怎么跟 AI 说话，它才听得懂？

从底层机制到实战模板，一次讲透

先看两个真实的对话。

A 同学：

帮我写个竞品分析

AI 洋洋洒洒写了一千五百字，看着挺像回事，细看全是”该产品功能丰富，用户体验良好”这类不痛不痒的话。A 同学删掉重来，换个说法再问，结果差不多。第三次，他关掉了页面，得出结论：AI 也就那样。

B 同学：

你是一个 B 端 SaaS 行业的资深产品经理。我们正在做一款项目管理工具，目标客户是 50～200 人的中小企业，团队 12 人，预算有限，明年 Q1 要上线。

请对比 Notion、飞书多维表格、Teambition，从「功能覆盖、定价策略、用户口碑」三个维度分析。

输出：先用表格概览，再对每个竞品写 200 字以内的核心评价，最后给出 3 条我们的差异化建议，按可行性排序。不确定的信息请标注出来。

同一个 AI，B 同学拿到的是一份能直接进周会的材料。

差别不在 AI，在说话的方式。

这篇文章讲四件事：懂原理、会结构、能追问、有公式。

内容偏长，建议先收藏。文中带「深挖」标记的段落是进阶内容，第一次读可以跳过，不影响使用；带「排错」标记的是问题诊断手册，遇到具体状况了回来查。

第一章 · 懂原理

你得先知道，AI 到底在干什么

绝大多数人用不好 AI，根源是心理模型错了——他们把 AI 当成一个”知道很多事的人”或者”更聪明的搜索引擎”。

这两个都不对。而这个错误的心理模型，会导致一连串错误的用法。

1.1 它在做的事，本质是”预测下一个词”

AI 大模型的核心机制，说穿了非常朴素：给定前面的所有文字，预测下一个最可能出现的词是什么。 然后把这个词接上去，再预测下一个，如此循环。

它不是先”想好答案”再”组织语言”。它是边写边想，一个词一个词地长出来的。

这句话你要是真的听进去了，后面很多技巧就都是自然推论了。

推论一：它没有”打腹稿”的能力，除非你给它

人在回答复杂问题时，会先在脑子里过一遍，想清楚了再开口。AI 默认不会。它的第一个字，就已经在正式作答了。

所以，当任务需要推理时，你必须显式地给它思考空间。

❌ 不给空间：

这三个方案哪个最好？

AI 的第一个词大概率就是”方案二”——它还没分析，答案就已经出口了，后面的分析全是为这个已经说出口的答案找理由。

✅ 给空间：

这三个方案，请先分别列出各自的优势、风险和落地成本，然后再给结论。不要在分析完之前先说结论。

这句”不要提前给结论”在实际使用中的效果差异非常明显，尤其是在做判断、做取舍、做评估的场景。

推论二：你给的每一个词，都在改变它的概率分布

既然它是根据上文预测下文，那么上文里出现过的每一个词，都在影响后面的输出。

这解释了一个很多人觉得玄学的现象：为什么加一句”你是资深律师”，输出的用词就变专业了？

因为在训练数据里，跟在”资深律师”这类表述后面的文本，本身就更多地使用法律术语、更严谨的句式。你不是给它安了一个身份，你是把它的输出往语料库中的某一片区域推了一把。

反过来，这也解释了一个坑：你说的每句废话，也在往某个方向推它。 你在 Prompt 里随口写了句”随便写写就行”，它真的会往”随便”的方向去。

推论三：它没有”我不知道”这个默认选项

因为它永远在预测”下一个最可能的词”，而在训练数据里，一个问题后面跟着的，绝大多数是答案，而不是”我不知道”。

所以沉默和承认无知，对它来说是低概率行为。它天然倾向于给你点什么。

这就是幻觉的根源，我们 1.5 节细说。

【深挖】 严格说，现在的模型经过了 RLHF（人类反馈强化学习）和各种对齐训练，已经比早期模型更愿意说”我不确定”了。但这是后天训练修正的行为倾向，不是机制上的改变。底层那个”预测下一个词”的引擎没变，所以幻觉能被压低，但消不掉。理解这一点，你就不会指望某个”神奇咒语”能彻底解决幻觉。

1.2 Token 与注意力：你真正在花的成本

换算关系

AI 不是一个字一个字读你的输入，而是把文字切成一块块的 Token。

粗略换算（不同模型有差异）：

▍1 个汉字 ≈ 1～2 个 Token

▍1 个常见英文单词 ≈ 1～1.5 个 Token

▍1000 字的中文文档 ≈ 1500～2000 Token

顺带说一句：别为了省 Token 刻意把中文改成英文。 差异没大到值得你牺牲表达准确度，而表达不准的代价远大于省下来的那点额度。

但 Token 真正的成本，不是额度，是注意力

很多教程讲到这里就停了，只强调”Token 有上限，要节省”。这在几年前对，现在不完全对了——今天主流模型的上下文动辄十几万甚至上百万 Token，普通办公场景根本用不完。

