企业官网建设流程全解析

做AI提示词这件事，我琢磨了很久。刚开始看别人晒出各种花哨的"咒语"，动辄几十上百字，结果自己照抄之后，AI给出的东西还是没法看。后来我才慢慢明白，问题的关键不在"话术"，而在底层的思考框架——你心里有没有一套清晰的逻辑，知道该怎么把需求、约束、期待说清楚。这篇内容我结合自己的实操经历，把AI提示词这件事从框架到模板到案例完整拆一遍，希望能帮你少走点弯路。

1. 为什么你收藏了一堆提示词，还是写不好AI提示词

先说个扎心的现状：我见过很多人（包括曾经的我）收藏了一堆"万能提示词模板"，今天抄一个，明天抄一个，但换了个场景就完全不好使了。为什么会这样？因为那些模板是别人在特定场景、特定模型版本下调出来的，你直接拿过来，底层需求根本没对齐，AI理解不了你真正要什么。

还有个常见误区是把提示词工程当成文字游戏，觉得只要堆砌更多华丽的形容词、更多限制词，AI就会听你的。实际上，从我自己和身边朋友的使用体验来看，绝大多数情况下，你写不好提示词，不是因为话术不够多，而是因为你没有想清楚问题本身。你让AI写一份周报，但你心里根本不知道周报要突出什么重点、给谁看、期望在哪个方向上展开——这种情况下，你给再多的提示词框架也没用。

所以我一直强调一个观点：AI提示词的核心不是"调教AI"，而是"梳理自己"。你在写提示词之前先逼自己回答三个问题：

1. 我到底想让AI完成什么任务？
2. 这个任务的成功标准是什么？
3. 有哪些坑是AI可能会踩的，我需要提前堵住？

只有这三个问题想明白了，提示词才能真正变得"优雅"——这里的优雅不是指文字上的花哨，而是指你能够用最少的字、最清晰的结构，让AI一次get到你的意图。

另外提醒一点，我在实际使用中养成了一个习惯：每一条提示词都当成一次沟通，而不是一次命令。我会在开头告诉AI它的"身份"和"立场"，在中间交代背景和约束，在结尾说清楚输出的格式和质量要求。这个习惯看起来很简单，但它是所有框架、模板、案例的地基。你别小看这个地基，后面所有技巧都是在这个基础上长出来的。

提示：如果你现在还是"随手打几个字"的水平，这篇文章里的框架可能会让你觉得繁琐。但请相信我，先刻意练习十次，之后再回归简单，你会发现自己的简单和以前的简单，完全不是一个层级。

2. 三大经典框架拆解：从结构上理解提示词的底层逻辑

现在进入最核心的部分——三大经典框架。网上关于提示词框架的说法很多，什么BROKE、CRISPE、CO-STAR、RACE等等，但我觉得对于大多数普通人来说，先把这三个最经典的吃透就够了。它们分别解决"基础表达""复杂任务拆解""持续对话优化"三类典型问题。

2.1 框架一：CRISPE——把需求说清楚的万能结构

CRISPE是我个人最常用、也最推荐新手先练的框架。它的核心思路是让提示词具备完整的"沟通闭环"。CRISPE是五个单词的缩写：

• C（Capacity）：设定AI的角色身份。比如"你是一位有10年经验的资深数据分析师"。
• R（Insight）：提供背景信息和上下文。比如"我们是一家做在线教育的公司，最近三个月用户流失率上升了15%"。
• S（Statement）：陈述你的核心任务或需求。比如"请帮我分析导致用户流失的可能原因"。
• P（Personality）：定义风格或回应方式。比如"用通俗易懂的语言，避免堆砌术语，最好能用具体案例说明"。
• E（Experiment）：要求AI给出多个方案或尝试方向。比如"请从产品功能、运营策略、用户心理三个维度分别给出分析，并附上你推荐的优先级排序"。

