第 5 章写出好指令：Prompt 是把判断标准说清楚

上一章我们做完了全书第一个动手动作：把一个模糊的想法，一层层拆到可执行。章末停在一个问题上：同样的工具，为什么在不同人手里，效果能差出两倍不止。这一章就从这个问题讲起。

先交代一下位置。从这一章开始，全书进入第二部「协作」。第二章说过，要把 AI 当一支团队来带，而不是当一把锤子来抡；这一部的五章，就是带法本身。先学会把活交代清楚，这是本章；再让它记得住、靠得住，这是第六章；把验证过的方法封装成可复用的资产，是第七章；织进真实的工作流程，是第八章；最后练那个最难的动作——判断这活到底该不该干，是第九章。一个人带着 AI 干活的基本功，从这里开始闭环。而闭环的第一步，和带人类团队的第一步一模一样：把活交代清楚。

什么叫交代不清楚，先看一个现场。

周一早上十点，组里新来的实习生把一份竞品调研报告发到了群里。你点开，本来只想扫一眼，结果从头读到了尾。框架完整，维度清楚，数据有出处，结论部分甚至有两条你没想到的角度。你问他用了多久，他说，半个多小时吧，用 ChatGPT 搭的框架，自己补了点数据。

你没接话。因为上个季度你交过一份几乎同样主题的报告，那是你熬了两个通宵赶出来的。质量呢？平心而论，半斤八两。

真正扎心的还不是这个。是你用 ChatGPT 也一年多了。同一个工具，他用了半小时，你用了一年，做出来的东西站在同一条水平线上。下班路上你一直在想这件事，越想越不对劲：问题到底出在哪儿？

这个周一早上，就是上一章那个问题的现场版。答案可以先说出来：差距不在工具，在你用工具的姿势。

所以这一章讲指令（Prompt）。但往下讲之前，得先拆掉两种流行的态度。一种把 Prompt 捧成新时代的秘术：市面上大多数「Prompt 技巧」教的是话术，加一句「请深呼吸」，加一句「答得好我给你小费」，据说效果能好两成——这些技巧有的真有点用，有的纯属玄学，但它们都没碰到要害。另一种走向反面：模型越来越聪明，随便说说它也能懂，Prompt 这门手艺迟早消亡，不值得学。两种说法各对一半。话术确实会过时，模型一升级就失效，这一点后一派说对了；但它错在把话术当成了 Prompt 的全部。Prompt 的要害从来不是怎么跟 AI 说话，而是你能不能把自己的专业判断标准，清清楚楚地写出来。会贬值的是话术，不会贬值的是标准；模型越强，前者越不值钱，后者越值钱。

你写不出好 Prompt，多半不是不会写，是你自己也没想清楚：什么样的结果，才算好。你的专业里真正值钱的东西，说到底是一把尺子——什么算好、什么不算的判断标准。这一章要教的不是咒语，是怎么把这把尺子的刻度，一条一条画出来，画到机器看得懂的程度。

一、最小的 PRD

先看普通人是怎么写指令的：「帮我写一份调研报告。」「帮我总结一下这个文档。」「帮我看看这段文案行不行。」

这种写法可以叫「问路式指令」：相当于在路边拦住一个陌生人，说「帮我带个路」，却不说要去哪儿。对方只能猜。猜中了你夸它好用，猜不中你骂它智障。其实都跟它没关系，你什么都没告诉它。

产品经理的世界里有个词，产品需求文档（Product Requirements Document，PRD），是产品经理写给工程师的东西：这个功能给谁用、解决什么问题、输入是什么、输出长什么样、什么情况算做完。工程师照它开发，测试照它验收。写得含糊，工程师追着你来回问；写得清楚，活能一次干对。

一条好 Prompt，本质上就是一份最小号的 PRD。四个要素，一一对应。

角色定义，对应 PRD 里的用户画像。「你是一位有十年经验的用户研究员」这句话不是咒语，它干的事是收窄语境。模型肚子里装着整个互联网的写法，从中学生作文到学术论文都有，你不告诉它按谁的标准干活，它就给你一个平均值。而平均值的另一个名字，叫平庸。同一个问题，你让它以中学老师的身份答和以投资人的身份答，得到的是两个世界的东西，这不是它善变，是你换了它的出发点。

