经常有人跑来问我：“AI是不是被吹过头了？我让它写东西，出来的全是正确的废话。”我一看他们的用法，十有八九是一句话甩过去——“帮我写一份方案”“给这段代码加个注释”“写个短视频脚本”。然后就没了。
这个用法不是不行，而是好比你把一个刚入职的实习生叫到工位旁边，只说了一句“把这个项目弄好”，然后转身就走。他要是能交出你满意的结果，那才奇怪。大模型不是能读懂你心思的“读心术机器”，它是一个基于概率的“填空高手”。你给它的信息越含糊，它输出的内容就越偏向“最稳妥、最安全、最平庸”的方向。
所以真正的问题不是AI不够强，而是我们太习惯“只告诉AI要什么”了。想让AI变成靠谱的生产力工具，你至少得把“我有什么条件”“我不要什么”“做到什么程度算好”“按什么格式给我”一起讲清楚。这篇文章就把我这几年写提示词、搭工作流、做AI编程时踩过的坑和沉淀下来的方法，一次讲透。
1. 为什么“只要结果”的提问方式，注定得不到好结果
1.1 AI是在“续写”，不是在“执行”
我们来做个思想实验。你输入“帮我写一份市场分析报告”，大模型会怎么做？它不会像人一样先打开Word、想好框架、调出资料，它只是在计算：“市场分析报告”这个短语后面，最应该接什么词。在它读过的几万亿字文本里，“市场分析报告”后面最常见的内容，大概就是“市场概况”“行业背景”“竞争分析”这些套路。于是它顺着概率往下“续写”。这不是执行，更像是在猜你的填空题答案。
你可能会说：“我明明已经在对话框里把需求说清楚了呀。”但一个“写一份市场分析报告”的需求，在模型眼里有一百种可能的“正确”答案：可以是一页PPT大纲，可以是五千字深度研究，可以是对外宣传稿，也可以是给CEO看的决策简报。它没有理由选中你想要的那一种。除非你继续喂信息，把“下文”的概率分布压向你的方向。这就是提示词工程最底层的逻辑。
1.2 你缺少的上下文，会被模型用幻觉填上
更麻烦的是，你不给上下文，模型也不会一直沉默。它会从自己的“记忆”里东拼西凑，把你没说的细节全补齐。这种“合理想象”就是AI幻觉的来源。
我之前让AI帮忙整理一份“某行业近三年投融资趋势”，只给了这个题目，它居然“写”出了几个具体品牌的融资轮次和金额，看着很专业，我一查全是编的。后来我重新输入，把近三年的公开新闻摘要贴进去，并在提示词里加了一句“所有金额和事件必须来自我给的资料，找不到就写暂无”，结果完全不一样。模型有它自己的“知识盲区”，也有它固执的“讨好倾向”——它宁可编一个看起来像真的答案，也不愿承认自己不知道。所以如果你不把事实边界划清楚，它就会替你“脑补”，而“脑补”的结果往往经不起推敲。
1.3 只给一句话需求，等于让AI“盲写”
顺着上面两条还能发现一个现象：需求越简单，输出越平庸；需求越具体，输出越惊喜。这不是玄学。我给你一个很直观的对比：
普通需求：“帮我写一封客户道歉信。” 模型产出：尊敬的客户，非常抱歉给您带来了不便……我们深感遗憾……
听起来没问题，但发出去之后客户大概率无感。因为里面没有你的品牌名、没有客诉原因、没有补偿方案，它只是一封“所有公司都能用的道歉信”。
高质量需求：“我是XX网店店主，客户昨天收到货后发现包装破损，在评价里给了差评。我需要给这位客户写一封道歉信。客户名字是王女士，她的订单号是2024xxxx，本次的补偿方案是补发新品并返还20元优惠券。语气要诚恳但不过度卑微，字数控制在150字以内，不要用模板套话。”
你看，同样的任务，给足细节之后，模型产出的每一句话都能落到具体场景里。这就是“盲写”和“戴着镣铐跳舞”的区别。舞蹈有边界，才有美感；AI有约束，输出才可用。
2. 高质量需求表达的五个核心维度
既然只有“要什么”不够，那到底应该补什么？我把它归纳成五个维度：目标与场景、背景与上下文、条件与约束、参考与示例、验收标准与输出格式。你把这个清单过一遍，基本就能把一个含糊的需求变成一个可执行的任务。
2.1 目标与场景：别让AI猜“给谁看、在哪用”
第一个要补的是“给谁看、在哪用”。同一个内容，受众不同，写法天差地别。比如“写一份产品介绍”，如果放在电商详情页，重点是使用场景、性价比、打消顾虑；如果放在融资BP里，重点是市场规模、壁垒、增长模型；如果放在内部周报里，重点是进度、风险、资源缺口。你不说，AI只能写一个“最大公约数版本”，即所有人都能看、但所有人都不觉得有用的版本。
