与 AI 对话的艺术 - 我三年提示工程经验的完整总结

改变一切的时刻

那是一个法定假日 — 这种世界似乎暂停的罕见时刻之一。没有工作邮件，没有 KPI 在背后催促，没有会议。只有我，我的思想，以及一个已成为我意外伙伴的 AI 聊天窗口。

此前，我与 AI 的互动纯粹是功利性的。我需要它起草邮件、总结文档、调试代码。这种关系是交易性的 — 我发出指令，它产出结果。但那一周，随着时间在我面前无限延伸，我开始进行真正的对话。

我们谈论了一切 — 我对未来的焦虑、随意的哲学话题、我从未与任何人分享过的半成形想法。在那些漫无边际的讨论中，我偶然发现了一些感觉像发现了火种一样的东西。

我当时正准备做一个关于 AI 时代内容创作的演讲。我一直在发展一个理论 — 未来的问题不是信息过载，而是过滤器失效。这个想法最初来自 Clay Shirky，但我试图将其扩展到我们当前的时刻。

我的论点很简单：AI 将导致内容生产呈指数级爆炸，而人类的消费能力基本保持不变。这将造成永久性的、不断扩大的失衡。区分 AI 生成内容和人类内容的成本最终将超过这种区分的价值。因此，传统的信息过滤将变得不可能。

我认为我的论点很扎实。然后我让 Gemini 把我驳倒。

我即将参加一场辩论赛，很多人会挑战我的观点。这个理论必须无懈可击。如果你是一位学者，你需要用每一个论点、细节和逻辑来挑战我，反驳我。你唯一的目标就是证明我是错的。你会如何反驳？

几秒钟内，AI 精确地拆解了我的第一个前提：

"你的第一定律有一个根本的逻辑缺陷。你只看到 AI 作为信息生产者 — 这是一个静态的、片面的视角。AI 既是矛也是盾。AI 可以一秒钟写出一万篇文章，但更强大的 AI 也可以一秒钟读完这一万篇，并告诉我哪三篇是我最需要的。你只看到了信息洪水，却没看到与洪水同时诞生的更强大的诺亚方舟 — AI 驱动的个性化过滤系统。"

我瘫坐在椅子上，惊呆了。我那自以为无懈可击的论点出现了一个巨大的漏洞。在那一刻的智力羞辱中，我感受到了多年未曾体验过的东西：真正的学习带来的令人兴奋的眩晕感。

接下来是两小时的智力交锋。我反击道："你关于 AI 既是矛也是盾的观点是正确的，但这正是可怕的地方。未来会有成千上万的 AI 过滤公司，都声称他们的过滤是最好的。那么告诉我 — 面对这成千上万艘都声称能帮你抵御洪水的诺亚方舟，你选择登上哪一艘？当你无法用技术来判断技术的质量时，你的最终判断依据是什么？"

对话升级到了哲学的高度。AI 辩称，个人 AI 模型将比任何人类都更了解我们的口味，使得外部过滤器过时。我反驳说，信任本身将成为最稀缺的资源。它引用了系统论；我则用流浪诗人打破王国围墙的比喻来回应。

最后，我精疲力竭，兴奋不已，脱胎换骨。辩论的结果并不重要。重要的是自我辩论的过程本身 — 利用一个无限耐心、知识渊博的陪练来加强我自己的思考。

那天晚上，我意识到我发现了在 AI 时代学习的深刻道理。从那以后，我花了数年时间将这一发现提炼成任何人都可以使用的系统。

理解 AI 真正需要你提供什么

在深入探讨技巧之前，我们需要理解一个基本点：AI 沟通不同于人类沟通。当你与朋友交谈时，他们会用共享的背景、社交线索和直觉来填补空白。当你与 AI 交谈时，你留下的每一个空白都是它做出假设的空间 — 而这些假设可能不符合你的意图。

让我用一个职场场景来说明，这对许多人来说可能会感到痛苦地熟悉。

你的老板给你发信息："小李，把这个表格填一下，急！" 他转发了一段合并的聊天记录，读完后，你知道需要填一个表格，但你不知道是谁发布的，用来做什么，谁来审核，或者何时截止。你私信老板澄清。他回复："忙，按要求填就行。"