任务说明，对应功能描述。做什么、不做什么，动词要准。「总结」「提炼」「评审」「改写」是四件完全不同的事，你混着说，它就混着做。最常见的含糊是「帮我看看」，看什么？看错别字，看逻辑漏洞，还是看立意高不高？你不挑明，它就每样摸一下，每样都不深。

输入约束，对应前置条件。你给它什么材料，划什么边界。「只基于下面这份纪要工作，纪要之外的信息不要编造」，少了这一句，模型在材料不够的时候不会停下来，它会一脸自信地用想象把窟窿补满。你让它分析一个它没见过数据的竞品，它真敢给你编出市场份额，小数点后还带一位。

输出要求，对应验收标准。格式、字段、长度、排序规则，以及最重要的：什么样的结果算合格，什么情况下它应该承认做不了。「如果材料不足以支撑结论，直接说明，不要硬写」，这一句顶得上十句修辞。输出要求是四个要素里最值钱的一个，也是大多数人最懒得写的一个——因为它逼你先回答那个最难的问题：什么算好。

你发现没有，这四件事没有一件是新技能。给谁干、干什么、拿什么干、干成什么样，任何一个写过需求、带过新人、发过外包的人，都干过一模一样的事。Prompt 不是一门新手艺，它是你已有手艺的另一种写法。

二、使用者与设计者

那为什么同样的四要素，有人天天在用，有人一年都没用上一次？因为横在中间的不是知识，是姿势。把 AI 当搜索框用的人，和把 AI 当交付通道用的人，在五个地方走的是相反的路。

第一个差别是期待。使用者要的是一次性答案：这回帮我搞定就行。设计者要的是一个可重复跑的模板：这条指令打磨好了，下周同样的活、下个月新来的同事，都能直接跑。我见过两个同事都用 AI 写周报，一个每周五下午现想怎么问，问出来的质量全看当天状态；另一个花了一个晚上写好模板，之后每周往里填本周事实，五分钟出稿。半年下来，前者还在跟 AI 斗智斗勇，后者已经把省下的时间拿去干别的了。让我们算一笔账：一次省下半小时出头，一年按五十个工作周算，就是二十五个小时以上；这条模板后来又被组里另外几个人原样接了过去，账还要再乘上人数。一晚上的投入，换回来的是以「人月」计的工时——而现想派一年下来的积累是零。一个在要鱼，一个在修渔网。

第二个差别是任务描述。使用者说「帮我写一份调研报告」；设计者说「你是一位资深用户研究员，基于以下访谈纪要，按这四个字段输出」。前一句话里没有任何信息量，后一句话里全是决策。想想你给外包公司发需求邮件的样子：交付物、截止时间、参考样例，一样不落，因为对面按你的话收钱干活，说漏了损失算你的。轮到 AI，同一个人却退回了一句话需求，理由无非是它不收钱、也不会烦你。但它还有一个特点比不收钱重要得多：它不会追问。人接到含糊的活会回头来问你，AI 接到含糊的活会直接开干，再用最流畅的语气把猜出来的东西交给你。任务描述的长度不是重点，密度才是。

第三个差别是输出处理。使用者拿到不满意的输出，做法是再问一次，换个说法再问一次。我见过最典型的一幕：一个同事跟 AI 拉锯了四十分钟，「再正式一点」「太正式了，活泼一点」「也别这么活泼」，每一轮输出都在两个极端之间荡秋千。这个病值得有个名字，叫「摇骰子式迭代」：他以为自己在迭代，其实是在反复摇骰子，指望下一把点数好看。设计者在提问之前就把格式定义好了：两百字以内，三段，每段一个论点。骰子还没掷，可能的落点已经被框住了。

