AI-Native 能力反思(三)：Prompt Engineering 自我提升神器

与 AI 交互，不止是为了获取答案，更是为了照见自己思考和沟通的不足。

当你学会让 AI 理解你时，你实际上是在学习如何更好地思考、表达和协作。

当你发现 AI 无法理解你的需求时，先别急着抱怨 AI 不够智能。

停下来问自己：

• 我真的想清楚自己要什么了吗？
• 我的表达足够清晰吗？
• 如果是人类同事，Ta 能理解我的意思吗？

最近在看 Claude Prompt Engineering 的文档，它不仅教我们如何写 prompt，更告诉我们：

• 如何明确目标和标准
• 如何清晰地沟通和表达
• 如何分解复杂问题
• 如何建立反馈和迭代机制

---

一、开始之前：明确目标与标准

1.1 先想清楚你要什么

Claude 文档告诉我们，在开始 prompt 之前需要：

1. 清晰定义成功标准
2. 有验证方法
3. 预期的输入输出示例

映射到工作中：

• 清晰的目标定义：你要做什么？为什么要做？成功的标准是什么？
• 可量化的验收标准：怎么判断完成得好不好？
• 预期的输入输出：给什么内容，期望得到什么结果？

如果你自己都不清楚要什么，别指望 AI 能给你想要的。

真实例子：

你有没有遇到过这样的情况？

模糊需求：

“帮我写一份产品介绍”

→ AI 写了一大段，但你看完后觉得：太正式了/太简单了/不是我想要的重点……

清晰需求：

“写一份面向初次使用的用户的产品介绍，300字左右，重点突出’操作简单’和’节省时间’两个优势，语气轻松友好，参考苹果产品介绍的风格”

→ AI 给出的结果基本符合预期，只需微调即可。

启示：

接到任务时，先问清楚目标和验收标准，不要埋头就干。在脑海中先构想最终交付物的样子，有了明确目标，才能有效评估每一步。

1.2 建立反馈循环

在知道自己要什么的前提下，一定要有自我反思和主观判断：

• AI 的输出符合预期吗？哪里好？哪里不好？
• 为什么不符合预期？是我的描述不清晰，还是遗漏了关键信息？

启示：

建立"尝试 → 评估 → 调整 → 再尝试"的反馈循环，培养对质量的敏感度，不要对糟糕的结果麻木。

---

二、沟通原则：清晰、具体、有结构

2.1 不要想当然——AI 就像失忆的天才新员工

Claude 文档有个精彩的比喻：

When interacting with Claude, think of it as a brilliant but very new employee.

黄金法则：

把你的 prompt 给一个对任务背景不了解的同事看，如果他困惑，大模型也会困惑。

思维映射：

模型输出内容的准确性取决于你跟它说了什么。想想自己在工作中，当新人或跨部门同事的交付物不符合预期时，是不是也应该先反思自己的指示是否清晰？

真实场景：

想象一下你接到一个任务：“把这个文档改成用户友好的版本”。

你花了一整天，把所有专业术语都换成了大白话，还加了很多表情符号，觉得这下够"友好"了吧。

结果领导看了之后说：“我说的’用户友好’是指逻辑更清晰、分步骤呈现，不是让你把严肃的文档变成聊天风格……这是要给客户的正式交付文档。”

那一刻你才明白，你理解的"用户友好"和领导理解的完全不一样。而这个误解，本来可以通过一个简单的示例避免：“像这样的风格”（看一个参考案例）。

现在和 AI 交互时也一样。我说"写得专业一点"，AI 可能写成学术论文风格，但我想要的其实是"商务专业"而不是"学术专业"。

启示：

• 永远不要假设对方"应该知道"什么
• 把隐性知识显性化：你的标准、你的风格、你的期望
• 沟通时提供足够的上下文：为什么做？给谁用？在什么场景下？

2.2 提供完整上下文

需要提供的上下文：

• 任务结果的用途：这个结果是给谁用的？用来做什么？
• 目标受众：面向技术专家还是普通用户？
• 工作流位置：这个任务在整个流程中的位置？
• 成功的定义：什么样的结果算是成功？

上下文越完整，执行者越能做出正确的判断。当你发现对方的输出"虽然没错但不是你要的"时，往往是上下文缺失。

2.3 What-Why-How-Example 成对出现

这是完整沟通的基本结构：

• What（是什么）：任务/目标是什么？
• Why（为什么）：为什么要这样做？目的和背景是什么？
• How（怎么做）：具体怎么执行？有什么步骤和要求？
• Example（示例）：理想的结果长什么样？

这四个要素缺一不可，尤其是 Why 和 Example，常常被忽视但极其重要。

2.4 用 Example 对齐理解

Claude 文档说：

Examples are your secret weapon for getting Claude to generate exactly what you need.