真正的成本是：无关信息会稀释 AI 的注意力。

模型在生成每一个词时，会去”看”前面所有内容，并给不同部分分配不同的关注权重。你塞进去的信息越多，每条真正重要的信息分到的权重就越低。

这是一个非常实际的问题。举个例子：

❌ 信息过载版

我们公司是 2018 年成立的，一开始做的是外包，后来转型做自己的产品，中间还试过几个方向都没成，2021 年确定了现在这个方向。团队现在有 12 个人，其中 5 个研发，2 个设计，3 个销售，还有 2 个行政。我们的产品是一个项目管理工具，主要面向中小企业。之前我们试过投广告，效果一般，也做过一些内容，反响还行。现在老板想让我们把定价重新梳理一下。你看看怎么定价比较好。

这段话 200 多字，但真正跟定价决策相关的信息只有两条：产品类型和目标客户。其余的历史沿革、团队构成、投放经历，全都在跟这两条抢注意力。

✅ 提炼版

背景：面向中小企业（50～200 人）的项目管理 SaaS，团队 12 人，目前无定价方案，需要从 0 设计。

已知约束：销售团队仅 3 人，无法支撑重销售模式；主要竞品是 Teambition 和飞书。

任务：设计一套定价方案，给出 2～3 个档位，每个档位说明目标客户、功能边界、定价区间和定价逻辑。

字数少了，但每一个字都在为这个决策服务，而且补上了原文缺的关键约束（销售人力不足）。

实操原则： 不是越短越好，而是每一句都要能回答”这跟当前任务有什么关系”。答不上来的，删掉。

【排错】 如果 AI 的回答总是泛泛而谈、抓不住重点，先别急着改指令，回头数一数你给的背景里有几句是真正相关的。十有八九是你喂多了。

1.3 上下文窗口：它的短期记忆有多长

AI 一次能”看到”的内容有上限，这就是上下文窗口。

把它想象成一块白板：你每轮对话都在往上写字，白板写满了，最早的内容就被挤掉了。

这里有三个坑，普通用户几乎都会踩。

坑一：静默截断

多数产品在超出窗口时会自动丢弃或压缩最早的对话，而且不会告诉你。

你以为 AI 还记得你在第一条消息里说的”我们预算只有 5 万”，实际上聊到第 40 轮时，那句话早就被挤出白板了。它不会提醒你”抱歉我忘了”，它会基于残缺的信息继续自信地回答。

这是长对话质量下降最常见的原因，而且极其隐蔽。

坑二：中间丢失（Lost in the Middle）

这是一个被反复验证的现象：在长文本中，开头和结尾的信息最容易被模型注意到，夹在中间的信息最容易被忽略。

所以你把一份 50 页的合同丢进去，问”有没有对我方不利的条款”，藏在第 27 页的那条它很可能真的看不见。

坑三：上下文污染

比丢失更麻烦的是污染。如果 AI 在第 3 轮基于错误理解给了一个结论，而你没有纠正，那么第 4、5、6 轮它都会在这个错误结论上继续叠加。

错误会在对话里复利增长。

三条应对策略

▍关键约束前置，并定期重申。

重要的前提（预算、期限、禁区、目标读者）放在开头，并且在对话进行到一半时，主动重新说一遍：”提醒一下，预算上限还是 5 万，方案请在这个框内。”这不是啰嗦，这是在往白板上重新写一遍要被擦掉的字。

▍长对话设”结论锚点”。

每聊到一个阶段，让 AI 做一次汇总：”把我们到目前为止确定的结论列成 5 条，我确认后我们继续。”

这一步有两个价值：一是把散落在长对话里的结论压缩成一小段，抗截断；二是你能立刻发现它是不是理解偏了。经常你会看到汇总里冒出一条你从没说过的东西——那就是污染，当场就能纠。

▍长文档处理，先切块。

不要把 50 页文档一次性丢进去问一个大问题。切成章节，一节一节问，每节的结论单独记下来，最后再合并。

这多花五分钟，但比”AI 漏看了关键条款而你不知道”划算得多。

▍任务复杂就换会话。

如果已经聊偏了、纠正了两轮还在偏，果断新开一个对话，把已经确定的结论整理成一段背景重新开始。这不是浪费，这是在丢掉被污染的上下文。

【深挖】 “关键信息前置”和”最近一轮最有效”看起来矛盾，其实不冲突。开头的位置优势来自注意力机制对序列起始位置的偏好，而最近内容的优势来自距离——两头都强，中间弱，这就是 U 型的注意力分布。实操上的结论很简单：要么放最前，要么放最后，别放中间。

1.4 温度：那个你多半调不了的旋钮

温度（Temperature）控制输出的随机性。数值越低越稳定保守，越高越发散多样。

▍低温 → 稳定、可复现：数据提取、格式转换、翻译、代码

▍中温 → 平衡：文档撰写、方案策划

▍高温 → 发散、多样：头脑风暴、创意写作、起名

但这里必须说清楚一件事：

如果你用的是 ChatGPT、Claude、豆包、Kimi 这类网页版或 App，你是调不了温度的。 这个参数只在 API 调用、开发者平台、以及部分工作流工具（如 Coze、Dify）里才开放。