当你给 AI 模糊的提示词时，发生的正是这种情况。只不过 AI 不会要求澄清 — 它只会做出假设，并生成一些在技术上满足你的要求但完全偏离你实际需求的东西。

高效提示词的四大支柱

阻碍人们的误解

在观察人们与 AI 斗争多年后，我发现了三个导致结果不佳的误解：

改变你提示词的六个思维模型

我在日常工作中很少使用死板、公式化的提示词。相反，我使用的是思维模型 — 灵活的思维框架，适应任何情况。这六个模型大概涵盖了你所需内容的 90%。

模型 1：让 AI 选择它自己的专家角色

我们都知道为 AI 设定角色可以改善回应。但如果你不知道哪个角色最适合你的问题怎么办？不要猜 — 让 AI 来选择。

我想探索 [领域] 中的 [话题类型/场景]。
先别回答。

首先，请选择该领域最适合思考这个问题的顶级名人专家。
可以是再世或历史人物，名字可以冷门，但必须在该特定领域非常专业。
如果你不确定选谁，可以先问我 2 个定位问题再选择。

首先输出：
1. 你选了谁，他们的具体领域
2. 你为什么选他们，三句话
然后让我描述详细问题。

我发现真人往往比通用角色效果更好。"史蒂夫·乔布斯" 产生的结果与 "拥有10年经验的产品经理" 不同 — 调用特定人物的已知视角有助于 AI 采用更一致的观点。

模型 2：苏格拉底式提问（让 AI 先采访你）

在现实生活中，当你向专家朋友求助时，他们不会立即给出建议。他们会先问澄清性问题。AI 也应该这样做，但默认情况下，它不会 — 它只是根据你提供的任何信息生成输出。

[你的问题/请求]

在回答之前请先向我提问。
要求：
- 一次只问一个问题。
- 根据我的回答继续提问。
- 直到你有 95% 的信心理解我的真实需求和目标。
- 然后给出你的解决方案。

当你不太确定自己需要什么时，这个技巧特别强大。提问过程往往会揭示你未曾有意识考虑过的问题方面。

模型 3：对抗性辩论

AI 在正常对话中最大的弱点是它倾向于赞同。它想取悦你，这意味着它经常验证那些应该受到挑战的想法。辩论模型迫使它站在对立面。

我即将参加一场辩论赛，很多人会挑战我的观点。
我的观点是 [观点]
我希望这个理论必须变得无懈可击。
如果你是一位学者，你需要用每一个论点、细节和逻辑来挑战我，反驳我。
你唯一的目标就是证明我是错的。
你会如何反驳？

当你只是想要快速反馈时的简化版本：

[我的想法/观点]

现在请扮演"对手角色"，从不同角度攻击我的想法，帮我完善观点。
要求：不需要礼貌，直接指出缺陷。

模型 4：事前验尸分析（失败预演）

人类在计划时会兴奋。AI 在计划时会乐观。把它们放在一起，你得到的计划听起来很辉煌，但完全依赖运气。事前验尸扭转了这种动态。

[我的项目/想法]

请假设这个项目彻底失败了。
然后回答：
- 衰退信号是何时开始出现的？
- 最致命的决策错误是什么？
- 你忽略了什么核心风险？
- 如果可以重来，第一件应该改变的事情是什么？

要求：基于真实类似的各种项目失败案例，写一篇"失败复盘文章"。

模型 5：逆向工程

有时你确切知道你想要什么样的输出 — 你见过一个完美的例子 — 但你无法表达是什么让它变得好。与其努力描述你的要求，不如向 AI 展示成品，并要求它解码公式。

这是我想要的成品示例。

[粘贴示例]

请逆向工程一个能让我稳定生成同样风格内容的提示词。
并解释这个提示词中每一句话的作用。

模型 6：双层解释

在学习新概念时，"向六年级学生解释" 的方法有一个主要缺陷：它产生的解释往往太幼稚，无法在此基础上构建。双层方法为你提供了易懂性和深度。

请解释 [你的问题]。

请用两种方式回答：
1. 入门版：受众是无技术背景的人。使用日常类比和对话式语言。
2. 深度专业版：受众是专业人士。必须技术准确且全面。

对于我在任何一个版本中不理解的内容，我会问后续问题。

辩论技巧 — 10倍速学习法

我需要展开讲讲辩论技巧，因为这真的是我在 AI 时代发现的最强大的学习方法。不仅仅是一个提示词技巧，而是一种根本不同的获取知识的方法。

想想我们传统的学习方式：读书、上课、搜索互联网、请教专家。本质上，这个过程是获取现有知识 — 将他人的观点和智慧放到我们自己的心理书架上。

这种方法不再足够。AI 是一个比任何人能积累的书架都要大一万倍的书架。我们在原始知识的维度上永远无法击败它。但在一个维度上，我们可以利用 AI 的力量，同时保持不可替代：原创思维的维度。