这个框架的好处是它天然地帮你想清楚了"背景、任务、约束、期望"这四件套。你会发现，用CRISPE写出来的提示词，即使文字再朴素，也能让AI的理解准确度提升一个档次。我测试过，用同样的需求分别用CRISPE和随口提问，AI给出的回复质量差距非常大——随口提问得到的往往泛泛而谈，而CRISPE能逼着AI进入"承担责任"的状态。

2.2 框架二：BROKE——复杂任务需要先分解再执行

CRISPE适合那种"把话说清楚"的场景，但当你面对一个复杂任务，比如"写一篇包含市场分析、竞品对比、落地建议的完整报告"时，CRISPE就有局限了。这时候我用BROKE框架。

BROKE的五个步骤：

• B（Background）：先把背景和动机讲清楚。让AI知道你为什么需要这个任务，这是很多新手容易忽略的。
• R（Role）：定义角色，这和CRISPE中的C是类似的。
• O（Objectives）：明确目标，尽量拆成可验证的小目标。比如"第一，梳理行业现状；第二，列出前三名竞品的核心策略；第三，给出我们自己的差异化建议"。
• K（Key Result）：定义关键结果。也就是你希望最终交付物长什么样、包含哪些模块、用什么标准衡量质量。
• E（Evolve）：迭代和演化。这一步是BROKE的灵魂——第一次得到的答案往往不是最终答案，你需要追问、修正、增删内容，通过多轮对话让结果逼近你的预期。

我实际用BROKE的体会是，它的价值不在于一次把提示词写得多完美，而在于它把"迭代"这件事显式地变成了流程的一部分。很多人跟AI对话总是"一问一答"地瞎聊，而BROKE告诉我们：先给一个结构化指令，得到初稿，然后基于初稿不断提出进化方向。比如我会说"第二部分竞品分析的数据太旧了，请换成2023年之后的信息"或者"最后再加一段风险评估"，这种连续优化所带来的效果，远比第一版提示词就指望一步到位要靠谱得多。

2.3 框架三：CO-STAR——多轮对话中的上下文管理

用ChatGPT、Claude这类对话式AI的时候，最大的痛点其实是"上下文丢失"。聊了二十轮之后，AI好像忘了最开始的要求；或者你在对话中途突然换了个需求，结果AI还在按前面的逻辑执行。CO-STAR框架就是用来管理这种场景的。

CO-STAR的构成：

• C（Context）：提供相关背景信息，帮助AI理解整个对话的语境。
• O（Objective）：明确你希望AI完成的具体任务。
• S（Style）：设定回复风格，比如专业、幽默、简洁、友好等。
• T（Tone）：设定语气态度，比如坚定、委婉、鼓励等。
• A（Audience）：明确受众是谁，AI的回复应该针对谁的知识水平和偏好。
• R（Response）：明确输出格式，比如JSON、表格、列表、段落。

看到没有，CO-STAR和前面两个框架的区别在于，它特别强调风格、语气、受众这些"软性"维度。为什么？因为在多轮对话中，AI的"语气漂移"和"受众遗忘"是很常见的问题——你一开始让它用专业口吻写报告，聊到后面它突然开始卖萌；你让它写给领导看的方案，它写着写着变成了写给同事的口吻。这些都是因为没有锁定软性参数。而CO-STAR中的S、T、A就是在反复给AI"定调"。

我在做长文档、多轮修改类任务时，会直接把这六个要素固化到一条"系统提示词"里，让它始终生效。比如在对话开头我会写清楚"你的受众是公司管理层，平均阅读时间不超过5分钟，风格要求结论先行、数据支撑，语气保持客观冷静，输出格式为总分总结构"。这样即使聊了20轮，AI也不会跑偏。

2.4 三个框架怎么选：场景匹配才是关键

经常有人问我：这三个框架我应该用哪个？我的回答是：看任务复杂度、你的熟悉度、以及输出要求的严格度。为了方便你快速决策，我整理了一个对照表：

记住，框架是拐杖，不是枷锁。等你把这三个框架都用熟了，完全可以融合使用——比如取CRISPE的背景定义，加上CO-STAR的风格控制，再用BROKE的迭代流程收尾。真正优雅的提示词高手，从来不死守某一个模板，而是按需组合。

