提示词到底怎么写才好？
网上流传着各种「神级提示词模板」，动辄几百字。其实真正管用的骨架只有三块，剩下的都是锦上添花。
把「背景、要求、限制」三块说清楚，你的提问就已经超过九成的人——提示词不是咒语，就是一次说清楚的交代。
背景：我是谁，情况是什么
它不认识你。你的行业、对象、场合，说了它才知道往哪个方向答。
要求：我要什么
要一段文字？一个清单？一个方案？动词越具体，结果越对路。
限制：什么样算合格
语气、长度、格式、不要什么。这是你的「验收标准」，给了就少返工。
任务：让 AI 帮你写一条面包店开业的朋友圈文案。每组选一块拼图（也可以不选），看看拼出来的提示词和 AI 回答会怎么变。
技巧一：给一个例子，胜过十句形容
你说「写得活泼一点」，它对「活泼」的理解可能和你差很远。贴一段你喜欢的范文，说「照这个感觉写」，风格立刻对齐。
技巧二：说不清就让它先问你
不知道该交代什么？一句「开始前，先问我几个问题」，让它来采访你。它问的每个问题，都在替你排除不合适的答案。
技巧三：不满意就说「哪里」不满意
第一版不好很正常——别整个推翻重来，指着具体的地方改：「第二段太正式了，改口语些」「开头别用问句」。两三轮就能逼近你要的。
✅ 这一页想和你分享的
- 骨架只有三块：背景（我是谁）+ 要求（我要什么）+ 限制（什么样算合格）
- 例子胜过形容词：贴一段范文，风格立刻对齐
- 说不清就让它先问：「开始前，先问我几个问题」
- 改比重写快：指着具体的地方提意见，两三轮就到位
「提示词工程」是工程师才需要学的吗？
你可能听过「提示词工程师」这个职业，甚至听说过很高的薪水。一个「说话技巧」，凭什么配得上「工程」两个字？
同一个词，两种用法：对普通人，它是把话说清楚的功夫，上一页十分钟就能学会；对做 AI 产品的人，它是写进系统、被调用几百万次的「岗位说明书」——一个字的措辞差异都会被放大百万倍，所以配得上「工程」二字。
一次性的「交代」
你写「帮我把这段话改客气点」，用一次就扔。写得好省几分钟，写得差重问一次就行，试错成本几乎为零。这个层面的提示词，掌握「背景 + 要求 + 限制」就够用了。
系统级的「岗位说明书」
你用的每个 AI 应用（客服、助手、写作工具），背后都藏着一份几千字的提示词，规定 AI 的身份、边界、语气和禁区。它每天被执行几十万到几百万次——差一个字，几十万用户同时受影响，还直接影响每次调用花多少钱。
效果是「调」出来的，不是「写」出来的
专业团队会准备几百个测试问题，改一版提示词就全量跑一遍看效果——像做实验一样反复对比。这套「写→测→改」的循环，和调试代码没有本质区别。
每个字都在花钱
AI 按「词元」（token）计费，系统提示词的每个词元都会在每一次调用里重复计费。把 3000 字的提示词精简到 2000 字而效果不降，对一个日活百万的产品来说就是真金白银。
还要防「坏人」
有用户会故意诱导 AI 说不该说的话（业内叫「提示词注入」）。怎么在说明书里筑好防线，让 AI 面对诱导不越界，也是提示词工程的一部分。
假设你是一个 AI 产品的负责人，系统提示词里多写了一段可有可无的废话。拖动下面两个滑块，看看这段废话一年要花掉多少钱。
✅ 这一页想和你分享的
- 日常用：提示词 = 说清楚的交代，掌握骨架就够
- 做产品：提示词 = 系统的岗位说明书，被调用百万次
- 「工程」体现在：反复测试调优、控制成本、防注入攻击
- 对你的意义：理解了这一层，就明白为什么同一个 AI，不同产品用起来差别那么大
模型、Agent、AI 应用是什么关系？
新闻里一会儿说「XX 发布新模型」，一会儿说「Agent 元年」，一会儿又是各种 AI App——这三个词到底谁是谁？
拿汽车打比方：模型是发动机（提供能力），Agent 是装上轮子和方向盘的整车（能自己上路干活），AI 应用是你手机里叫到的那辆网约车（包装成普通人能直接用的服务）。
提供「智能」这个原材料
GPT、Claude、DeepSeek、通义千问……这些名字指的都是模型。它只做一件事：你给它文字，它接出文字（见「接话茬」那一课）。发动机很强大，但单独一台发动机放在地上，普通人用不了。
让模型能「动手」，而不只是「动嘴」
给模型接上工具——能查资料、读文件、执行操作、检查结果不对就重来。这一整套装置叫 Agent。区别在于：模型只能告诉你「怎么做」，Agent 能直接「做完」。你说「帮我把这个月的发票整理成报销单」，模型给你方法，Agent 给你结果。
普通人直接用的成品
ChatGPT、豆包、Kimi 这些 App，以及各种 AI 客服、AI 修图、AI 做 PPT 的工具，都是应用层。它们把模型或 Agent 包装好：有界面、有账号、有客服，打开就能用。同一台发动机，可以造出轿车、货车、跑车——同一个模型，也支撑着成百上千个不同的应用。
