AI提示词怎么用？教你写出完美的Prompt（提示词）

Prompt是什么

很多人觉得“Prompt=给AI的指令”，这么理解其实有点片面了。Prompt更像是一套人和AI之间的协作协议。它不光要说清楚“做什么”，还得定义清楚“为什么做”“给谁做”“怎么做”，以及“做到什么标准”。本质上，它就是把人的模糊需求，翻译成AI能看懂、能执行的结构化任务单。

从技术的角度说，Prompt的核心作用就是：通过输入一段序列，引导大语言模型（LLM）调动它预训练的知识，聚焦到某个特定任务上，最后输出符合预期的内容。

但问题也在这儿。LLM本身没有职场经验，也听不懂你的弦外之音。比如领导对下属说“做个出海方案”，可能领导心里想的是之前老板提过的东南亚市场，但AI可没这层理解力，它只会按字面意思给你生成一个泛泛的方案。所以，Prompt最值钱的价值就在于——消除信息差。一方面是消除你想要的和AI理解之间的偏差，另一方面是消除任务目标和执行标准之间的模糊地带。

对Prompt的一些误区

误区1：越复杂越专业，过度堆砌术语和格式

不少人觉得，Prompt里不塞几个行业标准、专业术语、复杂标签，就显得不够专业。比如非要AI“以ISO 8402术语体系分析执行系统，遵循ISA-95标准”，结果呢？AI给你整出一堆晦涩的理论条文，完全没法用。

真相是：Prompt专业不专业，看的是精不精准，而不是复不复杂。现在的LLM（比如Claude 4、GPT-4），自然语言理解能力已经很强了，你根本不需要堆什么XML标签、专业术语。用清晰的标题、分段、引导语，效果一样好，甚至更好。真正专业的Prompt，是让输出的内容贴合你的实际场景，而不是让Prompt本身看起来高深莫测。

误区2：说清楚“做什么”就行，忽视隐性需求和约束

很多人觉得让AI“写一篇推广文案”或者“做一份数据分析”已经够明确了。但目标受众是谁？核心卖点是什么？输出格式有没有要求？这些关键信息全都没说。

真相是：LLM没有所谓的“行业常识”，也没有你默认的“设定”。同样一份方案，可能是给CEO看的战略版，也可能是给销售用的落地版；一篇推文，可能面向技术决策者，也可能面向一线操作人员。这些隐性需求如果不讲清楚，AI只能瞎猜，输出的结果自然达不到你的心理预期。

误区3：一键生成就是终点，拒绝迭代优化

太多人指望一次输入就能拿到完美结果。一旦输出不符合预期，就说“AI不行”，也不愿意花时间优化Prompt。其实，优化Prompt的过程，就是你把自己的需求一步步理清楚的过程。这不仅是让AI更懂你，也是让你自己更清楚你到底要什么。

真相是：像客户方案、行业报告这类工作，本来就需要反复打磨。AI只是帮你加速打磨的工具。比如你用AI写一份ERP方案，第一次Prompt只给了个通用框架，后来补充了一句“目标客户是食品加工企业，重点包含批次追溯模块”，结果一下子就贴切多了。再补一句“引用3个客户案例数据”，方案的说服力又上了一个台阶。