第四个差别最关键：失败归因。输出不好的时候，使用者的结论是「AI 不行」，关掉窗口，该干嘛干嘛。设计者的第一反应是「我的 Prompt 哪个要素没设计好」。同一次翻车，两种归因，差距比前面三条加起来都大。把失败归因给工具，故事就结束了，你下一次还会在同一个地方栽；把失败归因到自己能修改的地方，每一次翻车都变成一次改进的入口。这个习惯你其实早就有，只是没用在这儿：带新人的时候，活干砸了，靠谱的带队人第一反应是查自己交代清楚没有，而不是断定这孩子不行。对人你做得到，对 AI 反而做不到，因为骂一个工具没有心理成本。前者越用越气馁，后者越用越准。

第五个差别是复用。使用者每次从零开始，一年下来对话记录攒了几千条，资产为零。不信你现在就翻一下自己的历史对话：那几千条里，有几条是你能原样再用一次的？如果答案是零，你过去一年攒下的不是经验，是聊天记录。设计者把验证过的指令沉淀成自己的模板库，越用越厚，新人来了直接继承。这件事能做到什么程度、厚到什么地步，第七章会专门讲，这里先按下不表。

把五个差别排在一起看，你会发现一个共同点：没有一个跟技术有关，全是工作习惯。这就是开头那个实习生半小时追平你一个通宵的全部秘密。他不一定更聪明，他只是从第一天起就用设计者的姿势在用这个工具，而你用使用者的姿势用了一年。一年的使用时长，乘以错误的姿势，还是零。

三、诊断与重写

光说差别太抽象，我们动手改一条。

场景挑一个知识工作者都熟的：手上有一份一万字的用户访谈纪要，要从里面提炼用户痛点。大多数人的指令是这样的：

「帮我总结一下这份访谈纪要，提炼一下用户痛点。」

跑出来的东西大概率长这样：一段四平八稳的综述，列了七八条「痛点」，每条都对，每条都没用。「用户希望操作更加便捷」「用户对价格比较敏感」，这种结论不做访谈也写得出来。最气人的是它的口吻，流畅、自信、面面俱到，像一个根本没参加访谈的人站在台上做总结陈词。你说不上来哪里错了，但你知道这东西交上去会被打回来。

按四要素重写。动笔之前先问自己四个问题：这个活在我们公司是什么水平的人干的？我到底要它干什么、不干什么？它只能用哪些材料？我验收的时候看什么？把答案写下来，就是新指令：

你是一位有十年经验的用户研究员，最擅长的事是从访谈对话里区分「用户说的」和「用户要的」。你只基于下面这份访谈纪要工作。纪要里没有的信息不要编造，用户没提过的问题不要替他发明。你的任务是提炼痛点，不是总结内容。每一条痛点都必须能在纪要里找到原话作为依据。输出不超过 5 条，每条包含四个字段：痛点描述、原文依据、出现场景、严重程度（高 / 中 / 低），按严重程度从高到低排列。如果某段对话你拿不准是不是真痛点，放进单独的「待确认」清单，不要硬塞进结论。

逐句看它在干什么。第一句不只是发了个头衔，「区分用户说的和用户要的」给了它一个明确的判断倾向，这正是访谈分析里最专业的那个动作。第二句划材料边界，把编造的口子堵死。第三句对焦任务：提炼不等于总结，并且立了一条可验证的规矩，每条结论必须钉着原话，这让你验收时有据可查。第四句是验收标准，限数量逼它做取舍，定字段让输出能直接进你的文档，而那个「待确认」清单是整条指令里最见功力的设计：给模型留了一个「我不确定」的出口，它就不必硬着头皮把每句话都拗成结论。

同一份纪要再跑一遍，输出完全是另一个物种。五条痛点，每条钉着用户原话；有两条被放进了「待确认」，而你扫一眼就知道，那两条恰恰是下次访谈最该追问的。前后两条指令，用的是同一个模型、同一份材料、同一个下午，差的只是后一条把判断标准写了出来。

这个改法不挑工种。换两个工种再改两条，你看路数是不是一样的。

设计师的版本。坏指令长这样：「帮我看看这个界面有什么问题。」按四要素过一遍，四个全空。角色没有：按谁的标准看？视觉规范、交互逻辑、文案语气、无障碍标准，是四套完全不同的尺子，你一个都没指定。任务动词是全天下最含糊的「看看」。输入约束没有：你丢过去一张截图，它不知道这是注册流程的第几步，不知道用户是谁、带着什么目的来。输出要求更没有：指出几条算完？按什么排序？严重到什么程度才算「问题」？这样问出来的结果你多半见过：先客气地夸两句配色清爽，再给几条放之四海而皆准的建议，「建议提升视觉层次」「按钮颜色可以更突出」。全对，全没用。重写之后是这样：