3. 七类通用模板：拿来即用，但更重要的是懂背后的套路

框架有了，接下来就该落到具体的模板上。我把自己实践下来最常用的七类模板整理了一下。这里我想强调一点：每一类模板我都会告诉你它的"通用套路"是什么，以及什么时候该用它，什么时候不该用它。你只抄模板没用，你得知道模板为什么长这样。

3.1 角色扮演模板：给AI一个"人设"

角色扮演是最基础、也最容易被用歪的模板。用得好，AI的输出立刻有代入感；用得不好，就是中二病发作。一个标准的角色扮演模板包含：身份描述 + 能力边界 + 说话风格 + 禁语清单。

举一个正面例子："你是一位有20年经验的营养师，擅长为上班族设计简单易做的健康餐。你会用生活化的语言给出建议，避免使用热量表之类的专业数据轰炸。你的建议需要具体到食材、步骤和时间。注意，不要推荐需要复杂烹饪工具的食谱。"

你发现这里的门道了吗？除了给身份，我还给了能力边界（擅长上班族健康餐）、说话风格（生活化、避免专业数据）、具体要求（具体到食材步骤时间）、禁区（不推荐复杂工具）。这四个要素缺一不可。很多人写角色扮演只写"你是一个营养师"，AI给你的回复就会非常泛泛，因为它只知道职业标签，不知道行为准则。

3.2 任务分解模板：把大目标拆成AI能执行的小指令

前面讲BROKE时提到了拆解目标，这里给你一个可以直接套用的模板。核心逻辑是：大任务容易让AI失去焦点，你要主动拆成阶段性指令。

我通常的写法是："请完成以下三步任务。第一步，列出XX领域当前最重要的五个趋势，每条用一句话概括；第二步，针对每个趋势给出一个真实案例，说明其应用场景；第三步，基于这些趋势预测未来12个月的发展方向。在整个过程中，请保持客观中立，不要为凑数而编造案例。"

这个模板的底层逻辑是：AI在回答大而模糊的问题时，会选择它最"熟悉"的路径回答，但这未必是你想要的路径。而当你拆成三步，实际上是在帮AI规划思考路径，让它的输出在结构上更接近你的预期。拆解的颗粒度也有讲究，三步到五步比较合适。太细了，AI容易机械执行，缺少灵活性；太粗了，AI还是会泛泛而谈。

3.3 数据与分析模板：让AI用结构化方式处理信息

处理数据类任务时，我一般会用"指令前置"的方式，把分析和输出格式一起交代清楚。语言模型不是计算器，它更适合做"模式提取和信息重组"。这个模板适用于让AI从一段文章里提取要点，或对一组数据进行解读。

模板示例："请阅读以下文本，提取出所有提到的问题、对应的解决措施以及最终效果。输出格式为三栏表格，第一栏问题，第二栏措施，第三栏效果。如果原文没有明确提到的信息，请标注'未提及'，不要自行推断。最后，请用两句话总结这篇内容的核心观点。"

这里最关键的一句是"没有提到的信息请标注未提及"，这是在防止AI胡编乱造。这个模板的骨架是：要分析什么 → 按什么结构组织 → 不知道的地方怎么处理 → 最终输出什么。无论你是让AI做会议纪要、财报解读还是政策梳理，都可以套这个骨架。

3.4 内容改写模板：保留核心意思，换掉表达方式

内容改写可能是普通人用得最多的场景之一。但很多人不会改写，直接跟AI说"帮我改得高级一点"，结果AI给你整出一堆辞藻华丽但空洞无物的废话。问题出在哪里？你没有定义"高级"是什么。

我的内容改写模板是这样的："请将下面这段文字改写为更正式的风格。保留所有事实、数据和观点不变；将口语化表达改为书面语；适当拆分长句以提升可读性；不要增加任何原文没有的新信息。改写后，请附上一段说明，列出你做了哪些调整。"

