你写 Prompt 的方式，可能已经落后两年了

打开 AI 对话框，你是不是还在这样写：

"你是一位资深营销专家，请用专业、简洁、有力的语言，为我写一篇500字以内的产品介绍，要求突出核心卖点，语气偏向年轻化，结尾要有行动号召……"

这套写法，在2022年是"Prompt 工程"的教科书级范本。但如果你今天还在用它，你可能正在用旧地图，走一条已经改道的路。

Andrew Ng 在他 DeepLearning.AI 的最新课程里说过一句话，让我印象很深：

"Many people are still fighting the model with their prompts, instead of working with it."

（很多人还在用 Prompt 对抗模型，而不是与模型协作。）

这句话值得细品。"对抗"——不是夸张，是真实描述。当你把 Prompt 写成一份施工合同，把每个细节都规定死，你其实是在限制一个推理能力已经大幅跃升的系统，让它按你2022年的认知去工作。

这篇文章，我想把 Andrew Ng 在新课里反复强调的三个习惯转变，翻译成你今天就能用的改法。

---

第一章：从"指令堆砌"到"目标委托"

旧习惯为什么曾经有效？

2022年，主流模型（GPT-3.5时代）的推理能力有限，模型不太会"猜"你的意图，你不说清楚，它就会乱来。所以那时候的最佳实践是：把所有细节都塞进 Prompt，用约束换稳定。

这个逻辑在当时是对的。

但现在，过度约束成了枷锁

来看同一个任务，两种写法的对比：

你是一位有10年经验的产品经理，请用中文，以第一人称，
写一篇关于"用户留存"的文章。
要求：
字数在800-1000字之间
分三个部分，每部分200-300字
语气专业但不晦涩
第一部分讲问题，第二部分讲方法，第三部分讲案例
结尾要有总结句
不要用"总之""综上所述"这类词
标题格式用##

我在准备一篇面向 B 端 SaaS 产品经理的文章，主题是用户留存。
读者痛点是：知道留存重要，但不知道从哪里下手改善。
我希望文章读完之后，他们能有一个"今天就能试"的具体动作。
请帮我起草一个初稿。

第一种写法，模型会严格执行你的格式要求，但内容往往"合规却无聊"——它在填格子，不是在思考。第二种写法，模型会根据你描述的读者和目标，自主判断结构、语气和深度，输出往往更有洞见，因为它真的在解决你的问题。

💡 改写公式： 把"你要模型怎么做"，换成"你要读者/用户得到什么"。目标清晰了，路径交给模型。

背后的逻辑是：新模型的推理能力已经足够强，它不需要你规定每一步，它需要的是理解你的真实意图。过度约束，反而让它无法调用更深层的推理。

---

第二章：从"一次性输出"到"对话式迭代"

旧习惯：把 Prompt 当"咒语"

很多人对 Prompt 的期待是：写好一个，一次成型，万能复用。这个心态可以理解——省时间、省精力，找到"魔法公式"。

但这个期待本身，就是问题所在。

把 Prompt 当咒语，等于把 AI 当自动贩卖机：投币、选择、取货。你和模型之间没有协作，只有交易。

新范式：三轮对话，逐步收敛

让我用一个真实的案例来展示"对话式迭代"是什么感觉。

---

我们做的是面向中小企业的财务 SaaS，
核心价值是"让老板不用懂财务，也能看懂公司账"。
目标用户是10-50人规模的创始人，他们最大的痛点是
"财务数据看不懂，但又不敢不看"。
帮我想几个落地页 slogan 方向，不用精修，先发散。

---

第3个方向感觉对了，但"轻松"这个词太泛，
我们用户不是想要"轻松"，他们想要的是"不被财务问题拖后腿"——
有一种控制感的需求，不是懒人需求。
在这个方向上，再给我5个变体？

---

"账清了，心才稳"这个感觉最接近了。
但"账清"在用户认知里可能联想到"记账"，
我们不是记账工具，是分析工具。
帮我在保留"心稳"这个情绪落点的前提下，
把"账清"换掉，试几个版本？

---

三轮对话，每轮都在做一个明确的决策。这比你花30分钟写一个"终极Prompt"，效率更高，输出质量也更可控。

💡 改写公式： 第一轮"给方向"，第二轮"纠偏"，第三轮"精修"。每轮只解决一个问题。

Andrew Ng 在课程里把这种方式叫做 "iterative refinement"（迭代精修），他的原话是：不要期待第一次就完美，要期待每一轮都更接近完美。