你是资深交互设计师，正在走查一个 App 的注册流程，共四屏，截图按顺序在下面。目标用户是第一次接触这类产品的中年用户。逐屏检查，只指出会阻碍用户完成注册的问题；纯视觉风格上的个人偏好不要提。每条问题包含三个字段：它出现在第几屏哪个元素上、它违反了哪条可用性原则、建议怎么改。按「会让多少用户卡住」从高到低排列。如果某个问题需要看到交互过程才能确认（比如键盘弹起后的遮挡），单独列出来标注「需真机验证」，不要凭截图下结论。

再跑一遍，出来的是七条问题，每条钉着一条具体原则，第三条直接指出验证码输入框可能在键盘弹起后被遮住，并且老老实实放进了「需真机验证」。那是上线之后真的会接到客诉的问题，而前一版输出里连它的影子都没有。

写作者的版本。坏指令：「帮我把开头改得吸引人一点。」诊断同样不费劲。「吸引人」是个形容词，对谁吸引？读者是高中生还是投资人，吸引的写法天差地别。任务边界没划：只改开头，还是顺手把全文都改了？AI 改稿最爱顺手全改，改完你还得逐句对回去找它动了哪儿。输入约束没提，而这恰恰是改稿场景里最危险的一条：模型为了让文章更有说服力，真的会给你添一个不存在的统计数字。输出没验收：改成几个版本？多长？保留什么牺牲什么？于是你大概率收到一段感叹号开头的震惊体，外加正文里两处被它好心润色掉的事实。重写：

你是科技专栏的编辑，这篇文章的读者是一线产品经理，他们厌恶夸张，喜欢具体。只改写下面这段开头，正文一个字不要动。改写必须保留原有事实，不得新增任何数据或案例。改到 150 字以内，给我三个版本：悬念式、数据式、场景式。每个版本后面用一句话注明：它比原版强在哪，牺牲了什么。

跑出来三个版本，每个都在 150 字内，每个都附带一句诚实的代价说明。你最后挑了场景式，又把数据式里最硬的一句挪进了第二段。注意这个变化：前一条指令让你做改错题，对着一坨不对劲的输出说「不是这个意思」；后一条让你做选择题，三个明码标价的选项摆在桌上，你只需要动用你最值钱的东西——判断。

三个工种，三条指令，改法完全一样：先按四要素诊断哪里是空的，再把空格一个个填上。填进去的没有一个字是技巧，全是你本来就知道、只是从来没写下来的东西。

四要素之外，还有一个增强器：示例。形容词说十遍，不如样本给一个。你跟它说「口语化一点」，它理解的口语化和你理解的多半不是一回事；你贴一段自己写过的、口语化得刚刚好的旧文，说「照这个味道来」，一次就对。专业领域里大量标准是说不尽的，但可以被示范。挑两三个你认可的好样本放进指令，等于把你的品味打了个包递过去。还有一个细节：样本配上反例更好使。给它一个「这样写对」，再给一个「这样写不对、错在哪」，它对边界的把握会准得多。就像你带新人改稿，光发范文不够，把一篇被毙掉的稿子连同毙稿理由一起给他，他才真正知道红线画在哪里。

注意，这一节从头到尾没有用到任何高深技巧。没有咒语，没有玄学，每一句改动都只是把原本锁在你脑子里的验收标准，搬到了纸面上。

四、一面照出专业的镜子

写到这里，可以把这一章真正想说的话亮出来了。

很多人坐在屏幕前写 Prompt，写两行就卡住，删掉重写，再卡住。他们以为自己是不会写 Prompt。其实大多数时候，卡住的不是写作，是专业本身：你发现你说不清这个活该让什么水平的人干，说不清交上来的东西你按什么标准打分。Prompt 没有为难你，它只是把这个窘境摆到了明面上。