你会发现我加了两个特殊指令：一是"不要增加任何新信息"，二是"附上调整说明"。前者是为了防止AI在改写过程中"润色"过头，偷偷加戏；后者是为了让你能检查AI是否忠实于原意。这个思路适用于所有改写类任务，不管是把大白话改成领导讲话，还是把技术文档改成科普文章。

3.5 结构化输出模板：让AI输出可解析的格式

做自动化流程或者需要把AI输出喂给其他工具时，结构化输出太重要了。我踩过很多坑，比如让AI输出JSON它偏给你加markdown标记，或者字段名擅自改了。后来我总结了一个靠谱模板。核心要点是：示例优于描述。

模板示例："请根据以下要求生成一个JSON对象。字段包含：title（文章标题），summary（50字以内的摘要），tags（最多5个标签的数组）。输出要求：不要包含任何多余文字，不要使用markdown代码块包裹，只输出纯JSON。参考格式如下：{'title':'...', 'summary':'...', 'tags':['...','...']}。"

这里特别提醒：AI对话界面里，很多时候即便你说了"不要用markdown包裹"，它依然会给你加代码块。这时候你可以追加一句"如果输出包含markdown标记，本次回答将被判定为无效"，效果立竿见影。结构化输出模板只适合那些"格式大于内容"的场景。如果你追求的是创意发散，就别用这个模板，否则会严重限制AI的发挥空间。

3.6 学习与解释模板：让AI当你的私人家教

这个模板是我日常用得最频繁的，不管是学新知识还是理解复杂概念。《如何优雅地学会AI提示词》这个标题本身，其实也暗含了这个需求——你要让AI教你东西的时候，不能只问一句"什么是提示词工程"，得让它按你的理解水平来。

模板推荐："请用费曼学习法为我解释[某个概念]。我的背景：[你的知识水平]。要求：第一，先给出一个一句话的核心定义；第二，用三个生活化的类比帮助我理解；第三，指出初学者对这个概念最常见的三个误解；第四，用一道简单的测试题检验我的理解。请用通俗易懂的语言，避免一上来就堆术语。"

为什么这个模板有效？因为它把"解释"变成了一个结构化的教学流程。你会发现，不这样设置的话，AI给你的解释往往有两种极端：要么太浅（复读概念）要么太深（一堆公式术语）。而当你要求"先定义、再类比、再纠错、再检验"，其实是在模拟一个优秀老师的教学过程，AI的回复质量自然会提升。

3.7 创意生成模板：如何让AI既天马行空又不跑偏

最后是创意类模板。很多人觉得创意不就是随便聊吗，但实际用过你就知道，完全放开之后AI给出的创意往往非常平庸。创意生成的关键在于：给AI一个明确的"创新维度"和"边界约束"。

我的通用创意模板："请为[目标]提供10个创意方案。约束条件：第一，方案必须符合[某条件]；第二，避免常见的[某类平庸思路]；第三，每个方案用一句话点出核心创意、一句话说明实施方式、一句话说明潜在风险。请确保10个方案之间的差异足够大，不要在同一个小方向上反复变化。"

这里有个小心机：让AI"避免平庸思路"其实是在逼它走出舒适区。AI的训练数据中有大量常见答案，如果你不加这层约束，它就会给你那些"典中典"的建议。加了约束之后，你会发现它开始尝试一些"反常识"的路径，而这些路径往往才是真正的创意火花。

现在，七类模板我都放在这了。但光有模板还不够，你需要知道什么时候模板会失效——比如当你的任务跨越多个模板类型时，就要组合使用；当AI反复听不懂时，说明你少了关键背景信息，不是模板的问题。这些经验，我们放到实战案例里一起看。

4. 实战案例逐帧拆解：从翻车到出彩的完整过程

理论说了一堆，不上手实操都是白搭。我选了六个我自己做过的真实案例，每一个都包含了"最初的烂提示词"和"优化后的好提示词"以及背后的思路调整过程。我建议你边看边想，如果是你，会怎么改。

