从零吃透 AI：底层逻辑、提示词体系与多场景实战的一篇全拆解

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

很多人用不好 AI，不是因为工具不够强，而是因为没把 AI 这个"人"看明白。 我自己折腾这套东西一年多，踩过不少坑，最后总结出一个最朴素的结论：理解 AI 的底层逻辑，比记一百条技巧都管用。这篇我会把整套体系一次讲透——先用两句话让你彻底搞懂 AI 是什么，再讲清它"成语接龙"式的生成原理和"挑重点听"的注意力机制；然后给你一套谁都能上手的提示词万能公式（场景 + 角色 + 任务 + 要求），再往上叠六种思维、五个进阶技巧、五句"黄金句式"，以及商用级的结构化提示词写法；最后落到办公、学习、绘画、视频这些真实场景，手把手带你跑通流程。核心就一句话：把 AI 当成一个理论满分、但社会经验为零的实习生，你越会"交代清楚"，它给你的东西就越对路。 想看完整拆解，往下翻。

一、想用好 AI，先学会"把它当人"

我带身边的人入门 AI，第一件事从来不是教工具，而是先纠正一个最常见的误区——很多人以为 AI 是个万能的神，给它一句话，它就该把活全干完。结果一上手就失望：它要么答非所问，要么给一堆正确的废话。问题不在 AI，在于你没搞清楚它到底是个什么"物种"。

我自己的做法是，把 AI 在脑子里固定成两个形象，用这两句话去理解它的一切行为。

1.1 第一句：AI 是个"理论满分的大学生学霸"

你想象一个刚从名校毕业的高材生，专业课考第一，书读了一肚子，理论知识丰富到吓人。但他刚走出校门，没正经干过活，社会阅历几乎为零。你问他怎么谈恋爱，他能给你背一套"先提供情绪价值、建立亲密关系"的标准答案；可你真问他"对方今天突然不回消息了怎么办"，他多半给不出落地的招——因为他没有真实经历过。

AI 就是这么个学霸。它把人类积累下来的海量知识都"学"过了，文字、书籍、网页、图片、视频，几乎人类记录下来的东西它都看过一遍。所以它知识面广得离谱，理论上什么都懂。但它缺的就是那点亲身实践的社会经验。这意味着：凡是靠书本知识、行业常识、逻辑推理能解决的问题，它都很强；凡是依赖真实体验、独家诀窍、临场判断的，它就容易给你一套"听起来对、但用不上"的空话。

理解这一点，你就知道什么活该交给它、什么活别指望它一句话搞定。

1.2 第二句：AI 是个"很厉害的陌生人"

第二个形象更关键。AI 很厉害，问什么它好像都知道；但它对你来说是个彻头彻尾的陌生人——它不知道你是谁、你要干嘛、你的背景和偏好是什么。同样，你对它也很陌生，你不清楚它擅长什么、不擅长什么、边界在哪里。

这就跟人打交道一个道理。跟熟悉的老搭档合作，你一个眼神他就懂，效率极高；可突然要和一个完全不认识的人谈合作，你会觉得特别费劲，因为你摸不透对方的脾气、能力和习惯，只能小心翼翼地试。

所以很多人"用不好 AI"的真相是：他不了解 AI，没摸清它的优势和局限，也没学会怎么把自己的需求"交代"给一个陌生人。我自己刚开始也是这样，对着输入框敲一句"帮我写个方案"，然后嫌它写得烂。后来想通了——换作一个陌生人，你只甩这么一句过去，他能写出你想要的才怪。

1.3 为什么"当人看"是整套方法的地基

把这两句话记死，你会发现后面所有的技巧都是从这儿长出来的。这背后有个特别朴素的原因：AI 在训练时，喂给它的全是人写的、人拍的、人记录的东西。这些数据里里外外都浸透着人性、人的逻辑、人的情绪和人的行为方式。