这就像装修。你跟装修师傅说「给我装得温馨一点，有质感一点」，三个月后你站在完工的房子里生闷气。但问题真在师傅吗？「温馨」在你脑子里是米色的墙和一盏暖光落地灯，在他脑子里可能是红木家具配水晶吊灯。会验收的业主说的是另一种话：主灯色温三千 K，墙面留白别做造型，柜子全部做到顶。他不见得比你更懂装修，他只是把「温馨」翻译成了可以逐条检查的条目。AI 就是那个手艺极快、但完全不会读心的装修队。你给它形容词，它还你碰运气；你给它验收标准，它还你确定性。

所以写 Prompt 这件事可以反过来用，当一面镜子。写不出角色定义，说明你不知道这件事该由什么水平的人来干。写不出输入约束，说明你没想过做好它需要哪些材料、哪些信息是不能碰的。写不出输出要求，说明你从来没把「什么算好」变成过明确的标准，你一直依赖的是「看到了就知道」的手感。

手感不丢人，它是你多年专业经验的压缩包。我见过不少资深前辈，方案扫一眼就知道行不行，理由却讲不出三句完整的。在过去，这不算问题，团队磨合久了，大家学着揣摩他的口味就是。但在 AI 时代，压缩包必须能解压。说得出来的判断标准，可以写进指令、交给机器、一夜之间复制一百份；说不出来的判断标准，只存在于你的加班里，你在它在，你不在它就没了。

前面几章说过，知识在通胀，执行在贬值。你真正值钱的部分，是开头说的那把尺子；而尺子的价值，取决于你能不能把刻度画出来给别人看。Prompt 写作训练的就是这个：逼你把每一次「我觉得不行」翻译成「它违反了哪条标准」。这个能力一旦练出来，你会发现受益的远不止人机协作，你给下属布置任务、跟外包对需求、向老板汇报方案，全都清楚了一个档次。

五、手稿与产品

好，假设你已经换上了设计者姿势。你按四要素打磨出一条指令，跑出来的结果让你眼前一亮，你截了图发到组里，配了一句「以后这个活就这么干」。

然后第二天，同一条指令，翻车了。

输出突然变得啰嗦，或者漏了一个字段，或者把一条明显不算痛点的牢骚抬成了高优先级。你盯着屏幕开始怀疑：是 AI 不稳定，还是我其实没调好？昨天的惊艳是真的吗？

两个都不是。真正的答案要反直觉一点：你那条 Prompt 没有问题，但它还不是一个产品，它只是一份手稿。

模型是台概率机器，同样的输入也可能给出不同的输出；更何况输入根本不会一样。昨天那份纪要的受访者条理清楚，今天这份的受访者东拉西扯，文本长了一倍；昨天的用户反馈用词规矩，今天混进来一条阴阳怪气的反话。你昨天的成功，很可能只是运气替你挡住了这些边界情况。今天，运气下班了。

所以翻车不是事故，是情报。每一次翻车都在告诉你一件非常具体的事：你的指令没有覆盖到某一类输入。把翻车当事故，你会沮丧，会回到「AI 不行」的老归因；把翻车当情报，你会把它记下来，变成下一版的改进点。这中间的距离，就是一句话：没有经过测试的 Prompt 不是产品，只是运气。

把手稿变成产品，靠的不是灵感，是三根支柱。三根支柱不是并列关系：可维护是地基，没有版本记录，好坏都无从对比；可评估是标尺，没有测试集，改进只能靠感觉；可回归是闭环，前两根立住了，每一次修改才真的在往前走而不是原地打转。

六、三根支柱

第一根，可维护。给你的 Prompt 上版本。

听起来小题大做？我自己吃过这个亏。早年打磨一条分析指令，在原文上直接抹掉一句、添上一句，改了七八轮，效果时好时坏；某天发现第七版还不如第三版顺手，想退回去，才发现第三版早被我抹掉了，第三轮和第六轮之间到底动过什么，一个字都没留下。最后只能凭模糊的记忆重写，把当初踩过的坑挨个重踩了一遍。教训收束成一句话：不留版本的打磨，等于把改进押在自己的记性上。