示例的价值：

• 准确性：减少对指令的误解
• 一致性：统一结构和风格
• 性能：提升处理复杂任务的能力

工作启示：

与其长篇解释，不如给一个清晰的示例。示例是最快速的对齐工具，特别是对于"风格"和"格式"。

真实体验：

有一次，我要让 AI 帮我生成日报的总结。我一开始说：“写得简洁有力，记录时间段和产出”。

AI 写出来的是：“今日完成了三项重要工作，xxxx……”（不理解我说的）

后来我直接给了一个示例：

9：00 - 10：30 上线新功能(1.5h)
10：30 - 12：00 优化页面性能，加载速度从3秒降至1.2秒(1.5h)

---

三、思考方式：给思考的空间和结构

3.1 复杂任务需要思考空间

面对复杂任务如研究、分析、问题解决时，给 AI 思考的空间能显著提升表现。

为什么需要思考：

• 准确性：逐步推理减少错误
• 连贯性：结构化思考带来更连贯的结果
• 可调试性：看到思考过程，才能发现问题在哪

工作启示：

不要期望对方（人或 AI）瞬间给出复杂问题的答案。给对方思考和推理的时间和空间，鼓励"说出思考过程"，这样才能发现思路是否正确。

可能很多人都在要结果，忽略了过程。想要分析结果的误差，最好的方式就是分析过程。所以过程记录的重要性，往往被很多人忽略。

不同模型的思考过程，也会让你总结出，什么场景适合用什么模型来处理。

3.2 从简单到复杂的思考层次

三个思考层次：

1. 基础提示：

   • “Think step-by-step”
   • 缺点：没有指导如何思考

2. 引导式提示：

   • 明确列出思考步骤：“First… Then… Finally…”
   • 缺点：缺乏结构化，思考和答案混在一起

3. 结构化提示：

   • 用标签分隔思考和答案：<thinking> 和 <answer>
   • 优点：易于提取，结构清晰

3.3 用结构化方式组织信息

为什么需要结构化：

• 清晰性：明确分隔不同部分
• 准确性：减少误解和混淆
• 灵活性：易于添加、删除、修改
• 可解析性：输出易于后续处理

工作启示：

信息组织要有清晰的结构，不要混在一起。用明确的分隔（标题、编号、缩进）来区分不同内容。好的结构让信息可维护、可扩展。

3.4 角色的力量：专家视角带来不同深度

The right role can turn Claude from a general assistant into your virtual domain expert!

角色的价值：

• 增强准确性：专业角色能发现普通视角忽略的问题
• 定制化语气：CFO 的简洁 vs 文案的华丽
• 改善聚焦：角色约束任务边界

工作启示：

不同角色看同一个问题会有不同的洞察。明确"以什么身份"来处理任务很重要。让一个工程师以"用户"角色审视产品，能发现不同的问题。

AI 可以扮演不同的专家角色，可以间接的解决你身边没有类似专家角色的问题。

---

四、执行策略：分解、专注、迭代

4.1 任务链：每个环节都能得到充分关注

Remember: Each link in the chain gets Claude’s full attention!

为什么要分解任务（Prompt Chaining）：

• 准确性：每个子任务都能得到充分关注，减少错误
• 清晰性：简单的子任务意味着更清晰的指令和输出
• 可追溯性：容易定位问题出在哪个环节

工作启示：

复杂任务不要试图一次完成，分解成多个明确的步骤。每个步骤都有清晰的输入、输出和目标。如果某个环节出了问题，可以单独优化那个环节，而不用重做整体。

真实对比：

之前的我（一次搞定）：

“帮我写一篇关于xx公司在开发某个产品的研报，要有数据支撑，案例生动，结构清晰，观点新颖。”

结果 AI 给了一篇文章，但：

• 数据有点老
• 案例不够生动
• 观点还行
• 结构凑合

我不知道该怎么改，只能重新写一遍完整的 prompt，又得到一篇差不多的东西……来来回回折腾好几次。

现在的我（分步处理）：

第1步：“搜集最近2年关于xx公司的研究数据和相关论文”

→ 得到一批数据，我挑选了几个最有说服力的

第2步：“基于这些数据，总结出3个关于xx公司开发该产品的的重要洞察”

→ 得到洞察，我调整了其中一个，使其更贴合我的目标读者

第3步：“针对’XX洞察’，给我3个真实的案例场景”

→ 得到案例，我选了最生动的2个

第4步：“用这些洞察和案例，写一篇文章大纲”

→ 得到大纲，我调整了段落顺序

第5步：“按照这个大纲，展开成完整文章，每个洞察300字左右”