✅ 这一页想和你分享的
- 模型 = 发动机：提供智能，但普通人没法直接用
- Agent = 整车：模型 + 工具 + 流程，能动手做完事情
- 应用 = 网约车：包装成打开就能用的服务
- 评价要对层：应用不好用，不一定是模型的问题
Agent 到底强在哪？为什么大家都在说它
上一页说 Agent 是「装上轮子的整车」。这一页看它实际跑起来什么样——同一件事，聊天式 AI 和 Agent 的差距在哪。
聊天式 AI 给你「方法」，Agent 给你「结果」。它强在四个字：把事做完——自己拆任务、自己动手、自己检查、错了自己重来，中间不需要你盯着。
任务：「把我这个月的 23 张发票整理成一张报销单。」
会拆任务
接到大目标，自己拆成小步骤：先干什么、后干什么、哪一步要先确认。
会用工具
能查资料、读文件、算数字、操作软件——接话茬的大脑，配上了能干活的手。
会自查
做完一步会回头看结果对不对：合计不平就重新算，链接打不开就换一个来源。
会坚持
一条路走不通就换条路，直到把事办成或者明确告诉你卡在哪——而不是给一版答案就下班。
✅ 这一页想和你分享的
- 核心区别：聊天给方法，Agent 给结果
- 四个能力：拆任务、用工具、自查、坚持到做完
- 你的角色变了：从「执行者」变成「验收的人」
- 老习惯不变：重要结果交出去之前，自己过目一遍
最近很火的 Skill 到底是什么？
刷到过「给 AI 装技能」「Skill 生态爆发」这类说法吗？听着高深，其实这可能是 AI 圈里最容易理解的一个新词——你小时候抄在课本角落的小抄，就是它的全部原理。
Skill 就是一张写给 AI 的「经验小抄」：一个普通的文本文件（通常叫 SKILL.md），用大白话告诉 AI「遇到这类任务时，先做什么、再做什么、注意什么」。它不是什么新技术——但它能让 AI 从「来回问你四趟」变成「一趟全搞完」。
同一个任务：「去阳台把衣服收了」。看看没带小抄和带了小抄的 AI 管家，干起来差多少。点下面切换对比。
刚才「好循环」的秘密全在这个文件里。注意看：没有一行代码，全是大白话——这就是为什么说人人都能写。
第 2 步：能收的一次性全收回来，别一件一件跑
第 3 步：看到植物顺手检查要不要浇水
第 4 步：回来汇报一句「都好了」
大家用上了同一种小抄
Claude、Cursor、Copilot 等主流 AI 工具先后支持了同一个简单格式（就是那个 SKILL.md 文件）。写一张小抄，到处都能用——生态一下就热闹起来了。
人人都能写
它不用编程，就是把你的经验写成大白话。你怎么教新同事做一件事，就怎么写小抄。会写工作交接文档，就会写 Skill。
经验第一次能「装」进 AI
以前老师傅的经验只能口口相传；现在写成小抄，AI 读了就会。你的经验变成了 AI 的能力——这是大家兴奋的真正原因。
✅ 这一页想和你分享的
- Skill = 写给 AI 的经验小抄：一个大白话文本文件，不是新技术
- 它解决的问题：让 AI 出门前就想清楚，一趟搞完，不来回折腾
- 火的原因：主流工具统一了格式 + 人人都能写 + 经验能复用
- 你可能已经在用：各种「智能体模板」背后就是包装好的 Skill
Vibe Coding 是什么？不会写代码也能做软件吗？
最近总刷到「一句话做了个 App」「零基础做出小工具」这类帖子，这种玩法有个名字，叫 Vibe Coding。它到底靠不靠谱？靠谱到什么程度？这一页给你交个底。
Vibe Coding 指用大白话指挥 AI 写代码，你主要负责提需求和试用反馈。不会编程的人真能做出能用的小工具；但要做给很多人用的正经产品，还是需要专业把关。
挑一个你身边真会用到的需求，看看从「说一句话」到「能用了」的全过程。点一张卡片开始回放。
放在几年前，「不会编程做软件」确实是句空话。变化发生在 AI 学会了写代码，而且写得相当熟练。于是分工变了：代码由 AI 来写，你的工作变成说清楚要什么。这正好是普通人擅长的事，你天天都在跟人描述需求：「帮我把这个表格按月份分一下」「这张图帮我调亮一点」。
本站开篇讲过一句话：以前是人学软件，现在是软件听人话。Vibe Coding 就是这句话落到「做软件」这件事上的样子。你甚至会发现，把需求说清楚这件事本身，就是一种新的编程。
交完底也得说清楚：Vibe Coding 做自用小工具很顺手，但有三类软件，出了问题后果不一样，需要专业开发者把关。
碰钱的
收款、转账、算工资…这类软件出一个 bug，损失是真金白银。专业团队会做大量测试和防错设计，这些活 AI 目前替代不了「有人负责」这四个字。