所以对绝大多数读者来说，”调温度”这个知识点的实际价值是零。市面上大量教程花大篇幅讲温度，却不告诉你根本没有入口，这是不负责任的。

真正有用的：用语言实现同样的效果

觉得输出太死板、太套路：

再给我 3 个完全不同的角度，其中至少一个要是反常识的。

假设常规方案都不可行，你会怎么做？

觉得输出太发散、抓不住：

只保留最可行的一个，说明你为什么排除了其他的。

严格按我给的格式输出，不要添加额外说明。

想要稳定可复现（比如批量处理）：

严格按以下规则执行，规则未覆盖的情况标记为”待确认”，不要自行判断。

这些语言层面的约束，在实际效果上和调温度是同一件事——都是在收窄或放宽它的输出空间。

【深挖】 如果你确实在用 API：温度和 Top-p 不要同时大幅调整，调一个就够。批量任务、需要结果一致的场景把温度压到 0～0.2；创意任务再往上给。另外注意温度为 0 也不保证百分之百复现，硬件和实现层面仍有微小随机性。

1.5 幻觉：为什么它会一本正经地胡说八道

回到 1.1 的结论：AI 在预测”下一个最可能的词”，不是在”回忆事实”。

它没有一个数据库供它查证。它只是在把话说得像真的——而”像真的”和”是真的”，是两件事。

关键认知：幻觉在”具体细节”上最严重

这是很多人没意识到的规律。AI 讲大道理、讲概念、讲框架时，通常挺可靠；一旦涉及具体的、可核查的细节，出错概率陡增。

原因也符合机制：越具体的信息，在训练语料里出现频次越低，模型越是在”根据模式编一个看起来合理的”。

高危清单——以下内容一律默认存疑：

▍数字：市场规模、增长率、价格、比例、统计数据

▍人名与机构对应关系：谁说的、谁做的、谁投的

▍时间：某事发生在哪一年、某产品哪个版本上线

▍引文与出处：论文标题、书名、章节、页码

▍链接：URL 是幻觉的重灾区，编出来的链接格式完全正确但打不开

▍法条、标准、政策条款：编号和内容都可能是拼出来的

▍API、函数名、参数：编程场景里编造不存在的方法是经典问题

三种典型表现

▍编造事实：引用不存在的论文、法条、案例

▍过度自信：用斩钉截铁的语气说错误的内容——幻觉不会带着不确定的语气出现，这才是它危险的地方

▍张冠李戴：把 A 干的事安到 B 头上，这类错误最难发现，因为其余部分都对

防御策略（按有效程度排序）

第一级：自己验证。

这是唯一真正可靠的一条。凡是要写进正式文件、要对外发布、要作为决策依据的数字和事实，一律回原始出处核对。

没有任何 Prompt 技巧能替代这一步。别信任何声称能”彻底解决幻觉”的方法。

第二级：要求它标注置信度。

对以上内容，把你不确定的部分单独列出来，说明为什么不确定。

这一招比”要求给来源”更有效，因为它逼模型做自我审视，而模型在被明确要求时，识别自己薄弱环节的能力是不错的。你会经常看到它主动交代：”关于 XX 公司 2024 年营收的数据我没有可靠依据，建议核实。”

第三级：要求来源和链接——但要知道这一步的真实价值。

要求给出处是对的，但出处本身也可能是编的。这一步的价值不是让你放心，而是把核实成本降到最低——给了链接你点一下就知道真假，没给你连从哪查起都不知道。

第四级：在 Prompt 里明确授权它说”不知道”。

如果你对某部分不确定，直接说”不确定”，不要用推测填补。宁可少写，不要编。

有效，但只能降低概率，不能消除。别把它当保险。

第五级：让它联网搜索。

有依据总比没依据强。但搜索结果里混着大量营销稿、过期信息和相互抄袭的内容，这只是把”模型编的”换成了”网上写的”，甄别工作一样跑不掉。

一个实用技巧：交叉验证

对同一个关键事实，换个问法再问一遍，或者开一个新对话重新问。

如果两次答案不一致，那基本可以确定其中至少一次是编的。如果一致，可信度会高一些（但仍不保证——它可能两次都基于同一个错误模式）。

【第一章 · 排错手册】

症状：回答很泛，全是正确的废话
→ 大概率是背景信息过载稀释了注意力，或者根本没给约束。回到 1.2，把背景砍到只剩相关项，并补上具体的输出要求。

症状：长对话越聊越偏，它好像忘了前提
→ 上下文被截断或污染。让它汇总一次已确定结论，检查有没有错，然后重申关键约束。偏得厉害就新开对话。

症状：它一上来就给结论，理由像是硬凑的
→ 没给思考空间。加一句”先分析，分析完之前不要给结论”。

症状：数字看起来很专业，但你查不到出处
→ 典型幻觉。让它标注不确定项，然后自己核。

症状：给的链接打不开
→ 编的。链接是幻觉重灾区，别浪费时间追问，直接自己搜。

第二章 · 会结构

把模糊需求变成精准指令

大多数人跟 AI 说话，就像跟同事说”帮我弄一下那个东西”——你心里清楚要什么，但对方只能猜。

为什么结构化有用？

回到第一章的机制：AI 在预测下一个词，而预测的确定性取决于上文提供了多少约束。

你说”帮我写个竞品分析”，符合这个描述的合理输出有几百万种，模型只能取那个”最平均、最安全”的版本——这就是为什么你拿到的总是正确的废话。

你每加一个约束，就砍掉一大片可能性。 结构化 Prompt 的本质，就是系统性地砍掉你不想要的那些可能性。

2.1 Prompt 四要素，以及它们真实的权重

一个能用的 Prompt，通常包含四块：角色、背景、任务、格式。

但市面上教程很少说的是——这四块的价值不是均等的。

角色：作用被严重高估

例：”你是一个资深 B 端产品经理”

