面向结果的提示词写作方法

# 面向结果的提示词写作方法 > **写prompt的人有两种：一种在地基上盖楼，一种在空中砌墙。前者越盖越稳，后者早晚坍塌。** **问：江老师，我最近写prompt特别头疼。一开始写得挺简单，发现问题就加一句，再发现问题再加一句，现在我的prompt已经长到两千字了，但还是到处漏风。我该怎么办？** 答：典型的"屎山prompt"。很多人都这样。 我先问你：盖房子，你会先打地基还是先砌墙？ **问：那肯定先打地基啊。** 答：对。但写prompt时，大部分人都是直接砌墙——需求还没想清楚就开始写，写完发现不对再修补，修补完又发现新问题，继续打补丁。最后变成一栋歪楼，你在上面不断加固，越加越歪。 根本原因：**我们把质量控制放在了后端（改prompt），而不是前端（想清楚需求）。** 今天我们要聊的方法，核心只有一句话：**把质量控制前置，用结构化对话替代试错式迭代。** --- ## 一、为什么会变成屎山？ **问：我的问题根源是什么？** 答：你回忆一下，写prompt时第一件事做什么？ **问：嗯...直接写"你是一个XX助手"？** 答：看，你直接跳到"怎么写"了，跳过了"为什么写"和"写什么"。 典型演化路径： ``` 第1天：需求不清 → 写了个简单prompt 第3天：发现漏了A场景 → 加一段补充 第7天：发现B场景和A冲突 → 再加限定条件 第15天：发现C场景又冒出来 → 继续打补丁 第30天：2000字屎山，自己都看不懂逻辑 ``` **问：为什么会这样？** 答：地基没打好就开始盖楼。 想象你去装修，设计师上来就问"你要什么风格"，你说"北欧风"。他开始干活。过两天你发现厨房太小，改。又过两天发现客厅采光不行，再改。最后呢？四不像，还花了三倍的钱。 好的设计师会先问：家里几口人？谁用得最多？生活习惯？预算多少？最不能接受什么？ **问清楚这些，才开始画图纸。** 这就是"前置对齐"。 **问：所以写prompt也要先"装修设计"？** 答：完全正确。AI可以当这个设计师，帮你问出那些你没想清楚的问题。 --- ## 二、新方法：五个阶段的结构化对话 **问：具体怎么做？** 答：五个阶段。前三个是"想清楚"，后两个是"做出来"和"改好它"。 **阶段0：现状诊断** —— 为什么要做这件事？ **阶段1：目标对齐** —— 什么叫"做好了"？ **阶段2：框架设计** —— 用什么结构来承载？ **阶段3：内容填充** —— AI生成初版prompt **阶段4：迭代优化** —— 用bad case驱动改进 关键是：**前三个阶段不写一个字prompt，全是对话。** **问：不写prompt？那在干什么？** 答：在打地基。我们用对话把需求、目标、结构全部理清楚，清楚到AI一听就能写出八成符合要求的初版。 后面的迭代次数会大幅减少，因为方向对了。 --- ## 三、阶段0：现状诊断 **问：第一个阶段要做什么？** 答：回答一个问题：**你为什么需要这个prompt？** 很多人会说"我想让AI帮我写文章"。这不叫回答，这叫重复问题。 真正的诊断要问： - 你现在怎么写文章的？ - 现有方式哪里不够？ - 你试过什么方法？为什么不行？ - 如果不做这个prompt，会有什么后果？ **问：这也太细了吧？** 答：医生看病，病人说"我难受"，医生直接开药，你敢吃吗？ 必须问：哪里难受？什么时候开始的？吃过什么药？家族史有没有类似情况？**这些是在缩小问题边界，找到真正的病因。** 写prompt也一样。不问清楚现状，根本不知道真正要解决什么问题。 **问：那AI在这个阶段做什么？** 答：AI主导追问。而且，**建议你在这个阶段多试几个AI：Claude、GPT、Gemini都聊一遍。** 为什么？不同AI的追问角度不一样。Claude可能更关注用户场景，GPT可能更关注逻辑完整性，Gemini可能会想到一些边界情况。多个视角碰撞，能把盲区暴露得更充分。 给AI这样的指令： --- **【现状诊断Prompt模板】** ``` 我想创建一个prompt来解决[具体问题]，但还没想清楚。 请你像医生问诊一样，帮我理清现状。