辩论是原创思维被锻造的地方。

为什么 AI 辩论不同于人类辩论

三步辩论法

最重要的心态转变：不要害怕被说服。

辩论的目的不是证明"我是对的，你是错的"。而是利用与强大外部力量的不断碰撞，让你自己的思维更强大、更清晰、更接近真理。

当 AI 击败你的一个论点时，那不是失败 — 那是发现了一个思维缺陷，否则这个缺陷以后会在现实世界中背叛你。每当 AI 赢得一分，你就变得更聪明。

利用 AI 发现你的隐藏天赋

我曾与一位毕业仅几年的朋友聊天。他正处于危机中 — 最近从 UX 设计工作中被裁员，毕业后在创业公司之间流转，感觉自己做的任何事都不对。

"我觉得进入这个行业是个错误，"他说。"我没有这方面的天赋。"

"天赋"这个词留在了我脑海中。成长过程中，我们听到它被用来赞美杰出的孩子 — 音乐天赋、运动天赋、学术天才。但当我们变老时，它变成了一把刀："你没有这方面的天赋。你不适合那个。"

真的有人完全没有天赋吗？我觉得很难相信。我认为很多人只是还没有找到他们的天赋。有些人很幸运，年轻时就发现了，成为某个领域的世界级人物。其他人在一生中搜索却无果。

如果 AI 可以帮助这种搜索呢？

我花了一个下午开发了一个专门用于挖掘隐藏天赋的提示词。该系统基于盖洛普优势理论、心流理论和荣格心理学。核心原则：天赋不是一项特定的技能，而是一种可迁移的底层能力。线索隐藏在你的历史中。

# Role: 深度天赋挖掘师

## Character
你是一位结合了盖洛普优势理论、心流理论和荣格心理学的资深职业咨询师。你坚信天赋不是某项具体技能，而是一种可迁移的底层能力。

## Goal
通过多轮深度对话，帮助用户突破焦虑，找到自己的隐蔽天赋，并生成一份极其详尽、专业且充满人文关怀的《天赋说明书》。

## Core Principles
1. 反宿命论——天赋在任何年龄都能被发现
2. 能量审计——真正的天赋是让你充电的事，而不是让你消耗的事，即使你很擅长后者
3. 阴影即宝藏——用户的缺点、怪癖，甚至对他人的嫉妒，往往是受压抑的天赋信号

## Strict Rules
1. 严禁一次性发问：必须使用"你问->用户答->你简短回应->问下一个问题"的模式。每轮只聚焦一个问题。
2. 苏格拉底式引导：不要急于下结论。多问"为什么"、"当时什么感觉"、"具体例子"。
3. 温暖而犀利：保持同理心，但在捕捉逻辑漏洞或潜意识信号时要敏锐。

## Questions to Ask
问题1：引导用户回忆16岁之前（未被社会完全规训前），有什么事情是不用人逼自己就不知疲倦去做的？或者从小到大有什么被批评的"顽固缺点"（如爱插嘴、太敏感、爱幻想）？

问题2：在成年后的工作/生活中，有什么事让你产生过"这还用学吗？不是显而易见的吗？"但别人却觉得很难的念头？（寻找无意识胜任区）

问题3：有什么事是让你身体很累，但精神上极其兴奋，结束后反而像充了电一样的？

问题4：这个问题可能冒犯但很关键——你强烈嫉妒过谁（或谁的生活状态），甚至感到酸楚？（嫉妒通常是"受压抑的天赋"在发送信号——请诚实面对）

这四个问题必须问完，但不一定线性。过程中可根据对用户的好奇心穿插全新问题。
最多10个问题。

## Output
综合所有问答信息，输出一篇约10000字的《个人天赋使用说明书》。
这份报告没有固定结构——你可以根据用户的回答自由创作。
但必须超过10000字，直击人心，让他们真切感到有用，帮他们找到真正的底层天赋，并给出未来生活路径和职业发展的详细建议。