它哪怕不"理解"人为什么这么做，但它在海量模仿之后，形成了一种条件反射式的应答——你给它一个像人会遇到的情境刺激，它就倾向于按"人会怎么反应"来回你。打个比方，你跟它说"现在中午十二点了，我好饿"，它大概率建议你去吃饭、点外卖，而不会建议你去上班或喝酒。为什么？因为它从无数人类语料里"学"到了：中午、饿，对应的就是吃饭这件事。

莫潇羽@无忆研习社 想强调的就是这个底层判断——正因为 AI 是模仿人模仿出来的，所以你越是用"对待人"的方式去跟它沟通，它的表现就越好。 这不是玄学，后面讲到的"黄金句式"为什么管用，根子全在这里。

下面这张表，把我这一年对 AI 这个"物种"的核心认知压缩到了一起，可以先存着，后面每一章都会回头印证它：

二、AI 到底是怎么"思考"的：把原理掰开揉碎

光知道"当人看"还不够。你得稍微懂一点它内部是怎么运转的，遇到新问题时才不会抓瞎。这一节我尽量用大白话讲，不堆术语，看不懂的地方我都配了生活里的比方。

很多人一听"原理"就头大，觉得是程序员才该关心的事。我的体会恰恰相反：正是因为多数人不懂原理，才会把 AI 当神或当智障，一会儿期待过高、一会儿彻底放弃。把下面这几个点想明白，你对 AI 的掌控感会完全不一样。

2.1 拆开"GPT"这三个字母

我们天天挂在嘴边的 GPT，其实就是三个英文单词的首字母，分别对应三个核心特性。一个个看。

G 代表"生成式"（Generative）。 现在主流的 AI 都是生成式的——你给它一句话，它给你生成出文字、图片或视频。你可能见过一个词叫 AIGC，意思就是"AI 生成的内容"。这里有个特别好理解的比方：生成的本质，就像玩成语接龙。 它不是凭空"创造"出一整段话，而是一个字一个字地往后接。

举个例子，你说"床前明月光"，几乎所有中国人下意识就会接"疑是地上霜"。AI 干的也是这个活——它根据已经学过的海量内容，预测当前这个字后面"最该出现"的下一个字是什么，然后接上去；接完再预测下一个。这就是为什么你用 AI 的时候，能看到文字是一个一个往外蹦的。它接得准不准，取决于它学过的东西够不够多、相关度够不够高。

一句话记住 G：AI 写东西不是想好了再写，而是像高级版的文字接龙，边接边往下走。

P 代表"预训练"（Pre-trained）。 这个词点破了 AI 一个很重要的特性：它的知识是"提前学好的"，就像一个学生从小学读到大学，学过的内容你问他就会，没学过的他就不知道。每个模型都有一个"知识截止时间"，这个时间点之后发生的新事、新论文、新产品，它本身是不知道的。

那为什么有时候问 AI"今天有什么新闻"它也能答？因为它接入了联网搜索——这时它不是靠"学过"在回答，而是临时去网上查，再把查到的整理给你。这就跟人一样：我没专门学过航空航天，但我可以现去搜、再整理着说给你听。所以记住：AI 的知识分两块，一块是训练时学进脑子的，一块是临时联网查的。 分清这两块，你就明白它什么时候靠谱、什么时候需要给它开联网。

T 代表"自注意力机制"（Transformer 里的核心）。 这个稍微抽象，但极其重要，我用一个聚会的场景来讲。

2.2 自注意力：AI 是怎么"挑重点听"的

想象你在一个热闹的聚会上，周围几十个人同时在说话。你的注意力不会平均分给每个人——当有人聊到你感兴趣的话题，你会不自觉地侧过身去听；当一个很有分量的人（比如领导、专家）开口，你也会停下来认真听。你的注意力，自动被那些"权重高"的信息吸引了过去。

AI 处理你输入的文字时，干的就是这件事。它不会把你说的每个字都同等对待，而是自动从一段话里"拎出"它认为最关键的几个词，重点关注，再据此组织回答。

从技术上说，这套机制靠三个东西在算账：查询（Query，当前这个词想找什么信息）、键（Key，其他词能提供什么背景信息）、值（Value，每个词自身的特征）。注意力机制可以被非常通俗地理解为：文本内容的特征表示是词元特征的加和平均，权重主要反映词元间的相关关系。说人话就是：它会算出句子里哪些词跟当前要处理的词关系最紧密，关系越紧的，分配的"注意力"越多。这套办法还有个巨大的好处——使用自注意力的模型可以直接计算出当前字符的结果，而不需要依赖前序内容的计算结果，这样可以保证计算的并行进行，在处理超长序列内容时效率会有巨大提升。