Prompt能力的底层逻辑：结构化思维+精准表达。

说白了，Prompt能力的本质，是要求使用者具备几样东西：

• 需求拆解能力
  ：把模糊的目标拆成具体、可执行的子任务；

• 结构化表达能力
  ：用清晰的逻辑组织信息，让AI快速抓取核心；

• 场景共情能力
  ：站在使用场景和受众的角度，定义输出的标准与风格；

• 迭代优化能力
  ：通过测试反馈，持续调整指令，逼近最优结果。

这就解释了为什么开头那个场景里，连给下属指令都讲不清的领导，很难用好AI。Prompt的质量，说到底取决于使用者的思维深度和表达精度。

构建高效Prompt的底层逻辑

1. 角色、需求、场景、目标，缺一不可

写Prompt，第一件事就是明确“你是谁、为谁做、在什么场景做、要达成什么目标”。这四个要素少一个都不行。

• 角色
  ：明确你的输入角色（比如，你是一家HR SaaS的市场营销），这决定了你的立场；

• 受众对齐
  ：明确输出的接收者（比如，制造业HRD、互联网产品经理、政府决策者），这决定了内容的专业深度和语言风格；

• 场景对齐
  ：明确使用场景（比如，客户选型演示、内部复盘会议、行业社群推广），这决定了内容的侧重点和呈现形式；

• 目标对齐
  ：明确核心目标（比如，传递产品价值、解决具体问题、提供决策依据），这决定了内容的核心逻辑与关键信息。

❌错误示范：写一篇关于HR SaaS产品的文章。
错误点：没明确受众、场景、目标，AI只能输出泛泛而谈的产品介绍，根本没法直接用。

✅正确示范：现在你是一位专业资深的HR SaaS企业的市场营销，请撰写一篇面向制造业HRD的HR SaaS产品推广文案，用于行业社群引流，核心目标是突出【考勤数据与生产排班联动】功能，吸引目标用户点击免费试用链接。
分析：受众、场景、目标都清晰了，AI输出的内容自然更有针对性。

2. 结构化表达，降低AI的理解成本

LLM处理结构化信息的效率，比处理碎片化信息高得多。写Prompt的时候，最好用总分总、维度拆解这些逻辑框架，帮AI快速抓住重点：

• 核心指令前置
  ：开头就亮明要“做什么”，别让冗余信息干扰判断；

• 分层呈现信息
  ：用标题、序号、分段，把“核心任务”“背景信息”“约束条件”“输出格式”区分开；

• 逻辑关系要明确
  ：用“因为…所以…”“首先…其次…最后…”这些连接词，把任务的逻辑链条理清楚。

❌错误示范：帮我整理一下Q3的客户反馈，看看有什么问题，还要给产品部提建议，最好有数据支撑。
错误点：信息碎片化，AI根本分不清主次。

✅正确示范：
任务：整理Q3 CRM产品的客户反馈并生成需求分析报告。
背景：用于产品部V2.3版本需求优先级排序；
核心逻辑：先按“功能优化、系统稳定、服务支持”分类反馈，再统计每类反馈的客户占比，最后针对Top3痛点提出改进建议；
数据要求：标注每个需求的客户反馈次数及占比。
分析：结构清晰，AI能按你的逻辑一步步执行。

3. 场景贴合实际使用语境

好的Prompt不光要完成任务，还得适配场景。同样是产品介绍，面向技术决策者，内容要突出技术架构和集成能力；面向业务决策者，要突出ROI和业务价值；面向一线操作人员，要突出易用性和效率提升。

场景适配的核心，就是“换位思考”：

• 想想场景的核心诉求是什么。比如客户选型，就得突出“差异化优势”；内部培训，就得突出“操作步骤”；
• 想想受众的认知水平。非技术人员，就别用专业术语；面向行业专家，可以适当深化细节；
• 想想内容的最终用途。PPT演示，要简洁精炼；书面报告，可以详细严谨。

案例：
给制造业生产总监写MES系统介绍，就得聚焦“生产效率提升、质量风险控制、设备利用率优化”这三个他最关心的问题。用“设备停机时间缩短20%”“不良率下降15%”这种量化数据，替代“功能强大”这类模糊表述，才能说到点子上。

4. 不断迭代优化Prompt

第一次写的Prompt几乎不可能完美。高效使用AI，得建立一个“测试-反馈-优化”的闭环：

• 初稿测试
  ：先用一个简洁的Prompt生成第一版输出，看看AI对你核心需求的理解准不准确（这叫“试探”）；

• 问题定位
  ：分析输出偏差在哪儿。是不是没突出核心功能？语言风格不对？缺少数据支撑？然后定位Prompt里漏了什么信息；

• 精准优化
  ：针对性地补充信息。比如“突出XX功能”“语言风格更正式”“引用3个客户案例数据”，千万别全盘重写；

• 版本对比
  ：把多版Prompt和输出都留着，观察总结哪种表述方式AI理解得最好。

分层实操：从基础到进阶的Prompt

1. 基础方法

基础技巧的核心就是“把事情说清楚”，适用于大部分简单任务，比如写短文、整理数据、回答问题，不需要复杂逻辑设计，就能快速出结果。

技巧1：需求拆解法——把模糊需求变成具体任务

核心逻辑：把“做什么”拆成“动词+对象+约束”，让AI明确“具体执行什么动作、针对什么内容、遵循什么规则”。

• 动词
  ：用明确动作，比如✅分析、撰写、整理、对比、生成。避免❌做一下、弄个这类模糊词；

• 对象
  ：明确核心内容，比如“Q3销售数据”“制造业数字化转型痛点”“ERP产品核心功能”；

• 约束
  ：明确边界条件，比如“按区域拆分”“突出3个核心痛点”“不涉及技术细节”。

实操模板：[动词] [对象]，
约束：
[维度1，如受众/场景]；
[维度2，如核心要点]；
[维度3，如格式/长度]