它真实的作用是：影响语气、术语选择、关注视角。

它做不到的是：提高事实准确度。你说它是律师，它不会因此多懂一条法律；它只会说得更像律师。

所以，角色设定该用，但别指望它。真正值得用角色的场景是”视角切换”：

现在换成 CFO 的视角，重新评估这个方案，重点看现金流和回收周期。

现在你是一个对这个方案持怀疑态度的投资人，找出三个最致命的问题。

这种用法有价值，因为你要的就是视角本身。而”你是资深XX，请写一篇XX”这种用法，价值就小得多。

背景：最值钱的一块

背景决定了 AI 能不能给出针对你的答案，而不是通用的答案。

好的背景回答三个问题：

▍给谁看？ 读者是谁，他们已经知道什么，在意什么

▍用在什么场景？ 周会汇报、对外宣发、内部存档、说服老板

▍有什么硬约束？ 预算、时间、人力、不能碰的红线

第三条最容易被漏掉，也最重要。约束是 AI 给出可行方案而非理想方案的唯一依据。

对比一下：

❌ “帮我设计一个市场推广方案”
→ 你会拿到一份需要 200 万预算和 10 人团队的完美方案

✅ “帮我设计市场推广方案。约束：预算 8 万，执行只有我一个人，三个月内要看到效果，不能投硬广（老板不批）”
→ 你会拿到能落地的东西

任务：动词要具体，且只有一个

动词决定了 AI 的行为模式。 “分析”、”总结”、”对比”、”评估”、”改写”、”挑错”，这些词触发的是完全不同的输出。

模糊动词是灾难的开始：”看看”、”处理一下”、”优化优化”、”帮我弄”。

另外一条铁律：一个 Prompt 只放一个核心任务。

别把”分析数据 + 写报告 + 做表格 + 拟邮件”塞进一句话。这不是 AI 能力不够，而是多任务会让它平均分配注意力，每件事都做到 60 分。拆成四轮，每轮都能做到 85 分，而且中间你还能纠偏。

格式：最被低估的杠杆

很多人以为格式只是”好看”,其实格式约束在悄悄地塑造 AI 的思维过程。

因为它是边写边想的，你规定的输出结构，就是它的思考结构。

举个例子。同样是评估方案：

不给格式 → 它会写一段流畅的散文，看着完整，实际上可能只覆盖了两三个角度

给格式 →

输出格式：

一句话结论

支撑理由（3 条，每条附依据）

主要风险（2 条，注明触发条件）

如果要推进，第一步该做什么

我可能没想到的问题

第 5 条尤其值钱——你在格式里给它开了一个口子，逼它跳出你的框架。 这类”格式即提问”的设计，是从”能用”到”好用”的关键。

常用格式约束清单：

▍字数或条数限制：”每条不超过 50 字”、”给出恰好 5 条”

▍结构：”先结论后论证”、”用小标题分段”、”表格 + 文字说明”

▍语言风格：”不要用’赋能”抓手”闭环’这类词”

▍禁止项：”不要写开场白和总结段，直接给内容”

最后这条能帮你省掉大量废话。AI 天生爱写”好的，我来为您分析……”和”综上所述……”，直接禁掉。

2.2 三个高杠杆进阶技巧

【延伸阅读】 这一节是从”会用”到”用得好”的分水岭，但不影响基础使用，可以跳过后再回来。

技巧一：给示例，比描述有效十倍

这是性价比最高的技巧，没有之一。

当你想要某种特定的风格、格式或判断标准时，描述它很难，展示它很容易。

❌ 用描述：

写得口语化一点，但又要专业，有网感但不轻浮，有观点但不激进……

（你自己读一遍都知道这话有多虚）

✅ 用示例：

参考下面这段的语气和句式：

【贴一段你觉得写得好的文字】

按同样的调性，写关于 XX 的内容。

为什么有效？ 回到机制：模型在预测下一个词。你给的示例直接进入了上文，成为它预测时的强参照——它不需要理解”什么叫有网感”，它只需要模仿。

这个技巧对分类和判断任务尤其有效：

请按以下标准给客户反馈分类。参考示例：

“登录老是失败” → 产品功能
“客服回复太慢” → 服务
“功能挺好但太贵了” → 价格
“界面看不懂在哪操作” → 使用体验

现在按同样标准处理以下 300 条：……

三四个例子，胜过一整页分类规则。

技巧二：让它先想后答

前面提过一次，这里展开。

在需要推理、判断、取舍的任务上，强制它先展开思考过程，输出质量的提升非常显著。

常用句式：

▍”先列出你的分析步骤，再按步骤执行”

