突然有天你老板微信cue你，拉了一段合并转发的对话发你说：“小李，把这份表格填写下，尽快！”于是你开始了“阅读理解”，看了半天由于这段合并转发的对话中缺少了必要信息/前因后果，只知道需要填写材料，但至于是什么人/组织发出的、用在什么地方、最后是谁会审核、对接人、提交的截止时间一概不知，所以你不知道是否要对填写的内容进行适当的“包装”还是如实填写（简单来说，就是你不知“深浅”），于是你私信找到老板想再确认下这些信息，但老板回你：“在忙，你按照要求填写就行”。你还想问些什么，但这时候老板不耐烦的打断了你。无奈，你只能试图从表中找到一些蛛丝马迹（项目名称/活动名称、时间等）再去网上搜索了下，（情况一：很幸运找到了这个项目/活动的信息和联系人，你联系过去了解到了相关信息；情况二：很不幸你没有找到，于是你只能按照自己的理解和经验开始填写，但内心始终犯嘀咕、心里没底......在花了大量时间填完后你只能发给老板再次确认，但老板也未给你任何回应）。
老板cue你：“我们打算明年尝试出海，你去找找一些材料，调研调研出一版方案。”你：“我们目前有圈定哪些出海的地区范围吗？预计明年什么时候开始启动呢？侧重在哪个产品呢？预计从哪个行业切入呢？”老板：“......不清楚才让你先调研的啊？”你：“可是起码要先圈定一个大致的范围区间吧。”老板：”那个你全球市场都调研下吧，像什么东南亚啊、中东啊、欧美啊都看看，看我们的产品适合先从哪个国家和区域切入，另外你可以结合我们的竞品在全球市场的布局看看。”你内心：“好家伙！说的很好，下次别说了，因为说了也等于白说......”当然了工作你还要得要完成，这时候如何拆解这个宏大的命题成了关键（到底从什么维度切入，是先拆解竞品在海外的布局路径入手还是从各区域市场需求痛点入手还是.....）。
领导@你：“下周给我一份制造业数字化转型的推广方案”，你追问 “目标客户是中型还是大型企业？侧重哪类产品？预算多少？”，得到的却是“你看着办，别什么都问我！”
其实上述这些场景职场人都不会陌生，本质是意图传递的失效，领导连给下属的指令都无法清晰界定，却期望能用好AI，甚至幻想AI能猜透自己的心思，这背后，恰恰指向了一个被忽视的职场底层能力：Prompt能力。而我个人认为Prompt能力本质一是有对问题清晰界定的能力，二是结构化的思维逻辑和表达能力。（延伸下，有个职场快速识人的小tips：在工作中，如果对方无法的用简洁易懂的语言表达核心要旨或需求，基本上你就可以认定这人的工作能力一般，无论Ta是你同事还是你领导）。
在大语言模型（LLM）深度渗透各行各业的今天，Prompt早已不再是简单的指令输入。很多人认为只要简单输入一条指令就能实现想要的“完美”结果，但往往就是这种看似“简单”背后却对人有着极高的系统化的Prompt构建能力（能清晰界定核心诉求+建立与AI能力匹配的沟通逻辑）。
很多人认为“Prompt=给AI的指令”，其实忽略了Prompt是一套人与AI的协作协议。它不仅要明确“做什么”，更要定义“为什么做”、“给谁做”“、怎么做”、“做到什么标准”，本质是将人的模糊需求转化为AI可理解、可执行的结构化任务。
从技术逻辑来看，Prompt的核心作用是：通过输入序列引导LLM调动预训练知识，聚焦特定任务场景，生成符合预期的输出。
LLM本身不具备职场经验也无法解读言外之意，领导对下属说做个出海方案，可能隐含此前老板有提到过的他比较关注东南亚市场的潜台词，但AI只会按字面意思生成泛化内容。所以Prompt的核心价值在于消除信息差（既消除人类需求与AI理解之间的信息差，也消除任务目标与执行标准之间的信息差。）
不少人认为，Prompt需要包含行业标准、专业术语、复杂标签才能体现专业性。比如，要求AI“以 ISO 8402术语体系分析制造执行系统，遵循ISA-95标准”，但实际结果往往是AI输出晦涩难懂的理论条文，完全脱离实际使用场景。