你需要了解： 1. 我现在是怎么处理这个问题的？ 2. 现有方式的痛点在哪里？ 3. 我尝试过哪些解决办法？为什么没效果？ 4. 这个问题的边界和约束条件是什么？ 重要原则： - 一次只问1-2个问题，不要一口气问太多 - 基于我的回答继续追问，挖掘更深层的需求 - 当你发现我的描述矛盾或模糊时，及时指出 请开始第一个问题。 ``` --- 注意，让AI **一次问1-2个问题**，不要一口气问十个。 **问：能给个例子吗？** 答：比如你说"我想让AI帮我写周报"。 AI可能会问： - 你现在写周报大概花多长时间？ - 周报的读者是谁？他们最关心什么？ - 你觉得写周报最费劲的是哪个部分？ 你回答完，AI继续问： - 你提到"最费劲的是总结成果"，是因为不知道写什么，还是知道但不知道怎么表达？ - 你们公司的周报有格式要求吗？ - 如果这个prompt做好了，你希望能节省多少时间？ **AI通过追问，把模糊的"想写周报"变成清晰的问题陈述。** 这个阶段结束，你应该有： 1. 问题描述（具体、可衡量） 2. 约束条件清单（必须遵守的规则） 3. 边界情况（可能出现的特殊场景） --- ## 四、阶段1：目标对齐 答：现在知道"为什么做"了，接下来要想清楚"什么叫做好了"。 **最容易被跳过，也最致命的一步。** **问：我不是已经知道目标了吗？比如"写出好的周报"？** 答："好的周报"是什么意思？ - 对你老板来说，可能是"能快速看到关键数据" - 对你同事来说，可能是"能了解项目进展" - 对你自己来说，可能是"少花时间、不被退回修改" **哪个"好"才是你要的？优先级怎么排？** **问：好像确实没想清楚。** 答：所以这个阶段要定义三件事： ### 1. 成功标准 **问：什么是成功标准？** 答："好的输出长什么样"。 不要说虚的，要具体。比如： - ❌ "周报要专业" → 太虚 - ✅ "周报要包含：本周完成的3个关键任务 + 每个任务的量化结果 + 下周计划，总字数300-500字" **越具体越好。** 如果可以，拿一个你认为最好的样本给AI看，说"就要这个效果"。 ### 2. 失败案例 **问：还要定义失败？** 答：必须定义。因为AI不知道你的"雷区"在哪。 比如写周报，失败案例可能是： - 千万不要用"努力""积极""推动"这类虚词 - 不要写流水账（"周一干了啥，周二干了啥"） - 不要出现未经证实的数据 **把最不能接受的情况列出来，这叫"红线"。** ### 3. 优先级排序 **问：为什么要排优先级？** 答：很多时候，不同目标会打架。 比如，你写周报： - 要详细 → 字数会多 → 可能超过领导的阅读耐心 - 要简洁 → 可能丢掉重要细节 → 领导问起来答不上 必须告诉AI：**当两个目标冲突时，保哪个？** 实用方法是**必须、重要、可选** 三级分类： - 必须：不可妥协（如：不能有事实错误） - 重要：优先保证（如：包含关键数据） - 可选：锦上添花（如：语言优美） **问：那AI在这个阶段做什么？** 答：AI继续追问，帮你暴露那些没意识到的矛盾。**这个阶段也可以多问几个AI**，看不同AI会从哪些角度质疑你的目标设定。 比如，你说"周报要详细且简洁"，AI应该追问： - 详细到什么程度？每个任务都写，还是只写重点？ - 简洁有字数限制吗？如果有很多工作，怎么取舍？ AI还可以用**反例测试**： > "假如我写了这样一个周报：[生成一个例子]，符合你的要求吗？" 你一看就知道：这里不行，那里要改。在前置阶段把问题暴露出来。 给AI这个指令： --- **【目标对齐Prompt模板】** ``` 基于刚才的现状诊断，我需要明确这个prompt的成功标准。 请帮我梳理三个方面： 1. **成功标准**：好的输出应该是什么样的？ - 请引导我给出具体、可验证的标准 - 如果我说得太抽象，请追问具体指标 - 建议我提供一个理想输出的样本 2. **失败案例**：绝对不能出现什么？ - 帮我识别可能的"雷区" - 询问我最不能接受的情况 - 如果有多个约束，帮我检查它们是否矛盾 3. **优先级排序**： - 列出我提到的所有目标 - 引导我将它们分为"必须/重要/可选"三级 - 如果发现目标冲突，帮我明确取舍原则 请用"反例测试"的方式验证我的标准是否清晰：生成一个假想的输出案例，问我是否符合预期。 