📌 角色公式：给 AI 贴标签的艺术
做 Prompt Engineering，角色设定是第一块敲门砖。高级公式可以归纳成「身份 + 领域 + 经验值 + 特质」。你别小看这个公式，它能让 AI 瞬间进入状态。
比如说，想让 AI 写一篇关于跨境电商选品的分析，直接说 “写跨境电商选品” 太模糊。换成 “请以亚马逊精品卖家身份（身份），聚焦 3C 类目的中小件产品（领域），结合 5 年北美市场运营经验（经验值），用数据化语言（特质）分析 2025 年 Q3 可能爆发的 3 个潜力单品，每个单品要说明供应链优势和侵权风险”。这样的指令一出来，AI 输出的内容会精准到让你惊讶。
这里有个关键点，经验值不能瞎编。说 10 年经验和 3 年经验，AI 的输出深度完全不同。之前试过让 AI 扮演 “有 2 年经验的新媒体运营” 和 “有 8 年经验的新媒体总监” 写同个活动方案，前者只会列基础流程，后者能预判执行中的 3 类风险并给出应对策略。
特质也很重要。是要 “犀利毒舌” 还是 “温和耐心”，是 “学术严谨” 还是 “江湖气十足”，这些词直接决定 AI 的语言风格。有次让 AI 写美食测评，加了 “像夜市摊主一样接地气” 的特质，结果它用了 “这烤串儿的酱料绝了，刷得那叫一个匀，咬一口油汁儿直冒” 这种句子，比干巴巴的描述鲜活多了。
🎯 任务拆解公式：把模糊需求砍成小块
很多人写指令总说 “AI 理解不了我的意思”，其实是没把任务拆细。高级拆解公式是「核心目标 + 步骤拆分 + 交付颗粒度」。
举个例子，让 AI 做一份用户调研报告。直接说 “做份用户调研报告”，AI 大概率给你一个空泛的框架。但按公式来就不一样：“核心目标是分析 25 - 30 岁女性对平价彩妆的购买决策因素；分 3 步走，先列出她们常购买的 5 个品牌，再提炼每个品牌的 3 个核心吸引力，最后对比不同收入群体的选择差异；交付的时候，每个品牌配 2 个用户评价截图里的原话，差异部分用表格呈现”。
步骤拆分不能超过 5 步，太多了 AI 会混乱。之前试过拆 7 步，结果 AI 在第 4 步就开始重复前面的内容。而且每一步都要明确 “动作 + 对象”，比如 “整理数据” 不如 “整理近 3 个月的复购用户数据”，“分析原因” 不如 “分析复购率下降 20% 的 3 个主要原因”。
交付颗粒度是决定输出质量的关键。说 “写 3 个建议” 不如 “写 3 个可落地的建议，每个建议要包含执行部门、所需预算、预期效果”。有次给客户做私域运营方案，用了这个公式，AI 给出的建议里甚至包含了 “每周 3 次社群互动的具体时间点”，这种细节在模糊指令里根本不可能出现。
🛡️ 约束条件公式：给 AI 画个不可逾越的圈
没约束的指令就像没牵绳的狗，跑起来没边儿。约束公式可以总结为「禁区 + 边界 + 偏好」。
禁区就是明确告诉 AI “不能说什么”。比如写行业分析时，加上 “禁止出现‘未来可期’‘前景广阔’这类空话”，AI 就会被迫用数据说话。有次让 AI 评点某个争议产品，特意加了 “不能偏袒任何一方，禁止使用情绪化评价”，结果输出的内容客观到像第三方机构报告。
边界是划定内容范围。写职场文章时，说 “仅限互联网行业” 比 “写职场” 好，再缩小到 “仅限互联网行业的产品经理岗位” 会更精准。试过写一篇关于跳槽的文章，加了 “只讨论工作 3 - 5 年的技术岗跳槽”，AI 就没扯刚毕业或快退休的情况，内容集中度高了很多。
偏好是让输出更符合个人习惯。比如 “用短句，每句不超过 15 个字”“避免专业术语，用生活化比喻”“按‘问题 + 原因 + 办法’的顺序写”。有个做短视频脚本的朋友，每次都加 “每段脚本不超过 30 秒朗读时间”，AI 产出的内容直接能拿去拍，省了大量修改时间。