我一般会在提示词第一行写清楚这些信息：任务是什么、给谁看、用在哪儿、期望达到什么效果。例如：
- 任务：写一份智能扫地机器人的产品介绍。
- 受众：35-45岁、平时不太研究参数的家庭用户。
- 场景：电商详情页。
- 目标：讲清楚“它能帮我解决什么问题”，不要堆参数。
这样AI就知道，它的语气要生活化、卖点要场景化、参数要弱化，而不是把“激光导航”“dToF传感器”抄一遍。
2.2 背景与上下文：给足“任职材料”
第二个维度是背景。你交代的背景越完整，AI的“人设”就越饱满。打个比方，你招了个实习生，他能力再强，不了解你们公司项目的前因后果，也无法直接上手干活。AI也一样，它没有你的记忆，它的“知识”截止于训练数据那一刻。你的项目是做什么的、已经做到什么阶段、有哪些坑、有哪些既定策略，它统统不知道。
所以你可以在提示词里直接粘贴相关资料，或者用简短的文字交代来龙去脉。比如你让AI帮写一份产品上线公告，别只说“写个公告”，而要说： “我们是一个面向中小餐饮店的SaaS平台，本周五要上线‘扫码点餐’新功能。之前用户一直抱怨排队太久，这个功能就是为了缩短高峰期点餐时间。公告发布在我们官方公众号，面向已有商户，希望大家能主动试用。请根据这些背景写一篇公告，语言亲切，不要用太多技术术语。”
模型得到这些背景后，输出的内容就有了“锚点”，不再是通用文案。熟练之后你会发现，背景写得越好，你需要改稿的时间就越短。
2.3 条件与约束：把“不要什么”也写进去
正向目标重要，负面清单同样重要。模型对“不要XX”的理解虽然不如“要XX”那么精确，但这类指令能直接砍掉一批它最习惯的套路。比如：
- 不要使用“赋能、抓手、闭环、颗粒度”等黑话；
- 不要编造数据；没有数据的地方直接写“待补充”；
- 不要写超过800字；
- 不要用“首先、其次、最后”这种干巴巴的结构；
- 不要出现“震惊”“重磅”“速看”等营销词。
这些约束看起来简单，但对输出风格的影响非常大。有一次我让AI写一个短视频口播脚本，只说“要幽默一点”，结果它给了我一堆网络梗，尴尬得我脚趾抠地。后来我加了句“不要用谐音梗，不要用网络流行语，幽默是通过意外转折实现的，不是靠堆梗”，输出立刻正常了。负面清单的本质，是替AI提前排除那些你不想看到的“默认选择”。
2.4 参考与示例：一个例子顶一百句形容词
第四个维度是给示例，这是我用过性价比最高的技巧。想描述一个“想要的风格”，你可能会说“要高级一点、专业一点、有温度一点”，这些词模型都能听懂，但理解得都很模糊。如果你手里恰好有一个接近理想的例子，直接贴上去，让模型“照着这个风格来”，效果立刻不一样。
比如写公众号文章，我会在提示词里贴一篇自己过去的文章，然后说：“请分析这篇文章的语言风格、段落节奏和开头方式，然后用同样的风格写一篇关于XX的文章。”模型能提取出的风格特征，远比我们描述得准确。少样本学习（few-shot）是机器学习里的老概念，在提示词场景里一样好用——你给模型的示例越多、越接近目标，它输出的偏移就越小。
注意，示例不只是文章。给代码也一样，你可以贴一段已有的函数实现，让它“保持同样的错误处理风格，补一个新接口”。给海报文案也一样，给它三组自己满意的文案格式，它就能照猫画虎。
2.5 验收标准与输出格式：让结果可检查、可复用
最后一步是最容易被忽略的：告诉AI“什么样算合格”，以及“用什么格式交给我”。没有验收标准的任务，模型只能用“字数够了、主题相关”来交差。有了验收标准，你就可以像检查下属工作一样检查AI的输出。
举个例子，我需要AI整理会议纪要，提示词里明确写：“输出格式：先列结论，再列行动项。每个行动项必须包含负责人、截止时间、关联事项。如果你在原始记录里找不到负责人，写‘待确认’，不要猜测。”这样的输出我拿回去就能直接用，而不是在手忙脚乱之中去猜哪些是模型编的。
同样的逻辑也可以用在AI编程上。如果只让模型“写一个函数”，它交出一个能跑的版本就算赢。但如果你给验收标准——“要有输入校验、要有异常处理、要覆盖边界条件、要附上三个测试用例”，你得到的代码质量会高一个层级。所以说，验收标准不是可有可无的细节，而是决定AI是“玩具”还是“生产力”的关键分水岭。
