企业官网建设流程全解析

你有没有遇到过这种场景：花了大把时间给AI发了一段自己觉得很完整的需求，结果它回给你一篇"正确的废话"——看起来每个字都对，但放到自己的场景里就是没法用。又或者，你明明说了"要简洁一点"，它依然给你写出两千字的论述。我这两年跟AI协作的体感越来越强烈：绝大多数时候，问题不是AI能力不够，而是你描述需求的方式，没有把真正关键的信息装进它能看到的那段上下文里。

这篇文章聊的，就是提示词工程里最基础也最值钱的部分：如何向AI描述需求。我会从底层原理讲到能直接抄走的模板，再给出从模糊到精确的翻译过程、两种需求投喂策略的取舍，以及我在真实场景里踩过的几个坑。适合正在用AI写文案、写代码、做分析，却总觉得输出不稳定、像开盲盒的朋友。

1. 先搞清楚一件事：AI不是读懂了你的需求，而是读懂了上下文

很多人对AI有个误解，觉得它像人一样"理解"了你的意图。实际上，当前的大语言模型本质是一个基于海量文本训练的概率预测器：它看到你输入的这段文字，然后预测接下来最可能出现的文本是什么。也就是说，它并没有一个"你想要什么"的意识，它只是在计算，在给定上下文的条件下，哪串文字最合理。

我常用一个类比来解释这件事：你请了一位知识量极其渊博、但完全不了解你处境的实习生。他读过千万篇营销文章、写过无数封邮件，但你如果不告诉他项目背景、目标读者、使用场景和限制条件，他就只能按照一般情况来"自由发挥"。这个一般情况，就是模型在缺少约束时预测出的最大概率路径——于是你得到了一段放在任何场合都不出错的平庸内容。

这也是为什么同一句话，配上不同的上下文，产出能天差地别。举个例子，你跟AI说"帮我写一封邮件"，它大概率给你一封通用到有点无聊的邮件；但如果你说"帮我写一封邮件，发给一位合作三个月的客户，解释这次项目延期两周的原因，语气要诚恳但不要过度道歉，同时强调我们已经完成的部分以及后续的明确时间点"，它输出的东西就完全不同。

所以在我看来，**"描述需求"真正的本质，不是告诉AI你想干什么，而是给AI创造一个足够小、足够清晰的工作区间，把它的发挥空间收敛到一个能稳定输出的范围里。**需求描述得越模糊，这个工作区间就越大，AI的可选择路径就越多，它就越容易走偏。这不是AI不听话，而是你自己没把"路"给划定。

另外还有一个常被忽略的点：**上下文长度和记忆衰减问题。**你在聊天窗口里发过、但AI没直接引用的信息，不一定还能被它稳定"记着"。尤其是对话轮次很多之后，早期细节很容易被覆盖。所以描述需求时，凡是AI必须知道的信息，尽量在那条指令里重新讲清楚，不要指望它"记得你半小时前说过一句关键数据"。

2. 一个可复用的提示词结构：坐标法五要素

既然需求描述的本质是画边界，那就需要一套足够扎实的边界要素。我这两年用得最多的是一套五要素结构，简单到不挑场景，我管它叫"坐标法"。五个要素分别是：角色、任务、背景、约束、输出格式。

2.1 角色：先给AI一个专业视角

让AI先站在某个身份上说话。这里的"角色"不是让它演戏，而是给它一个语义范围。比如"你是一名有十年经验、负责新媒体投放的文案"和"你是一名擅长写诗歌的文学编辑"，面对同一个产品信息，产出的文案在词汇选择、语气、结构上会完全不同。

为什么有效？因为在海量训练文本里，不同身份对应的语料分布是不同的。给角色，相当于告诉模型从哪一部分知识库中检索风格和规则。实践中我发现，即使是"你是一名产品经理"这种简短身份设定，都能明显改变回答的框架感。

2.2 任务：用一个动词说清楚你到底要它做什么

任务要尽量用动词开头：写、总结、翻译、改写成、设计、分类、给出、列出。避免"帮我处理一下、帮我看看"这种含糊说法。"处理"是什么？"看看"又是什么？模型没法从这些词里推断出具体动作。