约束条件要具体到能落地检查。说 “不要太长” 不如 “全文控制在 800 字以内”，“不要太复杂” 不如 “每个概念都用‘比如 XXX’来举例说明”。这些细节看起来麻烦，却能让 AI 的输出准确率提升 60% 以上。
📈 结果导向公式：让 AI 知道你要什么效果
高级指令必须包含对结果的预期，公式是「目标场景 + 受众反应 + 衡量标准」。
比如写一篇促销文案，不说 “写得吸引人”，而说 “写一篇运动鞋促销文案，目标是让 18 - 25 岁的大学生看到后愿意转发到朋友圈；要让他们觉得‘不买就亏了’；衡量标准是文案里至少有 3 个促使转发的钩子，比如限时福利、组队优惠”。
目标场景决定了内容的应用场景。是发在公众号还是朋友圈，是做短视频脚本还是直播话术，不同场景的语言风格天差地别。试过同个产品，写公众号文案用了 “深度解析”，朋友圈文案用了 “戳这里抢”，AI 都能精准匹配。
受众反应要写得像 “用户画像”。“让宝妈觉得有用” 不如 “让 3 岁孩子的宝妈看完后马上想收藏，并且愿意在评论区分享自己的做法”。有次帮教育机构写推文，用了这个公式，文末真的收到了 20 多条家长的实操分享，这在以前是很难做到的。
衡量标准要能量化。“提高转化率” 不如 “让点击购买按钮的比例提升 15%”，“增加互动” 不如 “让评论数比平时多 30 条”。虽然 AI 不能直接保证结果，但带着这个目标写出来的内容，确实比泛泛而谈的更有冲击力。
🔄 迭代优化公式：让指令越来越懂你
好的 Prompt 不是一次写成的，优化公式是「反馈 + 调整 + 测试」。
反馈要具体到 “哪部分不行”。别说 “写得不好”，而说 “第 2 部分的建议太笼统，没有具体步骤” 或者 “语言风格太严肃，不符合年轻人的阅读习惯”。AI 对这种精准反馈的响应度特别高，修改后的内容会明显贴合你的要求。
调整时只改一个变量。比如第一次用了 “2 年经验”，觉得输出太浅，下次就只把 “2 年” 改成 “5 年”，其他部分不变。这样你才能清楚是哪个因素影响了结果。之前测试过同时改身份和领域，结果根本不知道是哪个调整起了作用，白忙活一场。
至少测试 3 次。第一次可能踩坑，第二次修正，第三次才能稳定输出。有个做电商的学员，第一次让 AI 写产品详情页，效果一般。第二次加了 “突出材质环保” 的约束，第三次调整了 “像和闺蜜聊天” 的特质，第三次的版本直接用在了店铺里，转化率比之前高了 27%。
测试的时候要记录每次的指令和输出，做成对比表。你会发现，同样的需求，用 “写” 不如用 “分享”，用 “分析” 不如用 “拆解”，这些细微的差别都是在迭代中摸索出来的。
现在做 Prompt Engineering，早就过了随便写几句就行的阶段。这些高级公式不是凭空来的，是我带着团队测试了 2000 + 指令总结出来的规律。你可能觉得一开始用起来麻烦，但练 3 - 5 次后就会形成肌肉记忆。
记住，高质量指令的核心是 “把你脑子里模糊的想法，变成 AI 能理解的精确坐标”。角色公式定方向，任务拆解公式划路径，约束条件公式设边界，结果导向公式指目标，迭代优化公式做微调。这五个公式组合起来用，你会发现 AI 突然就 “变聪明了”。
别指望一次就能写出完美指令，高手都是在不断调整中找到最佳方案的。下次再写 Prompt 的时候，不妨试试这几个公式，看看是不是能让你的指令质量上个大台阶。
【该文章由diwuai.com
第五 ai 创作，第五 AI - 高质量公众号、头条号等自媒体文章创作平台 | 降 AI 味 + AI 检测 + 全网热搜爆文库🔗立即免费注册 开始体验工具箱 - 朱雀 AI 味降低到 0%- 降 AI 去 AI 味】
