前言：从会写到写得好

前两期我们把“为什么”讲完了：

• 第一期：告别魔法指令，用 CRISP 框架写提示词——Context（背景与上下文）、Role（角色与视角，可选）、Intent（核心意图）、Specification（输出规格）、Paradigm（范例）。最高效的公式是 上下文 + 清晰指令 + 输出规格。
• 第二期：讲透了“以前为什么必须喂模板、现在为什么反而不用了”，并盘点了 AI 的三层局限（谄媚倾向、知识截止、来源质量）与四类实战技法（背景上下文、中性提问 + 评分标准、网络搜索、深度研究）。

但这两期都还停留在“方法论”，我被问得最多的，其实是更实际的那一类：

“老大老大，有没有更不吃操作的打法？”

“我抄了你的提示词，为什么在我这儿效果就一般？”

所以这一期我们换一个视角：从会写到写得好。用大白话说，就是让 AI 从能听懂你说话，变成能符合你心意地把事办明白。

具体分两块：

1. 实用技巧：把我自己常用的提示词一条条拆开，讲清每条的设计逻辑、适用场景与实操效果，最后提炼成能复制到别处的普适技巧；
2. 进阶用法：系统讲清不同类型的 AI 工具（通用大模型、推理模型、垂直领域模型、AI 办公工具、Agent）提示词该怎么写，并把“从需求拆解到 prompt 落地”的全流程拆成五步，附分场景避坑指南。

如果你是那种AI 用得还行，但时好时坏、说不清为什么的人，这一期应该是蛮有用的一期，依旧适合小白阅读（因为我也是小白QAQ）

补充一句：这一期不聊工具。如果你关心的是有没有现成的开源工具能帮我管提示词、测提示词，那部分我到第四期单独讲几个我觉得好用的工具。

一、落地实用技巧：把我常用的提示词拆开看

1.1 先说拆解方法：五格拆解法

先讲方法。直接抄别人的提示词，效果往往一般——因为提示词是跟着场景长出来的，不是通用零件。你可以学习别人写得好的提示词，但不能完全照抄。

这有点像语文考试写作文：平时我们都会背范文、记好句，但考场上不能把范文整篇搬上去，而是化用——借鉴它的结构，偶尔穿插几句好句，给文章增彩。

相信大多数人都做过句子仿写。比如“理想是灯，照亮我人生的前进道路”，这个句子可以拆成：

某物 + 是 + 某物，（动作）+（对象）+（意义）。

我学习别人的提示词，用的就是这套思路——先把句子拆成结构，再把结构搬到自己的场景里。具体拆成五格：

这五格不只是一张分析表，它同时是一个填空模板：以后看到好用的提示词，照着这五格记一遍；自己写新提示词时，也可以拿它自检。

可迁移技巧积累多了，你写提示词时会觉得如有神助——这确实和语文写作异曲同工：多积累、多学习、多总结，最后抽象成自己的一套打法。

说明：下面 5 组提示词里，1.2 / 1.3 / 1.4 取自本系列前两期内容与我的实际使用记录；1.5 / 1.6 是为了覆盖高频场景补充的通用范例。

1.2 示例 1｜笔记驱动式：让 AI 帮你把笔记组织成文

① 提示词原文

以下是我学习 AI Agent 时整理的笔记：Agent = 大模型 + 规划 + 工具调用；ReAct 框架 = 思考 + 行动 + 观察的循环；我踩过的坑：一开始不理解为什么要“工具调用”……

请基于这些笔记，帮我生成一篇博客提纲，受众是完全没有 AI 基础的读者，提纲要突出“我自己的踩坑经历”。

② 适用场景：手上已有素材（笔记、会议记录、聊天记录、旧文档），但不知道怎么组织成可交付成品时。

③ 设计逻辑：这条提示词几乎就是 CRISP 里的“C + I + S”三段。

• 以下是我整理的笔记：…… → C（Context）：把材料前置，而不是让 AI 去猜；
• 帮我生成一篇博客提纲 → I（Intent）：明确要的是提纲，不是成文；
• 受众是完全没有 AI 基础的读者 + 突出我的踩坑经历 → S（Specification）：划出了风格与内容边界。