▍”逐条检查，每条说明依据，最后再汇总”

▍”在给出结论前，先说明你做了哪些假设”

最后一条极其有用。AI 会为了让答案成立而默默做假设，而这些假设往往就是错误的来源。 逼它把假设说出来，你就能当场发现”等等，我们的用户不是这样的”。

技巧三：给它拒绝和反问的权利

默认情况下 AI 会尽力完成你交给它的任务，哪怕信息根本不够。它会用编造来填补空缺，因为”给个答案”比”说不行”概率更高。

所以你要显式授权：

如果信息不足以完成这个任务，先告诉我你还需要知道什么，不要基于假设直接开始。

这一句话能挡掉大量返工。尤其是复杂任务，你会发现它反问的那几个问题，恰恰是你自己也没想清楚的地方。

进阶用法——让它先反问：

在开始之前，请先问我 5 个你认为最关键的问题，我回答完你再动手。

这个用法在做方案、做策划时效果惊人。它问的问题本身就是一份需求清单。

2.3 完整改写案例：从 8 个字到一份可用指令

我们完整走一遍一个真实需求的演进过程。

需求： 给逾期客户发催款邮件。

第 0 版（大多数人的起点）

帮我写一封催款邮件

结果： 一封谁都能用、谁用都不合适的模板邮件，语气生硬，通篇”贵司””特此函告”。

问题诊断： 没有背景（不知道跟客户什么关系）、没有约束（不知道多少钱逾期多久）、没有格式（不知道要多长）、没有风格（不知道该硬还是该软）。

第 1 版：加背景

帮我写一封催款邮件。客户是合作两年的老客户，关系不错，合同金额 5 万，已逾期 15 天。

进步： 语气有分寸了。

仍存在的问题： 长度不可控，可能给你写 800 字；不知道要不要提具体日期；可能会写出让对方觉得被质疑的话。

第 2 版：加约束和格式

帮我写一封催款邮件。

背景： 客户是合作两年的老客户，关系不错，日常对接人是他们的项目经理，付款要走他们财务流程。
情况： 合同金额 5 万，已逾期 15 天，此前无任何催收动作。
目标： 拿到明确的付款时间，同时不伤关系。

要求：

200 字以内

语气客气但明确，不要让对方觉得被质疑或被施压

必须提到具体金额和逾期天数

必须给出一个明确的期望付款日期

给对方一个台阶（比如主动问是否流程上有需要我们配合的）

不要用”特此函告””望知悉”这类公文腔

进步： 这一版基本可用了。注意”给对方一个台阶”这条——这是人的经验，AI 想不到，但你说了它就会做得很好。

第 3 版：加示例和自检

【第 2 版全部内容】

参考我们以前发过的一封效果不错的邮件，语气按这个来：

【贴邮件】

另外：写完后，请单独告诉我这封邮件里哪一句最可能引起对方不适，以及有没有更好的替代说法。

关键升级： 最后那句让它自我批评。

你会经常得到这样的回复：”第三句’请尽快安排’虽然常见，但对老客户略显催促，可以改为’方便的话帮忙看看这笔在流程哪一步了’。”

这一步让 AI 从”执行者”变成了”顾问”，价值完全不同。

复盘

从 8 个字到 300 字，看起来变复杂了，但：

▍第 0 版你要改 5 轮才能用，第 3 版一次就到位

▍第 2 版的结构可以存下来当模板，下次只改字段，成本趋近于零

这就是为什么值得花时间写好第一个 Prompt——它是可复用的资产。

【第二章 · 排错手册】

症状：输出格式每次都不一样，没法批量用
→ 格式约束不够硬。改成明确的字段列表，加一句”严格按此格式，不要添加额外内容”。或者直接给一个填好的样例。

症状：它写得很好，但完全不是我要的方向
→ 缺背景，尤其缺”给谁看、用在哪”。补上这两条，八成能解决。

症状：给的方案全是理想化的，根本落不了地
→ 没给硬约束。补上预算、人力、时间、禁区。

症状：让它做判断，理由很牵强
→ 它先给了结论再找理由。加”分析完之前不要给结论”。

症状：说了要口语化，写出来还是很硬
→ 别用形容词描述风格，贴一段范文。示例永远比描述有效。

症状：一个 Prompt 里的多个要求，它只做了一部分
→ 任务太多了。拆开，一轮一件事。

第三章 · 能追问

迭代比重写高效得多

很多人第一轮不满意就删掉重来。这是最浪费的做法——你把 AI 已经建立的上下文全扔了。

那些上下文包含什么？包含它对你需求的理解、你已经补充的背景、已经确认过的方向、已经排除掉的选项。这些都是资产。 你重开一个对话，等于把这些全部清零，从头再来一遍。