真相：Prompt的专业性不在于复杂程度，而在于精准匹配。现在的LLM（如 Claude 4、GPT-4）已具备强大的自然语言理解能力，无需XML标签、专业术语堆砌，用清晰的标题、分段、引导语，就能实现同样甚至更优的效果。真正专业的Prompt，是让AI输出的内容贴合使用场景，而不是让Prompt本身显得讳莫如深。
用户认为让AI写一篇推广文案、让AI做一份数据分析就足够明确，但却忽略了目标受众是谁、核心卖点是什么、输出格式有要求吗等关键信息。
真相：LLM没有所谓的行业常识，也没有默认的设定。比如，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明确，AI只能盲猜，输出的结果自然也无法达到你的心理预期。
很多人期望一次输入就能得到完美结果，一旦输出不符合预期就会认定是AI不行，也不愿花时间优化Prompt。实际上，Prompt的优化过程，本质是需求逐步清晰化的过程，不仅是让AI更懂你，也是让你自己更明确核心诉求。
真相：在一些工作场景，例如客户方案、行业报告，本身就需要反复打磨，AI只是你加速打磨的工具。比如，你在用AI撰写ERP方案的时候，第一次Prompt 仅得到通用框架，随后补充了“目标客户是食品加工企业，重点包含批次追溯模块”后，贴合度有了提升，再加入“引用3个客户案例数据”，方案说服力又进一步增强了。
Prompt能力的底层逻辑：结构化思维+精准表达。
Prompt能力的本质是要求使用者具备：
需求拆解能力：将模糊的目标拆解为具体、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。
这也解释了开头场景中说的为什么连给下属指令都讲不清的领导，是很难用好AI的，因为Prompt的质量，终究取决于使用者的思维深度与表达精度。
Prompt的首要任务是明确“你是谁、为谁做、在什么场景做、要达成什么目标”，缺一不可：
-
角色：明确输入的角色（比如，你是一家HR SaaS的市场营销），决定你的立场；
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），决定内容的专业深度与语言风格；
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），决定内容的侧重点与呈现形式；
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），决定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：未明确受众、场景、目标，AI只能输出泛泛而谈的产品介绍，无法直接使用。
✅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、目标清晰，AI输出的内容更具针对性。
LLM对结构化信息的处理效率远高于碎片化信息。构建Prompt时，应采用总-分-总、维度拆解等逻辑框架，让AI快速抓取核心指令：
核心指令前置：开头明确“做什么”，避免冗余信息干扰；
分层呈现信息：用标题、序号、分段区分“核心任务”、“背景信息”、“约束条件”“输出格式”；
-
逻辑关系明确：用 “因为...所以...”“首先...其次...最后...”（或1、2、3...）等连接词，清晰呈现任务的逻辑链条。
❌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难以梳理优先级。
✅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能按逻辑逐步执行。
好的Prompt不仅要完成任务，还要适配场景。比如，同样是产品介绍，面向技术决策者的内容需突出技术架构与集成能力，面向业务决策者的内容需突出ROI与业务价值，而面向一线操作人员的内容需突出易用性与效率提升......