关键杠杆是 C 和 I 的拆分：先要提纲、再要正文。很多人一上来就要一篇完整文章，结果结构不对就得整篇重写；先要提纲，返工成本几乎为零。

④ 实操效果：反模式（直接说“帮我写一篇 AI Agent 入门的博客”）产出的是大而全但没观点的百科式文章；正模式产出的是有个人视角、有踩坑细节的文章。差别不在文笔，在素材是谁的。

⑤ 可迁移技巧：凡是“写”类任务，都先要结构、再要内容。 就像写作文，我们也是先审题、再列提纲，确认提纲没问题了，才开始动笔。

1.3 示例 2｜评分卡式：让 AI 给出能比较的客观结论

① 提示词原文

请客观分析以下三个商业创意：1) AI 简历优化工具（订阅制）2) 宠物纪念品定制 3) 社区团购小程序。

请使用以下评分标准作为评估依据，逐项打分（1-10 分）并给出理由：市场空间（25%）、技术可行性（20%）、获客成本（20%）、变现潜力（20%）、竞争壁垒（15%）。

不要凭主观臆想随意编造内容，每个分数请给出依据；最后输出一张汇总对比表，并给出建议优先级。

② 适用场景：任何要判断、要比较、要选一个的任务——选型、评审、选 offer、挑方案、评估创意。

③ 设计逻辑：

• 客观分析 + 不要凭主观臆想编造内容 → 对抗 AI 的谄媚倾向（第二期讲过的“先接住情绪再给方案”）；
• 评分标准 + 权重 → 把“我觉得哪个好”这种主观题，翻译成“五个可打分的维度”，AI 没法再用“三个都很有想法”来糊弄你；
• 每个分数给出依据 + 输出对比表 → S（Specification）：规定了输出的形态与可核查性。

关键是给标准，而不是给要求。 “帮我客观一点”是要求，AI 无法执行——它并不清楚你的客观是什么标准；“按这五个维度打分”是标准，AI 可以直接执行。

④ 实操效果：直接问“你觉得我这三个创意怎么样”，AI 会先夸一番，再给一堆万金油建议；给了评分卡之后，输出变成了可比较、有依据、能拿去开会讨论的东西。同一句话，加了一张评分表，结论的可用性完全不同。

⑤ 可迁移技巧：当你需要判断而不是内容时，先把你的判断标准写出来。 你写不出标准，说明这件事你自己也还没想清楚——这本身就是有价值的信号。这时候你可以去查一查行业标准，或者让 AI 帮你列出几份候选标准；不管最后用不用得上，你在找标准的过程，本身就是学习。

1.4 示例 3｜项目推进系列：同一件事，我写了 4 版

这一组是我做多阶段项目时实际用过的 4 条提示词。它们解决的是同一个问题：怎么让 AI 稳定地“接着往下做”，而不是每次都要我重新交代一遍背景。

① 提示词原文

版本 1（强调标准一致）：

基于当前项目已完成的阶段成果，继续推进下一阶段任务的实施。在执行过程中，必须严格遵循并保持与前期工作一致的技术标准、质量规范、开发流程及验收准则，确保项目整体风格、代码质量和功能实现的连贯性与一致性。

版本 2（强调节点确认与审批）：

继续执行当前任务流程，首先对所有相关节点进行全面确认与验证。节点确认应包括但不限于：节点功能完整性检查、数据准确性验证、连接状态测试以及与上下游组件的兼容性确认。完成节点确认并确保所有节点均符合预设标准后，方可启动下一阶段任务。在进入下一阶段前，需生成节点确认报告，记录各节点状态、发现的问题及解决方案（如有），待获得审批后才能进行下一阶段的任务。

版本 3（强调“推进 + 复盘”并行）：

继续执行项目下一阶段的任务，同时对上一阶段已完成的代码进行全面审计与系统性反思。审计过程需重点检查代码质量、架构设计合理性、性能瓶颈、安全隐患、可维护性及文档完整性等方面，识别并记录所有问题与缺陷。针对发现的问题，需分析根本原因，提出具体改进建议，并形成详细的审计报告。确保在推进新阶段任务的同时，有效解决上一阶段遗留的技术债务，避免类似问题重复出现。