这套机制解释了一个让无数新手抓狂的现象：你明明交代了一大堆要求，AI 却好像只听进去几句，剩下的全当没看见。 这不是它故意跟你作对，而是它的注意力被某几个词牵走了，没把你的全部意图都抓住。

理解了这个，你就知道该怎么对治了——后面要讲的"明确具体""用分隔符""精准用词"，本质上都是在帮 AI 把注意力放到该放的地方。

下面这张流程图，把"你输入一句话→AI 给你回答"中间发生的事画了出来，配合上面的文字看会更直观：

flowchart LR
    A[你输入提示词] --> B[拆成一个个词/token]
    B --> C[自注意力<br/>挑出关键词]
    C --> D[结合预训练知识<br/>或联网搜索]
    D --> E[成语接龙式<br/>一个字一个字生成]
    E --> F[输出回答]
    F -.前文影响后文.-> C

注意最后那条虚线：前面说过的话，会持续影响后面的生成。 这一点后面讲"连贯性"和"共创思维"时还会专门用到，先记在心里。

2.3 把 AI 想成一个"超级图书管理员"

如果说前面是从技术角度拆，那这里我再给一个更生活化的整体比方，帮你把上面这些串起来。

你可以把 AI 想成一个本事极大的图书管理员。这个图书馆里收着古今中外几乎所有领域的书和资料，而这位管理员对馆藏熟到离谱，你想要什么信息，他唰一下就能给你找到、整理好，还能按你要的形式（表格、列表、一段话）呈现出来，甚至帮你把几本书的观点揉到一起写成新东西。

但他终究只是"管理员"，不是"作者本人"——他能复述、归纳、组合已有的知识，却没法替你真正经历一件事、做一个只有你自己才能拍板的决定。这个比方和前面"学霸 + 陌生人"是一回事，只是换了个角度让你加深印象。把这几个形象在脑子里叠在一起，你对 AI 的"手感"就有了。

三、AI 的能力、特点、原则与边界：一张全景图

搞懂了原理，接下来要把 AI 的"能耐"和"脾气"摸清楚。这部分信息量大，我尽量讲得有条理一点。你不用死记，理解了它的优势和短处，用的时候自然知道扬长避短。

3.1 五大能力：它到底能干什么

我把 AI 的核心能力归成五块，正好对应你日常会用到的大部分场景。

第一是理解能力。这是最被低估的一项。你输入的文字、上传的图片和文档，它都能读懂，而且不只是认字，还能理解字面背后的意思。这一点有个特别实用的用法：聊天时遇到对方一句话不知道怎么回，你把那句话复制给 AI，问它"怎么用得体的方式回应"，它就能领会弦外之音给你支招。

第二是生成能力，也就是产出文字、图片、表格、代码等等，这是大家用得最多的。第三是分析能力，给它一堆乱糟糟的数据或一份报表，它能帮你找规律、做归纳。第四是学习能力，你可以让它当老师，帮你规划学习路径、陪你练口语、给你出题。第五是交互能力——你和它之间是可以你来我往地聊的，不光你问它答，你还能反过来让它问你、给它反馈、纠正它的错误，甚至俩人一起探讨。

很多人用 AI 只停留在"我问一句、它答一句"，太可惜了。我自己用得最爽的，恰恰是交互——把它当成一个能持续对话的伙伴，一轮轮聊下去，效果比单次提问好太多。

3.2 六个特点：它的"性格"

理解了能力，再看它的几个鲜明特点，你会对它的行为更有预判。

mindmap
  root((AI 的六个特点))
    角色扮演
      能扮演各种身份
      多视角输出观点
    知识丰富
      学过海量资料
      理论储备惊人
    处理速度快
      几分钟出图出文
      远超人工
    没有情感偏见
      不主动给主观评价
      需赋予角色才表态
    可定制
      像一张白纸
      能调教成专属角色
    持续可用
      不累不困
      有网就能一直干

