别把AI当搜索框：用角色与约束提高产出质量

很多人用 AI 的方式，本质上是把搜索引擎换了个界面：丢一句需求，看一眼结果，不满意就换一句再问，来回几次后判定“AI 不太行”。问题往往不在模型，而在于我们给的信息太薄。同一句模糊需求，在好提示词与差提示词之间的产出差距，可能超过换一个模型带来的差距。

为什么“说清楚”比“问得妙”更重要

大模型的工作方式是根据上下文预测最可能被期待的答案。上下文越少，它只能拿最普遍的公共知识去填补，结果自然泛泛。角色设定之所以有用，是因为它把输出空间收窄到一个专业视角里——“你是一位有十年经验的工程师，擅长代码审查与性能优化”和“帮我看看这段代码”，触发的是完全不同的语言分布。它不是玄学人设，而是一种先验约束。

一个够用的结构：角色、任务、约束、输出格式

• 角色：说清专业方向与经验层级，越具体越有效。
• 任务：动词要明确。“分析并给出修改建议”优于“看看”。复杂任务要拆步，让每一步都能被核对。
• 约束：限定长度、范围和不能做的事。负面指令往往是减少幻觉最有效的手段——“如果资料中没有相关信息，请直接说明无法回答，不要编造”。
• 输出格式：指定结构，例如表格或固定字段的 JSON。需要程序对接时，这一条能省掉大量清洗工作。

让 AI 站在“同事”的位置上

搜索框的期待是“给我一个答案”，同事的期待是“和我一起把事情做完”。这两种心态对应完全不同的用法。把 AI 当同事，你会主动给它背景：交付对象是谁、上一次尝试为什么失败、团队已有的规范是什么；你也会要求它先给方案再执行，让每一段产出都能被你复核。某团队在评审流程里接入自动初审，把潜在缺陷与不规范写法的排查交给模型，人只看设计与可验证性，需求交付周期因此明显缩短。它没有取代人，只是被放在了重复性工作那一格。

常见误区

• 把提示词写得越长越好。上下文有预算，无关信息会稀释关键指令。
• 用角色设定代替背景交代。只说“你是资深专家”而不给具体处境，只会得到更自信的泛泛而谈。
• 一次要求太多任务。分步拆解、逐段确认，比一次性索要成品质量更高。
• 不做事实核对。AI 会一本正经地给出错误信息，凡是数值、日期、引用，都要回源确认。
• 期待一次就成。提示词是迭代出来的，第一版结果不好是常态，不代表模型不行。

行动建议

挑一件你每周都要重复做的事（写周报、整理会议纪要、做数据小结），为它写一版四段式提示词：角色、任务、约束、输出格式。跑三次，每次记录哪一句约束真正起了作用。三次之后你会得到一份可以长期复用的模板，这才是使用 AI 真正的复利来源。

把好用的提示词固化成模板

提示词的价值在于复用，而不是每次重新发挥。凡是你用过三次以上并且效果稳定的提示词，都应该整理成模板：固定角色与约束部分，把变量用占位符标出（例如主题、目标读者、字数上限），使用时只替换变量。这样做有两个好处：一是减少每次组织语言的成本，二是让效果变得可比较——变量固定之后，你才能判断是模型变了还是输入变了。团队场景下更该如此，把模板放进共享文档，让所有人从同一个起点出发，输出质量的下限会被明显抬高。

• 纳入模板的门槛：用过三次且结果稳定。
• 变量用统一占位符，正文结构不随意改动。