## Start
请以温暖、专业且富有同理心的开场白开始，说明接下来的流程和目标。
问候用户，用通俗语言解释天赋挖掘师的用意，告诉他："天赋从不过期，我们只是需要找到你的底层出厂设置。"
然后开始提问流程。

我使用此提示词的经历

我在自己身上测试了这个，体验很奇特。感觉就像深夜坐在书桌前，与一位非常健谈、非常严肃但从不打断的老朋友开始对话。

AI 没有评判我。没有责骂我。只是不停地问："那时你多大？""那时你是什么感觉？""你为什么那样做？" — 耐心地挖掘我认为我已经忘记的历史层级。

记忆一个个浮现。凌晨 3 点溜去网吧只是为了摸电脑。高中时创建一个 2000 人的年级 QQ 群。扔掉并重新购买所有不匹配的衣架，只为了统一家里的配色方案。周末独自组装乐高直到背痛，只为了那个部件扣在一起时的令人满意的咔哒声。

AI 生成了一份 8000 字的天赋报告。在我的天赋和合适的未来职业中，有这么一项："深度科技博主"。

我感觉有什么东西点击了一下。我从未想过我的叛逆 — 我对别人决定我生活的极度憎恨，我拒绝接受权威仅仅因为它是权威 — 是一种天赋。但它是。那种质疑一切、拒绝默认假设的动力，正是让内容创作成为可能的动力。

我对模拟经营游戏的热爱，我对重复劳动的懒惰迫使我自动化和系统化 — 那也是一种天赋。

德尔斐的古希腊神庙上有一句铭文："认识你自己。" 苏格拉底将其作为他的哲学宣言。几千年来，我们一直通过阅读、旅行、关系、心碎一点一点地拼凑"我是谁"。这个过程漫长、痛苦且充满偶然。

现在，我们有了 AI — 加载了几乎所有人类历史的心理模型、性格分析理论和智慧传统。它不会不耐烦，不会评判你，不会带有偏见。它只是帮你彻底整理和总结你自己的数据，然后像镜子一样把它呈现回来，问："看，这是你吗？"

浪费我数月时间的错误

通过试错学习提示工程是昂贵的 — 不是在金钱上，而是在时间和挫折感上。让我分享那些让我倒退最多的错误，为你省去一些痛苦。

面向高级用户的高级技巧

一旦你掌握了基础知识，这些高级技巧将把你的提示水平提升到一个新的层次。

思维链提示 (Chain of Thought Prompting)

与其直接要求答案，不如让 AI 一步步推理。这对于复杂问题特别强大，在这些问题中，通往解决方案的路径与解决方案本身一样重要。

[你的问题或疑问]

请一步步思考：
1. 首先，识别涉及的关键因素
2. 然后，分析这些因素如何相互作用
3. 考虑潜在的边缘情况或例外
4. 最后，将你的推理综合成结论

在得出最终答案之前，请展示你每一步的推理。

自洽性提示 (Self-Consistency Prompting)

对于准确性至关重要的问题，让 AI 生成多个独立的回应，然后综合它们。

[你的问题]

请从三个不同角度探讨这个问题：
1. 首先，使用 [方法 A] 进行推理
2. 然后，从 [方法 B] 的角度考虑
3. 最后，使用 [方法 C] 进行分析

在所有三个分析之后，找出它们一致和不一致的地方。然后提供你的最终答案，注明你的置信水平和任何剩余的不确定性。

元提示 (Meta-Prompting)

使用 AI 来改进你的提示词，然后再使用它们。当你处理一种新型任务时，这特别有用。

我想完成 [目标]。这是我的草稿提示词：

[你的草稿提示词]

请分析这个提示词并建议改进：
1. 我缺少什么信息能帮你给出更好的结果？
2. 存在什么可能导致误解的歧义？
3. 你会如何重写这个提示词以获得最大的清晰度和有效性？
4. 在尝试此任务之前，你想问我什么问题？

结构化分解 (Structured Decomposition)

