Prompt实战
五个让AI输出从差到可用的改法
AI输出质量差，原因多数在于提示设计，而非模型能力。以下五种改法各自针对不同类型的提示缺陷，每种均附有前后对比。
改法一：加入角色框架与任务约束
改前："帮我写一封跟进邮件。"
改后："你的任务是代我草拟一封商业跟进邮件。背景：我是一家香港中型会计师行的合伙人，两周前与潜在客户开会介绍了我们的审计服务。对方当时表示需要内部讨论。邮件语气正式，长度控制在150字以内，不使用任何推销语言。"
差别在于：角色（合伙人）、上下文（两周前的会议）、格式约束（150字）和禁止事项（推销语言）同时给出。可用性的差距不是百分比，而是需不需要重写。
改法二：明确声明输出格式
改前："总结这份合约的主要风险点。"
改后："请以条列格式总结以下合约的主要风险点，每项格式为'[风险类型]：[具体描述]（[建议行动]）'，共不超过6项，按风险严重性由高至低排列。"
显式格式声明的效果是输出直接可用，而非需要二次整理。若AI的输出需要大量重新排版才能使用，原因往往是格式要求从未被声明。
改法三：要求分步推理
对需要多步逻辑的任务，要求AI逐步展示推理过程，而非直接给出结论。
范例结构："请先列出你认为与此问题相关的所有考量因素，然后逐一评估，最后给出你的建议。"
分步推理的效果是双重的：AI的最终结论往往更准确，且推理链可供读者核查每一步是否合理，而非盲目接受结论。
改法四：以负面示例说明不要什么
告诉AI要避免的输出类型，往往比描述想要的更有效。
改前："写一篇关于香港AI监管现状的分析。"
改后：同上，加入"请避免使用模糊的概括性语句，例如'相关部门正积极研究'或'业界对此普遍关注'。每个判断须有具体政策文件或监管机构声明作为依据，无法引用具体来源的判断请明确标注为推测。"
负面示例在AI倾向生成模板化输出的场景效果最为显著。
改法五：迭代而非追求单次完美
最有效的提示工作流程，是一系列渐进式的精修，而非寻找一个一次成功的完美提示。
实际操作：第一轮生成草稿；第二轮"保留第一、三段，将第二段改为更简洁的版本，删除第四段"；第三轮"在开头加入一句提示读者全文目的的导语"。每一轮指令锚定于前一轮输出，而非从零重新描述需求，积累调整比重置重试更高效。
小结
五种改法可根据任务类型选择性组合：任务说明模糊时用角色框架，输出格式重要时用格式声明，复杂推理任务用分步要求，AI输出通常过于笼统时加负面示例，追求完美单次提示时转为迭代修改。