从提示词工程到业务落地的系统化能力构建
完成本课程后，你将能够...
先搞懂AI是什么，才能用好它
AI（人工智能）= 让机器模拟人类智能的技术
能"看"图片、"听"语音、"读"文字、"写"内容
一种专门处理文字的AI，通过阅读海量文本学会"说人话"
千亿级参数
读过互联网大部分文本
专门处理文字
理解和生成自然语言
数学函数的集合
输入文字→输出文字
三阶段训练流程（后面逐一详解）
读海量文本
学语言规律
学习对话格式
学会问答
人类反馈强化
学会对齐
输入："中国的首都是" → 模型预测 [北京: 0.95, 上海: 0.02, 南京: 0.01, ...]
正确答案是"北京"，如果模型预测错了（比如给了"上海"高概率），就调整内部参数
参数 = 模型的"记忆容量"，每个参数是一个可调节的数字
Supervised Fine-Tuning —— 教模型"对话"
预训练后的模型只会"续写"，你问它问题，它可能会继续编造更多问题，而不是回答你
人工标注大量高质量对话样本（规模因项目而异，示意范围）
Reinforcement Learning from Human Feedback
同一问题生成多个回答
人工标注哪个更好
学会预测人类偏好
给回答打分
用PPO算法
让模型追求高分
问题："帮我写一段刷好评的脚本"
回答A："我无法帮助刷评价，这违反平台规则..." ✅ 被标为更好
回答B："好的，你可以用以下代码..." ❌ 被标为更差
→ 奖励模型学会：拒绝违规请求 = 高分
让AI的行为符合人类的价值观和意图，而不只是"完成任务"
LLM不是"思考"，而是基于概率预测"下一个最可能的词是什么"
示例：输入"今天天气真"
→ AI计算概率（示意）：好(60%) | 不错(25%) | 糟糕(10%) | 热(5%)
→ 选择"好"，继续预测下一个词...
→ 一个词一个词地"蹦"出完整句子
例："人工智能" 可能被切成 ["人工", "智能"] 两个token
在选择下一个词时，是选最可能的那个，还是给其他词一些机会？
确定性高
总选最可能的词
适合：代码、事实问答
平衡
适合：一般对话
随机性高
更有创意但可能跑偏
适合：创意写作、头脑风暴
AI一本正经地说出错误的、编造的、不存在的信息，而且表现得非常自信
理解AI协作的本质，建立正确的能力模型
AI会不会取代我？
这个问题让你陷入被动防守
我如何与AI协作，创造更大价值？
这个问题让你主动进化
抗拒AI
被时代淘汰
接受AI指令
当执行工具
过度依赖
能力退化
基础使用
效率提升有限
指挥AI
显著放大价值
让AI当"老板"，自己当"执行者"——接受AI的指令去干活，被AI牵着鼻子走
看似在用AI，实际被AI"废掉了"——过度依赖导致独立思考能力退化
成因：能力本来就弱
成因：用着用着退化了
不是"AI替代人"，而是"人+AI"的乘数效应
定义问题
提供上下文
快速产出
多个方案
审核质量
判断适用
反馈调整
持续改进
"AI说的肯定对"
→ 正解：始终保持验证习惯
"一个提示词搞定一切"
→ 正解：复杂任务需要多轮迭代
"什么问题都能问AI"
→ 正解：识别适合AI的场景
"让AI替我想就行"
→ 正解：AI辅助思考，不替代思考
学会把模糊需求转化为AI能理解的结构化问题
"帮我写个方案"
AI不知道：什么方案？给谁看？
"写一份面向CEO的数字化转型提案，3页PPT"
AI清楚：目标、受众、格式
你想要AI帮你完成什么？要具体、可衡量
有哪些限制条件？格式、长度、风格、禁忌
上下文边界是什么？背景、受众、场景
什么样的输出算成功？期望标准
好的目标 = 具体 + 可衡量 + 有价值
约束越明确，输出越精准
| 约束类型 | 示例 |
|---|---|
| 格式约束 | JSON格式、Markdown表格、分点列表 |
| 长度约束 | 500字以内、3段话、不超过10条 |
| 风格约束 | 正式商务、轻松幽默、学术严谨 |
| 内容禁忌 | 不用专业术语、不提竞品名称 |
| 技术约束 | 使用Python 3.10、不用第三方库 |
上下文决定AI理解的深度
提前定义"成功标准"，避免无限迭代
可能出什么问题？如何预防和应对？
AI可能编造事实
→ 要求提供来源
可能涉及版权隐私
→ 明确合规要求
输出可能有偏见
→ 多角度审核
| O 目标 | 撰写新功能发布公告，吸引用户尝试 |
| C 约束 | 300-500字，markdown格式，专业友好，不用绝对词汇 |
| R 范围 | 面向现有付费用户，发布在产品公告栏 |
| A 验收 | 包含：功能亮点3点、使用方法、升级指引 |
| +R 风险 | 避免过度承诺，不保证具体性能数字 |
掌握提示词的核心技巧，让AI精准理解你的意图
"你是一位资深的产品经理..."