4.1 案例一：让AI写一封"不尴尬"的跟进邮件

背景：我朋友是一家公司的销售，要给一位意向客户发跟进邮件。他最开始在AI里输入的是：

"帮我写一封跟进邮件，提醒客户上次聊的合作。"

AI回了一封非常通用、非常模板化的邮件，大概意思是"您好，上次我们聊过合作事宜，请问贵方考虑得怎么样了？"——放在任何场景都行，但也正因为如此，毫无针对性。

我的优化思路是：给AI足够的背景信息，逼它站在"我"的角度而不是"AI"的角度写。

"你是一位销售顾问，负责跟进一位在展会上表示'对你们数据中台产品感兴趣'但预算尚未获批的客户。客户姓李，是IT部门负责人。请帮我写一封跟进邮件，要求：1. 用温和的提醒语气，不要显得催促；2. 附上一个5分钟的产品Demo视频链接；3. 给客户一个低承诺的下一步选择——回复是否方便约下周简单聊15分钟；4. 整封邮件控制在150字以内，结尾不要用'期待您的回复'这种话。"

你看，这里我做了三件事：给了具体背景（展会、产品、预算未批）、锁定了行动路径（发视频链接、低承诺下一步）、禁止了AI的默认套路（不要用'期待您的回复'）。结果是这封邮件回得非常像一个"真的人在跟进"，而不是AI群发。

4.2 案例二：用AI做竞品分析报告

背景：一个做跨境电商的朋友需要一份竞品分析报告，他直接跟AI说"帮我分析一下Amazon、eBay、Temu这三个平台的优劣势"。

AI给的回答是什么？是三段网文风格的产品简介，每个平台两三百字，读完之后什么决策都做不了。

我用BROKE框架重新设计了提示词：

"背景：我们是一家做家居小件的新品牌，预算有限，计划三个月内只选择一个平台作为主阵地。角色：你是一位跨境电商策略顾问。目标：请对比Amazon、eBay、Temu三个平台，重点分析它们的费用结构、目标客群、竞争激烈程度、对我们这类低价家居品的适配性。关键结果：输出一个对比表格，最后给一个明确的推荐平台和理由，并列出风险。后续要求：我会根据你的回答继续追问细节，请记住你的推荐立场，不要前后矛盾。"

这个提示词的效果立竿见影，关键在于我传达了三个信息："我们是谁、我们面临什么决策、我们期望什么产出"。AI不再泛泛地评价平台，而是直接站在"一个预算有限的家居新品牌"的角度输出内容。这里也体现出BROKE框架的迭代特性——如果你觉得第一版报告不够深入，可以继续追问"请针对推荐平台展开，分析我们的定价策略"。

4.3 案例三：从零学Python数据分析

背景：我教过一个刚入行的朋友学Python，他直接问AI"我想学Python数据分析，该怎么学？"，结果AI给了一份洋洋洒洒的学习路线图——从变量、循环到Pandas、Matplotlib，堪称完美，但他看完更焦虑了，因为完全不知道从哪下手。

我教他把问题改成了可执行的小任务，用了"学习与解释模板"：

"我完全没有编程基础，但需要在一个月内学会用Python做Excel级别的数据处理。请不要给我完整的学习路线，只告诉我今天的第一个学习任务应该做什么。要求：1. 任务时长控制在30分钟内；2. 先教我安装运行环境；3. 用一个具体案例（比如计算部门平均工资）作为练习；4. 完成后告诉我下一步该做什么。"

这个提示词的巧妙之处在于它把"学Python"这个大目标压缩成了"今天30分钟"的小任务。AI给出的回答不再是空洞的路线图，而是一个可以立刻行动的清单。学完今天的任务，他又回来问"下一步"，AI会基于他刚完成的内容继续递进。这种"自适应学习"的效果，比看十篇学习路线图都强。