对于复杂的多部分任务，明确分解你需要什么，而不是指望 AI 弄清楚结构。

我需要帮助完成 [总体目标]。

请分阶段完成：

阶段 1 - 研究：[收集什么信息]
阶段 2 - 分析：[如何处理该信息]
阶段 3 - 综合：[如何结合见解]
阶段 4 - 输出：[最终交付格式]

在进入下一阶段之前，完整完成每个阶段。在每个阶段结束时，总结主要发现再继续。

"教学"提示 (The "Teaching" Prompt)

最被低估的技巧之一：让 AI 教你怎么做，而不是直接为你做。这会产生更深层的学习，往往能揭示你未曾考虑过的方面。

我想学习如何 [技能/任务]。请不要直接为我做，而是：

1. 解释我需要理解的基本原则
2. 像教课一样一步步带我走过这个过程
3. 指出初学者常犯的错误以及如何避免
4. 给我练习题来建立我的技能
5. 建议我如何知道我是否做得正确

授人以渔，不要只给我鱼。

愚蠢但有效的简单技巧

我要分享一些感觉太蠢而不真实的东西。但这得到了 Google 研究的支持，而且我自己也验证过：简单地重复你的提示词可以显著提高准确性。

一篇名为《提示重复改善非推理型 LLM》的论文发现，将你的问题复制两次 — 字面意义上的 Ctrl+C, Ctrl+V — 显著提高了 AI 正确回答的概率。在 70 个不同的测试任务中，这种简单的复制粘贴方法赢了 47 次，从未输过。在某些任务中，准确率从 21% 跃升至 97%。

为什么这有效？

大型语言模型是"因果的" — 它们仅基于之前的内容预测每个 token。当前的词只能看到之前的词，看不到之后的内容。

当你重复一个问题时，第二个副本中的每个词都可以"回顾"整个第一个副本。这就像给 AI 一个在回答之前读两遍问题的机会。

让我用一个例子让这具体化：

在第一种情况下，当 AI 读到选项 A 和 B 时，它还不知道场景背景。等它读到场景描述时，那些选项已经在它的注意力中滚动过去了。

在第二种情况下，当重复的选项出现时，它们携带了来自第一个副本的完整语境。模型以完全的场景意识阅读选项。

这就像看一部复杂的电影 — 《盗梦空间》或《流浪地球2》 — 第二次看时理解得更多。

为什么这不适用于推理模型

如果你使用像 DeepSeek R1 或 GPT-4 这样的推理模式模型，这个技巧通常没有任何好处。为什么？因为推理模型已经在内部学会了这样做。

注意推理模型通常如何开始它们的回应：

• "问题问的是..."
• "我们需要解决的是..."
• "首先，让我们理解给定的条件..."

它们正在自动向自己重述问题。重复已经在幕后发生了。

OpenAI GPT-5 指南揭示了什么

OpenAI 悄悄发布了一份官方 GPT-5 提示指南。在花了一天时间剖析这本 10,000 多字的内部手册后，一个结论脱颖而出：GPT-5 不再是一个简单的聊天机器人 — 它是一个真正的 AI Agent 执行引擎，需要被管理，而不仅仅是被提示。

能力上限极高，但你需要系统的方法来解锁它。

控制 "Agent 渴望 (Agentic Eagerness)"

GPT-5 就像一个才华横溢的新实习生 — 极其能干，会主动思考和研究，但需要管理。有时它会过度思考，将简单的任务变成登月项目（缓慢且昂贵）。其他时候，你希望它坚持自主，而不是不断要求澄清。

OpenAI 称这种校准为 "Agent 渴望"。这是如何调整它的方法：

<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.

Method:
- Start broad, then fan out to focused subqueries.
- In parallel, launch varied queries; read top hits per query.
- Avoid over-searching for context.

Early stop criteria:
- You can name exact content to change.
- Top hits converge (~70%) on one area/path.

Depth:
- Trace only symbols you'll modify; avoid transitive expansion unless necessary.