---

第三章：从"角色扮演"到"上下文注入"

"你是一个XXX专家"，正在失效

2022年最流行的 Prompt 技巧之一，就是角色设定：

你是一位有20年经验的资深数据分析师，
精通 Python 和 SQL，擅长从数据中发现商业洞见……

这种写法曾经有效，因为它给了模型一个"行为框架"——模型会调用"数据分析师"这个概念下的知识和表达方式。

但现在，这个效果在大幅衰减。

原因不复杂：新模型本身已经足够"博学"，它不需要你告诉它"数据分析师会怎么想"，它已经知道了。你加的那段角色描述，更多时候是在给模型增加噪音，而不是增加信号。

真正有效的是：让模型"知道你的处境"

来看对比：

你是一位资深数据分析师，请帮我分析这份销售数据，
找出关键问题并给出建议。
[数据]

背景：我们是一家做 B2B 软件的公司，主要客户是制造业。
这是过去三个月的销售数据，上个月转化率突然下跌了15%。
我需要在明天的管理层会议上解释原因，并给出下季度的改善方向。
老板比较关注的是"是销售团队的问题还是产品的问题"。
[数据]
帮我分析一下。

两种写法的输出，差异显而易见：

• 角色扮演版本 会给你一份"标准数据分析报告"，格式规范，但和你的具体处境脱节。
• 上下文注入版本 会给你一份"针对明天会议的分析"，聚焦在老板最关心的问题上，直接能用。

💡 改写公式： 删掉"你是XXX专家"，换成"我的处境是……，我的目标是……，我的受众是……，判断标准是……"

这个转变的本质是：从"定义模型是谁"，转向"告诉模型你是谁"。后者提供的是真实的、不可替代的上下文信息，而前者提供的是模型早就内化的通用知识。

---

💡 想真正练习这三种新写法，你需要一个响应稳定、支持长上下文的模型环境。

我们团队日常测试用的是 [api.884819.xyz](https://api.884819.xyz)，支持 GPT-5 系列、Claude Opus 4.6、Gemini 3.1 Pro、Deepseek R1 等主流模型，按量付费，国产模型完全免费，新用户注册即送体验 token——反复迭代实验，不用担心额度浪费。

---

第四章：哪个习惯最该先改？

我的判断是：变化二——迭代思维，最该先改。

理由很简单：它改变的是你使用 AI 的底层心态，而不只是 Prompt 的写法。

当你真正接受"AI 是协作者，不是自动贩卖机"这个前提，变化一和变化三会自然跟上——你不会再堆砌指令，因为你知道可以第二轮再说；你不会再写角色设定，因为你已经习惯在对话里注入上下文。

但如果你只改写法，不改心态，很快就会退回旧习惯。

不同场景的优先级

当然，这三个变化不是互斥的，最终你都需要。只是从哪里开始，取决于你现在最大的痛点在哪里。

---

结尾：工具升级了，使用方式也该升级

有一个类比我觉得很贴切：

开手动挡车的人，第一次开自动挡，往往还会下意识去踩离合。不是因为自动挡难，是因为旧习惯的惯性太强。

AI 模型的进化速度，比大多数人的使用习惯更新速度快得多。你现在用的可能是 GPT-4o 级别的模型，但你的 Prompt 思维可能还停在 GPT-3.5 时代。这不是批评，这是正常的认知滞后——只是现在该意识到了。

把你下一次 AI 对话，从"一次提问"改成"三轮对话"。

第一轮，只给方向，不求完美。看模型怎么理解你的需求。第二轮，告诉它哪里偏了，为什么偏了。第三轮，在对的方向上精修细节。

这三轮加起来，可能比你花时间憋一个"完美Prompt"更快，输出质量也更高。试一次，感受一下差异。

Andrew Ng 在课程里说，Prompt 工程的终极目标不是"写出最好的 Prompt"，而是"和模型建立最有效的协作关系"。这句话，我觉得值得反复想。

---

说完了怎么写 Prompt，下一篇我想聊一个更底层的问题——

当模型越来越强，Prompt 工程师这个职位还有没有未来？Andrew Ng 在同一门课里给了一个让我意外的答案。如果你现在的工作和 AI 有关，或者你在考虑往这个方向转型，那篇文章你可能不想错过。

---

#AI教程 #Prompt技巧 #AndrewNg #ChatGPT #Claude #人工智能 #8848AI #AI学习