2.6 一份可以直接抄的需求表达模板
把上面五个维度汇总，我日常用的提示词模板是这样的：
任务：请帮我完成[具体任务]。 背景：[为什么需要这件事？当前的现状是什么？] 角色：[你希望AI以什么身份回应？比如：资深的行业分析师、熟悉代码规范的后端工程师] 受众：[结果给谁看？] 约束： - 不要[写负面清单] - 不要[编造事实] - 控制在[字数/时长范围] - 必须包含[关键要素] 参考示例：[粘贴风格范例，或描述结构范例] 验收标准：[什么样的输出算合格？] 输出格式：[分点？表格？结论先行？]注意，不是每次都要填满所有字段，但当你觉得AI“不太好用”时，先回来看看这个模板，哪一个字段没填。多数情况下，你只是漏了“背景”或“约束”，AI的输出就从“惊艳”变成“鸡肋”。
3. 从提示词到AI Agent与工作流：你的需求需要“分步投喂”
到这里，你可能已经学会把单个提示词写得很精细了。但现实中的任务往往不是一个提示词能搞定的。比如写一份行业研究、开发一个完整功能、做一部AI短剧的脚本和分镜，都需要多步协作。这时候，我们就需要把“一次性的需求表达”升级成“一步一步喂给AI的工作流”。这也是最近AI Agent概念这么火的原因之一。
3.1 复杂任务不是一次对话能解决的
我曾经让AI直接“帮我写一份智能家居行业研究报告”，然后它给我输出了一份看起来结构完整、但每个章节都很空的“万能模板”。问题不是它没能力，而是任务太大，在一个上下文里既要梳理逻辑、又要查数据、又要组织语言、还要保证前面和后面不矛盾，模型会顾此失彼。
正确做法是拆任务。第一步，先让AI列大纲：给出研究目的、目标读者，让它输出章节结构，然后你来调整。第二步，让AI逐章节填充，一次只处理一个小节，并且在每个章节的输入里补充该章节需要的背景材料。第三步，把全部章节整合成初稿，再让AI从“目标读者的角度”挑毛病，输出修改意见。第四步，把修改意见连同原稿再喂一次，生成终稿。每一步都有独立的提示词，每一步你都能中途检查，AI犯错的影响范围被限制在单步以内，结果自然可控得多。
3.2 给Agent设计边界，别让它“自由发挥”
现在很多工具都支持“Agent模式”，让AI自主规划、自主调用工具、自主执行。听起来很省心，但如果你只丢给它一个宏大目标而不设置边界，它大概率会在错误的方向上“高效”地做很多无用功。
我搭建工作流时，会坚持这么几条原则：
- 给Agent一个明确的“能力清单”：它可以用哪些工具、不可以调用哪些。超出清单就停下来问人类。
- 要求Agent在每轮行动前先输出执行计划，让我确认后再动手。这能减少大量的瞎忙。
- 告诉它在什么条件下应该停止：比如“搜索不到有效信息时，不要继续延伸，直接说明情况”。
- 给每一步的输出设计验收标准，与前面提到的方法论一致。
你可以把Agent想象成一个很有冲劲但缺乏经验的下属。下属需要授权边界，Agent更需要。边界不是限制它的能力，而是让它的能力用在刀刃上。
3.3 在AI编程中，把需求写成“需求+测试+重构”
热词里“AI编程”这段时间特别火。我自己也经常用AI辅助写代码，但发现很多人让AI写代码的方式还是学不会。最常见的错误是：“帮我写个爬虫”“帮我写个函数”。这种粒度太粗，缺需求、缺约束、缺验收。
我的习惯是，把一次编码任务拆成三条提示词链：
- 需求：写清楚函数/模块的输入、输出、边界条件、性能要求、依赖限制、运行环境。例如“用Python写一个函数，输入是CSV文件路径，输出是每列空值率的DataFrame；仅允许使用标准库；兼容Python3.8；如果文件不存在要抛出自定义的异常信息。”
- 测试：让它“针对这个函数补至少5个单元测试用例，覆盖正常输入、空文件、缺失列、非法编码、超大文件这几种场景”。
- 重构：再让它“在不改变功能的前提下，把代码改成更符合PEP8、更易读的版本，并指出做了哪些重构”。
这样一轮下来，AI输出的东西才真正可以合并进项目，而不是让你拿着一个“看起来能跑”的半成品继续收拾烂摊子。另外，如果代码报错，别自己翻译成“反正就是有问题”，直接把报错堆栈贴给它，它定位问题的速度比用人话描述快得多。