版本 4（强调计划与进度跟踪）：

进行项目下一阶段的搭建工作。明确当前项目所处阶段及已完成的工作内容，制定下一阶段的详细搭建计划，包括但不限于架构设计、模块划分、技术选型确认、资源配置、任务分配等关键环节。确保搭建过程符合项目整体规划和技术规范，设定明确的时间节点和阶段性目标，建立进度跟踪机制以保障搭建工作有序推进。

② 适用场景：把 AI 当成“项目执行方”来用时——比如用 AI 编程工具做多阶段开发，或者让 AI 按阶段推进一份长期方案。你希望它每次接手都在同一套规范下工作，而不是自由发挥。

③ 设计逻辑：这 4 条的骨架其实完全一样，都是“指令 + 动宾结构清单 + 约束”：

• 继续推进下一阶段任务 → I（Intent）：动词开头，意图明确；
• 必须遵循一致的技术标准 / 质量规范 / 开发流程 / 验收准则 → S（Specification）：把我脑子里的“工程规范”显性写出来，否则 AI 只会按最省事的方式做；
• 生成报告 / 审计 / 进度跟踪 → I 的追加要求：不只做事，还要留下可检查的痕迹（报告、清单、节点状态）。

关键杠杆是把隐性要求显性化。 一致性、可维护性、技术债务这些词，平时很少有人会写进提示词里——但只要写上去，AI 的行为就会明显收敛。

④ 实操效果：

• 好的一面：在多轮、长周期的任务里，这一组提示词能有效防住AI 越做越飘——它不会在第三阶段突然换掉第一阶段的写法；
• 翻车的一面：4 条都在 100 字以上，且大量使用“全面”“系统性”“必须严格”这类无法验收的副词。 当任务本身很小（比如只改一个函数）时，这一长串要求会稀释真正的指令，AI 反而抓不住重点。

⑤ 可迁移技巧：先写一个长版，把自己的所有要求倒出来；再压成一个短版，只留能验收的硬指标。 上面版本 1 可以压缩成这样：

继续推进下一阶段。硬性要求：① 沿用已定技术栈与代码风格，不引入新依赖；② 完成后输出一份改动清单（改了什么、为什么、影响范围）；③ 遇到底层设计变更，先停下来问我。

从 120 字压到 60 字，信息量没少，AI 反而更容易执行——提示词的长度应该由“信息量”决定，而不是由“语气强度”决定。

1.5 示例 4｜会议纪要两步法：把一步到位拆成两次对话

【通用范例】 这一条和前面几条都不同——它演示的是把一个大任务拆成两次对话，也是我最推荐新手先掌握的一条。

① 提示词原文

第一步（只提炼，不加工）：

以下是一段会议录音的文字转写，里面有很多口语、重复和跑题。请只做一件事：提取出【讨论的议题】和【达成的结论】，逐条列出。不要补充、不要润色、不要生成任何待办事项。

（此处粘贴转写稿）

第二步（基于结论派任务）：

基于上面已经确认的议题与结论，生成一张任务清单表格，字段为：任务 / 负责人 / 截止时间 / 依赖项。会议中没有明确的地方，请标注“待确认”，不要自己编。

② 适用场景：拿到一段原始、混乱的会议材料（录音转写、聊天记录、群消息），要输出一份能直接发出去的行动清单时。

③ 设计逻辑：

• 第一步用 只做一件事 + 不要补充、不要润色、不要生成待办 → S（Specification）里的“负面清单”。这三句否定比十句要准确都管用，它堵住了 AI 最爱做的两件事：脑补和发散；
• 第二步把第一步的输出当输入 → 这是关键：让 AI 先看清事实，再基于事实行动，避免它一边读混乱原文、一边编任务；
• 没有明确的地方标注“待确认”，不要自己编 → 直接对抗幻觉。

④ 实操效果：一步到位地问“帮我整理这份会议纪要并列出待办”，AI 会给你一份看起来很完整、但负责人和时间全是编出来的清单；拆成两步之后，你会先拿到一份正确的草稿，它想编也没有依据了。

⑤ 可迁移技巧：当任务同时包含理解和行动两个阶段时，把它们分成两次对话。 让 AI 先做阅读理解，你确认无误后，再让它做基于阅读结果的产出。这样一出问题，你能立刻分清是它读错了还是它做错了。同理，可以拓展成更多步骤，在一个对话下完成即可。