4.4 案例四：用AI生成小红书爆款文案

背景：一个做手工饰品的朋友让我帮忙调教AI写小红书文案。他原版的提示词是"帮我在小红书发一篇推广手工耳环的笔记"，写出来的内容比白开水还淡，连他自己都不想看。

我这边的改法，重点是用CO-STAR锁定风格和受众，再加一点"平台调性"约束：

"请以一位热爱手作、充满生活气息的手工博主身份，写一篇小红书笔记，推广一款'蓝染渐变耳环'。受众是20-30岁、喜欢复古文艺风格、重视独特性的年轻女性。风格要求：自然口语化，像闺蜜聊天一样自然，不要用'绝绝子''YYDS'这种过时网络热词；重点突出'手作的温度'和'每一对都是独一无二'的特点；结尾加一个互动引导，问粉丝'如果想看蓝染制作过程扣1'。字数300字左右，加上3-5个标签。"

为什么这个有效？因为小红书文案的核心不是信息量，而是"人设感"和"互动感"。通过CO-STAR锁定了渠道（小红书）、受众（年轻女性）、风格（闺蜜聊天）、目的（互动引导），AI的输出一下就贴上了。那条文案发布后，互动数据比我朋友之前自己写的那些翻了不止一倍。

4.5 案例五：让AI帮忙翻译并保持术语一致

背景：我被一个朋友拉着帮忙看一份技术文档翻译，文档里涉及大量专业术语，比如"最新的框架"的翻译，直接让AI翻译的话，它可能会在不同章节里用不同的译法。因为对话模型没有全局记忆，上下文一长就容易前后不一致。

我给AI设计的提示词是：

"请将这篇技术文档从英文翻译为中文。术语要求：第一次出现某专业术语时，我会提供标准译法，后续所有章节都必须使用同一译法。例如：context window译为'上下文窗口'，transformer译为'Transformer'。格式要求：保持原文的标题层级和列表结构；不要意译产品名称、公司名；遇到无法确定之处加个[待确认]标注，不要自己猜。"

这次翻译的准确性提升了一大截，最核心的是我给了"术语对照表"。本质上，我在用一次性的说明替代AI自己去"发挥"的能力，相当于给它一本词典。这个思路可以扩展到任何需要"固定输出口径"的场景。

4.6 案例六：用AI规划设计一次团建活动

背景：我是我们小组的"活动策划"，原本AI的提示词是"帮我策划一场有趣的团建活动"，结果AI给了一堆经典方案：户外拓展、剧本杀、轰趴馆……全都是大众选项。这不算错，但实在没有"定制感"。

重写后的提示词：

"请为12人的数据团队设计一个半天的团建活动。背景：团队成员年龄集中在25-35岁，日常以脑力劳动为主，大家不是特别熟，希望活动能促进交流但不要太尴尬。偏好排序：轻松>搞笑>刺激，绝对不要纯运动类项目（全员拒绝）。请提供3个方案，每个方案包含：主题、大致流程（精确到半小时）、预算估算、可能翻车的点和备选方案。最后推荐一个你认为最优的，并说明理由。"

注意几个关键点："不是特别熟"决定了破冰环节必须是低压力型；"绝对不要纯运动类"排除了AI最容易给的答案；"流程精确到半小时"让方案可执行。结果出来的方案里有一个"办公室版大侦探"和"全员参与的美食盲盒赛"，我朋友看完全员投票通过。这个案例想说明的是，提示词的"约束条件"越贴合真实场景，AI的创意就越能踩在你的需求点上。

5. 提示词写多了之后，我绕过的那些弯弯绕绕

体验过从"烂提示词"到"好提示词"的进步之后，还有一个很重要的部分是在实战中踩坑得来的经验。我把这些零零碎碎的教训整理了一下，希望能帮你提前避开。

5.1 AI一本正经地胡说八道怎么破

所有用过对话式AI的人大概率都遇到过"幻觉"问题——AI给出的数据、引用、细节，看起来有模有样，实际上完全是从它自己的"脑洞"里编出来的。我处理这个问题的范本做法是：在提示词里加一个"置信度标注"和"信息来源要求"。

