"帮我做个方案。"
你把这句话丢进GPT，等了几秒钟，它真给你吐了一个方案出来。
你看了两眼，关掉了。什么都有，什么都没用。
然后你得出一个结论：AI也就那样。
这个结论是错的。不是AI不行，是你那句话有问题。
"帮我做个方案"——你的客户是谁？预算多少？你过去踩过什么坑？你认为什么叫好方案？这些信息你一个字都没给。
AI不是搜索引擎。搜索引擎是你丢关键词进去，它把匹配的结果翻出来。AI更像一个能力很强但什么都不知道的新员工。
你什么都没交代，他只能凭空猜，然后交给你一个"看起来像方案"的东西。你嫌他做得差，可是他连你要什么都不知道。
从技术原理说，AI是一个预测引擎——它根据你给的文字来预测下一步该输出什么。 你说得越模糊，它能走的方向就越多，结果就越不可控。反过来，你给的信息越具体，它的输出就越精准。
AI输出的质量上限，取决于你输入的信息质量。不是它能力的上限，是你表达的上限。
这件事在技术上有个名字，叫Prompt Engineering，提示词工程。听着像程序员的事，其实不是。
它解决的问题很朴素——怎么把你脑子里那个模糊的"我要一个好结果"，翻译成AI听得懂的话。
今天这篇文章，就把这件事讲清楚。
信息残缺是万恶之源
你跟AI说话，最基础的方式叫 Zero-Shot Prompting——不给任何示例，直接发指令。 方式本身没问题，问题在于大多数人发出去的指令是残缺的。
一条提示词里，至少要回答四个问题。缺任何一个，AI都在靠猜。猜对的概率，跟你扔硬币差不多。
第一个：我是谁。
不是让你自我介绍，是告诉AI你的业务处境。
你说"帮我写一段招聘文案"，AI默认你是一家成熟大公司，写出来的文案端着架子，什么"期待与优秀的你同行"。
但你的真实情况是：10个人的小公司，没有品牌知名度，招的是第一个短视频运营，候选人主要来自Boss直聘和朋友推荐。
你需要一段能让人停下来多看两眼的文案，不是央企风格的企业宣传。
这些背景你不说，AI不可能知道。它又不会读心术。
第二个：我要什么。
你说"帮我分析一下竞品"，AI可以给你写五千字。但你真正需要的可能只是一件事：竞品最近降价了，我下个季度要不要跟。
"分析竞品"是一个模糊任务。"分析竞品A的定价策略，帮我判断是否应该在下个季度跟进降价，给出建议和理由"——这才是一个具体任务。
差别在哪？前面那个是开卷考试，后面这个是指定题目。你给它出指定题，它的答卷才对得上你的需求。
一个实用技巧：用动词开头。"分析""对比""列出""总结""提取"。动词比描述性的话更直接，AI更容易抓住你到底要它干什么。
第三个：给谁用。
同一段公司介绍，给投资人看和给客户看，写法完全不同。
你说"帮我写公司介绍"，AI给你一个万金油版，哪里都能贴，哪里都不够准。就像你让裁缝做一件"谁穿都行"的衣服，最后谁穿都不合身。
但如果你说"下周要见一个消费基金的VC，对方主要看用户增长逻辑，我需要在3分钟内说清楚商业模式和增长飞轮"——AI就知道该把重点放在哪了。
使用场景决定了重点、语气、信息密度。不说清楚，AI只能给你一个大概对的东西。
第四个：好的标准是什么。
这个最容易被忽略，也最关键。
你说"帮我优化这段投资人介绍"，AI按它自己的审美来优化。它的审美跟你的审美不一定是一回事。
你让一个不了解你的人帮你挑衣服，他挑的不是你讨厌的，就是你不会穿的。
但如果你说"逻辑按问题、方案、市场、团队的顺序走，不超过200字，不要用赋能、生态这类词，要让一个不了解我们行业的人也能听懂"——AI就有了一把尺子，知道什么叫"好"。
没有验收条件，就是让AI蒙着眼睛帮你干活。
你每天在微信上给员工布置任务，知道"说清楚"有多重要。跟AI协作是一回事——你说得越清楚，它干得越靠谱，你返工的次数就越少。
不过，说清楚了这四个维度，事情只完成了一半。