1.6 示例 5｜样例迁移式：给一个例子，胜过两百字描述

① 提示词原文

这是我之前写的一段产品介绍，请先分析它的写作特点（句式、语气、用词习惯）：

（粘贴一段你自己写的、满意的旧文案）

然后，按照同样的风格，为下面这个新产品写一段介绍：

（粘贴新产品的要点）

要求：不要直接套用旧文案里的句子，只模仿风格。

② 适用场景：要让 AI 写出像你写的内容——个人品牌的文案、公众号文章、周报、邮件。凡是风格比内容更重要的任务，都适合。

③ 设计逻辑：

• 先分析它的写作特点 → 让 AI 自己把范式说清楚，比直接说“模仿这个风格”更稳；
• 给一整段真实样例 → P（Paradigm）：第一期讲的“一个例子胜过两百字描述”，就是这一格；
• 不要直接套用旧文案里的句子，只模仿风格 → S 里的负面约束，防止它偷懒照抄。

④ 实操效果：改用样例之前，我描述风格的方式是“专业一点、亲切一点、有网感”——这三个词 AI 每次理解得都不一样；改用样例之后，同一个产品连着写 5 版，风格基本能保持一致。

⑤ 可迁移技巧：能用例子表达的，就不要用形容词。 “高级感”“有网感”“接地气”这些词，AI 和你的理解永远有偏差；但你随手甩一段你觉得对味的旧内容，偏差立刻就没了。

1.7 提炼：从上面这些提示词里，能复制的 8 个普适小技巧

把上面每条的⑤ 可迁移技巧收拢一下，得到这 8 条。它们不依赖具体任务，可以直接搬到你自己的场景里：

1. 把“形容词要求”换成“可验收的标准”。 写得好一点没法执行；“不超过 300 字、开头一句话给结论、禁止出现‘赋能’”可以执行。标准必须能被检查。 写不出标准时，就去查行业标准，或者让 AI 帮你列几份候选——找标准的过程本身就是学习。
2. 给样例，胜过给形容词。 一段你满意的旧内容，比两百字风格描述管用（对应 CRISP 的 P）。
3. 用“约束式反馈”代替“批评式反馈”。 不说“太笼统了”，说“把第二段扩到 200 字，补一个具体客户案例和数据”。
4. 材料前置，不要补在后面。 把笔记、文档、数据放在任务描述之前，AI 的注意力分配更合理。
5. 复杂任务先要“复述 + 计划”，确认理解没错，再要成品。这是最便宜的止损手段。
6. 把“理解”和“行动”拆成两次对话（1.5 的招式）。出问题时，你能立刻分清是“读错”还是“做错”。
7. 好用的提示词要沉淀下来。 一次调好的提示词，存成模板、把变量留成占位符（例如 [产品名]、[目标读者]），下次直接换参数复用——这就是“把提示词当资产”。
8. 不要在提示词里“补能力”（第二期的结论）。给目标、给材料、给约束、给示例，是在补信息，永远有效；堆角色、堆分步命令、堆情绪话术，是在补旧模型缺失的能力，2026 年的模型已经内化了，补了反而稀释重点。

二、进阶用法：不同类型的 AI 工具，提示词该怎么写

到这里，我们已经知道怎么把提示词写好了。但还有一层常被忽略的差别：你面对的不是一个 AI，而是好几类完全不同的 AI 工具。同一套提示词换个工具就失效，往往不是模型变笨了，而是你还在用 A 类工具的写法去指挥 B 类工具。

2.1 五类 AI 工具的设计逻辑差异

2.2 从需求拆解到 prompt 落地的五步流程

上面是面对不同工具怎么写，这一段是拿到一个任务，怎么一步步变成能用的 prompt。这套流程对五类工具都适用。

Step 1｜先定义终产物，而不是先想提示词

问自己一句：任务完成后，交付物长什么样？ 是一份文档、一张表、一段代码、一个结论，还是“帮我做完一件事”？

如果答不上来，说明你还没想清楚要什么——这时候写提示词，写得再漂亮也是白写。

Step 2｜拆任务链，标出“谁做哪一段”

把任务拆成步骤，然后逐步标注：哪些交给 AI、哪些你自己做、哪一步最容易出错。

经验判断：越靠近判断和担责的环节，越要留给人；越靠近收集和整理的环节，越适合交给 AI。这一步也顺带决定了你要不要用 Agent（多步自动执行），还是普通对话就够了。