比如我会让AI在回答中区分"事实判断"与"推测观点"："对于不确定的数据，请用'据我了解''我推测'这样的词做前缀，不要直接写成肯定陈述句。如果引用外部数据，请标注可能的来源渠道，但不要编造具体的URL链接。"

还有一个很管用的就是"结合已知事实"策略：给AI提供一段真实内容（比如你手头的报表、文档），明确指示它只能基于此内容做分析和创作，不得引入外部知识。这个策略在写工作总结、复盘、分析类内容时尤其关键，能显著降低幻觉率。

5.2 模型版本和温度参数对提示词的影响

可能很多人只在Web界面上用过AI，不太关注参数，但如果你接API做自动化，这个问题就绕不开。同样的提示词，在不同版本模型下的表现可能有天壤之别；温度和Top-P设置不一样，输出质量也完全两回事。

我的经验方子：涉及创造性写作（文案、头脑风暴），温度设到0.8以上；做事实性分析、代码生成，温度调低到0.2左右；做结构化抽取和格式转换，温度直接压到0。你可能会疑惑，为什么你的提示词没问题，AI偶尔还是会飘？很可能就是温度参数在捣鬼。

5.3 单轮提示词别指望一步到位

这是很多新手最容易撞的墙：希望一条完美提示词解决的问题，一次性输出完美答案。现实是，即便是提示词专家，也常常要经过三轮以上的迭代才能拿到90分的答案。第一轮让AI"自由发挥"看它的理解水平，第二轮指出偏差并给出补充信息，第三轮聚焦细节优化。我把这种方式叫做"三段式对话"。

这个过程本身就是你在"喂"AI理解你的需求，同时也逼着你越来越清楚自己的需求。所以，别把"写得不好"看作是失败，它其实是你们俩在互相磨合。

5.4 提示词与"投喂示例"的配合使用

最后再分享一个小技巧：当你要AI完成一项比较特殊的任务时，比描述更有效的是给一个示例。比如我想让AI把我写的段落改成"某种特定调性的风格"，我会说："参考下面这个例子的语调来改写：'【放一段示例】'。注意学习它用词的长度、句子节奏、语气标签，但内容要完全服务于我的新主题。"

但要注意，投喂的示例不能太多，一两个就够。不然AI会陷入"模仿"而忘记"创造"，反而限制它的发挥。示例的作用是校准方向，不是框死答案。

6. 从"学会提示词"到"拥有提示词思维"

看到这里，你可能会觉得"AI提示词工程"也就这样了：三个框架、七类模板、几个案例。但如果这篇文章能在你脑子里留下一样东西，我真诚地希望是"提示词思维"——它比任何具体模板都重要。

提示词思维的底层，其实就是三点。第一，永远在想"对方需要什么信息才能帮到我"，这个"对方"可以指AI模型，也可以指任何与你协作的人。第二，永远在拆解，把模糊的愿望变成可执行的步骤。第三，永远在迭代，不指望一次到位，而是通过反馈让协作质量螺旋上升。

我自己最大的变化是，学会了提示词之后，跟同事沟通也变得更加结构化——汇报工作先说结论、再说背景、再说需要什么支持；写需求文档的时候会先讲"给谁看"再讲"写什么"。本质上，这些习惯不是AI教我的，而是我在研究AI提示词的过程中，自己慢慢迁移到工作和生活里的。

你不需要一次记牢所有框架模板，你可以先挑一个最上手的场景练起来——可能是让AI帮你写一封不那么尴尬的邮件，也可能是让它帮你拆解一个学习目标。每一次你把自己的需求想得更清楚一点，AI给你的回报就会更准一点。我踩过的那些坑、试出的那些模板，如果能在你用AI的路上为你省下哪怕几个小时，我觉得这篇文章就没白写。