案例：撰写面向中小制造企业老板的数字化转型科普文，
约束：
1. 受众：不懂技术的企业老板；
2. 核心要点：突出数字化转型的成本优势与落地难度；
3. 格式：分3段，每段不超过150字，结尾附转型自评问卷链接。

技巧2：上下文补全法——给AI它需要的背景信息

核心逻辑：LLM的输出质量，取决于你输入了多少背景信息。你得说清楚“为什么做”“有什么限制”“有什么参考”，帮AI理解这个任务的业务价值和边界。

• 业务背景
  ：说明任务从哪来。比如“为应对竞品冲击，需制定新的市场推广策略”；

• 约束条件
  ：说明任务的限制。比如“预算不超过50万”“实施周期3个月内”“合规要求符合GDPR”；

• 参考信息
  ：提供相关数据、案例、历史成果。比如“参考Q3销售数据”“借鉴XX客户的成功案例”。

❌错误示范：整理客户反馈，生成报告。
错误点：没说明背景，AI可能按时间排序反馈，毫无参考价值。

✅正确示范：整理Q3 HR SaaS产品的客户反馈，生成需求分析报告。业务背景：用于产品部V2.3版本需求优先级排序；约束条件：仅关注考勤管理、薪酬核算、员工培训三个模块；参考信息：Q3共收集120条反馈，其中考勤模块58条、薪酬模块32条、培训模块30条（*说明：此处上传这些反馈）。

技巧3：格式定义法——提前说好输出结构

核心逻辑：提前定义输出格式，省得AI生成的东西还得你二次整理，效率更高。

常见格式包括：

• 文本格式
  ：Markdown、分点列表、段落式、对话式；

• 结构化格式
  ：表格、JSON、PPT大纲、流程图（用Mermaid语法）；

• 特殊格式
  ：邮件、报告、方案、案例、FAQ。

实操模板：
输出格式要求：
结构：按“痛点-方案-案例-效果”分4部分；
格式：Markdown，一级标题用 ##，二级标题用 ###；
数据呈现：核心数据用加粗标注，案例用表格呈现（客户名称-行业-效果）。

案例：分析3款主流CRM产品的竞争差异，输出格式：
1. 表格形式，列名：产品名称-核心功能-价格区间-适用场景-竞争优势；
2. 表格下方补充300字总结，推荐中小制造企业的选型方案。

技巧4：示例引导法——用“少量样本”解决风格难题

核心逻辑：对于格式复杂、有特定风格要求的任务，比如写案例、设计问卷、生成代码，给AI看1到3个示例，比单纯描述格式高效得多。

• 示例要求
  ：简洁典型，重点展示“结构/风格/逻辑”，不用太完整；

• 示例贴合度
  ：示例得和目标任务场景一致。目标如果是写零售行业案例，示例也最好是零售行业；

• 数量控制
  ：1个示例就够解决大部分问题，复杂任务最多2-3个，别占太多token。

❌错误示范：写一个HR SaaS产品的客户案例，给零售行业看。
错误点：没明确格式，AI输出的案例可能结构混乱，缺少数据。

✅正确示范：按以下示例风格，撰写零售行业HR SaaS产品客户案例（客户：连锁超市，10家门店，300名员工）。

示例：客户案例：某汽车零部件企业（500人，年营收2亿）
痛点：生产与HR排班数据不同步，缺岗率15%；人工核算考勤，每月需3天。 解决方案：使用HR系统实现排班与考勤联动，自动生成报表。
效果：缺岗率降至5%，考勤核算时间缩短至1天，错误率为0。