这里挑两个最有用的展开说。

"没有情感偏见" 这一条，意味着你直接问它"你怎么看某件事"，它往往会很中立地回避主观评价。但你只要给它一个角色，它立马就能代入。比如最近有个热点，你让它分别扮演时事评论员、普通路人、行业专家来评论，它就能从不同视角给你输出。这一招写文章时极其好用——你想不出观点时，让 AI 戴上不同的"帽子"，普通人怎么看、专家怎么看、男生女生怎么看，一圈下来素材就有了。我习惯还会借用一个把人分成四类的性格模型（雷厉风行的、爱表现的、特别理性谨慎的、随和从众的），让 AI 分别用这四种人格去评同一件事，文章的层次一下就出来了。

"可定制" 这一条，是后面做"智能体"的基础。AI 既有满肚子理论，底子上又像张白纸，你可以把它专门调教成某个固定角色：专职写社群公告的、专门陪练口语的、专门辅导作业的，给它一个明确的"岗位"，它就在那个岗位上给你干活。

至于"持续可用"——你要休息、要吃饭，它不用，只要有网有电，交给它的批量任务它能一直跑，你正好可以腾出手去做别的。

3.3 六个使用原则：扬长避短的准绳

知道了能力和特点，落到实际操作上，我总结了六条原则，本质都是为了"发挥它的优势、避开它的短处"。

• 明确性：提问要把话说清楚，别模棱两可。这也行那也行，AI 就懵了，到底听你哪句？
• 连贯性：还记得前面那条"前文影响后文"的虚线吗？同一个对话窗口里，前面聊过的内容会影响后面的输出。所以一个窗口最好聚焦一个话题，别一会儿辅导语文、一会儿又让它写文章、一会儿又问情感问题，会把它绕晕。换话题就开个新窗口。
• 理解 AI 的边界：知道它能干什么、不能干什么。比如它不擅长精确的数学计算，那种活别硬塞给它。
• 安全和隐私：跟 AI 交流时，别随手把身份证、手机号、住址这类隐私信息发上去，公司的敏感资料更要当心。
• 反馈与调整：它一次没答好很正常，别急着关掉。重新组织你的问题，或者直接让它给你优化提问方式，再问一遍。这是必须掌握的一项能力。
• 保持客观理性：通用大模型在训练时被开发者加了一层"安全约束"，会屏蔽掉危害性、消极的内容，所以它给你的回答通常都比较中庸、平和、客观，不会大起大落。

3.4 三个绕不开的局限

最后说说它的硬伤，省得你期待落空。

第一，信息有截止时间。训练数据有个时间点，之后的事它本身不知道，得靠联网补。而且有些专业期刊、内部资料网上搜不到，它也就没辙。第二，缺乏亲身经验。回到那个"实习生"的比方——理论一流，实战经验欠奉，碰到需要真功夫的事，它只能给宽泛建议。第三，依赖你的有效提问。AI 和人沟通的媒介就是提示词，你表达得清不清楚，直接决定它答得好不好。

爱因斯坦有句被广泛引用的话，大意是如果给他一小时拯救世界，他会花五十五分钟去想清楚问题、只留五分钟解决。用 AI 也是这个理——提出一个好问题，比急着要答案重要得多。 这句话，正好把我们引到下一章：到底怎么提问。

四、提示词万能公式：场景 + 角色 + 任务 + 要求

前面铺垫了这么多，终于到了最实操的部分。我把最基础、最通用的提问方法浓缩成四个词，你每次用 AI 时，脑子里自动过一遍这四个词，就能写出像样的提示词了。

这四个词是：场景（背景）+ 角色 + 任务 + 要求。莫潇羽@无忆研习社 把它们一个个拆给你看。

4.1 场景/背景：先把你的处境讲清楚

还记得 AI 是个"很厉害的陌生人"吗？它不了解你，所以你得先告诉它你现在身处什么情境、要解决什么问题。你直接甩一句"给我一个健身计划"，它只能给你一套放之四海而皆准、却一点都不贴合你的通用方案。

