你用AI写了一版方案，自己看了一遍，挺满意。
发给同事，让他也用AI写一版。
他发过来的东西，你看了三行就想关掉。
不是同事的问题。他用的是同一个工具，同一个版本，你还把你的提示词发给了他。但出来的东西就是不对。
不是格式不对，是味道不对。
你琢磨了一下，发现问题不在工具，在你自己身上。
前四篇我们一路聊过来，你已经知道怎么把需求说清楚、怎么给AI示范、怎么用它帮你想问题、怎么绕一步问出更好的答案。
这些能力都是真的。
但它们有一个共同的问题：全在你脑子里。
你知道什么方案是好方案，你知道什么语气对客户有效，你知道哪些话绝对不能写进去。可你同事不知道。
他只能靠自己的理解去跟AI说，出来的结果自然跟你想要的不一样。
这就是"你在用AI"和"AI在为你工作"的分界线。
前者依赖你在场，后者不依赖。
今天是这个系列最后一篇。我想讲清楚一件事：怎么把你脑子里的判断标准拿出来，写成AI能读懂、团队能复用的东西，让AI不需要你坐在旁边也能持续出合格的活。
这件事有个技术名称，叫 System Prompting，系统提示。
一、把你的判断标准写出来
你做了十几年生意，脑子里有一套判断标准。什么方案算好方案，什么文案能转化，什么人值得深聊。
这套标准你自己可能都没察觉，但它一直在运转。
就像开了十年饭馆的老板，食客进门他扫一眼就知道这桌大概消费多少、点什么菜。你让他说清楚怎么判断的，他说不出来，但他每次都判断得八九不离十。
AI没有这个直觉。你不写出来，它只能按自己的默认审美来。
System Prompt 就是在对话开始之前，给AI一套固定规则：角色是什么、标准是什么、什么能做什么不能做。
它不是一次性的指令，是整个对话过程中一直生效的底层设定。
你给的结构越严格，AI跑偏的空间越小。规矩立住了，它就很难胡说八道。
判断标准写出来，有三种形态。
第一种：标准清单。
把你对"好结果"的判断拆成一条条可以打勾的标准。
比如，什么叫一封好的销售开发信？你脑子里可能有一整套感觉，但你能不能拆成这样：
第一句话里不能有"期望合作""资源互补"这类词。前50字必须说清楚对方能得到什么好处，不是我们能提供什么。有一个具体的、低门槛的下一步行动，不是"期待您的回复"。全文不超过150字。必须提到对方公司或对方个人的某个具体细节，证明不是群发。
把这个清单放进System Prompt，AI的输出就有了靶心。
它在对标你的判断，不是在猜。
第二种：反例库。
把你见过的"绝对不行"的东西整理出来，直接告诉AI别这么干。
比如你让AI写招聘JD，你可以告诉它：不要用"狼性文化""拼搏精神"。不要写"有竞争力的薪资"，写具体范围。不要把职责写成流水账，只突出最核心的一两件事。不要要求"5年以上经验"，如果你真正需要的是"做过从0到1"。
提醒一句：反例库是约束，要和正向指令配合。
第一篇讲过的原则还记得吧？先告诉AI你要什么，约束只用来排除你确定不要的。
第三种：决策树。
把你遇到某类判断时的思考过程，整理成"如果……那么……"的结构。
比如判断一个新功能要不要做：如果是用户提的，先看有多少用户提，是不是核心用户。如果是核心用户反复提，评估开发成本，两周以内就排期。如果是产品经理自己想的，先做最简版本验证需求。如果是竞品有我们没有，先判断这是不是竞品的核心差异点，不是就不做。
这套决策树交给AI，它就能按你的逻辑分析任何一个新功能提案。
你不在，这套逻辑还在。
三种形态，说的是同一件事：把脑子里的隐性标准变成纸面上的显性规则。
二、内容创作的三要素模板化
标准写出来了，下一步是固化成模板。
如果你的业务要做内容，公众号、朋友圈、销售话术，你会发现同一个主题，写给不同的人、用不同的语气、按不同的结构，出来的东西完全不一样。
这三个变量就是内容创作的三要素：目标受众、语气风格、输出结构。
哪个没说清楚，AI都会自己补。它补出来的东西不会错，但一定不痛不痒。
就像你去餐厅不点菜让厨师随便做，端上来的肯定能吃，但绝不是你想吃的那道。
把三个要素模板化：
受众模板：他们是谁（年龄、职业、身份）？技术水平怎么样？最关心什么？在什么场景下看你的内容？
比如："35-55岁的汽车后市场门店老板，对AI好奇但不懂技术，最关心能不能省钱、能不能带来客户，晚上忙完了刷手机的时候看。"
语气模板：整体调性是什么？像谁在说话？什么词绝对不能出现？有没有参考标杆？
比如："实在、接地气、有干货。像一个做了18年行业的老师傅跟你聊天。不要出现'赋能''闭环''生态''全链路'这类词。"
结构模板：多长？开头怎么开？中间几个观点、怎么呈现？结尾怎么收？
比如："2000-3000字。开头用读者经历过的场景，让他在前三句话里产生'对，我也是这样'的反应。中间3个核心观点，每个配一个创业者真实会遇到的场景示例。结尾一句金句收束，有判断力，不要鸡汤。"
三个模板组合起来，就是一个完整的内容创作System Prompt。
设定好之后，每次只需要填主题和素材，受众、语气、结构全部自动到位。
换了写手也不怕调性跑偏。模板在，标准就在。
三、让AI帮你写提示词
到这一步，你可能觉得搞这些模板要写大量提示词。
确实要写。
但有一个办法能省不少力气：让AI帮你写。
技术名称叫 Automatic Prompt Engineering，自动提示词工程。 听起来复杂，做起来简单。