新案例核心信息：痛点是“门店员工排班频繁调整，HR沟通成本高；生鲜部门加班核算复杂”，解决方案是“门店自主排班+自动加班核算”。

2. 进阶策略

遇到复杂任务，比如写行业白皮书、做多维度竞品分析、制定年度方案，光靠基础技巧就不够了。得用更高级的Prompt策略，引导AI进行深度思考和逻辑推理。

策略1：思维链引导法——让AI一步步推理

核心逻辑：复杂任务本质上就是“多步骤推理”。思维链引导法通过明确推理步骤，让AI按逻辑逐步分析，避免输出片面或跳跃的结论。

• 步骤设计
  ：按业务逻辑设计推理步骤。比如竞品分析：先明确用户需求→然后对比功能差异→再收集客户反馈→最后总结竞争优势；

• 步骤约束
  ：每个步骤都得说清楚“要做什么”和“输出什么结果”，别让AI跳过关键环节；

• 引导补全
  ：如果AI推理不完整，可以补充引导。比如“在第二步中，补充双方在实施周期上的差异”。

实操模板举例：
先介绍下你们公司ERP的产品基本情况（或直接上传附件进行信息投喂）；
分析我们的ERP产品与金蝶K/3 WISE在中小制造企业的竞争差异，用思维链逐步推理： 第一步：明确中小制造企业的核心需求（补充信息：基于Q3调研，重点关注成本核算与MES集成、实施周期）； 第二步：逐一对比双方产品在三个核心需求上的功能差异（比如，成本核算：我方支持批次核算，金蝶支持月度核算）； 第三步：引用Q3客户反馈（补充梳理总结出来的客户反馈内容），验证功能差异带来的实际影响；第四步：总结竞争优势，明确我方产品的适配场景。
最终输出：按“需求维度-我方功能-金蝶功能-客户反馈-竞争优势”的表格呈现。

策略2：任务拆分法——把大任务拆成小任务

核心逻辑：复杂任务通常包含“信息收集→分析→输出→优化”好几个环节。拆开之后，每个环节只聚焦一个目标，AI的输出质量更高，你也更容易控制每个环节的结果。

• 拆分原则
  ：按“业务流程递进”来拆。比如写白皮书：先收集数据→再分析痛点→设计框架→填充内容→优化语言；

• 关联逻辑
  ：说清楚子任务之间的关系。比如“第二步的痛点分析是基于第一步的行业数据”；

• 分步优化
  ：每个子任务生成结果后，优化Prompt再进入下一步，避免错误越积越多。

案例：撰写《2025中小制造企业数字化转型白皮书（3000字）》
子任务1（收集数据）：收集2024-2025年中小制造企业数字化转型数据，重点包含：数字化渗透率、核心投入方向、转型成功关键因素，标注数据来源（IDC/麦肯锡），输出Markdown表格”；
子任务2（分析痛点）：基于子任务1的行业数据，分析中小制造企业数字化转型的Top3痛点，每个痛点附数据支撑（比如，30%的企业反馈生产排期效率低），输出分点列表；
子任务3（设计框架）：基于子任务2的痛点分析，设计白皮书框架，包含“行业现状-核心痛点-转型路径-案例参考-选型建议”5部分，每部分标注核心要点；
子任务4（填充内容）：按子任务3的框架，撰写白皮书全文，语言风格专业且通俗，案例部分突出我方产品（需要补充你们公司产品的一些具体信息）的应用效果，输出Markdown格式；
子任务5（优化语言）：优化子任务4的全文，修正语法错误，调整段落逻辑，确保流畅性，输出最终版本。

策略3：角色赋能法——让AI代入专业视角

核心逻辑：给AI设定一个“具体角色+行业经验+核心能力”，引导它从专业视角思考问题，输出更贴合场景的内容。角色设定要“精准而非泛化”，别用什么“世界顶级专家”这种模糊表述。

• 角色构成
  ：行业背景（比如“5年制造业MES销售经验”）+ 专业能力（比如“熟悉汽车行业生产流程”）+ 核心视角（比如“关注客户ROI”）；

• 视角引导
  ：明确角色的核心关注点。生产总监关心效率和质量，财务总监关心成本和合规；

• 避免过度设定
  ：别堆砌无关的能力。比如写财务方案，就没必要设定“精通编程”。

❌错误示范：假设你是行业专家，写一篇MES系统介绍。
错误点：角色太模糊，输出泛泛而谈。

✅正确示范：现在你是一位拥有5年汽车制造业MES售前经验的顾问，熟悉新能源汽车生产流程，请给汽车厂生产总监写一篇MES系统介绍，重点从“生产效率提升、质量追溯、设备利用率优化”三个角度切入，语言风格务实，用量化数据替代模糊表述。

策略4：预填回复法——强制输出固定格式

核心逻辑：对于需要固定格式的任务，比如JSON数据、表单、需求清单，可以先预填部分内容框架，让AI直接填关键信息，省去冗余表述，还能直接导入系统用。

• 格式框架
  ：按实际使用场景设计。JSON用于系统导入，表格用于文档协作；

• 字段定义
  ：明确每个字段的格式要求。比如“优先级：高/中/低”“模块名称：MES-生产排期”；

• 去除冗余
  ：明确要求只输出填充好的格式，不要任何铺垫或解释。

案例：从客户反馈中提取需求，生成JSON格式的需求清单（用于产品部需求管理系统）

Prompt：从以下客户反馈中提取核心需求，按预填的JSON格式填充，仅输出JSON，无任何铺垫。客户反馈：我们是电子制造企业，用你们的MES系统后，生产报表只能导出Excel，希望支持PDF格式；另外，设备报警只能在系统内提醒，希望同步到企业微信。