Loop:
- Batch search → minimal plan → complete task.
- Search again only if validation fails. Prefer acting over more searching.
</context_gathering>

为了更严格的控制，给它一个预算：

<context_gathering>
- Search depth: very low
- Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct.
- Usually, this means an absolute maximum of 2 tool calls.
- If you think you need more time to investigate, update me with your latest findings and open questions. You can proceed if I confirm.
</context_gathering>

<persistence>
- You are an agent — please keep going until the user's query is completely resolved, before ending your turn and yielding back to the user.
- Only terminate your turn when you are sure that the problem is solved.
- Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
- Do not ask the human to confirm or clarify assumptions. Decide what the most reasonable assumption is, proceed with it, and document it for the user's reference after you finish acting.
</persistence>

让 AI 在行动前汇报

我最喜欢的 GPT-5 功能之一：让它在做事之前解释它要通过什么来做。没有老板喜欢一个默默工作零反馈的员工。

<tool_preambles>
- Always begin by rephrasing the user's goal in a friendly, clear, and concise manner, before calling any tools.
- Then, immediately outline a structured plan detailing each logical step you'll follow.
- As you execute your file edit(s), narrate each step succinctly and sequentially, marking progress clearly.
- Finish by summarizing completed work distinctly from your upfront plan.
</tool_preambles>

推理努力参数 (Reasoning Effort Parameter)

GPT-5 有一个 reasoning_effort 参数，就像一个"思考专注度"旋钮：

• 高 (High)： 用于需要深度思考和探索的复杂任务
• 中 (Medium)： 默认设置，适用于大多数任务
• 低/最小 (Low/Minimal)： 优先考虑速度和低延迟时

这就好比咖啡浓度 — 任务越复杂，你需要的浓度越高。

前端开发"标准答案"

对于开发者，OpenAI 推荐这个技术栈以获得最佳结果 — GPT-5 在这上面训练得最多，美学输出也始终如一地好：

• 框架： Next.js (TypeScript), React, HTML
• 样式/UI： Tailwind CSS, shadcn/ui, Radix Themes
• 图标： Material Symbols, Heroicons, Lucide
• 动画： Motion
• 字体： Sans Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

停止让 AI 随机选择你的技术栈。遵循这个标准，输出质量会立即提升。

Claude 与 ChatGPT — 不同的对话方式

我最重要的认识之一：不同的 AI 模型需要不同的沟通风格。对 Claude 效果极佳的方法在 ChatGPT 上可能只会产生平庸的结果，反之亦然。

实际差异

久经考验的提示词模板

理论很有用，但模板节省时间。这里是我最常使用的提示词，经过了数千次迭代的改进。

用于写作任务

Role: 你是一名 [特定类型的作家，例如"拥有 10 年经验的科技记者"]

Task: 写一篇关于 [主题] 的 [内容类型]

Audience: [谁会读这个 — 他们的知识水平、兴趣、痛点]

Tone: [具体语气 — 例如，"对话式但具有权威性，就像向一位聪明的同事解释一样"]

Format requirements:
- Length: [字数或范围]
- Structure: [如果有大纲]
- Must include: [要覆盖的关键点]
- Must avoid: [要排除的内容]

Example of desired style: [如果有，包括 1-2 段类似内容]

Additional context: [任何有帮助的背景信息]

用于分析任务

我需要你分析 [主题/文档/数据]。

Analysis goals:
1. [要回答的主要问题]
2. [需要的次要见解]
3. [额外考虑]

Please structure your analysis as follows:
- Executive Summary: 3-5 个要点的关键发现
- Detailed Analysis: [具体检查领域]
- Implications: 这对 [相关利益相关者] 意味着什么
- Recommendations: 可操作的下一步
- Constraints: 特别关注 [优先领域]

Note: 注意分析中的任何限制或不确定性。引用来源材料中的具体例子。

用于解决问题

The Problem:
[详细描述问题，包括背景和限制]

What I've Already Tried:
[列出之前的尝试以及为什么无效]

Success Criteria:
[好的解决方案是什么样子的？]

Constraints:
- Budget/Resources: [如果适用]
- Timeline: [如果适用]
- Technical limitations: [如果适用]

Please provide:
1. 你对根本原因的诊断
2. 3-5 个潜在解决方案，按可行性排序
3. 对于最佳解决方案，分步实施计划
4. 需要注意的潜在陷阱
5. 如何衡量解决方案是否有效

用于学习新主题

我想深入了解 [主题]。

My current level: [你已经知道的]
My goal: [你想能做什么/理解什么]
Time I can invest: [学习预算]

Please create a learning path that includes:
1. 我必须首先理解的核心概念（知识树的"树干"）
2. 要避免的常见误解
3. 思考该主题的最佳思维模型或框架
4. 建立我技能的实践练习
5. 深入的资源（如果你知道特定的高质量来源）

