关键词
- LLM
- 大模型
- Prompt
- 沟通
- 信息传递效率
前言
自 2023 年初 chatgpt 等大模型技术进入公众视野，提示词工程（Prompt Engineering）便迅速成为一个核心的衍生领域。我们或许都有这样的体验：在日常的问答中，即便只是随意提问，大模型凭藉其庞大的知识库，往往也能给出令人惊讶和满意的答覆，从通识角度讲，我们很难触碰到它的知识“盲区”。
然而，一旦进入特定专业领域，想完成高度定制化的任务，仅依赖模型的自由发挥往往难以胜任。此时，我们与 AI 的沟通方式就必须升级，而精妙的「提示词」正是这一切的核心。
当碰到这种需求时，我们应该如何编写提示词呢？或许我们可以从经典心理学沟通模型——
乔哈里视窗中找到答案。
乔哈里视窗
claude特调版
该模型将沟通信息划分为四个区域：开放区、隐秘区、盲目区和 未知区，精准地描绘了信息在不同认知维度下的状态。若将沟通的“对方”替换为“AI”，这个模型便能成为一套极具价值的框架，用以指导我们与 AI 的信息传递。
如何写出高效的 提示词？
方法一：校准共识（开放区）
这一方法的核心，就是通过主动提供关键背景信息（Context），与 AI 快速校准共识，确保双方在同一个频道上对话。
现实中人可以通过长期合作来互相了解，但我们和 AI 的交互几乎每一次都是 “冷启动”。 因此，我们最好在提问前主动填平可能存在的信息差。
场景：市场营销策略
低效提示（信息差巨大）
我想为我的新产品做社交媒体营销，有什么好建议？
- 风险：AI 完全不了解你的产品、目标用户和预算，只能给出一大堆正确的废话，对你的具体工作帮助不大。
高效提示（前置验证）
我们是一家初创公司，刚刚推出了一款面向 25-35 岁都市白领的付费效率 App。我们的营销预算有限，目前主要考虑在小红书和即刻这两个平台上进行推广。
请你以一个资深新媒体运营的视角，为我们的产品，在这两个平台上，分别制定一个为期三个月的冷启动推广计划。请指出每个平台的内容策略侧重点和关键的 KOL 类型。
- 分析：先用几句话把最关键的背景信息（产品定位、目标用户、预算限制、渠道选择）“喂”给了 AI。主动收窄了问题的范围，这样得到的方案，更具备可行性。
方法二：精准指令（隐秘区）
此方法的核心，在于将你脑中 AI 所不知道的隐性知识和具体要求，转化为无歧义的、可执行的工作指令。
沟通的关键，是彻底抛弃「聊天」心态，将 AI 视为一个能力极强、但对你意图一无所知的新同事。你给出的每个 Prompt，都应是一份可以直接执行的任务清单。
场景：数据分析
低效提示（需求过于开放）
（上传一份数据文档后...）
帮我分析一下这份数据，给我一些商业信息。
- 风险： 这是最典型的无效沟通。AI 收到的指令是完全开放和模糊的。“分析”可以指任何事，面对这种指令，AI 只能进行最表层的、商业价值的数据统计，甚至因为任务过于模糊而拒直接进入惰性状态。
高效提示（精准指令）
（上传一份数据文档后...）
你是一名资深市场研究分析师。 我需要你分析一份关于“家用智能种植机”的用户调研数据，目标是为下一代产品确定核心功能方向。数据关键字段包括 'user_age', 'city_tier', 'primary_use_case', 'pain_point'。
请严格按以下步骤分析：
1. 找出提及最多的 Top 3 `pain_point`。
2. 交叉分析 `primary_use_case` 和 `city_tier`，找出与这些痛点最相关的 Top 2 用户画像，并用表格展示。
3. 最后，给我一个有数据支撑的明确结论，建议我们应优先解决哪个痛点，服务于哪个用户群。
- 分析： 将任务拆解成了一个由 3 个具体步骤组成的、可执行的逻辑流程。它清晰地定义了“做什么”（找出 Top 3 痛点）、“怎么做”（交叉分析）、以及“得到什么”（一个明确的结论）。
方法三：发掘 LLM 潜能 （盲目区）
这一方法目的是挖掘 AI 知道而你不知道的信息。核心是通过连续追问、增加约束和提出质疑，迫使 AI 跳出思维定式，输出更高质量的答案。
