步执行"法**:开头就先让AI列一份详细的执行计划,然后告诉它"按计划逐步输出,每完成一步等我确认后再继续"。这样虽然也是一次对话,但你把拆解的节奏掌握在自己手里,模型不会一口气把所有内容全部生成完,而是在你的控制下逐步推进。我自己的经验是,对于超过1500字的生成任务,基本都会用这两种方式之一。看上去多花了几轮对话,但省下的是大量返工时间,怎么算都划算。5.3 多轮迭代的节奏管理分步拆解还有一层好处:每一步的输出都可以审视,出问题了可以随时校正方向。比如让AI起草一篇文章,我第一步只看它的大纲,如果大纲里观点的顺序、详略分配不合我意,我直接在这里就修正,后面的生成就不会白费。如果你一口气让它输出全文,中间有一处方向性错误,后半篇基本全部作废,你还得从头改。所以我的建议是:宁可前面多花两轮确认方向,也不要到最后一次性返工。这是我在做了大量"一次成型结果却不尽人意"的尝试之后,最想分享的一条经验。6. 四个心法的组合运用与现场调试6.1 一个完整案例:从0到1写一份项目复盘报告光分开讲四个心法,你可能会觉得它们彼此独立。其实在实际使用中,这四个心法往往是一起出动的,只是在不同场景下权重不同。我拿一个真实的场景串一遍:写一个项目复盘报告。第一步,角色锚定:"你是一位有五年经验的技术项目经理,擅长做项目复盘,分析问题时不贴标签、不甩锅,注重流程和数据依据。复盘报告是给团队内部和上级看的,要求客观、简洁、有改进建议。"第二步,语境前置:"背景:我们是一个五人小团队,用三周时间完成了一个企业内部用的数据看板系统,最终按时上线,但开发期间出现过一次需求变更和一次联调延期。目标:写一份复盘报告,重点分析延期原因和后续改进动作。受众:部门负责人和团队成员,时间紧,只关注结论和改进行动,不关心流水账。"第三步,负面清单:"不要使用套话和口号式总结;不要写'团队努力克服困难'这类空话;不要超过1000字;不要回避问题,直接写到点子上。"第四步,分步拆解:先让它列复盘大纲,确认结构后再逐段生成,最后统一润色。你看,这四个心法就像四层过滤网,一层层把模型的输出从"通用、保守、空泛"拧成了"具体、贴地、可用"。说实话,这套流程熟练之后,大约三到四轮对话就能产出一份质量明显高于我自己初稿的复盘报告。6.2 输出不符合预期时的排查顺序就算心法都用了,偶尔还是会有翻车的时候。输出不符合预期时,我习惯按照下面的顺序排查,而不是盲目改措辞:先看角色是否含糊:如果角色只是一句"你是专家",立刻补上具体领域和视角。再看语境是否缺失:模型输出的内容是否明显"通用"?如果是,先补上背景、目标、受众三件套。然后看负面约束有没有放宽:如果生成内容里出现了你不喜欢的风格,想想自己是不是只写了"要怎样"而没写"不要怎样"。最后才考虑步骤问题:如果生成内容整体结构没问题但细节太浅,这不是本次对话的问题,而是应该拆成多轮来追问。按照这个顺序排查,大部分问题都能在两三轮内解决。最忌讳的是没有逻辑地瞎试,一会儿加一句"再专业一点",一会儿又换成"换个风格",结果输出越改越乱。6.3 我的个人调试清单最后,分享一点我自己在用了很长时间之后形成的"通用调试清单",你可以贴在某个顺手的地方,每次写Prompt前过一遍:角色是否具体到"领域+岗位+视角+受众"?背景信息是否足够让一个完全不了解情况的人听懂?目标是否明确到"产出物的形态"(是建议、文案、代码,还是分析)?有没有3到5条"不要什么"的负面约束?是不是想一口气生成很长的内容?如果是,考虑拆成多轮。这个清单不需要每次都完整走一遍,但它能帮你快速判断一次Prompt写得是否"稳"。在我个人的实际使用节奏里,真正让我和AI协作质量发生质变的,并不是某一条技巧,而是这四个心法互相配合形成的稳定习惯。角色让AI知道"以什么身份说话",语境让它知道"在什么背景下说",负面清单帮它避开"不合适的表达方式",分步拆解让每次生成都聚焦在一个可控范围内。你不需要一次全学会,但每掌握一个,输出质量都会上一个台阶。至于下一步怎么精进,我的建议是别急着学更多花哨的技巧,先把这四个心法用在你的日常任务里,用两周时间反复体会。等你发现自己在写Prompt时已经不自觉地开始想"这里要补背景""这里要加个不要什么"的时候,你其实已经不需要看任何Prompt教程了。