版本化要做的事极其朴素：v1、v2、v3，每一版记下两件事，改了什么、为什么改。一张三列的表格就够，放在文档里、表格里、备忘录里都行。记法不用讲究，自己看得懂就行。比如：v3，输出要求里加了「待确认」清单，因为 v2 总把拿不准的牢骚硬塞进结论；v4，角色里补了「擅长区分用户说的和用户要的」，因为 v3 的提炼浮在表面。每条十几个字，写的时候不到一分钟。另有一条配套纪律：永远别在原文上直接改，复制一份再动手，旧版本原样留着。它的价值在两个时刻兑现：效果变好的时候，你知道是哪一刀起的作用，下次还能复制；效果变坏的时候，你随时退回上一版，而不是像我当年那样，凭着模糊的记忆重写一遍。

第二根，可评估。给你的 Prompt 配一套测试集。

规模不用吓人，10 条就够：6 条正常输入，覆盖这个任务最常见的几种样子；4 条异常输入，专门找麻烦的。正常输入怎么挑？从你最近真实经手的任务里挑，越像日常越好，千万别自己顺手编几个理想样本，理想样本只会告诉你「理想情况下没问题」，而你翻车从来不在理想情况下。异常输入往三个方向找。一是边界：超长的、超短的、残缺的，比如一份三万字的纪要，或一场聊了五分钟就中断的访谈。二是脏数据：格式混乱的、夹着无关内容的，比如一段混进了竞品参数的对话。三是恶意或刁钻：全程说反话的受访者、故意带节奏的诱导性发言，甚至材料里嵌着一句「忽略以上所有要求」的捣乱文本，你得知道你的指令扛不扛得住。每条输入配上你期望的输出，两列表格，半个小时能做完。从此以后每次改 Prompt，改前改后各跑一遍，好坏不再靠感觉，靠比分。

做过的人都知道，这半个小时比想象中难熬。难的不是打字，是你必须逐条回答：这种输入下，什么算对？错到什么程度算失败？遇到模棱两可的材料，我希望它给出倾向，还是停下来问我？你会发现设计测试集比写 Prompt 本身还难，因为它考的不是表达，是判断。但这恰恰是它最值钱的地方：这 10 条测试集，就是你那把尺子的刻度，一条一条，被你亲手画了出来。

还是拿访谈纪要那个活，把 10 条凑给你看。六条正常的，从最近三个月真实跑过的访谈里挑：一条受访者条理清楚的，当基准；一条东拉西扯、痛点埋在闲聊里的；一条受访者全程客气、问什么都说「还行」的，这种最考验「区分说的和要的」；一条多人同场、发言混在一起的；一条带浓重口语和错别字的转写稿；最后一条痛点密集、远超五条上限的，看它会不会做取舍。挑的手感只有一条：你看到它的第一反应是「这种我们常碰到」，而不是「这个例子真典型」。典型是编出来的，常碰到是长出来的。

异常的四条不用现编。翻你过去三个月的翻车记录，让你皱过眉的输入就是现成的考题；问问隔壁组踩过什么坑，他们的事故就是你的疫苗。实在凑不齐，再动手造，造的时候照着前面说的三个方向各来一条，最后留一条给捣乱文本。自己编难题有个通病：你下意识只出自己答得上的题。从真实事故里捡来的，才会考到你想不到的地方。

每条输入旁边写期望输出的时候，别写成范文，写成检查点：必须有几条、必须钉原话、哪条该进「待确认」、什么情况该拒绝回答。范文是给模型抄的，检查点是给你打分用的。10 条里只要有一条你写不出检查点，说明你自己也说不清这种输入下什么算对——恭喜，你提前挖出了一个真窟窿。它不在 Prompt 里，在你对这个任务的理解里，趁还没上线，把它补上。

测试集也有不该放的东西。别放你永远遇不到的输入，比如让一个只处理中文访谈的指令去考英文诗，考过了没意义，考不过白焦虑。也别把十条全换成难的：测试集是体检，不是酷刑。六条正常输入是在确认主路一直通畅，四条异常是在探边界在哪，日常占大头，麻烦占小头。比例可以随场景调，原则不动：每一条都来自真实发生过、或者很快会真实发生的场景。这套集子也不是铁打的：用户的说法变了，有些旧考题再也不会出现，就换出去，腾位置给新的。半年回头看，10 条换过一轮血，说明你的指令一直在跟真实世界对表。