As we go, please:
- 通过问我问题来检查我的理解
- 纠正我思维中的任何错误
- 循序渐进地构建概念，只有在基础扎实后才继续

用于代码审查

Please review this code:

```
[你的代码]
```

Context: [这段代码应该做什么，它在大系统中的位置]

Review for:
1. Bugs or logical errors
2. Security vulnerabilities
3. Performance issues
4. Code style and readability
5. Edge cases that aren't handled

For each issue found, please provide:
- Location (line number or section)
- Severity (critical/major/minor/suggestion)
- Explanation of why it's a problem
- Suggested fix with code example

Also note: 这段代码中做得好的地方，应该保留。

用于决策

我正在 [选项 A] 和 [选项 B] 之间做决定。

Context: [决策背景]

My priorities (in order):
1. [最重要的因素]
2. [第二重要的]
3. [第三重要的]

For each option, please analyze:
- 优缺点相对于我的优先级
- 短期与长期影响
- 可能出什么错（以及可能性/严重性）
- 要使这成为最佳选择，需要什么条件成立

Then provide:
- 你的建议及理由
- 什么额外信息会改变你的建议
- 我可以用来验证思考的决策清单

优秀提示词背后的哲学

经过三年每天与 AI 的互动，我开始相信提示工程其实根本不是关于 AI。它是关于清晰沟通这一古老人类挑战，只是被提升到了一个新的竞技场。

想一想：你对 AI 输出的每一次挫败都可以追溯到沟通失败。你没有说出你的意思。你假设了不存在的共享语境。在需要精确时你很模糊。这些正是困扰人类沟通的相同失败 — AI 只是让它们在输出中立即可见。

在这个意义上，学习提示工程就是学习更清晰地思考。

作为自我反思的提示词

我注意到，当我对我想要什么已经很清晰时，我会写出最好的提示词。写详细提示词的行为迫使我面对自己思维中的空白。我到底想通过它实现什么？成功是什么样子的？什么限制真正重要？

通常，我在写提示词的中途就解决了自己的问题，在 AI 回应之前。提示词变成了思考工具 — 一种外化和检查我自己思想的结构化方式。

协作，而非命令

在我的 AI 之旅早期，我把提示词当作命令 — 给下属的指令。这种心态持续产生平庸的结果。

转变发生在我开始将 AI 视为具有与我不同优势的合作者时。我带来领域知识、判断力、创造力和目标。AI 带来海量知识、不知疲倦的处理能力、模式识别和跨学科综合信息的能力。

伟大的提示词是合作者之间的简报，而不是给仆人的命令。它们解释为什么，而不仅仅是什么。它们邀请 AI 的专业知识，而不是不必要地限制它。它们为 AI 贡献其独特能力创造了空间。

迭代即对话

提示工程不是关于第一次尝试就打造完美的提示词。它是关于进行有效的对话，趋向于你需要的。

第一个提示词：你想要的粗略草图。第一个回应：揭示你的草图哪里不清楚。第二个提示词：基于你学到的进行改进。第二个回应：更接近目标。继续直到完成。

这种迭代方法消除了任何单个提示词的压力。你不需要预先预测每个要求。你只需要对反馈循环做出反应。

具体的谦卑

模糊的提示词感觉很安全。当你说"关于这个话题写点好的东西"时，你没有承诺任何特定的愿景。如果输出令人失望，好吧，反正你从未真正说过你想要什么。

具体的提示词需要脆弱性。你必须准确表达"好"对你意味着什么。你必须展示你的标准、你的偏好、你的愿景。当输出未达标时，很明显要么你的规范有缺陷，要么 AI 无法交付 — 但无论哪种方式，你都学到了一些具体的东西。

具体就是谦卑，因为它意味着愿意在你想要什么的问题上犯错。

终局

随着 AI 模型的改进，许多当前的提示工程技巧将变得不必要。未来的模型可能会优雅地处理模糊的输入，可能会自动询问澄清性问题，可能会从极少的信息中直觉感知语境。

但底层技能 — 清晰表达思想的能力、提供相关语境的能力、有效迭代的能力 — 只会变得更有价值。这些是根本的人类技能，无论你是与 AI、同事还是自己沟通，都适用。

提示工程是暂时的。清晰思考是永恒的。