你用2022年的方式写Prompt，正在把2026年的AI当计算器用

同样在用ChatGPT，同样花了半小时，你的同事交出了一份逻辑清晰、细节到位的竞品分析报告，你交出的是一堆需要大改的草稿。

你第一反应是：他用了什么模型？

但打开他的对话记录，你发现模型一样。差距在Prompt。

这种挫败感，在AI工具普及的这两年越来越常见。不是你不努力，而是你的写法还停留在早期那批用户摸索出的"够用就行"阶段——那套方法在2022年够用，在今天的模型面前，是在主动浪费算力。

Andrew Ng（吴恩达）在DeepLearning.AI的系列课程和公开访谈中多次强调一个判断：Prompt工程不是一个固定技能，它随着模型能力的提升在持续演化。早期用户建立的那套直觉，在更强的模型面前，反而可能成为障碍。

这篇文章，我把他反复提到的几个核心转变拆解出来，配上可以直接复制使用的模板。三个改法，今天改，下周就能感受到差距。

---

第一章：从"一句话指令"到"给AI一个完整的工作场景"

旧写法长什么样？

2022年的典型Prompt是这样的：

帮我写一篇关于新能源汽车的文章

这句话能用，但你拿到的结果往往是一篇"教科书式"的泛泛而谈——因为你给AI的信息，不足以让它做出任何有价值的判断。它不知道你的读者是谁，不知道文章发在哪里，不知道你想要什么角度，于是它选择了最安全的方式：什么都写，什么都不深。

新写法的底层逻辑

Andrew Ng在课程中反复强调一个概念：给模型提供"可执行的工作场景"，而不是"任务标签"。

这意味着你的Prompt需要包含三个维度：

  • Who：AI在这个任务里扮演什么角色？
  • What：具体任务边界是什么？要做什么，不做什么？
  • Constraint：有哪些硬性约束？格式、字数、语气、禁止事项？

对比示例

旧写法： 
帮我写一篇关于新能源汽车的文章
新写法： 
你是一位专注科技消费领域的媒体编辑，读者是25-35岁的城市白领，

他们关注购车决策但对技术细节不感兴趣。



任务：写一篇分析2025年新能源汽车购车时机的文章，


重点回答"现在买还是再等一年"这个问题。



约束：


  • 不要堆砌技术参数
    • 

  • 不要写品牌背书式的内容
    • 

  • 结论要明确，给出可操作的判断依据
    • 

  • 1200字以内，分3-4个小节
    •
💡 关键差异：旧写法让AI自己猜你要什么；新写法让AI知道它在为谁服务、在什么场景下服务、什么不能做。后者拿到的输出，直接可用率会高出一个数量级。

这个框架不复杂，但需要你在写Prompt之前先想清楚这三个问题。这10秒钟的思考，能省掉后面30分钟的反复修改。

---

第二章：从"一次提问等答案"到"让AI审查自己的输出"

大多数人用AI的方式

发一条Prompt，等AI输出，觉得不满意，换个说法重新发。

这个循环的问题在于：你在用自己的判断力来弥补AI的不足，但你的判断力本来就是有盲区的——否则你也不需要AI了。

链式思维的核心操作

Andrew Ng在多个场合提到Chain-of-Thought（链式思维）的价值，其中一个对普通用户最实用的应用，是让AI对自己的输出进行批评性审查。

斯坦福和Google的研究显示，加入自我反思步骤的提示，能显著提升模型在复杂推理任务上的准确率——原理是让模型在"生成"和"验证"两个模式之间切换，而不是一次性输出就结束。

具体操作极其简单：在任何Prompt结尾加一句话。

完成后，请列出你认为这个回答最薄弱的3个地方，以及改进建议。

对比示例

不加这句话的输出结构：

AI给你一个"完成的答案"，看起来很完整，但其中可能有逻辑跳跃、数据缺失、论点不充分的地方——AI不会主动告诉你。

加了这句话的输出结构：

AI先给出答案，然后主动说：

"这个回答的薄弱点在于：1）第二部分的数据来源未注明；2）对竞争对手的分析过于表面；3）结论部分缺乏具体的行动建议……"

这一步让AI从"完成任务"变成"负责任地完成任务"。更重要的是，AI指出的薄弱点，往往正是你自己看不出来的地方。

你可以把这句话保存为固定后缀，贴到每一个重要Prompt的结尾：

[自我审查后缀]

完成以上任务后，请用批评性视角审查你的输出，


列出3个你认为最需要改进的地方，并给出具体的改进方向。

---

第三章：从"问问题"到"给AI喂结构化的原材料"