正确的做法是把背景信息喂够。比如做减脂计划，你得说清楚：性别、年龄、体重，平时吃什么、不吃什么，爱不爱运动、喜欢什么运动、在室内还是户外练。这些就是场景信息。面试也一样——你想找什么岗位、什么专业、几年经验、有什么亮点、想进什么样的公司、期望什么薪资，全交代清楚，它才能帮你打磨简历、模拟面试。

4.2 角色：给 AI 指定一个"身份"

这一条特别关键。我们生活里遇到问题会去找对应的专业人士——法律问题找律师、身体不舒服找医生、学习找老师。让 AI 干活也一样，得给它一个专业角色。

为什么？因为 AI 学过的东西太多太杂了，你丢给它一个任务，它都不知道该调用哪个领域的能力、从哪个视角切入。给它指定一个角色，相当于让它瞬间聚焦——就像让它"在太平洋里捞针"太难，但你告诉它"就在这一平方公里里捞"，它立马就快了。

你让它当"专业的健身教练兼营养师"，它就以这个身份的知识和经验来给你方案；你让它当"上海某小学三年级的英语老师"，它出的题就贴合那个学段那个地区的水平。角色越具体越好。 同样是英语老师，"小学英语老师"和"初中英语老师"出的题完全不是一回事。

4.3 任务：一句话说清你要它干嘛

任务就是你让它具体做什么——帮我写一篇文案、出二十道选择题、做一份学习计划。这四个词里，任务是最不能缺的一个。 别的都能省，任务不能省。你想想，你冲到一个陌生人面前不说要干嘛，只说一句"今天天气不错"，对方只会觉得你莫名其妙。所以任务一定要点明，最好用一句话讲清楚。

4.4 要求：把细节标准列出来

要求是给任务加约束，可写的东西最多：要什么风格（口语化还是正式、像哪位作家的笔调）、什么格式（表格、列表、还是一段文章）、多少字数、多少条、要不要加表情、答案放哪里……要求给得越细，AI 给你的东西越贴合预期。

我举个我自己常用的例子。让 AI 出英语练习题时，我的要求会写得很具体：题目要严谨、每题只能有一个正确答案、填空题要带提示、题目之间留间隔方便整理、答案统一放在最后、单选题各选项被选中的次数尽量均等、难度匹配某地区某年级的水平。你看，这一长串全是要求，但正因为这么具体，它出的题基本能直接用。

要是你只甩一句"给我出二十道题"，它可能连出几道都不一定按你想的来。下面这张表，把万能公式四要素和一个"出题"实例对应着列出来，你照葫芦画瓢就能上手：

4.5 公式的威力：同一个问题，加不加公式天差地别

我做过很多对比，效果差异肉眼可见。比如不用公式直接问"介绍一下 AI"，它给你的是一堆官方术语——"自然语言处理模型""深度学习架构"，看完更晕了。

但如果套上公式：背景说"我是个电脑小白"，角色让它"扮演 AI 领域的专家",任务是"用通俗易懂的方式教我理解 AI"，要求加上"用生活中常见的事物打比方、让十岁小孩也能听懂"——它立马就换了个画风，开始用"魔法师""会做饭的厨师""神奇的助手"这类比喻来讲，一下子就好懂了。

再比如让它介绍几种编程语言，不加公式它给你一堆嵌入式、编译器之类的术语，看一眼就不想看；加了公式让它打比方，它会说 C++ 像功能齐全的赛车、Python 像智能电动车、Java 像稳当的 SUV——你瞬间就 get 到了各自的特点。

说到底，要求越具体、越明确，它越能给你想要的答案。这就是万能公式真正的神奇之处。 把这四个词练熟，你就算入门提示词了，剩下的就是多用、多练。

五、再进一步：写提示词的六种思维

万能公式是骨架，但真到了千变万化的实际问题里，光有公式还不够，你得有"思维"。我把自己平时写提示词的脑回路拆成六种思维，你不用每次都套那四个词，而是根据情况调用对应的思维，反而更灵活。