当我们探索不熟悉的领域时，AI 给出的初始答案往往是基于概率的「60 分答案」。这时候不能浅尝辄止，而是要通过迭代式追问，挖掘其知识库深处的更高价值信息。
场景：创意广告语
（下面是伪代码）
低效提示（浅尝辄止）
你： 帮我为“家用智能种植机”写一句广告语。
AI： 「智能种植，把自然带回家。」
- 风险： 得到一个看似可以的答案，但平平无奇
高效提示（迭代式提示）
你： 帮我为“家用智能种植机”写一句广告语。
AI： 「智能种植，把自然带回家。」
你：太普通了。我不想要「自然」，我想要突出「科技感」和「收获的喜悦」。再给我 5 个。
AI：（生成 5 个更有方向的选项...）
你： 这里面的「从种子到餐桌，只需一键」不错，但有点长。把它和「科技感」结合，精炼到 10 个字以内。
AI：（一个或许更合适的答案）
- 分析： 通过连续追问纠正迫使 AI 提供新的思考角度，从而获取更多相关答案。
人机协同（未知区）
适用于处理没有现成答案的探索性问题。核心不是索取答案，而是设计一个探索框架或思维实验的规则，利用 AI 寻找灵感，一起进行头脑风暴。
场景：探索产品新方向
(以下为伪代码)
低效提问（开发式问答）
你： 怎麽用种植机做亲子教育？
- 风险： 问题过于开放，AI 无法聚焦，只能给出一些早已存在、缺乏新意的泛泛之谈，无法真正地「共创」新价值。
高效提问（设计沙盒）
你： 我们来做一个思维实验，共同设计一款创新产品。规则如下：
- 核心技术：基于「家用智能种植机」。
- 目标用户：「有 5-8 岁孩子的都市家庭」。
- 核心价值：结合「亲子教育」和「生命週期观察」。
现在，请你扮演一名顶级的产品设计师，提出 3 个产品概念。
- 分析： 你设计了一个包含核心技术、目标用户和核心价值的「创新沙盒」，在这个清晰的框架内，AI 从一个漫无边际的幻想家，变成了聚焦于特定赛道的策略伙伴，共同探索出了具有落地潜力的全新概念。
这个区域的目的其实还是将未知变已知
热门系统提示词格式
在编写提示词方面，也迭代了很多版本，详细的可以去阅读这篇Prompt Engineering Guide，这里挑几个来讲下
Markdown
这是目前支持度最广的提示词格式，markdown 结构化的特点能让 AI 准确的理解意图。
- 适用场景： 几乎所有需要分点、分步说明的场景。
# 任務：撰寫一篇關於時間管理的博客文章
## 文章要點：
- 帕金森定律
- 番茄工作法
- 兩分鐘原則
## 目標讀者：
初入職場的年輕人
## 風格要求：
輕鬆、幽默，多用比喻
請根據以上要求，生成文章大綱。
XML 格式
通过开闭和标签 将提示的不同部分包裹起来，为每一段信息赋予了明确的「角色和设定」，高级模型对这种格式的遵守能力更强，也是目前做垂类较合适的格式。
- 适用场景： 需要提供大量背景信息、多轮对话历史或複杂指令的任务。
<prompt>
<context>
<background>我正在運營一個關於“個人成長”的播客，目標聽眾是20-30歲的都市青年。</background>
<goal>我需要為下一期節目構思一個吸引人的標題和開場白。</goal>
</context>
<topic>
本期節目的核心主題是“如何克服拖延症”。
</topic>
<task>
請提供3個節目標題，並為其中你最推薦的一個撰寫約100字的開場白。
</task>
<constraints>
<style>風格要求親切、有共鳴，避免說教。</style>
<format>請以JSON格式輸出結果。</format>
</constraints>
</prompt>
最直接的优化
不要仅仅依赖单一的文本描述。对于具备多模态能力的大模型，结合「文本指令」+「图片示例」或「文本指令」+「数据文件」，可以极大提升沟通的准确性。
总结
回顾一下，写 Prompt 的本质，其实不完全是在写「技术」，而更像在做「沟通」。
说到底，那些跟人打交道的心理学模型，套到 AI 身上也一点不差，哈。