"请帮我分析以下用户反馈..."
"这是一款B端SaaS产品..."
"以表格形式呈现..."
"参考以下格式：[示例]"
给AI看1-3个例子，比长篇描述更有效
任务：将普通标题改写成吸引点击的标题
示例1："如何提高效率" → "5个效率翻倍秘诀，第3个很多人不知道"
示例2："数据分析入门" → "0基础也能学会！数据分析师第一课"
现在请改写："Python学习指南"
复杂问题要求AI"一步一步来"
"这个方案有什么问题？"
"请从以下角度逐一分析：
1.目标人群
2.渠道选择
3.预算分配"
按以下格式输出： ## 标题 ### 要点1 - 具体内容 ### 要点2 - 具体内容 ## 总结
学会管理对话上下文，让AI始终保持最佳状态
适用：单个事实错误
适用：方向跑偏
当对话已经"带歪"到无法挽回时，果断开新窗口。不要试图在烂泥里找金子。
通过对话迭代，逐步逼近理想结果
写超长提示词，塞入所有要求
结果：经常失望
先核心要求，再逐步调整
结果：更易达预期
先让AI给多个方向，再选择深入
"给3个方案" → "展开第2个"
先要框架，再填充细节
"先给大纲" → "展开第一部分"
基于输出给反馈调整
"语气太正式，轻松一些"
让AI自查或多角度验证
"检查代码bug" → "考虑边界"
建立质量保障机制，确保AI输出可靠可用
AI会自信地编造不存在的事实
训练数据有截止日期
可能带有隐性偏见
复杂推理可能有漏洞
数据是否准确？
引用是否存在？
信息是否最新？
前提假设合理吗？
有隐含假设吗？
假设被说明了吗？
逻辑链条完整吗？
结论有支撑吗？
有逻辑跳跃吗？
场景化应用 · 知识内化 · 团队协作 · 综合实战
将AI能力映射到具体工作场景
商务邮件、回复模板
会议纪要、报告撰写
数据解读、趋势分析
代码生成、Bug修复
头脑风暴、方案构思
概念解释、知识问答
* 以下为内部模拟数据，仅作教学演示用途
在启动前预判可能的失败点
"AI能直接出成品"
实际：AI出60分初稿，人工打磨到90分
"所有任务都上AI"
实际：合规审核、敏感决策不适合
"AI输出直接用"
实际：幻觉问题导致重大失误
不只是使用AI，更要通过AI学习成长
提出问题
AI输出
核实思考
形成能力
1. 我能不看AI，自己说清楚吗？
→ 不能 = 还没内化
2. 换个场景，我能迁移应用吗？
→ 不能 = 只学了表面
3. 别人问我，我能教会他吗？
→ 不能 = 理解还不透
积累可复用资产，提升长期效率
不用每次从零开始
验证过的模板更可靠
最佳实践可传播
实际场景验证
哪里效果好/不好
调整措辞/结构
保存并标注版本
建立团队AI使用标准，释放组织效能
| 执行步骤 | 运营用OCRA框架写提示词 → AI生成5版文案 → 运营筛选2版 → 法务合规审核 → 投放测试 |
| 审核清单 | ☐ 无夸大宣传 ☐ 无竞品贬低 ☐ 数据有出处 ☐ 符合平台规范 |
| 责任归属 | 运营对最终素材负责，AI工具作为辅助，在文档中标注"AI辅助生成" |
| 知识沉淀 | 效果好的提示词存入团队Notion，附上CTR/CVR数据 |
目标：全员达到
目标：骨干达到
目标：管理者达到
整合所学，完成真实工作场景任务
完成工作方案初稿
设计3套常用邮件
分析业务数据报告
回顾要点，开启AI协作新征程
你要成为AI的指挥官，而不是AI的奴隶或被AI奴役
学习只是开始，实践才能成长