请开始。 ``` --- 这个阶段结束，你应该有： 1. 成功标准清单（具体、可验证） 2. 失败案例库（红线） 3. 优先级排序（冲突时怎么选） --- ## 五、阶段2：框架设计 答：现在知道"为什么做"和"什么叫好"了，接下来要想"用什么结构来承载"。 从"目标"到"实现"的桥梁。 **问：框架设计具体要做什么？** 答：回答三个问题： 1. 需要哪些模块？ 2. 模块之间什么关系？ 3. 哪里需要灵活、哪里需要刚性？ ### 1. 需要哪些模块？ 一个prompt通常包含这些模块： - 角色定位（你是谁） - 任务说明（要做什么） - 输入格式（用户给什么） - 处理步骤（怎么做） - 输出格式（结果长什么样） - 约束条件（不能做什么） - 示例（标准样本） **但不是每个prompt都需要全部模块。** 比如简单的翻译任务，可能只需要"任务说明 + 输出格式"。 AI会根据你前面的目标，建议需要哪些模块，哪些可以省略。 ### 2. 模块之间什么关系？ **问：模块之间还有关系？** 答：当然。有些是顺序关系，有些是依赖关系，有些是互斥关系。 举个例子，写周报的prompt： ``` 1. 角色定位：你是一个项目管理专家 2. 任务说明：根据用户输入生成周报 3. 输入格式：用户会提供工作记录（可能是碎片化的） ↓ 4. 处理步骤： a. 先提取关键任务 b. 再量化每个任务的成果 c. 最后按重要性排序 ↓ 5. 输出格式：300-500字的结构化周报 6. 约束条件：不使用虚词、不写流水账 ``` **步骤4必须在步骤3之后，且内部有先后顺序。** 如果把"排序"放在"提取任务"之前，逻辑就乱了。 ### 3. 哪里需要灵活、哪里需要刚性？ **问：什么是灵活和刚性？** 答：刚性是"必须这样"，灵活是"可以变通"。 比如： - 刚性：输出格式必须是Markdown，必须包含三个部分 - 灵活：语气可以根据读者调整，示例可以自由发挥 要告诉AI： - **哪些地方是死的**（不能变），比如公司规定的格式 - **哪些地方是活的**（可以创造），比如具体措辞 AI在后面生成prompt时，才知道哪里要严格遵守，哪里可以自由发挥。 **问：那这个阶段AI怎么帮忙？** 答：AI会根据前面的目标和约束，提供一个**带注释的框架骨架**。 给AI这个指令： --- **【框架设计Prompt模板】** ``` 基于前面的现状诊断和目标对齐，现在需要设计prompt的框架结构。 请根据我的需求，帮我： 1. **确定必需模块**： - 分析我的目标，建议需要哪些模块（角色/任务/输入/步骤/输出/约束/示例） - 说明每个模块的作用和必要性 - 指出哪些模块可以省略 2. **设计模块关系**： - 明确各模块的逻辑顺序 - 标注哪些是串行关系、哪些是依赖关系 - 如果有并行或互斥的情况，特别说明 3. **标注刚性/灵活边界**： - 哪些部分必须严格遵守（如格式要求） - 哪些部分可以灵活处理（如语言风格） - 说明为什么这样划分 请提供一个带注释的框架骨架，每个模块都要有简短说明。 骨架是空的，只有结构和注释，不要填充具体内容。 请开始设计。 ``` --- 比如，AI可能给你这样的骨架： ``` [角色定位] # 说明：定义AI的专业身份，影响后续的语气和视角 你是一个... [任务说明] # 说明：核心功能描述，要对应阶段1的成功标准 你的任务是... [输入格式] # 说明：刚性，必须明确告知用户怎么输入 用户会提供... [处理步骤] # 说明：这里是逻辑核心，步骤顺序不能乱 1. 先... 2. 然后... 3. 最后... [约束条件] # 说明：对应阶段1的失败案例，防止踩雷 - 不要... - 必须... [输出格式] # 说明：刚性，要符合成功标准 按以下格式输出... [示例] # 说明：可选，但强烈建议提供，能大幅提升效果 输入：... 输出：... ``` 骨架是空的，但**结构清晰、逻辑完整**。