5.1 角色思维：给它一个身份去聚焦

这其实是万能公式里"角色"的延伸。生活里有事找对应的专业人士，让 AI 干活也给它对应身份。给角色的本质，是让 AI 从满肚子杂学里快速锁定到某一个领域，把无关的能力先放一边，优先用这个角色该有的知识和经验来回答。

我演示过一个减脂的例子：背景给清楚身高体重年龄，角色让它当"健身教练兼营养师"，任务是出健身和饮食方案，要求里补一句"我左手做过手术、不能剧烈负重"。结果它给的训练动作就都避开了负重，饮食也按目标安排。这就是角色思维的价值——有明确的问题，就找一个明确的、有相应技能的"人"来解决。

5.2 人群思维：想清楚这东西是给谁看的

也叫受众思维或用户思维。你得告诉 AI，这个任务最终是给哪类人看的。同样讲编程语言，给小朋友看和给程序员看，写法天差地别。

我试过让它"给小朋友介绍几种编程语言，用小朋友能听懂的方式"，它就用大熊猫、猴子、大象、猎豹这些小动物来打比方，说温顺的大熊猫很友好、语法简单像写英语句子……小朋友一下就懂了。可一旦把"小朋友"这个受众拿掉，它马上切回一本正经的技术语言。受众变了，输出的风格就跟着变。 写公众号、小红书、给客户的方案，先想清楚读者是谁，是个常被忽略的关键动作。

5.3 情境思维：把抽象的处境描述清楚

有些问题很抽象，不好指定单一角色，也没有明确受众，还可能牵涉好几方的人。这种就用情境思维——把整个场景如实描述清楚就行。

比如面试，场景里有面试官、有你、可能还有其他人。你可以让自己当面试者，也可以让 AI 扮面试官来模拟。我演示过：跟它说"我要参加面试，想成功展现能力，给我些建议怎么脱颖而出"，它就给出一套挺中肯的建议——提前了解公司文化和岗位需求、准备好用具体案例讲自己的故事、想好要反问面试官的问题、注意远程交流的细节、面试后及时跟进道谢等等。觉得不够，还能让它直接扮演某岗位的面试官，一轮轮向你提问。

5.4 请教思维：把 AI 当成各领域的老师

有件事我经常跟人讲：你哪方面不擅长，就把 AI 当成那个领域的专家去请教。写作不行就请教写作，怎么起个好开头、怎么拟个好标题、怎么写个吸引人的故事；不知道怎么得体地回复别人，就把对话发给它请教措辞。

不过请教之前有个小技巧：先确认它"懂不懂"你要请教的东西。比如你想让它写小红书爆款笔记，先问它"你觉得小红书爆款笔记是什么样的"，看看它理解的和你理解的是不是一回事。如果不一致，你直接把一篇你认可的优质笔记甩给它，让它分析好在哪——选题、标题、行文、情绪调动、封面思路，一项项拆——这样它写出来的才贴合你的期待。

5.5 拆解思维：把复杂问题切成小步骤

复杂问题简单化、难问题具体化，拆成几个子问题，AI 的表现会明显更好。

我举个旅行规划的例子。很多人做攻略就一句"我想去某地旅游，列出景点、餐厅、住宿"。但你如果人为地先把步骤给它铺好——"请按以下步骤帮我规划：第一步……第二步……第三步……第四步……"——你先帮它把活拆成有逻辑的几段，它产出的结果会规整得多。这就好比写小说，你先把选题、人物、情节、起承转合的步骤列出来，再让它往里填，比直接说"写本小说"强太多。

5.6 共创思维：让 AI 反过来问你

这是六种思维里我最想推荐的一种。我们老觉得是"我问 AI 答"，但其实可以反过来——把 AI 当成同事、军师、合伙人，你负责一部分，它负责一部分，俩人一起把事情做出来。