输入JSON：
“”
输出JSON：
“”

策略5：不确定性管理法——提升输出可信度

核心逻辑：明确告诉AI“不知道就标出来，别瞎编”。尤其对于数据类、事实类的任务，比如行业报告、竞品分析，这能防止AI生成虚假数据或片面结论，提升输出的可信度。

• 标注规则
  ：明确“不确定信息”怎么标注。比如“待补充调研”“数据不足”“需进一步验证”；

• 数据约束
  ：强调“基于提供的信息生成内容，不编造未提及的数据/案例”；

• 区分建议
  ：把“有数据支撑的建议”和“需验证的建议”分开，避免误导决策。

案例：分析Q3客户流失原因
Prompt：分析Q3 CRM产品的客户流失原因，要求：
基于提供的数据（流失客户32家：18家反馈服务响应慢，8家反馈价格过高，6家未说明原因）；
按“流失原因-客户数量-占比”整理表格；
未说明原因的6家标注“待补充调研”，不猜测具体原因；
建议部分区分“有数据支撑”（比如，优化服务响应流程）和“需验证”（比如，调研未说明原因客户的真实需求）。

3. 高阶技巧

遇到超复杂的任务，比如多模态内容生成、跨领域方案设计、专业知识图谱构建，就得结合AI的能力特点，用一些更有创意的Prompt技巧，突破常规输出的限制。

技巧1：跨模态联动法——整合文本、图表、数据

核心逻辑：LLM不光能生成文本，还能通过特定语法（比如Mermaid、LaTeX）生成图表。把文本和图表结合起来，说服力更强。

• 图表生成
  ：用Mermaid语法生成流程图、架构图、时序图（比如产品模块流程图、业务流程示意图）；

• 数据可视化
  ：用表格呈现对比数据，用列表呈现层级关系；

• 跨模态配合
  ：文本解释图表，图表支撑文本，形成“文本+图表”的一体化输出。

案例：设计ERP产品的功能架构方案
Prompt：设计面向中小制造企业的ERP产品功能架构方案，要求：
文本部分：分财务模块、生产模块、供应链模块、人力资源模块，说明核心功能与解决的痛点；
图表部分：用Mermaid语法生成功能架构图，展示模块之间的关联关系；
数据支撑：每个模块标注降低XX成本、提升XX效率的量化效果。

技巧2：领域知识注入法——补充专业领域信息

核心逻辑：对于专业度极高的领域，比如医疗、法律、工业制造，LLM的预训练知识可能滞后或者不够，需要在Prompt里注入领域知识，比如行业标准、业务流程、专业术语，提升输出的专业性。

• 知识类型
  ：行业标准（比如“符合GSP规范”“遵循ISO 9001”）、业务流程（比如“医药企业药品追溯流程”）、专业术语（比如“批次追溯”“合规报表”）；

• 注入方式
  ：在背景部分简要说明，别堆砌，重点突出跟任务相关的知识；

• 验证逻辑
  ：要求AI在输出中引用注入的知识，确保专业度。

案例：撰写医药企业ERP产品方案
Prompt：撰写面向医药企业的ERP产品方案，领域知识：
合规要求：符合GSP规范，支持药品全生命周期追溯；
业务流程：包含采购入库-生产加工-质量检测-出库配送-终端销售的全流程；
核心痛点：批次追溯难、合规报表生成复杂、库存周转慢。
要求：方案中突出如何满足GSP规范，解决核心痛点，引用药品追溯、合规报表等专业术语，附3个医药企业客户案例。

技巧3：反馈循环嵌入法——让AI自我优化

核心逻辑：在Prompt里嵌入一个“自我检查”环节，让AI生成输出后，按预设标准进行自我评估和优化，减少你手动迭代的次数。

• 检查标准
  ：基于任务目标设定。比如“是否突出了核心功能”“是否符合格式要求”“是否包含数据支撑”；

• 优化指令
  ：明确“如果不符合标准，怎么改”。比如“如果没包含案例，就补充1个相关客户案例”；

• 循环次数
  ：设定1-2次循环就够，别过度迭代导致内容变得冗余。

案例：撰写HR SaaS产品推广文案
Prompt：撰写面向制造业HRD的HR SaaS产品推广文案，核心要求：
突出考勤与生产排班联动功能；
包含1个客户案例；
字数400字内；
结尾附免费试用链接。
自我检查与优化：生成文案后，先检查是否满足以上4点要求，若未满足，针对性修改（如缺少案例则补充，字数超则精简），最终输出优化后的文案。