相当于图纸画好了，等着填充内容。 这个阶段结束，你应该有： 1. Prompt骨架（模块齐全） 2. 模块关系说明（逻辑清晰） 3. 刚性/灵活标注（边界明确） --- ## 六、阶段3：内容填充 答：终于可以写了。但不是你写，是**AI写**。 **问：AI写？我不用动手了？** 答：对。前面三个阶段和AI对话，把需求、目标、结构都理清楚了。现在AI已经知道： - 为什么做（阶段0） - 什么叫好（阶段1） - 用什么结构（阶段2） AI可以根据这些信息，直接生成初版prompt。 你的工作是：**审核，而非创作。** **问：审核什么？** 答：三件事： ### 1. 是否符合框架？ 检查生成的prompt是否按阶段2的框架来： - 模块齐全吗？ - 逻辑顺序对吗？ - 刚性部分严格吗？灵活部分自由吗？ ### 2. 是否覆盖目标？ 对照阶段1的成功标准和失败案例： - 成功标准有没有遗漏？ - 红线有没有设防？ - 优先级体现出来了吗？ ### 3. 是否符合奥卡姆剃刀原则？ 很多AI生成的prompt会有"以防万一"的冗余表述，比如： - 重复说明同一件事 - 没必要的客套话 - 过度详细的解释 **记住：prompt里的每一句话，都要能追溯到某个明确的目标或约束。** 如果追溯不到，就是冗余，删掉。 **问：如果发现问题怎么办？** 答：看是哪个层面的问题： - **表述问题**（比如不够清晰）→ 直接让AI改 - **遗漏问题**（比如忘了某个约束）→ 补充进去 - **结构问题**（比如逻辑不对）→ 回到阶段2重新设计框架 前面三个阶段花时间对齐——地基打好了，房子歪不了。 这个阶段结束，你应该有： 1. V1.0 prompt（可以直接使用） 2. 框架-内容对照清单（可追溯性） --- ## 七、阶段4：Bad Case驱动迭代 答：一定会有问题。但问题分两种，处理方式完全不同。 ### 修补级问题 vs 正骨级问题 **问：这两种有什么区别？** 答：举个例子。 假如你的周报prompt，生成的内容"太正式"，你希望轻松一点。 **修补级问题**：只是语气的问题。改法是在prompt里加一句"使用轻松、口语化的表达"。**局部调整。** **正骨级问题**：你一看输出，发现AI根本没理解"周报是给谁看的"。你以为是给平级同事看，AI理解成给CEO看了，所以特别正式。**根源性偏差**，需要回到阶段1重新对齐目标。 **问：怎么判断是哪一级？** 答：看问题**暴露的是表层问题还是认知偏差。** 简单判断方法： - 能用一句话描述改什么（比如"加个约束"、"改个例子"）→ 修补级 - 发现"原来AI理解错了我的意图" → 正骨级 ### 修补级问题的处理 答：遵循**奥卡姆剃刀原则**。**这个阶段，强烈推荐用GPT的thinking模型（如o1、o3-mini）来做优化。** 为什么？thinking模型会进行深度推理，能更准确地定位问题根源，避免改A坏B的情况。它会思考： - 这个问题的本质是什么？ - 改哪个地方影响最小？ - 这个改动会不会影响其他部分？ 具体步骤： 1. 把bad case给AI看 2. 明确说明：哪里好，哪里不好（不要只说不好） 3. 让AI用deep thinking分析：需要改动哪个模块？怎么改最小？ 4. AI给出改动方案，你确认后执行 给AI这个指令： --- **【修补级优化Prompt模板】** ``` 我的prompt产生了一个不太理想的输出，需要你帮我做最小必要的修改。 **当前prompt：** [粘贴完整的prompt] **Bad Case：** 输入：[具体输入] 实际输出：[AI生成的内容] **问题分析：** - 好的地方：[列出哪些部分是对的] - 不好的地方：[具体说明哪里不符合预期，为什么] **请你：** 1. 深度思考这个问题的本质原因 2. 定位需要改动的具体模块（不要笼统地说"整体优化"） 3. 提出最小必要的改动方案（能改一处就不改两处） 4. 说明这个改动为什么能解决问题，会不会影响其他部分 重要原则： - 只改解决问题必需的部分 - 保持prompt的整体结构不变 - 确保改动不会引入新问题 请开始分析。 ``` --- **关键：不要一次改一堆，改一个观察效果，再改下一个。** 为什么？一次改五个地方，结果变好了，你不知道是哪个改动起作用；结果变差了，也不知道是哪个改动导致的。 **单变量实验，才能找到真正的因果关系。** **问：能举个例子吗？** 答：比如周报AI生成了这样的内容： ``` 本周工作总结： 1. 积极推动了项目A的进展 2. 努力完成了任务B 3. 持续优化了流程C ``` 全是虚词，没有量化。 你用上面的prompt给thinking模型，它可能这样思考和回复： > **思考过程：** > > - 问题核心：输出中出现了"积极""努力""持续"等虚词，缺少量化数据 > - 定位模块：需要检查[处理步骤]和[约束条件]两个模块 > - 分析原因：[处理步骤]中只要求"提取关键任务"，没有要求"提取量化成果"；[约束条件]中提到"不使用虚词"，但没有正向要求"必须量化" > > **改动方案：** 在[处理步骤]模块的第2步，将"提取关键任务"改为"提取关键任务及其量化成果（数字、百分比、具体交付物）" > > 在[约束条件]模块增加："每个任务必须包含至少一个量化指标" > > **影响分析：** 这个改动不会影响其他模块，因为只是让任务描述更具体，不改变整体流程和格式。 你确认，AI修改，测试，搞定。 ### 正骨级问题的处理 **问：那正骨级问题呢？** 答：正骨级问题的触发条件：**通过这个bad case，发现前置对齐环节有疏漏，根儿上就有毛病。** 比如，周报AI写出来特别长，1000字。你本来说"300-500字"，但AI就是控制不住。 你一查，发现阶段1的时候，你说"要详细"，又说"要简洁"，但没明确优先级。AI理解成"详细优先"，所以写长了。 修补没用。**得回到阶段1，重新对齐目标，明确当两者冲突时保哪个。** 正骨级问题的处理流程： 1. AI分析：这个问题是哪个前置阶段的对齐不充分？ 2. 回到那个阶段，重新对话 3. 更新框架（如果阶段2受影响） 4. 重新生成prompt 5. 测试新版本 给AI这个指令： --- **【正骨级诊断Prompt模板】** ``` 我的prompt在实际使用中出现了系统性问题，怀疑是前置对齐阶段有疏漏。 **当前prompt：** [粘贴完整的prompt] **前置对齐记录：** - 阶段0（现状诊断）：[简要回顾] - 阶段1（目标对齐）：[简要回顾] - 阶段2（框架设计）：[简要回顾] **Bad Case：** [描述具体问题，包括多个类似案例如果有的话] **请你：** 1. 深度分析这个问题的根源：是需求理解偏差、目标定义模糊，还是框架设计缺陷？ 2. 定位具体是哪个阶段的哪个环节出了问题 3. 说明为什么修补无法解决，必须回到前置阶段重做 4. 建议我回到哪个阶段、重点补充什么信息 请用"正骨思维"，不要给我创可贴式的修补方案。 ``` --- **问：这会不会很费时间？** 答：短期看确实费时间。但长期看，省时间。 因为一次性把根源问题解决了，不会再反复遇到同类问题。磨刀不误砍柴工。 而且，经过几次正骨级迭代，你对这个领域的理解会深很多。**你在优化prompt的过程中，其实是在深化对需求的认知。** --- ## 八、核心原则 **问：方法我理解了。有没有一些通用原则？** 答：四条核心原则： ### 1. 表达者责任原则 **写prompt的人是表达者，要承担"说清楚"的责任。** 不要一上来就让AI猜你要什么。如果AI没理解，先反思是否自己没说清楚。只有确定说清楚了，AI还是没理解，才考虑换个说法或加示例。 就像聊天，我问你"今天吃什么？"，你说"随便"，然后我说了三个方案你都说不行。问题不在我，在你——你不是随便，只是懒得想。 ### 2. 可追溯性原则 **Prompt里的每个元素，都要能追溯到某个明确的目标或约束。** 如果发现有一句话，不知道是为了解决什么问题加进来的，那就是冗余，删掉。 可追溯性有两个好处： - 防止屎山：每一句都有理由，不会无节制膨胀 - 方便调试：出问题时，能快速定位是哪个目标没实现 ### 3. 奥卡姆剃刀原则 **能用一句话解决的，不用两句；能不说的，就不说。