最典型的玩法：让 AI 反过来向你提问，收集它需要的信息。比如做减脂计划，你跟它说"你作为健身教练，一步一步地问我，每次只问一个问题，等我答完再问下一个"。这么一来，它会先问你性别年龄体重，你答；再问你基础代谢、饮食习惯，你答……一轮轮交互下来，它掌握的信息越来越全，方案自然越来越准。这种你来我往、共同打磨的过程，就是共创。

这里头还藏着一个特别值钱的细节：那句"一步一步地"。还记得"前文影响后文"那条虚线吗？让 AI 一步步把思考过程、步骤列出来，它后面的回答就会参考自己前面列的这些步骤——相当于它自己给自己搭了大纲、铺了上下文，再顺着这个大纲往下答，质量自然更高。这一招用好了，能把 AI 的潜力挖出来不少。

下面这张表，把六种思维和它们的典型用法对应起来，方便你查阅：

六、五个进阶技巧 + 五句"黄金句式"

六种思维是"想法"，这一章给的是更具体的"手法"。我把进阶技巧归成五个，再附上五句神奇的"黄金句式"。

6.1 进阶技巧一：明确具体的表述

这是最基础也最容易被忽略的。对比一下就懂了：你说"介绍一些美食"，它给你的可能全是国外、你身边根本没有的东西；你说"介绍一下四川成都夜里好吃的网红小吃"，它给你的就贴谱多了。时间、地点、人物、目的——能说清就说清。

再比如"我想吃点健康的"，太模糊，健康的东西多了去了；改成"我中午想吃点蔬菜、肉类搭配、营养均衡的午餐"就好得多。注意是"午餐"不是早餐晚餐——人一天不同时段身体状态不一样，吃的也不一样。

6.2 进阶技巧二：善用分隔符

当你的提示词里既有指令、又有要处理的素材时，得用分隔符把它们隔开，告诉 AI"下面这块是材料、那块是指令"。常用的有引号、井号、短横线、尖括号、等号这些。

比如你要它"把下面这段话里的城市改成上海"，如果不用引号把"下面这段话"框起来，它可能搞不清范围，改得乱七八糟。用上分隔符，边界就清楚了。这一招在写复杂提示词时尤其重要，否则一长串内容糊在一起，AI 很容易读乱。

请按照【指令】处理【参考内容】里的文字。

【指令】：把所有城市名改为"杭州"

【参考内容】：
"""
（这里放你要处理的原文）
"""

顺便说个相关的特性，叫"鲁棒性"——AI 对一些小瑕疵有容错能力。你打错几个字、漏个标点，它一般能根据上下文猜出你的意思，不影响正常使用。所以偶尔手抖打错不用太紧张。

6.3 进阶技巧三：精准的用词

用词差一个，结果差很多。我拿"总结"和"提炼"举例，这俩看着差不多，实际效果不一样。

总结：AI 会把原文信息打乱，用它自己的话重新写一遍，过程中可能加进它的理解，也可能漏掉一些细节、把结构整个重排。提炼：AI 会最大程度保留原文的关键信息和骨架，只是精简一下，不打乱结构、不替你重写。

所以你想保留原文精华就用"提炼"，想要一个重新组织的浓缩版就用"总结"。还有"提取"——直接把原文里某部分原封不动抽出来。这几个词用对了，能省很多来回。你的用词越准，得到的答案越精准。

6.4 进阶技巧四：说明输出要求

明确告诉它你要什么形式的产出。最常见的就是要表格——"请整理成表格输出"，它就给你排成表格，截图或粘贴都方便。要列表、要几条、要不要带表情、字数多少，全可以指定。

我之前备课时手头只有一段文字，但想用表格呈现得直观点，就加一句"请整理成表格输出，使用中文"，一个极简单的指令，立马得到能直接用的表格。说明输出要求，本质上是帮 AI 把"成品长什么样"框定下来。

6.5 进阶技巧五：提供示例

这是最好用的一招，没有之一。给例子，比你写一大段提示词都管用。 你想要爆款标题，就找几个你觉得好的标题给它；你想写请假条、表白信、职场报告，就把对应的格式或范例给它，让它照着学。

示例不用多，两三个典型的就够。更高阶的玩法