场景落地：四大核心业务的Prompt实战模板

把上面的方法落到具体业务里，这里整理了To B行业“内容创作、数据分析、方案策划、客户服务”四大核心场景的实战模板，可以直接拿去用，或者根据情况调整。

场景1：内容创作——行业白皮书

模板核心逻辑：数据支撑 + 痛点分析 + 案例验证 + 选型建议。

任务：撰写《2025[行业]中小企[主题]选型指南》白皮书（3000字）

1. 基础信息：
– 目标受众：[行业]中小企[决策角色，如IT总监/财务总监]；
– 核心目标：帮助目标受众明确选型标准，突出我方产品优势；
– 风格要求：专业务实，包含数据支撑和客户案例，避免技术术语堆砌。

2. 思维链步骤：
①行业现状分析：基于2024年[权威机构，如IDC/麦肯锡]报告，呈现[行业]数字化转型现状（如渗透率、投入规模），附数据表格；
②选型痛点拆解：按“功能匹配、集成能力、实施周期、成本投入”4个维度，分析[行业]中小企选型的核心痛点，每个痛点附数据支撑（如“60%的企业反馈‘集成难’”）；
③选型标准构建：针对痛点，提出“功能适配性、技术成熟度、服务响应速度、ROI”4个核心选型标准，每个标准给出具体衡量指标（如“ROI：1年内回本”）；
④竞品对比分析：对比我方产品与[竞品1/竞品2]在选型标准上的差异，突出我方优势（如“我方实施周期≤3个月，竞品需6个月”）；
⑤客户案例验证：3个[行业]客户选型案例，按“客户背景-选型痛点-解决方案-使用效果”呈现，突出我方产品的实际价值；
⑥选型实操建议：分“需求梳理-产品测试-实施规划-效果评估”4个阶段，给出具体操作步骤。

3. 输出格式：
– Markdown格式，包含“标题-目录-正文（6部分）-结语（附试用申请入口）”；
– 正文每部分开头用“【核心观点】”总结，关键数据加粗；
– 案例部分用表格呈现，竞品对比用表格呈现。

4. 注意事项：
– 不确定数据（如竞品最新价格）标注“待更新”，不编造；
– 避免贬低竞品，聚焦“我方产品如何解决客户痛点”。

场景2：数据分析——销售数据复盘报告

模板核心逻辑：数据拆解 + 原因分析 + 策略建议 + 目标调整。

任务：基于[时间段] [产品] 销售数据，生成销售复盘报告

1. 数据背景：
– 数据范围：[时间段] [区域/团队] 销售数据，核心指标：新增客户数（目标X家，实际X家）、成单率（目标X%，实际X%）、客单价（目标X万，实际X万）、流失客户数（X家）；
– 用途：给[决策角色，如销售总监]做复盘，用于[下一周期]销售策略调整。

2. 分析逻辑（提示词串联）：
①数据拆解：按“区域、销售职级、客户行业”拆解核心指标，找出表现最优/最差的细分维度（如“华东区域成单率35%，华北20%”），用表格呈现；
②差距分析：针对未达标的指标（如成单率），从“客户需求匹配度、销售能力、市场竞争、外部环境”4个角度，结合具体案例分析原因（如“新人成单率15%，低于老人的35%，因产品知识不熟练”）；
③流失分析：按“行业、流失原因、挽回可能性”分析流失客户，标注“有挽回可能的客户（X家）”及挽回策略；
④策略建议：基于分析结果，从“资源倾斜、人员培训、客户维护、市场推广”4个方面，给出具体可落地的措施（如“10月开展新人产品培训，每周1次，由Top销售授课”）；
⑤目标调整：结合复盘结果，提出[下一周期]核心指标调整建议（如“新增客户数调整为X家，成单率目标X%”）。

3. 输出格式：
– 数据拆解、流失分析用Markdown表格；
– 差距分析、策略建议用“问题点-具体表现-解决方案”结构；
– 结尾附“[下一周期]核心目标与执行时间表”。