第一轮回答的价值，从来不是”能不能直接用”，而是”它让你看清了什么”。

哪怕它回答得完全不对，你也至少知道了：它把你的需求理解成了什么。这个信息本身就值钱。

3.1 但也要知道什么时候该重开

追问不是万能的。有一种情况必须重开：上下文已经被污染。

判断标准很简单——你已经纠正了两次，它还在犯同一类错误。

这通常意味着前面某个错误的理解已经”钉”在上下文里了，后面所有的输出都在它上面叠加。这时你再怎么追问都是在错误的地基上盖楼。

正确的重开方式，不是简单删掉重来，而是：

让它先总结：”把我们这轮对话里已经确认的有效结论列出来”
你人工挑出真正有用的部分
新开对话，把这些作为背景重新开始

这样你只丢掉了污染，保留了资产。

3.2 五种追问策略（附实战话术）

一、聚焦 — 缩小范围，要深度

用于： 回答覆盖面够了，但每一点都太浅。

▍”第三点展开说，其他不用了”

▍”就’定价策略’这一块，再给我 3 层更细的分析”

▍”你说的’优化流程’太笼统了，具体是哪几步，怎么改”

二、升级 — 提高标准

用于： 方向对，质量不够。

▍”这版太口语化了，改成能直接发给客户的正式版本”

▍”论证太弱，每个观点都要有具体依据”

▍”当前是 60 分的水平，按 90 分的标准重写一遍”

最后这句话很有意思——直接给它一个质量标尺，比描述”要更好”有效。

三、转向 — 换角度

用于： 它的思路陷在一个框里了。

▍”从用户视角重新分析，别从技术视角”

▍”如果预算砍一半，方案会变成什么样”

▍”假设这个方案已经失败了，复盘一下最可能的原因”

最后这个叫”预演失败”（premortem），在评估方案时非常好用，能挖出正向分析挖不出的风险。

四、质疑 — 挑战它

用于： 任何时候。这是最被低估的一种。

▍”你这个结论有数据支撑吗？哪些部分是你推测的？”

▍”这段里哪些内容你不确定？”

▍”找出你自己这个方案里最大的三个漏洞”

▍”如果有人反对这个观点，他最有力的理由是什么？”

为什么最被低估？ 因为 AI 在”生成”模式下会尽力自圆其说，但切换到”审视”模式后，它识别问题的能力其实相当强。你不问，它不会主动说。

试一次你就知道了：让它挑自己刚写的东西的毛病，它经常能挑出你没注意到的真问题。

五、补充 — 添加遗漏信息

用于： 你想起来有没说的。

▍”忘了说，预算在 5 万以内，请据此调整”

▍”补充一个信息：老板特别反感 XX，避开”

注意： 补充信息后，明确要求它重新调整而不是打补丁。否则它可能只在末尾加一段”考虑到预算限制……”，前面的内容原封不动。

正确说法：“基于这个新信息，重新调整整个方案，不要只是补充说明。”

3.3 三种高阶追问

【延伸阅读】 这三种用法能把 AI 从”写手”变成”协作者”。

让它自查

用你自己的标准给刚才的输出打分，说明扣分在哪，然后按扣分项改一版。

这一招的效果常常好过你自己提十条修改意见——因为它知道自己哪里偷懒了。

让它反问你

你觉得我这个需求里，哪些地方还不够清楚？列出你需要我补充的信息。

用在任务开始时最好，但中途也有效。它列出来的往往是你自己也没想清楚的地方。

让它当评审

现在切换身份：你是我的老板，会在周会上看到这份材料。你会提出哪三个问题？

或者：

你现在是竞争对手的产品负责人。看完我们这个方案，你会怎么反制？

这类”对抗性视角”的追问，是把 AI 用出深度的关键。 它不再是帮你写东西，而是帮你压力测试。

3.4 语气怎么调

在追问里直接说你想要的感觉，比在第一轮 Prompt 里写一堆形容词有效得多：

▍”简洁一点，去掉套话和铺垫”

▍”像跟朋友聊天一样说这件事”

▍”用小学生都能听懂的语言重讲一遍”

▍”加一些具体的数据和案例支撑，别只讲道理”

▍”少用’首先其次最后’，用更自然的过渡”

▍”删掉所有’值得注意的是”需要指出的是’这类填充词”

最后两条特别实用——这些是 AI 文本最典型的”味道”，删掉之后人味会明显提升。

3.5 核心心法

第一轮要”粗”，追问要”准”