2022年的假设

早期用户有一个隐含假设：AI什么都知道，所以只需要告诉它"做什么"就够了。

这个假设在简单任务上成立，在专业任务上会让你碰壁。

2026年的正确姿势

Andrew Ng在课程中反复强调的一个原则：你先做10%的结构化整理，AI帮你完成剩下90%。

这个10%，是把你脑子里模糊的需求，整理成AI能直接处理的结构化信息。

四段式喂料框架： 
【背景】：这个任务发生在什么情境下？

【目标】：你希望最终拿到什么？


【已知信息】：你已经有哪些素材/数据/约束？


【期望格式】：输出应该长什么样？

对比示例

旧写法： 
帮我写一个产品推广方案
新写法（四段式喂料）： 
【背景】

我们是一家做B端SaaS的创业公司，产品是面向中小企业的HR管理工具，


目前有200家付费客户，平均客单价8000元/年。


即将参加一个行业展会，需要一套推广方案。



【目标】


展会期间获取50个有效线索，其中20个能进入下一步演示环节。



【已知信息】


  • 展位面积20平米，有1个演示屏幕
    • 

  • 团队3人参展，其中1人负责演示，2人负责接待
    • 

  • 预算2万元（含物料和小礼品）
    • 

  • 竞争对手也会参展，主打低价策略
    • 



【期望格式】


分为：展位设计建议、话术框架、线索收集机制、跟进节奏


每个部分给出3-5个具体可执行的动作

两个版本给AI的信息量，差了一个数量级。后者的输出，你能直接拿去开会讨论；前者的输出，你还需要花时间把它"翻译"成符合你实际情况的版本。

💡 重要认知：四段式喂料不是在"迁就AI"，而是在逼自己把模糊的需求想清楚。很多时候，写完这四段，你自己对任务的理解都会更清晰。这本身就是价值。

---

第四章：立即可用——3个改法的一周实验清单

把上面三个变化转化成具体动作，每天只改一个习惯：

Day 1-2：练习"角色+任务+约束"框架

选一个你这周最常用的Prompt场景（写文案、整理会议纪要、分析数据都行），用新框架重写一遍，对比输出差异。

[模板]

你是一位[具体角色]，你的读者/用户是[目标受众]。



任务：[具体任务描述，包括做什么和不做什么]



约束：


  • [约束1]
    • 

  • [约束2]
    • 

  • [格式/字数要求]
    •
Day 3-4：给所有重要Prompt加上"自我审查后缀"

不需要改原来的Prompt，只在结尾加一句：

完成后，请列出你认为这个回答最薄弱的3个地方，并给出改进建议。
Day 5-7：练习四段式喂料

选一个你觉得AI"总是给不到点子上"的任务，用四段式框架重新组织需求，感受输出质量的变化。

【背景】___

【目标】___


【已知信息】___


【期望格式】___

---

💡 想直接测试这3个新写法的效果？

上面的模板我都在 [api.884819.xyz](https://api.884819.xyz) 上跑过——平台同时接入了GPT系列、Claude、Gemini、Deepseek等主流模型，切换对比特别方便，国产模型完全免费，新用户注册即送体验token，不需要邮箱验证，直接就能用。

建议你把同一个Prompt分别扔给两个模型，看看"新写法"在不同模型上的效果差异——这本身就是一次很好的学习实验，你会发现不同模型对"结构化信息"的响应方式很不一样。

→ [点击直达 api.884819.xyz](https://api.884819.xyz)

---

结尾：Andrew Ng说的本质是什么？

三个改法讲完了，我想说一个更底层的东西。

Andrew Ng在谈到Prompt演进时，有一个判断值得反复咀嚼：Prompt能力的本质，是把人类模糊意图翻译成AI可执行规格的能力。

这个能力和"会不会用AI"没有直接关系，它考验的是你对自己需求的理解深度。你越清楚自己要什么，你就越能写出让AI精准执行的Prompt。

2022年的模型，你给它一个模糊的指令，它也只能给你一个模糊的输出。两个模糊叠加，结果凑合能用。

2026年的模型，理解能力和推理能力都强了一个量级，但它仍然无法替你想清楚"你到底要什么"。如果你还在用模糊的方式输入，你只是在用更强的引擎跑一辆没有方向盘的车。

三个改法，本质上都是在做同一件事：在你和AI之间建立一个更清晰的接口。

这个接口越清晰，AI的能力就越能被你真正调用。这不是焦虑，是规律。掌握规律的人，不会被工具迭代淘汰，只会因为工具变强而变得更强。

---

说完了怎么写Prompt，下一个问题更难：写给哪个模型看。

同样一句话，GPT、Claude、Gemini的理解方式完全不同——下篇我会拆解：3个主流模型的"性格差异"，以及针对每个模型的专属写法策略。如果你现在还在随机选模型，那篇文章可能会改变你的习惯。

---

本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。

#AI教程 #Prompt技巧 #ChatGPT #Claude #8848AI #AI学习 #人工智能 #提示词工程