你给AI一个"种子"，让它生成大量变体。你只管筛选。
比如你在搭一个客户咨询的自动回复系统，客户问"你们产品多少钱"，说法可能有十几种。你让AI生成10个不同表达：
"你们这个工具怎么收费的？""价格是多少？""有没有价目表？""一个月需要付多少钱？""最便宜的套餐是哪个？"
AI几秒钟给你10个变体。你自己一条条想可能要半天。
但AI生成的质量参差不齐。你需要过一遍：有没有太书面、不像真人讲话的？有没有漏掉的问法？
筛完告诉AI："第3、7、9条不自然，换掉。再补几个更随意的，客户在微信里随口问的那种。"
你从"自己写每一条"变成了"定标准+做筛选"。
该费脑子的地方还是你费，但不该费脑子的重复劳动交出去了。
这个方法用处很广：客服机器人要覆盖各种问法、广告文案A/B测试要大量变体、销售话术库要准备同一个异议的不同回答、朋友圈文案要换着花样发。
道理都一样——你出判断，AI出产量。
四、从个人技巧到团队系统
到这里，你个人用AI已经很顺手了。
但有一个问题你迟早要面对：你出差三天，团队还能按你的标准出活吗？新来一个人，他能直接上手吗？
如果答案是"不能"，说明你的AI能力还长在你身上，没有长到组织里。
这就需要 Prompt Library，提示词库。
做法不复杂：把你用过的好提示词存下来，加上使用说明，让任何人拿到就能用。
一条合格的提示词库条目至少要有这些：提示词名称（方便检索）、适用场景（什么情况下用）、期望输出（用完应该得到什么）、完整提示词（可以直接复制粘贴）、使用说明（哪些地方需要替换、有什么注意事项）、最后更新日期。
比如一条"客户跟进消息生成器"：场景是销售拜访客户后要发跟进消息。期望输出是50-100字的微信消息，风格简短、有具体理由、有明确的下一步。提示词里放了两个示例，团队成员只需要替换最后的客户情况就能用。
做到什么程度，决定了你停在哪个层级。
第一个层级：个人工具。 你有一套自己常用的提示词，遇到高频任务直接调。效率提升三五倍，但只有你会用。
第二个层级：团队模板。 提示词和判断标准整理成文档，团队按模板执行。新人上手快，不用事事找你。
第三个层级：自动化工作流。 多个AI步骤串起来，触发条件满足后自动跑，人只在关键节点审核。
第三个层级，才是"AI在为你工作"。
做到这一步，你十几年的行业经验不再只在你脑子里。它变成了一套别人能接手、机器能执行的东西。
你不需要等到全想清楚才动手。
从今天起，每次你用AI完成了一个让你满意的任务，做一件事：把那条提示词存下来，旁边写一句话，什么情况下用，期望得到什么结果。
存在哪里都行。备忘录、飞书文档、Notion。
重要的是存下来。
一个月后你手里就有一个属于自己业务的提示词库。
五、术语速查表
最后附一张表。前五篇出现的所有技术术语，整理在这里。
你不需要记英文名，但需要知道每个东西是干嘛的。
下次有人跟你说"这个场景适合用Few-Shot"或者"试试CoT"，你能接得住话，不用装懂。
Zero-Shot Prompting：零样本提示，不给例子直接发指令，适合简单明确的任务。
One-Shot Prompting：单样本提示，给一个示例，适合需要风格参考的任务。
Few-Shot Prompting：少样本提示，给2-5个示例，适合需要精确复现风格或格式的任务。
System Prompting：系统提示，设定AI的角色和行为框架，适合建立可复用的AI工作流。
Role Prompting：角色提示，让AI扮演特定角色，适合多视角分析和对抗性演练。
Contextual Prompting：上下文提示，提供背景材料让AI基于此作答，适合文档消化、合同审查。
Chain of Thought（CoT）：思维链，让AI显示逐步推理过程，适合复杂分析和数据诊断。
Zero-Shot CoT：零样本思维链，加"逐步思考"触发推理，适合快速提升分析质量。
Step-Back Prompting：后退一步提示，先问宏观再问具体，适合复杂决策和框架建立。
Self-Consistency：自洽性验证，同一问题多次回答取多数，适合重要判断、降低误判。
Automatic Prompt Engineering：自动提示词工程，用AI生成提示词变体，适合批量内容生成和机器人训练。
Prompt Iteration：提示词迭代，基于输出反馈持续优化，适合所有需要精细化的任务。
Prompt Library：提示词库，系统化存储可复用的提示词，适合团队协作和工作流建立。
Instructions over Constraints：指令优先于约束，告诉AI做什么而非不做什么，适合所有场景的基本原则。
五篇走完了。
回头看，这五篇做的是同一件事：把你和AI之间的沟通从碰运气变成有章法。
说清需求，给出示范，让AI帮你想问题，绕一步问出更好的答案，最后把这些能力固化成一套不依赖你个人的系统。
初级用法，是你让AI帮你干活。
中级用法，是你让AI按你的标准干活。
高级用法，是你不在的时候，AI还能按你的标准干活。
这三者的差距不在工具，在于你有没有把自己的判断标准写出来、固化下去、让别人也能用。
没有捷径。但有起点。
存下你今天用AI做出的那个满意的结果，旁边写一句话：什么时候用，要什么效果。
走出去就是了。