先把大方向给对，再通过 2～3 轮追问逐步收拢。

这比你憋十分钟写一个”完美 Prompt”，效率高得多——因为你在写第一个 Prompt 时，其实也没完全想清楚自己要什么。第一轮回答的真正作用，是帮你想清楚。

【第三章 · 排错手册】

症状：追问了但它没改，或者只在末尾加了一段
→ 说明它当成”补充”而非”重做”了。明确说”重新调整整个内容，不是补充说明”。

症状：改了这里，那里又坏了
→ 一次只改一个维度。别在同一轮里既要改风格又要改结构又要加内容。

症状：纠正两次以上还在犯同样的错
→ 上下文被污染了。按 3.1 的方法带着结论重开。

症状：越追问越啰嗦，字数不断膨胀
→ AI 倾向于用增加来回应修改要求。加一句”总字数不要超过原来的量，靠替换而不是叠加来改进”。

症状：它同意我说的每一句话，从不反驳
→ 这是对齐训练带来的迎合倾向。用”质疑”策略主动激活它的批判模式，或直接说”请站在反对方立场评估我的想法”。

第四章 · 有公式

四个高频场景，抄走就能用

前三章讲的是原理和方法。这一章给你可以直接复制的东西。

用法： 复制模板 → 替换方括号里的内容 → 发出去 → 用第三章的方法追问。

4.1 场景一：文件处理

适用： 让 AI 读取文件并按规则加工。

角色：你是一个文档处理助手
背景：我有一份[文件类型]，需要[处理目标]
任务：
1. 先用不超过 3 句话总结文件核心内容，确认你理解正确
2. 按以下规则处理：[具体规则]
3. 输出处理结果
格式：[表格 / 列表 / 新文件]

约束：
- 遇到规则未覆盖的情况，标记为"待确认"，不要自行判断
- 信息缺失或规则冲突时，先向我确认，不要基于假设继续
- 处理完成后，说明有多少条无法归类或存在歧义

填好的样子：

你是一个文档处理助手。我有一份 300 条客户反馈的 Excel 表格，需要做分类归因。

请你：

先用 3 句话总结这批反馈的整体情况，我确认后你再继续

把每条反馈归入「产品功能 / 使用体验 / 价格 / 服务」四类之一

统计各类占比，列出出现 3 次以上的高频问题

分类参考示例：
“登录老是失败” → 产品功能
“客服回复太慢” → 服务
“功能挺好但太贵了” → 价格
“界面看不懂在哪操作” → 使用体验

输出：一张分类统计表 + 一段 200 字结论。
拿不准的条目单独列出来，不要硬塞进某一类。

这个场景的专属坑：

▍第一步的”先总结确认”不要省。 它对文件的理解如果一开始就偏了，后面 300 条全白干。

▍必须给分类示例。 光给四个类别名称，不同人理解都不一样，何况 AI。

▍必须留”无法分类”的出口。 不留出口，它会把所有条目硬塞进你给的类别里，而那些塞不进去的，恰恰往往是最有价值的信息。

4.2 场景二：内容写作

适用： 文章、邮件、方案、汇报、文案。

角色：你是一个[行业]领域的[角色]
背景：写给[谁]看，用在[什么场景]，他们已经知道[什么]，最关心[什么]
任务：写一篇[类型]，主题是[主题]

要求：
- 字数：[范围]
- 风格：[正式 / 轻松 / 专业 / 口语]（或直接贴范文）
- 结构：[小标题 / 开头结尾的具体要求]
- 必须回答的问题：[列出 2-3 个]
- 避免：[你不想看到的词和表达]
格式：[Markdown / 纯文本 / 分段落]

写完后，单独告诉我：这篇里你觉得最弱的是哪一段，为什么。

填好的样子：

你是一个科技行业的内容编辑。写一篇公众号文章，读者是中小企业的 IT 负责人——他们知道 AI 编码工具存在，但没在团队里推行过，最担心的是代码质量和安全。

主题：”为什么你的团队该开始用 AI 辅助编码”。

要求：

1500 字左右

风格：专业但不端着，可以有明确观点

结构：小标题分段，开头用一个具体场景切入，不要”随着人工智能的发展”这种开头

必须回答三个问题：能省多少时间、有什么风险、第一步怎么起步

避免：”赋能””抓手””闭环””数字化转型”

格式：Markdown，二级标题。

写完后告诉我哪一段最弱。

这个场景的专属坑：

▍“读者已经知道什么”这一条比什么都重要。 不写这条，AI 会从最基础的概念开始铺垫，浪费一半篇幅。

▍开头一定要单独约束。 AI 的默认开头是”随着 XX 的快速发展”，这句话会毁掉一篇文章的前三秒。

▍“避免”清单比”要求”清单更有效。 你说”要专业”它不知道怎么做，你说”别用赋能”它立刻就能执行。

▍最后那句自评是免费的一轮质检。

4.3 场景三：数据分析

适用： 找规律、看趋势、出结论。

角色：你是一个数据分析师
背景：[数据来源]，[分析这批数据是为了做什么决策]
数据：[粘贴或描述数据]
任务：
1. 描述数据基本特征（总量、时间范围、字段含义）
2. 找出[关键指标]的趋势或异常，标出具体的时间点和数值
3. 给出[数量]条可执行建议，按预期收益排序
格式：[表格 / 结论摘要]

约束：
- 每条结论必须说明依据哪几行/哪个字段
- 样本量不足以支撑的结论，直接说"数据不足"，不要推测
- 区分"相关"和"因果"，不要把相关性表述成因果关系
- 所有计算请列出算式