第三根，可回归。每次改完，全量重跑。

这一条最容易被省，也最不该被省。省掉它的病也有名字，叫「修一处、坏三处」。典型的路径是这样的：你为了修昨天那个出错的用例，往指令里加了一句限制，跑了一下那个用例，好了，宣布收工。你没看见的是，这句新限制把原本跑得好好的三个用例带进了沟里。你的注意力全在那个让你丢脸的失败上，于是一边修一边坏，还觉得自己一直在进步。回归的纪律很简单，改完之后做四件事：把 10 条测试集从头跑一遍；跟上一版的结果逐条对比；把结论记进版本表；新发现的翻车输入，补充进测试集。全部通过才算改好，不能凭感觉宣布胜利。我见过最划算的一次回归是这样的：同事为了让输出更简洁，加了一句「每条不超过 30 字」，单看他要修的那个用例，确实清爽了。全量一跑才发现，两条复杂痛点被这句话腰斩成了正确的废话，「用户对流程不满」，跟没说一样。那句限制后来改成了「每条不超过 30 字，复杂问题可放宽到 50 字并标注」。没有回归，这个坑要等到正式交付的那天才会炸。至于成本，10 条输入复制粘贴跑一轮，第一次生疏点要半小时，跑熟了十几分钟，比一次返工便宜得多。

我自己在做 Agent 平台的时候，团队里每一条进了生产环境的 Prompt，都带着版本号、改动记录和它专属的测试集。新人来了第一课不是教他怎么写出妙笔生花的指令，而是一条纪律：改完先跑回归，再谈感觉。听起来一点也不浪漫，但平台上成千上万的用户每天跑的就是这些指令，浪漫救不了他们，纪律可以。

三根支柱立起来，你得到的不是一条更聪明的指令，是一条可以被信任的指令。聪明和可信任之间的距离，就是玩具和产品之间的距离。

七、三个旋钮

四要素管内容，三支柱管质量，最后还有三个旋钮，管脾气。它们通常藏在工具的设置项里，大多数人从来没碰过，但每一个都直接影响输出的稳定性。这里不讲技术原理，只讲什么时候该拧。

第一个旋钮是温度（Temperature）。你可以把它理解成模型的冒险程度：调低，它倾向于给出最稳妥、最常规的回答，十次跑出来九次相似；调高，它愿意走偏门、出怪招，十次十个样。怎么拧，看场景要什么。客服回复、合同摘要、数据提取，这类活要的是一致性，用户今天问退款政策和明天问退款政策，答案必须是同一个，温度往低拧。营销标语、产品起名、头脑风暴，这类活要的恰恰是意外，十个方案里九个平庸没关系，只要有一个惊喜，温度往高拧。拧错的样子很有画面感：温度开太高跑合同摘要，同一份合同摘三次，三次的「付款期限」表述各不相同，法务追着问你到底哪个算数；温度压太低做头脑风暴，让它起十个产品名，十个名字像一个模子里刻出来的，清一色「智能某某助手」。最常见的错误是用同一个默认温度干所有的活，然后抱怨它「正经事上爱发挥，要创意时又老一套」。那不是它脾气坏，是你从来没拧过这个旋钮。

第二个旋钮是上下文（Context）。这一轮对话，要不要带着前面的记忆？持续协作的活要带：你跟它来回打磨一个方案，改到第五轮，前四轮的来龙去脉就是它的工作材料，断了上下文等于每轮都跟一个新人从头解释。但批量任务恰恰相反。你连着处理十份访谈纪要，第三份的结论会悄悄渗进第四份的分析里，模型拿着上一个用户的痛点去套下一个用户的话，你还以为发现了普遍规律。更隐蔽的翻车是「万能窗口」：一个聊了三天的对话，前面讨论过竞品、改过周报，还顺手让它写过一段生日祝福，第四天你把正式交付的分析任务扔进去，输出里就会冒出来路不明的口癖和立场。它没坏，它只是把三天的杂音都当成了你的要求。所以实务上有一条简单的纪律：同类任务批量跑，每一份都开干净的新对话；要交出去的东西，单开一个窗口，从零开始。