场景适配的核心是能够“换位思考”：
思考使用场景的核心诉求：如客户选型场景，需要突出“差异化优势”；内部培训场景，需要突出“操作步骤”；
思考受众的认知水平：如面向非技术人员，避免专业术语；面向行业专家，可适当深化专业细节；
-
思考内容的使用方式：如用于PPT演示，需简洁精炼；用于书面报告，需详细严谨。
案例：
为制造业生产总监撰写MES系统介绍，需聚焦生产效率提升、质量风险控制、设备利用率优化三个核心诉求，用设备停机时间缩短20%、不良率下降 15%等量化数据替代功能强大等模糊表述，贴合生产总监的工作关注点。
第一次撰写的Prompt几乎不可能完美，高效使用AI需要建立测试-反馈-优化的闭环：
初稿测试：先用简洁Prompt生成第一版输出，判断AI对核心需求的理解是否准确；（试探）
问题定位：分析输出的偏差（比如，未突出核心功能、语言风格不符、缺少数据支撑），定位Prompt的缺失信息；
精准优化：针对性补充信息（比如，突出XX功能、语言风格更正式、引用3个客户案例数据），而非全盘改写；
版本对比：保留多版Prompt与输出，观察总结哪种表述方式更符合AI的理解逻辑。
基础技巧的核心是“把事情说清楚”，适用于大部分简单任务（比如，撰写短文、整理数据、回答问题），无需复杂逻辑设计，即可快速产出可用结果。
技巧1：需求拆解法——将模糊需求转化为具体任务
核心逻辑：把“做什么”拆解为“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：明确核心动作（比如✅分析、撰写、整理、对比、生成等），避免❌做一下、弄个等模糊词的表述；
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产品核心功能等）；
-
约束：明确边界条件（比如，按区域拆分、突出3个核心痛点、不涉及技术细节等）。
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——提供AI所需的关键背景
核心逻辑：LLM的输出质量取决于输入的背景信息，需明确“为什么做”、“有什么限制”、“有什么参考”，帮助AI理解任务的业务价值与边界：
❌错误示范：整理客户反馈，生成报告。
错误点：未说明背景，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——明确输出的结构与呈现形式
核心逻辑：提前定义输出格式，避免AI生成的内容需要二次整理，提升使用效率。
常见格式包括：
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“少量样本提示”解决风格/格式难题
核心逻辑：对于格式要求复杂、风格有特定要求的任务（如撰写案例、设计问卷、生成代码），用“1-3个示例”引导AI，比单纯描述格式更高效。
示例要求：简洁典型，重点展示“结构/风格/逻辑”，而非完整内容；
示例贴合度：示例需与目标任务场景一致（比如，目标是撰写零售行业案例，示例也尽量要是零售行业）；
数量控制：1个示例即可解决大部分问题，复杂任务可增加到2-3个，避免占用过多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：未明确格式，AI输出的案例可能结构混乱，缺少数据支撑。
✅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”。
对于复杂任务（比如，撰写行业白皮书、多维度竞品分析、制定年度方案），仅靠基础技巧难以满足需求，需采用更高级的Prompt策略，引导AI进行深度思考与逻辑推理。
策略1：思维链引导法——让AI逐步推理
核心逻辑：复杂任务本质是“多步骤推理过程”，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：明确用户需求→对比功能差异→收集客户反馈→总结竞争优势）；
步骤约束：每个步骤明确“要做什么”、“输出什么结果”，避免AI跳过关键环节；
-
引导补全：若AI推理不完整，可补充引导（比如，在第二步中，补充双方在实施周期上的差异）。
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——将复杂任务拆解为子任务
核心逻辑：复杂任务往往包含“信息收集→分析→输出→优化”多个环节，拆分后每个环节聚焦单一目标，AI的输出质量更高，也便于用户控制每个环节的结果。
拆分原则：按“业务流程递进”拆分（比如，白皮书撰写：收集数据→分析痛点→设计框架→填充内容→优化语言）；
关联逻辑：明确子任务之间的关联（比如，第二步的痛点分析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再进入下一个环节，避免错误累积。
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
核心逻辑：给AI设定“具体角色+行业经验+核心能力”，引导其从专业视角思考问题，输出更贴合场景的内容。角色设定需“精准而非泛化”，避免“世界顶级专家”这类模糊表述。
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（比如，生产总监关注效率与质量、财务总监关注成本与合规）；
-
避免过度设定：不堆砌无关能力（比如，撰写财务方案，无需设定“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：角色模糊，输出内容泛化。
✅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——强制输出结构化格式
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），预填部分内容框架，让AI直接填充关键信息，避免冗余表述，可直接导入系统使用。
格式框架：按实际使用场景设计（比如，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：明确要求仅输出填充后的格式，无任何铺垫或解释。
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：
策略5：不确定性管理法——提升输出可信度