填好的样子：

你是数据分析助手。以下是我们产品最近 30 天的用户行为数据，我要用来决定下个季度优化哪个环节：

【粘贴数据】

请分析：

日活整体趋势，标出异常波动的具体日期和幅度

转化漏斗里哪个环节流失最严重，流失率多少

给出 3 条可落地的改进建议，按预期收益排序，每条说明预计影响多少用户

要求：每条结论说明依据哪些数据；所有计算列出算式；数据不足以支撑的直接说”数据不足”，不要猜。

这个场景的专属坑：

⚠️ AI 算出来的数字务必自己复核。

这是本文最需要划重点的一条。语言模型做算术是用语言模式模拟计算，而不是真的在算。它可能把 47/312 算成 18.2%，而且写得无比自信。

对策： 一是要求它列出算式，你扫一眼算式比查结果快；二是关键数字自己用计算器过一遍；三是如果你用的工具支持代码执行（如 ChatGPT 的数据分析、Claude 的分析工具），明确要求它”用代码计算，不要心算”——这能把算术错误几乎降到零。

▍“区分相关和因果”这一条必须写。 AI 极其容易把”周三日活高”说成”因为周三推送了消息”，而数据里根本没有推送记录。

▍告诉它”这个分析是为了做什么决策”，它给的建议才会落在你能动的地方，而不是”建议提升产品体验”这种废话。

4.4 场景四：联网搜索

适用： 查资料、做行业调研、找最新动态。

角色：你是一个行业研究员
任务：搜索并整理关于[主题]的最新信息

要求：
- 时间范围：[最近 X 个月]
- 来源优先级：官方公告 > 权威媒体 > 行业报告；排除营销软文和自媒体转述
- 整理方式：[时间线 / 对比表 / 要点摘要]
- 每条信息必须注明：来源名称、发布日期、原始链接
- 传闻或未经证实的信息，单独标注"未证实"
- 搜不到可靠来源的内容，直接说明搜不到，不要用已有知识补全
输出：[结构化报告 / 要点列表]

填好的样子：

你是一个行业研究员。请搜索最近 12 个月国内大模型领域的公开融资事件。

要求：

整理成表格，按时间倒序：公司、轮次、金额、投资方、日期、来源链接

只收录有官方公告或权威媒体报道的

传闻类单独一栏，标注”未证实”

搜不到的时间段直接说明，不要用旧知识填补

最后说明：你的检索覆盖可能遗漏了哪些渠道

这个场景的专属坑：

▍最后那句”说明检索可能的遗漏”很值钱。 它会告诉你”未覆盖非公开融资和港股披露”之类的信息，你就知道这份结果的边界在哪。

▍“不要用已有知识补全”必须写。 否则它会把搜到的和自己记忆里的混在一起输出，而你分不清哪句是哪来的——这是联网场景下最危险的失效模式。

▍联网不等于可信。 网上大量内容是相互抄袭的二手信息，一个错误数字可以在十个来源里同时出现。链接是给你核实用的，不是让你放心用的。

▍时间敏感的信息要写明”今天是几号”。 模型对”最近”的理解可能停留在训练时间点。

4.5 最后一步：把模板变成你自己的资产

以上四套模板是起点，不是终点。真正拉开差距的，是你有没有在积累自己的 Prompt 库。

方法很简单：

1. 只要一个 Prompt 用得好，立刻存下来。 用备忘录、用文档、用任何你顺手的地方。别指望下次能想起来当时怎么写的。

2. 存的时候把可变部分标出来。 把具体的公司名、数字换成 [客户名称]、[金额]，下次直接改字段。

3. 每次用完顺手改进一次。 这次发现少了一条约束，就补上再存回去。三五次之后，这个 Prompt 就会好到不需要再改。

4. 按场景归类，别按主题。 「催款邮件」不如「需要保持关系的施压类沟通」好用——后者能覆盖催款、催稿、催审批。

半年之后你会有二十几个打磨过的模板，那时候你和别人的差距，就不是”会不会用 AI”，而是完全不同的工作效率量级。

总结 · 四句话记住全文

1. 懂原理
AI 不是搜索引擎，是在预测下一个词的语言模型。它没有”想清楚再说”的过程，所以你要给它思考空间；它没有”我不知道”的默认项，所以关键事实必须你自己验。

2. 会结构
角色 + 背景 + 任务 + 格式。四要素里，背景和格式最值钱，角色最被高估。约束越具体，输出越可控。

3. 能追问
第一轮要粗，追问要准。别删了重来——那是在扔掉已经建好的上下文。五种策略里，「质疑」最被低估，它能把 AI 从执行者变成顾问。

4. 有公式
四套模板抄走改字段。但真正的复利，来自你自己积累的 Prompt 库。

附：发出前的 10 秒自检清单

每次写完 Prompt，扫一遍这五条：

☐ 背景里说清了”给谁看、用在哪、有什么硬约束”了吗？

☐ 任务动词具体吗？是不是塞了不止一件事？

☐ 格式说了吗？包括不想要什么（开场白、套话、术语）？

☐ 需要推理的任务，加”先分析再结论“了吗？

☐ 涉及事实和数字，加”不确定就说不确定“了吗？

五条全过，你的输出质量已经超过 90% 的人了。

Prompt 不是天赋，是手艺。

写完 100 个，你就是高手。

了解 ~/jintaoblog/朝夕见闻志⚡️ 的更多信息

订阅后即可通过电子邮件收到最新文章。