→ 得到初稿，质量比之前高太多了

差别在哪？

• 一次搞定：每个环节都不够好，但又不知道问题出在哪，只能全部重来
• 分步处理：每一步都很清楚在做什么，结果不满意就调整这一步，不影响其他环节

4.2 建立自我审查和迭代机制

迭代优化的循环：

• 初稿：完成第一版

• 审查：从不同角度评估（准确性、清晰性、完整性）

• 改进：根据审查意见修订

• 再审查：确保改进有效

工作启示：

不要期望一次就能做到完美。建立"初稿 → 审查 → 修改"的习惯。重要的工作要经过多轮迭代，自我审查是一种能力，需要刻意培养。

我的转变：

以前，我总觉得"改来改去"是能力不够的表现。结果总是在最后关头被指出各种问题：“这里逻辑不严密”、“那里没考虑到XX情况”、“这个表述会引起歧义”……

后来我学会了一个方法：写完之后，让 AI 扮演不同角色再帮我分析一遍。

比如写完一份方案后：

• 第1遍（专家角度）：技术上有没有漏洞？数据准确吗？
• 第2遍（新手角度）：一个不懂背景的人能看懂吗？
• 第3遍（挑剔的客户角度）：有没有哪句话可能引起误解或不满？

每一遍都能发现之前没注意到的问题。

4.4 引导和控制输出

预填充的作用：

• 控制格式：直接跳到想要的格式（如 JSON）
• 跳过客套话：避免冗长的开场白
• 保持角色一致性：在长对话中保持特定角色

工作启示：

有时候，开个头比说一堆要求更有效。用具体的例子引导，而不是抽象的描述。"做给对方看"比"说给对方听"更有效。

---

五、核心原则总结

对自己负责

• 明确目标：知道自己要什么
• 建立标准：知道什么样的结果是好的
• 主动反思：结果不理想时先反思自己

清晰沟通

• 不要想当然：提供充分的上下文
• 用示例对齐：示例胜过千言万语
• 结构化表达：让信息有组织、易理解

理性思考

• 给思考空间：复杂任务需要推理过程
• 结构化思维：分层次、分步骤
• 多角度审视：不同角色看到不同问题

系统化执行

• 分解任务：一次只做好一件事
• 明确边界：每个环节有清晰的输入输出
• 迭代优化：初稿 → 审查 → 改进

---

六、镜子的启示：从 AI 协作到自我成长

Prompt Engineering 的本质

Prompt Engineering 是技术技巧，也是优秀工作习惯的显性化。

经常听的“细节决定成败”，往往就体现在这个时候。

当你学会如何让 AI 理解你时，你同时在提升：

与 AI 交互的能力	→	通用工作能力
写清晰的 prompt	→	清晰表达目标和期望
提供完整上下文	→	完整传递信息和背景
分解复杂 prompt	→	拆解和规划复杂任务
迭代优化 prompt	→	建立反馈和改进机制
用示例说明需求	→	用具体案例对齐理解
给 AI 思考空间	→	给团队思考和讨论空间

AI 作为能力训练场

与 AI 协作的独特价值在于，要擅用：

• 即时反馈：立刻看到你的表达是否清晰
• 无限耐心：可以反复试错，迭代优化
• 零成本试错：不必担心"麻烦别人"
• 客观镜像：AI 不会猜测你的意图，只按你说的执行

这是一个安全的练习场，在这里磨练的能力，会直接迁移到与人协作中。

---

总结

说实话，刚开始学习 Prompt Engineering 的时候，我以为这只是跟技术有关，不过通过文档字里行间的描述，以及结合平时工作用 AI 的思考。

慢慢地我发现，每一次跟 AI 的交互，都在提醒我：

• 我的目标真的清晰吗？
• 我的表达真的准确吗？
• 我提供的信息真的完整吗？
• 我的思考真的严密吗？

AI 不会猜测、不会脑补、不会"理解你的意思"——它就像一面特别诚实的镜子，你给它什么，它就反映什么。

AI 很"诚实"，让我有机会看清自己的不足，然后一点一点改进。

现在回想起来，这半年来，与 AI 协作带给我最大的收获，不是学会了什么神奇的 prompt 技巧，而是：

我变成了一个更清晰的思考者，更有效的沟通者，更系统的执行者。

如果你也在使用 AI，不妨把每次对话当作一次练习：

• 当结果不理想时，先问问自己哪里可以改进
• 试着让你的每一个请求都更清晰一点
• 观察什么样的沟通方式最有效
• 把这些经验用在与人的协作中

AI 只是工具，但通过使用工具，我们可以成为更好的自己。