比如你想让AI润色一段文字，任务是"润色"还是"把这段话改得更适合向投资人汇报"？后者包含的动作和前者完全不同。任务越具体，AI越不会自作主张给你"加戏"。

2.3 背景：把来龙去脉说完整

背景是大多数人最容易省略的部分。背景信息通常包括：目标读者是谁、这篇内容用在哪里、有什么已知素材、你希望达到什么效果、有没有需要避开的雷区。

你可能会想：AI又不认识我的读者，说了有什么用？其实非常有用。比如"目标读者是刚刚开始健身的新手"和"目标是已经训练三年的健身爱好者"，同样的训练计划建议，前者要解释动作要领，后者可以直接给周期和渐进负荷方案。模型能基于背景的语义，调取对应的表达深度和内容侧重。

2.4 约束：不只说要什么，还要说不要什么

约束可以分为两类：硬性约束和风格约束。硬性约束包括字数范围、禁止事项、必须包含的要素、输出格式。风格约束包括语气、措辞偏好、是否使用专业术语等。

很多人觉得"要简洁"就是约束了，其实"简洁"是主观形容词，模型很难判断你的"简洁"是什么程度。更好的说法是："总字数控制在200字以内，每句话不超过30个字，不要使用场景描写。"这才是可计算的约束。

2.5 输出格式：让结果免于二次加工

如果你对输出结构有要求，一定要说清楚。比如"用Markdown分三个小节""每条建议单独成行，用序号排列""代码块里给出函数，函数外给出使用示例""最后额外附一个参数说明表"。对AI来说，输出格式也是指令的一部分，给了格式，它就会沿着这个结构组织内容，能极大减少你后期复制、整理的时间。

一个我常用的通用模板：

你是[角色描述]。 请完成[任务描述]。 背景：[读者/场景/已知信息/目的] 要求： - 不要… - 必须包含… - 字数控制在… 输出格式：…

注意，这不是一个必须填满的行政表格。很多简单任务不需要全部五要素，但当你觉得AI输出飘忽不定、怎么用都不顺手时，就回头检查一下，五个要素里到底缺了哪几个。

3. 从"帮我写个文案"到"能直接用的文案"：需求翻译实战

这一节我想用一个具体案例，演示模糊需求如何一步步翻译成精确指令。这样比单纯讲理论更能直接带出感觉。

你某天想让AI帮你写一条朋友圈推广文案。第一版指令可能是：

帮我写一条朋友圈文案，要吸引人。

看看这个需求缺了什么：受众是谁？产品是什么？产品的核心卖点是什么？使用场景？文案调性？字数要求？转化目标？吸引人是什么意思？这些全部缺失。与这个需求匹配的答案是无穷多个的，AI只会随机选一个"概率上最像朋友圈广告"的模板输出——所以你大概率会收到一条用了"家人们谁懂啊"或者"绝绝子"的夸张文案。

现在，尝试把需求翻译成下面这样：

你是某消费品牌社媒运营。我们正在推一款便携榨汁杯，目标用户是25-35岁通勤上班族，核心卖点是无线充电、120秒出汁、容量够做一杯450ml的果汁。需要你写一条微信朋友圈文案： - 目标感染力：让用户觉得“早上出门前顺手做一杯果汁”是很容易的事； - 必须出现：无线充电、Office场景使用、鲜榨口感； - 不要：使用“好喝到哭”“yyds”等夸张词，不要超过100字； - 语气：口语化但不过度网络化； - 结尾引导：点开评论区链接查看优惠。 输出时直接给我文案正文，不要解释。

对比一下，前者让AI去猜，后者让AI照着画。你可能觉得这不就是信息变多了嘛？没错，描述需求的本质就是把你自己脑中的已知信息，显式地铺到指令里。很多时候不是你不会说，而是你没意识到那些"你自己知道的东西"对AI来说完全是盲区。

再来一个技术场景。有人说"用Python写个爬虫"，如果你真的这么发给AI，它往往会给你一个理想化通用示例，然后提示你"请遵守目标网站规则"之类的套话。但你如果把需求翻译成：

用Python写一个脚本：目标是从某天气网站获取指定城市未来三天的天气预报，保存为CSV文件。 技术约束：必须使用requests和BeautifulSoup，需要做请求超时重试（3次，间隔3秒），解析失败时跳过该条数据并记录日志；为代码的关键部分添加中文注释；最后输出完整代码、依赖清单和一条调用示例。

AI就能给你一个可以直接跑、且边界完整的脚本。区别就在于把"爬虫"这个模糊名词，拆成了"目标网站""数据字段""技术选型""异常处理""交付物"这些可执行的细节。