3.4 本地部署与隐私场景：需求表达的三条特殊注意事项
有些数据敏感，不适合放到公共云服务上，于是很多人会自己部署大模型。本地部署之后，模型没有“联网记忆”，上下文窗口和模型能力也有一定损耗，这时候提示词表达反而更重要了。
第一，背景材料必须写得比云端场景更细。本地模型训练语料相对有限，你不给它足够资料，它更容易用有限的知识去“硬编”。第二，系统提示词要显式声明数据边界，比如“本模型不访问外部数据，所有结论必须基于下方提供的资料，禁止补充未给出的信息”。第三，如果同时存在多个本地模型，可以用“让两个模型互相审稿”的方式做交叉验证——A模型写初稿，B模型挑错，再把B的意见作为反馈交回A修改。这种“多模型协作”在没有外部联网能力的本地环境里特别实用。
4. 常见问题与排查技巧实录
最后分享一些实际使用中高频出现的问题，以及我自己的排查思路。很多问题看起来是“AI不行”，实际上是“你给的需求还没有闭环”。
4.1 答非所问？先检查任务是不是被淹没了
有时候我明明把需求写得很清楚，AI还是跑偏。后来发现，问题出在我把太多信息塞进了一段话里，模型分不清哪个才是真正的指令。比如“帮我写个文案，对了，还要帮我分析一下竞品，另外顺便把昨天客户发的消息回复一下”——这种多任务混杂的提示词，输出往往顾此失彼。
解决办法是“一次只让AI做一件事”。如果确实有多件事，拆成多轮对话，或者用编号明确优先级：“任务1：……；任务2：……；请先完成任务1，再完成任务2。”我在做Agent时还会要求它“在执行前先复述一遍你对任务的理解”，这一步能及时发现理解偏差，省得等它跑完再返工。
4.2 编造数据？先检查资料边界
AI编数据，十有八九是因为你没给它提供“可信来源”，也没告诉它“没数据时怎么做”。前面已经提过一个案例，这里再补充一个通用策略：在提示词末尾加一句“所有事实性信息必须来自我提供的上下文；如果上下文缺失，请标注‘信息不足’，不要猜测”非常管用。
如果是写科研论文或技术方案，建议让AI在输出的每一个关键论断后面加一个“来源标记”，比如“[来自下方材料1]”或“[外部知识]”。这样你就知道哪些内容有依据、哪些内容是模型凭经验补的，方便自己核实。这不等于用AI替代专业判断，而是把AI当成一个“需要标注来源的助手”，责任仍然在你。
4.3 格式总是乱？用“二次格式化”兜底
有时候AI输出的内容没问题，但格式不符合要求。比如你要一个表格，它给你分点列表；你要JSON，它给你Markdown。跟它说了好几遍也没用。这时候别急着骂，先检查你的格式描述是否足够具体。如果你只写“用表格输出”，模型可能不知道哪列哪行；你应该写“输出一个三列的Markdown表格，表头分别为：序号、问题、解决方案”。
如果它还是不听，那就把“格式要求”放到提示词最后再重复一遍，因为模型对文本尾部的注意力往往更高。实在不行，再开一轮对话，把它的原输出“喂”回去，说“请把上面的内容改写成如下格式：……”。这种“二次格式化”虽然多花一步，但成功率非常高。
4.4 幻觉怎么防？交叉验证+要求溯源
幻觉是很多人抱怨AI不靠谱的最大原因。我判断一个AI输出是否可信，会做两件事：第一，在提示词里要求它区分“事实”和“推断”。事实部分标注来源，推断部分说明推理过程。第二，把同一个问题发给不同模型，比较答案中交集与差异。交集越大，可信度越高；差异越大，就需要重点核查。这个方法我用了很久，尤其在整理行业资料和写技术方案时，能过滤掉至少一半的“一本正经胡说八道”。
这里也想多说一句：AI幻觉是概率模型的固有特性，不要指望某种提示词能100%消除它，你能做的是通过约束和验证把幻觉的影响降到可控范围。把AI看作一个“知识面很宽、但偶尔会胡说的同事”，比把它看作“全知全能的神”更有利于用好它。
最后分享一点我的感受。我以前也喜欢把一个大需求直接“甩”给AI，觉得它能力强，理应自己搞定。踩过几次坑之后，我反而开始享受“把需求拆细、把背景讲清楚、把边界划明白”这个过程——它逼着我把真正的问题想清楚，而AI只是那个帮我落地的工具。现在每写一个提示词，我都会下意识地过一遍那五个维度：目标、背景、约束、示例、验收。你会发现，当你不再只告诉AI“要什么”的时候，它给你的回报会超出预期。