4. 注意事项：
– 数据计算准确（如成单率=成单数/商机数），公式不明确时先说明；
– 建议部分明确“责任人、时间节点、衡量标准”，避免空泛表述。

场景3：方案策划——年度市场推广方案

模板核心逻辑：目标拆解 + 渠道策略 + 预算分配 + 执行监控 + 风险应对。

任务：制定2025年[产品]年度市场推广方案

1. 业务背景：
– 产品定位：[产品类型，如MES]，核心优势：[如“生产效率提升”“质量追溯”]，目标客户：[行业+规模，如“中小制造企业”]；
– 2024年现状：客户X家，市场占有率X%，主要获客渠道：[如行业展会/老客户推荐]，获客成本X元/家；
– 2025年目标：新增客户X家（[行业细分，如机械/食品/医药]占比X%），市场占有率提升至X%，获客成本降低X%。

2. 方案框架：
①目标拆解：按“季度、行业、渠道”拆解年度目标，示例：Q1新增X家（机械X家、食品X家），获客成本≤X元/家；
②渠道策略：
– 线下渠道：列出2025年重点参展名单（如3月上海工业博览会），明确每个展会的预算、获客目标、booth设计重点；
– 线上渠道：内容营销（每月输出1篇白皮书、2篇案例、5条短视频），发布渠道（行业媒体/微信公众号/抖音），核心主题（如“生产效率提升案例”）；
– 老客户推荐：设计推荐奖励机制（如老客户推荐成功送3个月免费服务），目标推荐占比X%；
③预算分配：总预算X万，按“渠道（线下X万/线上X万/老客户推荐X万）+应急X万”分配，附季度预算拆分表；
④执行监控：制定月度监控表（核心指标：获客数、获客成本、渠道转化率），明确责任人（如“张三负责内容发布”）；
⑤风险应对：预判可能风险（如展会效果不佳、行业需求变化），给出应对措施（如增加线上直播获客、调整方案侧重点）。

3. 输出格式：
– PPT大纲格式，每部分包含“标题-核心内容-责任人-时间节点”；
– 关键数据用表格呈现（预算分配表、季度目标拆解表）；
– 引用2024年成功案例（如“2024年上海工业博览会获客25家，成本X元/家”）支撑策略可行性。

场景4：客户服务——产品FAQ

模板核心逻辑：高频问题筛选 + 结构化回答 + 通俗表达 + 操作指引。

任务：撰写[产品]客户FAQ（面向[用户角色，如HR专员/生产操作员]）

1. 背景信息：
– 目标用户：使用[产品]的[用户角色]，非技术背景；
– 核心需求：解决日常操作高频问题，减少客服咨询量；
– 风格要求：语言通俗，步骤清晰，每个问题附“操作指引（文字描述截图关键步骤）”。

2. 内容要求：
①问题筛选：基于[时间段]客服数据，选择Top10高频问题（如“如何导出月度报表？”“员工信息如何修改？”）；
②回答结构：每个问题按“问题-原因-解决方案（分步骤）-注意事项”撰写，示例：
【示例】如何导出月度考勤报表？
问题：需要将考勤数据导出给财务核算工资；
原因：系统默认报表格式为Excel，需手动导出；
解决方案：1. 登录系统，点击左侧“考勤管理”；2. 选择“月度统计”，设置统计月份；3. 点击右上角“导出”，选择Excel格式；4. 等待30秒下载；
注意事项：① 导出前需确认数据已审核；② 导出失败可检查网络或联系客服（电话XXX）；
③分类整理：按“功能模块（如考勤管理/员工管理/报表导出）”分类，每个模块按问题频次排序。

3. 输出格式：
– Markdown格式，模块用## 引导，问题用### 引导；
– 步骤用有序列表，注意事项用“⚠️ 注意：”开头；
– 结尾附“其他问题反馈渠道（客服电话/企业微信）”。

4. 注意事项：
– 避免技术术语（如不说“API接口”，说“系统对接功能”）；
– 不同场景（如“员工离职分主动/被动”）需分别说明操作步骤。

Prompt设计时要注意的五大坑

就算掌握了上面所有方法，实际用的时候还是可能因为一些细节没注意，导致AI输出不达标。下面是六个常见错误和对应的解决方案，帮你避开这些坑。

错误1：过度设计——Prompt冗长复杂，核心需求反而模糊

表现：某产品经理为了写PRD，在Prompt里加了“拥有10年To B产品经验，精通PRD撰写规范，熟悉ISO 9001、IEEE标准……”一大堆，Prompt长达500字，结果AI输出的内容全是术语，根本没有实际需求。