核心逻辑：明确告知AI“不知道就标注，不编造信息”，尤其对于数据类、事实类任务（如行业报告、竞品分析），避免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”的标注方式（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：明确“有数据支撑的建议”与“需验证的建议”，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）。
对于超复杂任务（比如，多模态内容生成、跨领域方案设计、专业知识图谱构建），需结合AI的能力特点，采用更具创新性的Prompt技巧，突破常规输出限制。
技巧1：跨模态联动法——整合文本、图表、数据
核心逻辑：LLM不仅能生成文本，还能通过特定语法（如Mermaid、LaTeX）生成图表，结合文本与图表，让输出更具说服力。
图表生成：用Mermaid语法生成流程图、架构图、时序图（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：文本部分解释图表含义，图表部分支撑文本观点，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的预训练知识可能存在滞后或不足，需在Prompt中注入领域知识（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等）、业务流程（比如，医药企业药品追溯流程等）、专业术语（比如，批次追溯、合规报表等）；
注入方式：在背景部分简要说明，避免堆砌，重点突出与任务相关的知识；
-
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；3. 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中嵌入“自我检查”环节，让AI生成输出后，按预设标准进行自我评估与优化，减少人工迭代次数。
检查标准：基于任务目标设定（比如，是否突出核心功能、是否符合格式要求、是否包含数据支撑）；
优化指令：明确“若不符合标准，如何修改”（比如，若未包含案例，补充1个相关客户案例）；
-
循环次数：设定1-2次循环即可，避免过度迭代导致内容冗余。
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：
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。
将上述方法落地到具体业务场景，我整理了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，可直接复用或调整后使用。
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”。
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。
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。
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。
即使掌握了上述方法，在实际使用中仍可能因细节疏忽导致AI输出不达标。以下是六大常见错误及对应的解决方案，帮助你避开坑点，提升Prompt的有效性。
错误1：过度设计
Prompt冗长复杂，核心需求模糊
表现：某产品经理为撰写PRD，在Prompt中加入“拥有10年To B产品经验，精通PRD撰写规范，熟悉 ISO 9001、IEEE 标准......” 等表述，Prompt长达500字，AI输出的内容充满术语，缺少实际需求。
原因：过度堆砌角色、规范、背景，导致 AI无法识别核心需求。
解决方案：
核心需求前置：开头直接说明“撰写XX模块PRD”，再补充背景；
角色设定精准：不说“精通10个行业”，改为比如“熟悉食品行业MES需求的产品经理”；
规范按需引用：只提与任务相关的规范（比如，PRD需包含功能描述、输入输出、异常处理）。
表现：某营销经理用“思维链”写推广方案，步骤设计详细，但未说明“目标客户、推广目标”，AI输出的方案逻辑完整但不贴合业务。
原因：核心指令模糊，高级技巧无法弥补基础信息的缺失。
解决方案：
表现：某销售让AI“写一封给潜在客户的跟进邮件”，未说明“客户是制造业老板，之前沟通过产品demo，关注ROI”，AI输出的邮件通用平淡，客户因此也没有回复。
原因：隐性需求（如客户关注点、沟通历史）未明确，AI 无法精准匹配。
解决方案：
建立“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：如果自己是AI，会有哪些疑问？（比如，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，邮件中需强调“实施周期≤3个月”。
表现：某售前顾问写简单客户案例，同时用了“思维链、任务拆分、角色设定”，花费1小时，结果与“示例引导 效果差异不大。
原因：技巧选择未“按需匹配”，过度复杂的方法反而降低效率。
解决方案：
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中直接带有客户明确的姓名、电话、地址等敏感信息，存在隐私泄露风险。
原因：未考虑数据隐私与伦理规范，导致合规风险。
解决方案：
数据脱敏处理：将个人信息替换为匿名ID（比如，客户001）；
遵循数据最小化原则：仅提供完成任务所需的最低限度信息；
避免敏感导向：不设计“如何贬低竞品”、“如何误导客户”等 Prompt。
对企业而言，Prompt能力不仅是个人技能，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”，用于提升内部员工的工作效率，所以可以通过建立系统化的组织赋能体系，能让团队成员快速掌握Prompt方法，实现AI工具的规模化高效应用。
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，收集团队优质案例，补充到库中；
工具推荐：用一些在线文档和知识管理工具存储，支持关键词搜索（如“ERP客户案例”）。
选题：选择近期复杂任务（你如“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Prompt生成AI输出；
复盘：对比各组输出，总结优秀Prompt的共性；
频率：每季度1-2次，结合实际工作任务，避免理论化。
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” 评分；
反馈流程：
粤ICP备14082021号
免费POC，
零成本试错