我自己在做需求翻译时，会先问自己一个清单：

• 这个结果要给谁用？在什么场景下用？
• 最不能出错的点是什么？
• 风格和语气应该靠向哪一边？
• 手上有哪些可用素材？
• 哪些事情明确不要做？

把这些答案写进提示词，需求描述基本就合格了。

4. 一次性描述 vs 逐步展开：两种需求投喂策略，怎么选

有人觉得，既然提示词写得越全越好，那我是不是每次都要把完整需求一次性发给AI？不一定。有些任务适合一次给全，有些任务则更适合分步进行。

4.1 什么时候选择一次性描述

如果你的需求在脑子里已经很完整了——背景清晰、目标明确、交付物具体——那就不要吝啬打字，尽量一次把所有要素写全。这样做的好处是效率高，AI第一次输出就接近可用结果，不需要反复纠偏。

比如写一封催款邮件、改写一段会议纪要、生成一个固定的数据表格，这些任务的边界通常很清晰，完全可以一次性定义到位。我也会在时间紧迫时采用"宁可多打几十字，也不要来回收割三次"的策略。

4.2 什么时候选择逐步展开

反过来，很多时候我们只有一个模糊的方向，比如"我想写一篇关于时间管理的文章，但还没想清楚结构""我想做一个短视频脚本，但不知道从哪个角度切入"。这时候如果硬逼自己写完整需求，反而会陷入拖延。

我的做法是：先抛方向，把AI当作讨论对象，让它给你第一步产出，然后再基于这个产出迭代。

举个例子，你可以先发：

我想写一篇面向新人的时间管理入门文章，但我对结构没想清楚。请先给我三个不同的文章大纲方案，每个方案分别说明适合什么性格的读者，再细说。

AI给了三个大纲后，你可能会发现方案二更贴近你想说的，于是继续发：

选方案二，但在“精力管理”这个部分，请改成面向完全没有运动习惯的读者，把专业术语替换成更生活化的解释，并且在这一段最后加一个自查清单。

整个过程里，你不需要一次性完整描述最终长文，你只需要在每一轮给出这一步的约束和变化。这很符合人类自然的思考过程——需求往往是在对话中逐渐澄清的。

4.3 一个判断标准

我给自己定的规则是：如果需求已经完成度超过八成，就用一次性描述；如果完成度不到五成，就先用逐步展开。另外，逐步展开时要注意：不要重复粘贴整个对话历史，但要在关键转折时，用一句话总结当前已达成的共识，再提出下一步。比如"长篇结构已经定了，按当前大纲的第2部分，现在请把'常见误区'这部分扩写……"。

我还常用一个"提示词草稿法"：在正式发给AI之前，把自己当成AI，默默读一遍自己的指令，问自己："如果我是AI，没有任何背景知识，看到这句话，能百分百明确我要干什么吗？"只要有一丝犹豫，就说明还需要补充信息。这一步能提前过滤掉大量模糊描述。

5. 让描述更稳定的三个辅助技巧：参考样例、负面约束、格式锚定

掌握了基础结构，接下来是几个进阶技巧，能让AI输出的稳定性再上一个台阶。它们不是必需项，但每次使用都能感受到明显的操纵感。

5.1 参考样例：给AI一个可以模仿的靶子

有时候，你很难用语言说清楚自己要的风格，但你能一眼认出"这种风格就是我要的"。这时候直接给一个样例，让AI照着写，往往比描述一百个形容词都管用。

比如你想让AI写一个不那么严肃的活动通知，可以这样写：

请写一篇公司本周五下午茶活动的群公告。 参考样例的风格： "周五下午茶，今天不聊KPI，只聊蛋糕的脂肪含量。 时间：周五15:30，茶水间。 带薪长胖，我们工位上见。" 要求：写三条不同风格的版本，每条不超过80字。

模型对样例的模式非常敏感，尤其是词汇节奏、句式长度、情绪浓度这些维度。给一个高质量样例，比你说"轻松一点、口语化一点"要准确得多。这种技术也叫few-shot提示，即使只给一个参考样例，也能大幅度约束输出方向。

5.2 负面约束：明确告诉它"不要做什么"