如果任务本身很复杂，你一口气全扔进去，AI照样接不住。
拆步骤，不要一次性全扔
这个方法在技术上叫 Prompt Decomposition，提示词拆解。道理很简单：把一个复杂任务拆成几个小步骤，每步确认输出再进下一步。
这跟带人是一回事。你让实习生"把整个活动方案做出来"，他交的东西什么都有但什么都不深。你说"先帮我调研三个竞品的活动方案"，他给出来的调研质量就好很多。
不是他能力变了，是你给的任务清楚了。
AI也一样。一次性扔一个复杂任务，它需要同时顾好几件事，每件都只能浅尝辄止。拆开之后，每一步它的注意力是集中的，质量更高，你也更容易看出哪一步出了问题。
举个例子。你要为新产品制定定价策略。
一次性扔："帮我为新产品制定定价策略。"你拿到的是一篇泛泛而谈的概述，放在哪个公司都成立，放在你的公司没法用。
拆开走三步：
第一步："我们的产品是XX，目标客户是XX，目前市面上有哪几种主流的SaaS定价模式？各自适合什么情况？"
第二步："基于上面的分析，结合我们的客户群体和竞品情况，你认为哪种定价模式更适合我们？给出2-3个方案和理由。"
第三步："针对方案二，帮我设计具体的价格区间和套餐结构，需要考虑试用期设置、年付折扣、团队版和个人版的差异。"
三步走完，你拿到的是一个有逻辑、有细节、可以直接拿去讨论的定价方案。
这是最容易被忽视、也最容易见效的习惯。 不需要学任何高级技巧，只要养成"先拆后问"的习惯，AI的输出质量就能上一个台阶。
顺手列几个常见场景的拆法：
融资材料——先讲问题，再讲方案，再讲市场，最后讲团队，每块单独打磨。
合伙人协议——先梳理核心条款清单，再逐条讨论边界，最后形成文字。
产品需求文档——先确认用户故事，再拆功能点，再排优先级。
招聘JD——先定岗位核心职责，再定能力要求，最后打磨语言。
短视频脚本——先定选题和钩子，再定结构和信息点，最后打磨口播文案。
步骤拆对了，但每一步的指令怎么写也有讲究。
大多数人写指令的方式，恰好是最笨的那种。
用指令代替约束
这个原则在技术上叫 Instructions over Constraints。一句话：告诉AI"你该做什么"，比告诉它"你不该做什么"管用得多。
你写"帮我写一段开场白，不要太正式，不要用套话，不要太长"。三个"不要"，AI知道了三件不该做的事，但该往哪走，它还是不知道。
这就像你跟出租车司机说"别走一环，别走三环，别走高速"——他知道不走哪，但不知道你要去哪。
换一种写法："帮我写一段微信开场白，语气是创始人和同行朋友聊天的感觉，前两句话说清楚合作对对方有什么直接好处，全文控制在80字以内，最后一句是一个具体的下一步行动。"
语气、重点、长度、结尾方式，全部指向清楚。AI有了目的地，自然走得快。
再看一个。
"写一段产品描述，不要太技术化，不要太长。"——这是约束驱动。
"为新推出的人体工学办公椅写一段产品描述。语气专业但不端着，突出人体工学特点，解释对健康和效率的好处，提一下可持续材料，以号召性行动结尾，200字左右。"——这是指令驱动。
跟带人是一个道理。你告诉员工"这件事的重点是A、B、C"，比告诉他"不要做X、不要做Y、不要做Z"管用得多。给方向，不是给围栏。
约束不是完全没用。它适合排除你确定不想要的东西，比如"不要用赋能、生态、全链路这类词"——这种排除是具体的、有价值的。
原则就一条：先写指令，描述你想要的。约束只用来排除你确定不要的。别把约束当指令用。
前面三件事都做对了——信息给全了，步骤拆开了，指令写清楚了——AI第一次回答还是不满意。
这时候大多数人直接关掉了，心想"算了，还不如自己写"。
可是真正的效率，恰恰在下一步。
AI没答好，不是终点，是起点
技术上叫 Prompt Iteration，提示词迭代。意思是：AI第一次回答很少是完美的，真正的效率来自你能不能给出精准的修正指令。