原因：过度堆砌角色、规范、背景，AI反而抓不住核心需求了。

解决方案：
核心需求前置：开头直接说“撰写XX模块PRD”，再补充背景；
角色设定精准：别说“精通10个行业”，改成“熟悉食品行业MES需求的产品经理”；
规范按需引用：只提和任务相关的规范。比如PRD需要包含功能描述、输入输出、异常处理。

错误2：基础缺失——依赖高级技巧，忽略核心信息

表现：某营销经理用“思维链”写推广方案，步骤设计得很详细，但没说清楚“目标客户”和“推广目标”，结果AI输出的方案逻辑完整，但根本不贴合业务。

原因：核心指令模糊，再高级的技巧也补不了基础信息的缺失。

解决方案：
写Prompt前自查“核心三要素”：目标明确吗？背景清晰吗？约束具体吗？
复杂任务，先用基础技巧写个初稿，再用高级技巧去优化；
如果输出总跑偏，先补充基础信息，再调整高级技巧。

错误3：不明确隐性需求，让AI自由发挥

表现：某销售让AI“写一封给潜在客户的跟进邮件”，但没说明“客户是制造业老板，之前沟通过产品demo，关注ROI”。结果AI输出的邮件通用又平淡，客户自然没回复。

原因：隐性需求没说明白，AI没法精准匹配。

解决方案：
建立一个“需求Checklist”：确保包含客户角色、行业、痛点、沟通历史；
用“反问法”自查：如果你是AI，你会有什么疑问？（客户是谁？关注什么？）；
明确隐性需求。比如客户担心实施周期长，邮件里就得强调“实施周期≤3个月”。

错误4：技巧堆砌——不管需求需不需要，全上进阶技巧

表现：某售前顾问要写一个简单的客户案例，同时用了“思维链、任务拆分、角色设定”，花了1个小时，结果跟直接用“示例引导法”效果差不多。

原因：技巧选择没按需匹配，过度复杂反而降低了效率。

解决方案：
按需求复杂度选技巧。简单任务（比如写案例、整理数据）用基础技巧；复杂任务（比如写白皮书、竞品分析）用进阶策略；
遵循“最小成本原则”：能用1个技巧解决的，就别用多个。

错误5：忽视伦理——Prompt包含敏感信息或不当导向

表现：某客服让AI分析客户反馈，Prompt里直接带了客户的姓名、电话、地址等敏感信息，存在隐私泄露风险。

原因：没考虑数据隐私和伦理规范，导致合规风险。

解决方案：
数据脱敏：把个人信息换成匿名ID（比如“客户001”）；
遵循数据最小化原则：只提供完成任务需要的最少信息；
避免敏感导向：别设计“怎么贬低竞品”“怎么误导客户”这类Prompt。

对企业级Prompt能力建设的一些思考

对企业来说，Prompt能力不只是个人技能，更是组织效率的核心竞争力。现在很多企业都上了AI“全家桶”来提升内部员工的工作效率。所以，建立一个系统化的组织赋能体系，能帮团队成员快速掌握Prompt方法，实现AI工具的规模化高效应用。

建立“Prompt模板库”，降低使用门槛

• 分类维度
  ：按“业务场景（内容/分析/方案/服务）、产品线、输出格式”分类；

• 模板内容
  ：每个模板包含“Prompt原文、使用场景、优化技巧、效果案例”；

• 维护机制
  ：指定专人每月更新，收集团队里的优质案例，补充到库里；

• 工具推荐
  ：用在线文档和知识管理工具存储，支持关键词搜索（比如“ERP客户案例”）。

开展“Prompt拆解培训竞赛”，提升结构化思维

• 选题
  ：选一个近期的复杂任务（比如“2025年市场推广方案”）；

• 拆解
  ：分组用“任务拆分法”拆解任务，设计Prompt；

• 实践
  ：每组用设计好的Prompt生成AI输出；

• 复盘
  ：对比各组的输出，总结优秀Prompt的共性；

• 频率
  ：每季度1-2次，结合实际工作任务，避免太理论化。

建立“反馈优化机制”，持续提升效果

• 反馈维度
  ：设计评分表，从“贴合需求度、格式准确性、数据可信度、落地性”几个方面评分；

• 反馈流程
  ：成员用Prompt后填写评分表，标注问题点；每周开复盘会，分享高分案例和问题案例；针对高频问题（比如AI编造数据），制定通用解决方案；

• 激励机制
  ：对贡献优质案例、提出有效建议的成员，给予绩效加分或学习资源。