你以为自己会用 Prompt？Andrew Ng 说你可能还在用 2022 年的写法

你上一次认真审视自己的 Prompt 习惯，是什么时候？

大多数人的回答是：从来没有。

这很正常。我们学会一种写法，它有效，就沿用下去了。但问题在于，AI 模型这两年发生的变化，比任何人预期的都要剧烈——而我们的使用习惯，却几乎没动过。

Andrew Ng 在一次公开访谈中说过一句让我印象深刻的话（大意）：

"很多人以为自己在使用 AI，但他们实际上是在用一个自己脑子里构建的、关于 AI 的过时模型。"

这句话的杀伤力在于：它不是在说你没学过 Prompt，而是说你学过的那套东西，已经对不上现在的模型了。

2022 年，GPT-3.5 刚出来，能把一句话理解清楚就算厉害。你写"帮我写一篇文章"，它能出来个大概就不错了。但 2025 年，Claude Opus 4.6、GPT-5.2、Gemini 3.1 Pro 这些模型的推理深度、上下文理解、指令跟随能力，早已不是一个量级。

模型在进化，但大多数用户的 Prompt 直觉还停在原地。

这篇文章，就是要帮你把这个滞后补回来。

---

习惯一：从"命令式"到"协作式"——别再把 AI 当搜索框

2022 年的用户怎么写 Prompt？

帮我写一篇关于气候变化的文章

就这一句。然后期待 AI 猜你要什么风格、什么长度、什么受众、什么观点倾向。

这不是在用 AI，这是在用一个高级搜索框——你扔一个关键词，等它返回一个结果。

2025 年的正确姿势是：把 AI 当一个有能力、但需要足够信息才能发挥的协作者。

同一个需求，来看两种写法的差距：

旧写法（命令式）：

帮我写一篇关于气候变化的文章

新写法（协作式）：

我需要写一篇关于气候变化的科普文章。

背景：
读者是高中生，没有专业背景
发布在学校公众号，字数 800-1000 字
重点讲"碳排放与日常生活的关系"，不要堆数据

风格要求：
口语化，有代入感，避免说教
开头用一个生活场景切入
结尾给读者一个"今天就能做到的小行动"

请先给我一个大纲，确认方向后再展开正文。

这两个 Prompt 的输出质量差距，不是 10%，是量级上的不同。

前者给你的是一篇"气候变化百科词条"；后者给你的是一篇真正能发出去的文章。

核心转变是什么？

你从"发出指令"变成了"提供上下文"。模型不是在猜你要什么，而是在真正理解你要什么。这需要你主动给：目标、受众、约束、格式偏好，以及——你期望的工作流程（比如"先给大纲再写正文"）。

---

习惯二：从"一次性提问"到"迭代对话"——Prompt 不是句子，是流程

早期有一个普遍的心理预设：Prompt 写得越好，一次性得到的答案越完整，才算"用得好"。

这个预设现在已经过时了。

现代大模型支持深度的多轮推理和自我修正。把复杂任务塞进一个超长 Prompt，不如把它拆成一条对话链，让 AI 在每一步确认后再推进。

什么时候该追问，什么时候该重置上下文？

这是很多人没想清楚的判断点。给你一个简单框架：

假设你要让 AI 帮你设计一个产品功能方案。

❌ 错误做法：一次性把所有要求塞进去，得到一个"大而全但没有灵魂"的方案。

✅ 正确做法：

1. 第一轮：描述产品背景和核心问题，让 AI 先理解场景，输出它对问题的理解

2. 确认：你检查 AI 的理解是否准确，纠正偏差

3. 第二轮：在确认的基础上，让 AI 提出 3 个方向，不展开

4. 选择：你选一个方向，说明原因

5. 第三轮：深入展开选定方向，细化方案

这个流程下来，你得到的方案质量，会远超一次性提问的结果。

⚠️ 重要提示：对话链越长，越要注意"上下文污染"——早期对话里的错误假设会影响后续输出。如果发现 AI 开始绕圈子，果断开新对话。

---

习惯三：从"要答案"到"要过程"——让 AI 展示推理，别直接给结论

2022 年，CoT（Chain of Thought，链式思维）是一个需要专门学习的高级技巧。研究人员发现，在 Prompt 里加上"让我们一步一步思考"，可以显著提升模型在推理任务上的表现。