存隐私的
存别人的手机号、住址、健康记录，就有了保护数据的责任。数据怎么加密、泄露了怎么办，这些问题需要懂安全的人来兜底。
很多人同时用的
自己用的工具卡一下无所谓；几千人同时用的服务一崩，就是事故。扛住人多是一门专门的手艺，得让专业的人来。
上手门槛低得出乎意料：打开你常用的 AI 对话工具，用大白话描述一个你真想要的小东西，让它做成一个网页给你。比如「帮我做一个网页，全屏显示距离我女儿高考还有多少天，字要大，背景要好看」。做出来不满意就接着说，改到满意为止。
✅ 这一页想和你分享的
- Vibe Coding = 用大白话指挥 AI 写代码：你提需求、试用、反馈，代码归 AI
- 把需求说清楚，就是新的编程：这件事普通人本来就擅长
- 自用小工具随手做：记账表、抽签器、倒计时页，当晚就能用上
- 上生产要专业把关：碰钱的、存隐私的、很多人用的，交给专业开发者
- 从玩具开始练手感：今晚就描述一个你真想要的小东西试试
国产大模型有哪些？该怎么选？
先说一个可能让你意外的事实：在全球用户盲测的排行榜上，国产模型早就不是「追赶者」了——好几家排在世界前列。真正的问题不是「哪家最强」，而是「你的场景适合哪家」。
主力玩家有：阿里通义千问、月之暗面 Kimi、DeepSeek、字节豆包、智谱 GLM、百度文心、腾讯混元、MiniMax 等。它们像不同专业的优等生，各有拿手科目——按场景选，比问「谁第一」有用得多。
通义千问 Qwen
综合实力代表：旗舰版在全球文本盲测榜排进前五，和世界最强一档掰手腕；图片生成也在全球前列。开源版本发得多，是全球开发者用得最多的开源系列之一。
Kimi
Agent 干活的好手：旗舰版在全球 Agent 榜排进前五——「自己动手做完事」这门科目上很能打；处理长文档也是它的传统强项。
DeepSeek
性价比之王：官方 API 每百万字输入只要一两块钱，价格是同档模型的零头，编程和推理能力扎实。全球开发者圈的宠儿，「花小钱办大事」的代名词。
豆包 / 即梦
全家桶体验好：豆包 App 是国内用户量最大的 AI 应用之一，上手零门槛；生图 Seedream、生视频 Seedance 都在全球榜前列——视频生成排到了全球第二。
GLM
清华系技术流：旗舰版稳居全球榜第一梯队之后的位置，编程和工具调用是强项，开源社区口碑好，企业客户多。
文心 / 混元 / MiniMax…
百度文心搜索整合深；腾讯混元背靠微信生态，视频模型开源；MiniMax 的语音和视频出彩（视频模型开源全球第四）；还有小米、美团等也都下场了——这个赛道热闹得很。
✅ 这一页想和你分享的
- 国产模型已在全球第一梯队：好几家排进世界前列，不是「将就用」
- 没有全能冠军：写作、编程、Agent、生图生视频，各家拿手科目不同
- 普通用户：豆包 / Kimi / 通义 / 元宝的 App 挑顺手的用就好，都免费
- 选择的心法：先想清楚你要干什么，再看谁这门课分高
除了 OpenAI，还有哪些重要的 AI 公司？
新闻里的名字太多记不住？其实常出场的主角就那么几位。先玩个配对游戏，把「公司」和「代表作」对上号。
国际上最常出场的是：OpenAI（ChatGPT）、Anthropic（Claude）、Google（Gemini）、Meta、马斯克旗下的 xAI（Grok）、法国 Mistral；再加上上一页认识的国产主力，AI 新闻里九成的名字你就都对得上号了。
OpenAI
把 AI 带进大众视野的公司。ChatGPT 是全球用户量最大的 AI 应用，视频模型 Sora 也出自它家。
Anthropic
由前 OpenAI 研究团队创立，以安全和长文本见长。Claude 在编程和 Agent 场景的口碑尤其好，全球 Agent 盲测榜长期霸榜。
AI 研究的老牌豪门（Transformer 架构就出自谷歌论文）。Gemini 全家桶覆盖文字、图片、视频，视频模型 Veo 是全球第一梯队。
Meta
Facebook 的母公司，开源路线的旗手——把强模型免费开放给所有人用，深刻改变了行业生态。
xAI
马斯克创办，和 X（原推特）深度绑定，风格生猛，更新极快，生图生视频也都有布局。
Mistral
欧洲的代表选手，小团队做出大能量的典型，开源社区人气很高。
✅ 这一页想和你分享的
- 国际主角：OpenAI、Anthropic、Google、Meta、xAI、Mistral
- 各有性格：有人闭源做产品，有人开源做生态
- 别忘了卖水人：英伟达、微软、亚马逊是行业的地基
- 加上国产主力，AI 新闻里的名字你基本都认识了