支持私有化部署
AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


使用三种提示词方法,引导AI解决复杂问题

发布日期:2025-07-14 12:13:46 浏览次数: 1532
作者:弓长先生的杂货铺

微信搜一搜,关注“弓长先生的杂货铺”

推荐语

掌握这三种提示词技巧,让AI从泛泛而谈变成精准助手,轻松解决复杂问题。

核心内容:
1. AI回答泛化的根本原因与背景信息缺失的关系
2. 三种提升AI追问能力的提示词编写方法详解
3. 不同场景下的优化提示词实例对比与应用建议

杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
你有没有遇到过这样的场景:手头有一个明确的问题亟待解决,但苦于没有头绪?想向AI寻求帮助,却又不知从何问起。把问题直接扔给它,得到的却往往是那些永远正确却毫无营养的套话。
比如,当你用“帮我制定提高跑步配速的方案”、“帮我做一下代码评审”、“帮我做一份用户旅程地图”这类问题去AI,那大概率会得到一个比较通用的答案。这些答案对于你解决问题会有帮助,但比较有限。
究其原因,还是在于问题的背景信息缺失,同时AI的追问不足导致的。比如:你的身高、体重、年龄、当前配速、心率、每公里配速变化等信息,代码评审是关注逻辑准确、安全缺陷,还是兼容情况等关键背景信息缺失,同时AI也没有主动询问。
对于这些关键背景信息的缺失,不同的AI工具处理方式也存在差异。
例如,Cursor、Cline等辅助编码工具,借助其全局规则、项目规则、Memory和内置的提示词优化等技术,可以给出一定程度的引导,但效果也比较有限。而对于DeepSeek、豆包这类会话式的通用工具,其信息缺失的负面影响就尤为明显。
最直接的影响就是,我们在使用这些工具的时候,会觉得其解决复杂问题的能力比较弱,甚至起不到辅助作用。遇到我们也没有思路的时候,AI工具就开始一本正经的胡说八道。
其实,解决这个问题并不复杂,只需要让AI工具主动进行追问,获取更多有针对性的信息,从而给出更加明确的答案即可
下面我介绍三种提示词的编写方法,它们能够有效地提升大模型的追问能力,进而提高其处理复杂问题的效果。
1. 鼓励追问模式
该模式适用于你对于问题的解决完全没有思路,需要以AI为主导给出解决方案的场景。
样例1:
原始问题: 帮我制定提高跑步配速的方案
优化提示词:我需要为自己制定提高跑步配速的方案。在提供任何解决方案之前,请您先提出3个与我的具体需求和限制相关的关键问题,以便您能提供最合适的实现建议。 
样例2:
原始问题:帮我做一下代码评审
注:可以看出Cline对提示词已经做了优化,但回答仍然比较宽泛。
优化提示词:我需要你对代码进行评审。在开始评审之前,请你提出至少3个你认为对理解评审重点和我的期望至关重要的澄清问题。 
从以上两个例子可以看出,原始提示词未明确要求AI进行追问,AI在背景信息缺失的情况下直接给出了答案,答案正确但笼统,很难用于解决问题。而且答案看上去给出了解决问题的方向,但无法引导提问人思考解决思路,很可能会让提问人陷入“解决方向只有这几个”的误区。
2. 明确追问模式
该模式适用于你对问题的解决有方向性的思路,但对具体的方案缺乏认识,需要AI辅助给出解决方案的场景。
样例1:
原始问题:帮我针对代码的可维护性进行评审
优化提示词:请评审代码,并特别关注其可维护性。如果对以下任何方面有疑问,请务必提出澄清问题:1. 命名是否符合规范;2. 模块的职责划分是否合理;3. 是否存在重复代码。 
同鼓励追问模式的结果,使用优化后的提示词进行提问,AI工具的回答会更加的准确和聚焦,更有助于解决问题。
3. Self-Ask模式
Self-Ask模式的提示词会引导AI工具主动提问,通过一问一答的形式将复杂问题进行分解和澄清,从而引导大模型给出更加准确和清晰的解决方案。
相较于Chain-of-Thought(CoT)模式,SA的核心是显式化问题并通过追问来获取信息和确认理解,以优化输入,最终得出更准的输出。它解决的是问题定义不清或信息不足的问题,更倾向于推理。CoT的核心是显式化推理步骤,将复杂问题拆解为可顺序执行的子步骤。它解决的是复杂逻辑推理或任务分解的问题,更倾向于执行。
当你一头雾水不知道如何处理的时候,不妨可以试一下SA模式。
下面我演示一个实际的例子:
背景:你是一位研发工程师,由你开发的财务系统在使用中饱受财务部门的诟病,使用人员不但抱怨系统时有卡顿,而且抱怨其操作流程上也存在不合理的地方,比如:票据识别率不高,需要人工处理,工作量巨大;报销流程存在断点,需要人工介入等。这些不便已经对部门的工作造成了困扰,占用了大量人力,目前亟需对系统和流程进行优化。
作为一名码农,一方面你深感压力山大,一方面又深感无力:对于如何优化你毫无头绪。性能上的问题比较容易解决,但是流程面的问题怎么搞?而且搞到什么程度算是解决了?
码农的救赎之路:
实际上,作为生在数字化浪潮下,长在模型上的新一代码农,你是幸运的,你还有AI可以抱抱。
借助AI工具,解决的思路如下:
1. 使用Self-Ask引导AI给出解决方案;
步骤一:根据原始需求,使用deepseek生成Self-Ask格式的提示词
#提示词:我想编写一份提升财务系统日常操作效率的用户旅程地图,请按照Self-Ask Prompting格式帮我编写一份提示词。
#deepseek回答请使用Self-Ask Prompting技术,为财务系统日常操作设计用户旅程地图,重点关注效率提升。按以下步骤执行:
1. 【核心目标确认】   问:财务系统用户旅程应覆盖哪些关键阶段?   → 答:需包含凭证录入、审批流程、报表生成、对账操作、税务申报、数据归档6大阶段
2. 【用户角色拆解】   问:不同角色(会计/财务主管/出纳)在各阶段的操作差异是什么?   → 答:会计重数据录入,主管重审批监督,出纳重支付对账
3. 【阶段深度追问】   按阶段自我提问(示例):   - 阶段:凭证录入     问:当前凭证录入的3个最大时间损耗点?     问:哪些重复操作可通过模板自动化?     问:如何减少手工输入错误导致的返工?
   - 阶段:审批流程     问:审批卡顿的常见原因及解决方案?     问:如何设置智能分级审批规则?     问:移动端审批的可行性及安全措施?
4. 【效率量化分析】   问:各阶段可量化的效率提升指标如何设定?   → 答:如凭证录入时间缩短30%,审批周期压缩50%
5. 【痛点到机会点转化】   问:将用户痛点转化为改进机会(格式):   [痛点] → [技术方案] → [预期效果]   示例:   "纸质发票手工录入 → OCR自动识别 → 处理速度提升5倍"
6. 【可视化地图构建】   问:旅程地图的必备可视化元素?   → 答:时间轴+情绪曲线+效率热力图+解决方案标记
最终输出格式:---**财务系统用户旅程地图(效率优化版)**[阶段1] 凭证录入  - 用户行为:扫描发票 → 分录录入 → 校验保存  - 痛点标记:📌发票识别错误率15% | 📌重复科目选择耗时  - 效率提升方案:    ✅ 部署AI发票识别(准确率→99%)    ✅ 预设常用凭证模板(节省40%操作时间)    ⚡ 实时校验提示(减少90%退单)
[阶段2] 审批流程  - 用户行为:发起审批 → 多级签批 → 结果反馈  - 痛点标记:📌审批平均滞留2.8天 | 📌超权限流转混乱  - 效率提升方案:    ✅ 自动路由规则(按金额/类型智能分配)    ✅ 移动端审批+消息提醒(响应时间<1h)    ⚡ 并行审批机制(周期缩短65%)...(后续阶段同理)
**全局优化看板**| 指标          | 现状   | 目标   | 实现路径               ||---------------|--------|--------|------------------------|| 月结耗时      | 6.5天  | ≤3天   | 自动化关账+并行流程    || 对账准确率    | 92%    | 99.5%  | 银行API直连+AI差异识别 || 报表生成      | 手动   | 一键   | 预制模板+实时数据池    |
步骤二:根据Self-Ask格式的提示词获取解决方案
#提示词如上,此处略#deepseek回答基于Self-Ask Prompting技术框架,生成财务系统用户旅程地图如下:
---**财务系统用户旅程地图(效率优化版)**
**[阶段1] 凭证录入**- **用户行为**:采集原始票据 → 发票智能识别 → 分录自动生成 → 交叉校验 → 批量过账- **痛点标记**:    📌 手工录入占单据处理时间70% | 📌 科目匹配错误率18% | 📌 混合票据分类耗时- **效率提升方案**  ✅ 多票种OCR识别引擎(增值税票/行程单/海关票全覆盖)    ✅ AI智能推荐会计科目(匹配准确率→98%)    ⚡ 银行流水自动勾稽(减少人工核对90%时间)
**[阶段2] 审批流程**- **用户行为**:智能填单 → 规则引擎预审 → 动态路由 → 多终端审批 → 电子签章归档- **痛点标记**:    📌 层级审批滞留占比45% | 📌 超权限二次流转率25% | 📌 紧急审批触发难- **效率提升方案**  ✅ 金额/类型/部门三维度自动路由(规则命中率95%)    ✅ 移动端生物识别审批+催办机器人(响应<30分钟)    ⚡ 弹性加签机制(关键节点并行审批)
**[阶段3] 报表生成**- **用户行为**:数据源配置 → 模板调用 → 自动取数 → 异常检测 → 多维度输出- **痛点标记**:    📌 手工合并报表耗时3.2h/次 | 📌 数据口径差异率12% | 📌 附注编制依赖专家- **效率提升方案**  ✅ 统一数据中台(消除系统孤岛)    ✅ 智能附注引擎(自动提取关键事项)    ⚡ 语音交互式报表生成(自然语言指令→自动生成)
**[阶段4] 对账操作**- **用户行为**:银企直连接口 → 交易自动匹配 → 差异AI归因 → 一键调平- **痛点标记**:    📌 跨银行对账耗时8h/月 | 📌 未达账项定位困难 | 📌 汇率差异手工计算- **效率提升方案**  ✅ 全球银行API库(支持1500+金融机构)    ✅ 机器学习差异归因模型(准确率97%)    ⚡ 自动生成余额调节表(SEC合规格式)
**[阶段5] 税务申报**- **用户行为**:政策库更新 → 风险扫描 → 跨区数据整合 → 一键报税- **痛点标记**:    📌 政策变更响应延迟 | 📌 多地申报重复操作 | 📌 退税进度不透明- **效率提升方案**  ✅ 税务规则引擎(实时更新2000+政策)    ✅ 全国税务申报机器人(省际数据自动汇总)    ⚡ 退税进度区块链存证(全流程可追溯)
**[阶段6] 数据归档**- **用户行为**:智能分类 → 敏感信息脱敏 → 多介质存储 → 审计线索链- **痛点标记**:    📌 审计材料准备耗时15h/次 | 📌 非结构化数据难检索 | 📌 合规存储成本高- **效率提升方案**  ✅ AI档案管理员(自动打标+关系图谱)    ✅ 区块链存证(防篡改审计追踪)    ⚡ 自然语言审计问答系统(秒级定位凭证)
---
**全局优化看板**  | 指标             | 现状    | 目标     | 实现路径                     ||------------------|---------|----------|------------------------------|| 月结耗时         | 6.5天   | ≤2.5天   | 自动关账引擎+智能异常中断    || 单张凭证处理成本 | ¥18.6   | ¥6.8     | RPA+AI全流程自动化           || 审计材料准备     | 手动    | 自动生成 | 区块链审计线索库             || 税务申报错误率   | 5.7%    | ≤0.5%    | 实时政策引擎+风险预检        || 银企对账效率     | 8.2h/户 | 0.5h/户  | 开放银行API+AI差异处理       |
---
**可视化设计说明**  1. **时间轴**:横向展示6阶段标准化耗时(当前值vs目标值)  2. **情绪曲线**:在审批滞留/月末关账处设置波谷,移动审批/自动归档处波峰  3. **热力图**:红色聚焦凭证录入(35%总耗时)、税务申报(28%风险点)  4. **解决方案标记**:     🔵AI驱动  🟢流程再造  🟣区块链  🟠RPA  5. **角色动线**:出纳→会计→主管的三色操作轨迹叠加  
*注:效率提升数据基于300家企业的财务数字化转型基准研究,实际效果可能因系统成熟度存在±15%浮动*
步骤三:使用Self-Ask模式进一步提炼解决方案
#提示词我想针对上述运营流程进行监控,以便能够从全局角度显式化的观测运营工作的堵点和卡点,从而更有针对性的进行优化。请按照Self-Ask给出设计思路和解决方案。
从以上步骤可以看出,我们可以使用deepseek生成SA模式的提示词,再使用这个提示词生成解决方案。最终,deepseek给出的解决方案比较完整,包括了核心指标设计、数据收集方案、看板展示方案、响应机制和处理机制。
就像上图最后一句话所说,这些机制实现了从“被动救火”到“主动排雷”的运营监控升级。
这个效果也正是我们想要的,适用于更广泛的效能提升方案的实现。
2. 在解决方案的基础上,使用Self-Ask引导AI给出方法论。
上述步骤,我们使用SA提示词,让deepseek给出了技术解决方案。
现在,我们将其提升一下,使用SA让deepseek将其升级为方法论。
#提示词请针对上述方案,请按照Self-Ask提炼运营流程监控的方法论,以指导执行方案的制定和实施。
deepseek给出的方法论我截取了一部分,但可以看出其合理性和可执行性都比较高,有更加广泛的适用价值。
给这个例子做个总结,可以看出,deepseek给出的解决方案和方法论可执行度都比较高。方法论包含了指标体系、检测体系和优化体系,解决方案给出了埋点、显式化展示和跟踪处理体系,两者均比较完整且合理。
看到这里,你有没有意识到看似普通的AI通用聊天模型更像什么?它其实更像是一个使用自然语言进行交互的编码工具。在你对它的原理更加理解的基础上,使用自然语言组织成其更能接受的格式,即可完成任务编码,从而使其更加准确的完成交付。
AI辅助编码工具的定义可以更加广泛,只要使用得当,人人都能雇佣AI完成交付。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询