2025 年，这不再是技巧，而是基础配置。

但问题是：大多数用户还是在直接要结论。

这段代码为什么报错？

这个商业方案可行吗？

这份数据说明了什么？

这三种问法，AI 都会给你一个答案。但这个答案是怎么来的？推理链条是否合理？有没有跳过关键步骤？你不知道，因为你没要求它展示。

改一个字，质量大不同： 旧写法：

这段代码为什么报错？
[代码粘贴]

新写法：

这段代码报错了，请帮我分析原因。

要求：
1. 先描述你对这段代码逻辑的理解
2. 说明你认为错误最可能出现在哪里，以及为什么
3. 给出修复方案，并解释修复的原理
4. 如果有多种可能的原因，请都列出来，按可能性排序

[代码粘贴]

为什么这样更好？

因为当 AI 展示推理过程时，你可以在中间发现它走偏的地方，及时纠正，而不是等到最后拿到一个"看起来有道理但其实错了"的结论。

这在代码调试、方案分析、数据解读这类高风险任务里尤其重要——AI 的"自信错误"比"承认不确定"更危险。

一个通用模板：

[任务描述]

请按以下步骤回答：
1. 先说明你对这个问题的理解和关键假设
2. 描述你的分析思路
3. 给出结论，并说明置信度
4. 列出你认为我还应该考虑的因素

---

习惯四：从"通用 Prompt"到"模型感知"——不同模型要用不同语言

这是最容易被忽视，但拉开差距最明显的一个习惯。

很多人有一套"万能 Prompt 模板"，在所有模型上套用。这没有错，但这是在浪费每个模型最擅长的那部分潜力。

不同模型有不同的"指令敏感区"，就像不同的人有不同的沟通风格——你和一个喜欢直接说结论的人聊天，和一个喜欢先铺背景的人聊天，策略应该不一样。

用同一个任务，试三种写法：

1. 简洁版：一句话描述需求

2. 结构版：分点列出背景、要求、格式

3. 对话版：像和人说话一样描述，带上你的想法和困惑

哪种写法出来的结果最符合你的期望，这个模型就偏好哪种风格。花 10 分钟做这个测试，能帮你在后续节省大量时间。

---

💡 想直接练手？

文中所有 Prompt 模板都可以在 [api.884819.xyz](https://api.884819.xyz) 上实测——支持 GPT-5.x / Claude Opus 4.6 / Gemini 3.1 Pro / Deepseek R1 多模型切换，正好用来验证第四个习惯里说的"模型感知"差异。新用户注册即送体验 token，国产模型完全免费，没有月租。

---

收尾：习惯改变的本质，是建立"元认知"

说了四个习惯，但我不希望你把这篇文章当成一份"模板清单"背下来。

真正重要的是这一层认知：

每次模型大版本更新，你都需要重新校准自己的 Prompt 直觉。

模型在进化，你的用法也要跟着进化。这不是一次性的学习，而是一种持续的校准意识。

Andrew Ng 的原话背后有一个更深的意思：我们对 AI 的认知，很容易被早期经验锁死。你第一次用 ChatGPT 时形成的直觉，会成为你后来用所有 AI 工具的默认框架——除非你主动打破它。

---

30 天 Prompt 自我审计清单

把这个截图收藏，每周花 10 分钟对照检查：

第 1 周：审计"命令式"习惯

[ ] 我最近的 Prompt 里，有没有给出受众信息？
[ ] 有没有说明输出格式要求？
[ ] 有没有给 AI 一个明确的角色设定？

第 2 周：审计"一次性提问"习惯

[ ] 我有没有在得到第一个回答后就停止，其实还可以追问？
[ ] 我有没有在对话跑偏时及时重置，而不是硬撑？
[ ] 复杂任务我有没有拆成多步？

第 3 周：审计"要结论"习惯

[ ] 高风险任务（代码/方案/数据）我有没有要求 AI 展示推理过程？
[ ] 我有没有在 AI 给出结论后，追问"你的依据是什么"？
[ ] 我有没有让 AI 列出它的假设？

第 4 周：审计"通用 Prompt"习惯

[ ] 我有没有针对不同模型调整过写法？
[ ] 我有没有做过"同一任务，三种写法"的对比测试？
[ ] 我知道自己最常用的模型偏好哪种指令风格吗？

---

模型在进化，你也在进化。

这四个习惯，不是终点，而是下一阶段的起点。

---

说完了怎么"写" Prompt，下一篇我们聊一个更底层的问题：

当 AI 开始能自己写 Prompt、自己调用工具——我们还需要学 Prompt 吗？

Agent 时代的提示词逻辑，和你现在学的完全是两套体系。如果你以为 Prompt 工程师会消失，你可能又低估了一件事。

下周见。

---

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

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