** 很多人写prompt喜欢"以防万一"，觉得多说一句保险。恰恰相反——信息越多，噪音越大，AI越容易理解偏。 就像做菜，调料不是越多越好。盐够了，再加糖反而怪。 ### 4. 分层责任原则 **人负责判断，AI负责执行。** 具体来说： - 人负责：目标澄清、优先级判断、最终决策 - AI负责：追问盲区、提供结构、生成初稿、诊断问题 不要让AI替你做判断题，也不要自己做所有执行细节。各司其职，才能高效。 --- ## 九、为什么这个方法有效？ **问：这个方法看起来前期很重，真的比直接写再改更快吗？** 答：算笔账。 传统方法： ``` 写初版(30分钟) → 测试(10分钟) → 发现问题 → 改(20分钟) → 测试(10分钟) → 又发现问题 → 再改(20分钟) → ... → 经过5轮迭代(共3小时) → 还是有问题 ``` 新方法： ``` 对话对齐(40分钟) → AI生成(5分钟) → 审核(10分钟) → 测试(10分钟) → 微调(10分钟) → 搞定(共75分钟) ``` 虽然前期花了40分钟对话，但总时间少了一半多。更重要的：**质量更高，后续维护更容易。** **问：为什么会这样？** 答：因为这个方法符合三个底层规律： ### 1. 质量守恒定律 **质量控制的工作总量是恒定的，你要么前置做，要么后置改。** 前置做是"主动设计"，后置改是"被动救火"。主动设计效率高、成本低。 就像体检，你要么每年花1小时检查，发现问题及时处理；要么等病了花100小时治疗。总时间一定，但结果天差地别。 ### 2. 康威定律的逆向应用 **阶段越往后，修改成本越高。** - 在需求阶段改：只是对话调整，成本几乎为零 - 在框架阶段改：需要重构逻辑，成本中等 - 在迭代阶段改：已经写了一堆，改动牵一发动全身，成本很高 这就是为什么软件工程强调"需求确定再开发"，建筑工程强调"图纸确定再施工"。 ### 3. 结构化输入输出定律 **AI不擅长猜你要什么，但擅长按照清晰的指令生成内容。** 你给AI模糊需求，它只能猜，猜错概率很高。但你给AI清晰的框架、明确的目标、具体的约束，它能生成质量很高的初版。 前三个阶段，就是在把"模糊需求"变成"清晰框架"。这是人的强项。第三阶段让AI生成，是发挥AI的强项。 **人机协作的正确姿势：让人做人擅长的（判断、抽象），让AI做AI擅长的（生成、执行）。** --- ## 十、实践建议 **问：最后，有什么实践建议吗？** 答：三个建议： ### 1. 第一次别怕慢 新方法一定不习惯。前几次用，你会觉得"对话好麻烦，我直接写不是更快？" 忍住。坚持走完一遍流程。 等你做过3-5个prompt，你会发现：对话越来越顺，时间越来越短，效果越来越好。因为你培养了**结构化思考的习惯**。 ### 2. 记录关键决策 每次对话，记录下： - 这个prompt是为了解决什么问题？ - 成功标准是什么？ - 关键约束有哪些？ - 哪些地方可能有坑？ 下次做类似prompt，翻出来看，能省很多时间。**好的方法论，会沉淀成可复用的资产。** ### 3. 培养"正骨"嗅觉 当你发现一个问题，先问自己：**症状还是病因？** 如果是症状（比如用词不对），修补就够了。如果是病因（比如目标错了），必须正骨。 久而久之，你会越来越准确地判断问题层级，迭代效率会大幅提升。 --- **问：明白了。总结一下就是：前置对齐需求和目标，用结构化对话替代盲目试错，让AI在清晰框架下生成高质量初版，再用分层思维（修补/正骨）高效迭代。对吗？** 答：完全正确。 **但这个方法的价值，远不止写好一个prompt。** 它教会你一种思维方式：**面对复杂问题，先理清楚再动手。结构清晰比速度重要，方向正确比努力关键。** 用在写prompt上，是写出好prompt。 用在做项目、带团队、做决策上，道理都一样。 > **记住：优秀的prompt不是改出来的，是设计出来的。而设计的起点，永远是那个看似缓慢的对话。** **问：谢谢江老师！我去试试。** 答：去吧。**第一次慢，是为了以后快。慢即是快，少即是多。** 祝你写出优雅的prompt。