Step 3｜补齐材料与边界

把 Step 2 里 AI 需要用到的东西前置：参考资料、数据、样例、术语表。

然后写清边界：必须做什么（硬性要求）、禁止做什么（雷点）、不确定时怎么办（是猜还是问你）。

第二期反复强调的“给目标与边界”，落地的具体动作就在这一步。

Step 4｜写出初版 prompt，用 CRISP 做自检

初版不需要完美，写完用第一期的 CRISP 过一遍就行：

• C 上下文：材料给全了吗？
• R 角色：需要特定视角吗？（可选）
• I 意图：一句话能不能说清“要它做什么”？
• S 规格：格式、长度、风格、禁忌写了吗？
• P 范例：有没有一个能代表“理想输出”的样例？

五要素不必全写，但 I 必须有。如果只能写一句，就把那一句说到极致清楚。

Step 5｜迭代：从看结果改成看理解

大多数人对结果的返工方式是“不对，重写”，效率很低。更好的迭代顺序是：

1. 先看它有没有理解错（要求它复述理解，或直接看深度思考过程）；
2. 理解对了但结果不对 → 用约束式反馈修正（“把第二段扩到 200 字，补一个案例”）；
3. 理解就错了 → 别改句子了，回去补材料或补边界，问题出在输入，不在指令；
4. 连续两次同类错误 → 说明这个任务不适合纯对话完成，考虑换工具类型（比如改成 Agent，或改用能保证格式的约束生成方案）。

2.3 分场景避坑指南

2.4 一个完整的实战案例：让 AI 分析销售数据

【通用范例】 下面这个案例把本章的三样东西串了起来：五类工具的写法差异、五步流程、以及避坑指南。你可以把它当成一个“模板”。

任务背景：我手上有一份 12 个月的销售明细表，想知道“哪几个品类在走下坡路”，并据此安排下一季度的资源。

第一版（翻车）：直接问——

帮我分析一下这份数据，看看有什么问题。

结果：满篇“建议加强营销、重视客户体验、关注市场变化”的套话；更糟的是，它顺手编了三个数字。

第二版（对话式大模型的正确写法）：先把数据整理成表格贴进去，再明确要求——

以下是我整理的销售明细（按品类 / 月份）。请只基于这份数据回答：每个结论必须标注对应的时间段和具体数字，没有数据支撑的结论一律不要输出。格式：先给结论，再给数据依据。

结果：结论变得可验证了，但它给的仍然只是“描述”（哪个品类掉了多少），不是“判断”。

第三版（补上判断标准）：这是关键的一次升级——

在上面的基础上，请按以下口径重新判断：① 连续 3 个月环比下滑 → 标记为“下滑”；② 下滑幅度超过 20% → 标记为“严重下滑”。先列出满足条件的品类与具体数据，再对每个“严重下滑”品类给出 3 条可能原因，并注明“验证这个原因还需要哪些额外数据”。

结果：终于拿到了能直接开会用的东西——有名单、有数据、有假设，还标明了待验证项。

第四版（如果换成 Agent 来做）：给的不是步骤，而是“关键四问”——

• 目标：产出一份《XX 品类下滑分析与建议》报告（含图表）。
• 验收标准：每个结论都能追溯到原始表格中的具体行；报告中不允许出现原始数据里没有的数字。
• 边界：只能读取我提供的这份表格，不允许联网、不允许调用其他数据源；不得修改或删除任何原始文件。
• 停止条件：如果发现数据缺失或口径冲突，停下来问我，不要自己假设。

一句话总结：同一个需求，写法升级一次，产出就上一个台阶。而拉开差距的往往不是“文笔”，是你有没有给出判断标准、有没有划清边界。

三、写在最后

这是这期的总结：

1. 技巧层面：好用的提示词都能被拆成结构。别抄结论，抄结构——五格拆解法（原文 / 场景 / 逻辑 / 效果 / 可迁移）本身就是一个可以一直用的工具。
2. 进阶层面：不同类型的 AI 工具要吃不同的写法。通用大模型给目标与边界，推理模型给判断标准，垂直工具给领域结构化输入，办公工具改材料而非指令，Agent 给目标 + 验收 + 边界 + 停止条件。

如果你觉得这期有用，欢迎转发给需要的朋友。