我见过很多人的提示词里全是正面要求，比如"请写得专业一点、有深度一点"，却从不说"不要"。实际上，负面约束对模型划定边界的效果常常很直接。

举个例子，你想让AI写一篇干货文章，但。

你不希望它用那种"首先、其次、最后"的八股连接词，也不希望它开头就放一句"随着社会的发展"。你在提示词里加一句：

禁止使用“随着…的发展”“首先/其次/最后”等套话；不要引用未经核实的具体数据；不要用“赋能”“抓手”等空泛词汇。

模型在生成的时候，就会刻意避开这些表达。这是因为它从你提供的文本中识别到了"不允许"的模式，从而在概率采样时对这些路径做抑制。注意，负面约束最好和正面期望配合使用，只说不许做什么，AI有时也会迷茫于不知道替代方案是什么，所以最好再加上"希望的表达方式：直接进入主题，用短句，以具体案例开头"。

5.3 格式锚定：让输出的结构完全可预期

最后是格式锚定。它是我个人使用频率最高的技巧，因为它能最大化减少人工排版时间。

格式锚定不只是说"用Markdown"这么简单，而是你可以自定义输出结构，让AI严格按这个结构组织内容。比如：

输出格式： - 第一行：一句话结论 - 第二行：理由（不超过30字） - 第三行：具体操作建议（可以是步骤或话术） - 分隔线 - 重复以上结构，共给出5条建议

你会发现，AI在这样明确的格式约束下，几乎不会跑偏，而且你能直接复制进文档里用。类似地，代码任务可以要求"先说明思路，再给出完整代码，再列出测试用例"；分析任务可以要求"先给出结论，再展开论证，最后附上用到的数据假设"。

这三个辅助技巧并非各自独立，配合使用效果更好。我经常在一个提示词里同时给出角色、背景、参考样例、负面约束和输出格式，最后出来的内容，几乎可以当作初稿直接用。

6. 我在真实场景里踩过的三个"描述需求"的坑

很多技巧是踩过坑之后才真正理解的。下面说说我在实际项目中遇到过的三个典型问题，希望能帮你绕开。

6.1 坑一：没给角色，写出来的邮件像模板

有次我需要让AI写一封函，给一家合作方催推进度。我一开始只说了"写一封催进度的邮件，语气委婉一点"。结果AI给我一篇礼貌到完全无力度的邮件，连我都觉得对方看完根本不会当回事。

后来加上角色："你是一名有多年商务经验的关单顾问，需要推动对方在三天内回复确认，语气礼貌但不失边界感，同时明确地给出截止日期和潜在影响。"效果立刻不一样了——AI开始使用"为了确保排期不受影响，恳请在周三前回复"这类既得体又有推进力的表述。

教训是：角色定位不仅仅是给AI戴帽子，更是设定它输出内容的语义基调与专业边界。

6.2 坑二：只用主观词描述风格，结果用力过猛

又有一次，我要AI帮忙写一段短视频口播稿，我说"写得活泼一点"。后来AI确实很活泼，满篇都是感叹号和"谁懂啊"，我花了二十分钟才改回正常。

问题出在"活泼"这个词。不同的人对活泼的理解差距巨大。后来我会把这类主观词翻译成可观察的特征："用短句，每句话不超过15个字；多使用日常口语词，比如'说实话''真的贼好用'；适当插入1-2个反问；不要使用感叹号。"

这个改法虽然啰嗦，但效果极其稳定。凡是遇到形容词要求，都试着把它转换成一个AI能"检查"的客观标准，这样才谈得上可控。

6.3 坑三：不指定输出格式，后续整理成本高

还有一回，我让AI帮我列出某活动的15个选题方向。它回复了一大段散文式的内容，每个选题之间靠句号切换，有些还带着冗长的解释。我只能在它基础上自己手动拆条，浪费了时间。

后来我在需求里加了句："输出时一行一个选题，每行格式：『选题名|目标受众|切入点一句话描述』，选题之间不要有解释性文字。"它输出的内容直接就能复制进表格里。

哪怕只是一个简单的列表任务，只要你想减少后期处理成本，就不要省略输出格式要求。这个习惯能让AI协作的流畅度提升一大截。

其实写到这里，我最大的体会是：提示词工程不是一门玄学，而是一种"把话说清楚"的能力。你在生活和工作里越擅长明确地交代任务，就越容易让AI给出高质量的结果。我的习惯是收到不满意输出时，不急着开一个新会话重问，而是在上一轮基础上补充上下文，告诉AI"你刚才的方案哪里不对，请在这个方向修正"，这样的连续调整往往比推倒重来高效得多。毕竟，一个模糊的重新提问，大概率只会复现一个类似的模糊结果。先把需求描述清楚，AI才会真的替你干活，你也才会真正获得掌控感。