这事很像打乒乓球。你发一个球，它回一个球。你再发，它再回。两三轮下来，球路就校准了。
跟AI协作不是一锤子买卖，是快速的来回。
不过大多数人的反馈方式是错的。
最常见的错误：太模糊。"改好一点""再专业一些""感觉不对，重新来"。
这等于你把菜退回厨房，跟厨师说"味道不对，重做"。厨师不知道你嫌咸还是嫌淡，他只能再猜一次，大概率还是不对。
第二种错误：全盘否定。"这完全不是我要的，你重新理解一下我的需求再写。"
全盘推翻意味着你放弃了已有的进展。更好的做法是找到哪20%是对的，保留它，修正剩下的80%。
正确的反馈有三个要素：指向哪里、改成什么方向、为什么。
比如你不要说"这段太长了，改短一点"。你要说"第二段太长了，删掉关于功能介绍的部分，只保留对用户的直接价值，因为投资人不关心功能细节，只关心我们能为用户解决什么问题"。
再比如你不要说"语气不对"。你要说"整体语气太正式了，改成创始人和朋友聊天的感觉，我们的目标用户是30岁左右的创业者，太正式会有距离感"。
迭代也有节奏。一个复杂任务的正常节奏是三轮：
第一轮确认方向和结构是否对。第二轮调整重点和比例。第三轮打磨语言和细节。
每一轮只改一件事。不要同时要求改结构、改语气、改长度。一次改一件，你才知道是哪里改对了。
AI第一次没答好是正常的。关键不是它答得好不好，而是你能不能在三轮之内把它校准到位。
补充一个小提醒：AI偶尔会突然开始大量重复同一个词或同一句话。这不是它坏了，是一个已知的技术现象，叫"重复循环"。遇到了，开一个新对话重新发一遍就行。
前面讲了四件事：说清楚四个维度、拆步骤、用指令代替约束、学会迭代反馈。
你可能会想，道理都懂了，但每次用AI之前还得把这些想一遍？有没有一个更省事的办法？
有。
一个可以直接复用的提示词框架
把前面四个模块的要点打包成一个模板。不用每次都想"我是不是漏了什么"，照着填就行。
【背景】我是 [身份/公司阶段/业务处境]
【任务】我需要 [具体要做什么，动词开头]
【用途】这个内容用于 [使用场景/受众]
【标准】好的结果应该满足：[验收条件1]、[验收条件2]
【约束】不要 [明确排除的内容或风格]
套用一下。
你要写给潜在合作伙伴的开场白：
【背景】我是一家做AI短视频脚本工具的创业公司，目前主要服务汽车后市场的门店老板
【任务】帮我写一段微信开场白，用于第一次联系潜在渠道合作伙伴
【用途】发给对方创始人，对方是一家有500家汽服门店客户的行业培训公司
【标准】100字以内说清楚合作对他有什么好处，要有一个明确的下一步行动
【约束】不要用"强强联合""资源互补"这类空话，不要太正式
再来一个。你下周要见投资人，想提前准备：
【背景】我是一家B2B SaaS创业公司创始人，下周见一个专注企业服务的A轮基金
【任务】帮我列出投资人最可能问的10个尖锐问题，并给出回答建议
【用途】我用来提前准备，不是直接发给投资人
【标准】问题要真的尖锐，不要表面友好的问题；回答建议要有具体逻辑，不是空话
【约束】不要假设我们已经有很强的数据，我们还在早期验证阶段
这个框架可以直接发给团队。他们不需要理解背后的原理，照着填空就能写出质量不错的提示词。
回到开头那个问题。
你用AI觉得不好用，不是AI的能力不行。是你把一个能力很强的新员工招进来，什么都没交代，让他凭空猜，然后嫌他猜得不对。
换你是那个新员工，你也猜不对。
说到底就四件事：把信息给全，把步骤拆开，把指令写清楚，不满意就继续校准。
Prompt Engineering不是程序员的专利。它其实是一种表达训练——学会把脑子里模糊的"我要一个好结果"，翻译成对面听得懂的话。
这个能力，不管AI怎么迭代，都是你的。
下一篇聊一个更实用的事：你说不清楚"我想要什么风格"的时候怎么办。答案比你想的简单——给AI一个例子就行。