第三个旋钮是输出格式，最常见的选择是 JSON 还是 Markdown。判断标准只有一条：下游是谁。输出要进系统、进表格、被程序接着处理，用 JSON，字段名提前定死，类别、情绪、优先级各占一格，下游才接得住；输出是给人看的，用 Markdown，标题层级和列表清清楚楚，人眼舒服。格式约束还有一个不写在说明书上的好处：结构定得越死，模型瞎发挥的空间越小。你让它「谈谈看法」，它能给你绕三个弯；你让它填一张五个字段的表，它老实得多。拧反了的代价也很实在：下游是程序，你却让它输出 Markdown，工程师只好写一段脆弱的解析代码，模型哪天换了个标题写法，整条流水线当场卡死；下游是老板，你却递上一份 JSON，再好的结论裹在花括号里，他也只会回你三个字，「说人话」。格式，是验收标准的最后一公里。

三个旋钮记不全也没关系，记住一句话就行：输出不稳定的时候，先别急着怪模型，把温度、上下文、格式这三处挨个检查一遍。多数所谓的「AI 抽风」，其实是旋钮没拧对。

本章要点清单

一条好 Prompt 是一份最小的 PRD：角色定义收窄语境，任务说明对准动词，输入约束堵住编造，输出要求写明什么算好。四个要素里，输出要求最值钱，也最常被偷懒。
「问路式指令」是万病之源：你什么都没告诉它，猜中猜不中都跟它没关系。任务描述的长度不是重点，密度才是。
使用者与设计者的五个差别——期待、描述、输出处理、失败归因、复用——没有一个跟技术有关，全是工作习惯。一年的使用时长，乘以错误的姿势，还是零。
失败归因是分水岭：归给工具，故事结束；归到自己能修改的地方，每次翻车都是改进的入口。
你给它形容词，它还你碰运气；你给它验收标准，它还你确定性。说不尽的标准，用样本加反例示范。
没有经过测试的 Prompt 不是产品，只是运气。翻车不是事故，是情报。
三根支柱把手稿变成产品：版本化留住来路，测试集画出刻度，回归守住底线。改完先跑回归，再谈感觉。
测试集 10 条：六条正常探主路，四条异常探边界；写检查点，不写范文；每一条都来自真实发生过的场景。
输出不稳先查三个旋钮：温度、上下文、格式。多数「AI 抽风」，是旋钮没拧对。
说得出来的判断标准是杠杆，说不出来的手感救不了下一个通宵。

小结

回到开头那个周一早上。实习生用半小时追平了你的通宵，这件事让你难受了一路。但走完这一章，你应该看清楚了：他追平的只是你的执行。搭框架、组织措辞、搜集信息，这些活的价格确实塌方了，对所有人塌方，不分资历。他没有追平、也暂时追不平的，是你十年攒下来的判断标准：什么样的痛点是真痛点，什么样的结论经不起追问，什么样的报告会被老板一眼打回来。

但这里有一个前提，也是这一章从头到尾都在说的事：那些标准，必须能被你说出来。写成角色，写成约束，写成验收字段，写成 10 条测试集——那把尺子的每一道刻度，都得画到纸面上。说得出来，它就是你的杠杆，AI 替你把它放大一百倍；说不出来，它就只是你的手感，而手感救不了下一个通宵。Prompt 从来不是话术，它是你的专业被翻译成机器能执行的样子。翻译得越清楚，你的专业就越值钱。

不过，就算你把这一章的每件事都做到位，前面还有一堵墙等着。指令管得住 AI 的这一次，管不住它的下一次。明天早上你再打开对话框，它不记得你是谁，不记得你们昨天对齐过的标准，不记得那条改到 v3 的指令为什么长成现在这个样子。一个每天醒来都失忆的下属，指令写得再漂亮，也带不动。怎么让 AI 记得住、靠得住，是下一章的事。