第 4 章　上手使用：从会问到会干

预计阅读 20 分钟 · 全文约 5,915 字

本章产出：一个能用的私人知识库，一套自己的提示词模板库，以及一条跑通的工作流。

---

开场：为什么你问的问题，AI 总是答得很水

同一件事，两个人问，结果天差地别。

老周问："帮我写个文案。"

AI 回："好的，以下是一段文案：在这个快节奏的时代，让我们一起……（一段谁都能写的废话）"

老周的朋友问：

你是做了 8 年女装电商的文案。 我卖的是 25-35 岁职场女性的通勤衬衫，客单价 299。 卖点是免烫、垂感好、不透。 目标平台是小红书，要能让人想收藏。 写 3 个版本，每个 100 字以内，开头要抓人，不要用"在这个时代"这种套话。 语气像闺蜜推荐，不像广告。

AI 回：三个版本，第一句就带钩子，卖点嵌在场景里，结尾有行动指引。

同样的模型，差在哪？

差在提示词。

这一章就是教你这件事：怎么把你的需求，翻译成 AI 能听懂、能执行的话。这不是玄学，是有方法的。

---

4.1 提示词基本功：四个要素

要素一：角色（Who）

告诉 AI "你是谁"，它就调出对应的知识和方法。

• 不写角色："解释一下什么是复利"
• 写了角色："你是一个给初中生讲课的数学老师，用最生活化的例子解释复利"

角色的作用不是"让它演戏"，是限定它的知识范围和表达方式。

要素二：任务（What）

说清楚你要什么，越具体越好。

模糊	具体
写个方案	写一份 500 字的活动方案，目标是拉新 1000 个用户，预算 5000 元
改一下	把这段文字改得更口语化，去掉所有书面语，长度保持差不多
分析一下	从成本、风险、收益三个角度分析，每个角度给三条结论

要素三：约束（How）

告诉它边界条件：格式、长度、语气、禁止项。

• 格式："用表格输出，三列：问题、原因、解决方案"
• 长度："200 字以内"
• 语气："像朋友聊天，不要用'首先其次最后'"
• 禁止项："不要用'赋能''闭环''抓手'这类词"

约束写得越清楚，返工越少。

要素四：示例（Example）

给一两个"标准答案"，比写一百句要求都管用。

这叫"少样本提示"（few-shot）。

请按这个风格改写：
原文：本产品采用先进技术，有效提升用户体验。
改写：用起来是真的顺手，不用看说明书。

为什么示例这么有效：模型是"模仿机器"，你给它看什么，它就照着学什么。

四要素合起来

你是 [角色]。
任务：[具体任务]。
要求：[格式/长度/语气/禁止项]。
参考示例：[给一个样例]。

这个框架能解决 80% 的日常需求。

---

4.2 结构化提示词模板（直接抄）

模板一：写作类

你是 [领域] 的资深写手，服务对象是 [人群]。

任务：写一篇 [类型]，主题是 [主题]。

要求：
- 字数：[X] 字左右
- 结构：[开头/中间/结尾分别要什么]
- 语气：[口语/专业/幽默]
- 必须包含：[要点1、要点2]
- 禁止：[套话/营销词/特定表达]

参考风格：[贴一段你喜欢的文字]

模板二：分析类

你是 [领域] 的分析师。

任务：分析 [对象]，回答 [核心问题]。

请按以下结构输出：
1. 结论（一句话）
2. 依据（3-5 条，每条要有事实或数据支撑）
3. 风险/反方观点（至少 2 条）
4. 建议（可执行的具体动作）

如果信息不足，请明确指出缺什么，不要编造。

模板三：代码类

你是 [语言] 工程师。

任务：[要实现什么功能]。

环境：[版本/框架/依赖]。

要求：
- 代码要能直接运行
- 关键行加中文注释
- 给出使用示例
- 说明可能的坑

如果我的需求有歧义，先问我，不要猜。

模板四：学习类

你是我的私人老师，我要学 [主题]。

我的基础：[零基础/有一点/比较熟]。

请按这个方式教我：
1. 先用一句话说清它是什么（不许用专业术语）
2. 用一个生活类比解释
3. 讲清楚"为什么需要它"
4. 给一个最小可运行的例子
5. 出一道练习题，等我答完再讲下一节

每讲完一节，问我"懂了吗"，我说懂了才继续。

模板五：角色扮演/审稿类

你是最挑剔的审稿人，专门挑毛病。

请审阅以下内容，按这个标准：
- 逻辑漏洞
- 事实错误
- 表达不清
- 废话/套话

每条问题要指出具体位置，并给出修改建议。
不要客气，越狠越好。

这五个模板覆盖了大多数场景。 建议存到你的笔记里，用的时候改改就能用。

---

4.3 知识库 / RAG：让 AI 读你的资料

为什么需要知识库

AI 有两个短板：

1. 不知道你的私有资料（公司文档、你的笔记、产品手册）
2. 知识有截止日期（新政策、新版本它不知道）

知识库就是解决这个的：把你的资料喂给它，让它基于你的资料回答。

RAG 是什么

RAG（检索增强生成）= 先检索，再生成。

流程：

1. 你的资料被切成小块，每块转成"向量"（一串数字，代表语义）
2. 你提问，问题也转成向量
3. 系统找出"语义最接近"的几块资料
4. 把这几块资料 + 你的问题一起喂给 AI
5. AI 基于这些资料回答

类比：开卷考试。AI 不是靠记忆答题，是先翻书找到相关段落，再照着答。

图 4-1：RAG 的六步流程

为什么 RAG 比"直接塞全文"好

• 省 token：不用每次把整本书塞进去，只塞相关段落
• 能处理超长文档：几百页的资料也能用
• 答案可溯源：能告诉你"这句话出自第几页"

怎么搭一个知识库

方案一：用客户端自带功能（最简单）

Cherry Studio、ChatBox 这类客户端都有知识库功能：建一个库，上传文件，它自动切块、建索引，然后你就能基于这个库提问。

方案二：用专门的 RAG 工具

Dify、RAGFlow、FastGPT 这类，功能更全（多知识库、权限、API），但部署麻烦一些。

方案三：自己写（进阶）

用向量数据库（Chroma、Milvus）+ 嵌入模型 + 检索逻辑，自己搭。适合要深度定制的人。

知识库的三个坑

坑一：切块不合理。 切得太碎，语义不完整；切得太大，检索不准。一般按段落或 500-1000 字切比较合适。

坑二：资料质量差。 喂进去的是过时文档、错别字、重复内容，出来的答案也是垃圾。垃圾进，垃圾出。

坑三：以为它能"理解"全部。 RAG 只检索"最相关的几块"，不是"读懂整本书"。问跨章节的综合问题，它可能答不全。

一个实用建议

知识库不是越大越好。 一个 50 页的高质量文档库，比一个 5000 页的垃圾库有用得多。

先想清楚：你要解决什么问题？需要哪些资料？把资料整理干净，再喂。

---

4.4 工作流：把重复任务固化

什么是工作流

工作流 = 把一串固定步骤串起来，自动执行。

类比：流水线。原料从这头进，经过几道工序，成品从那头出。每道工序干什么、按什么顺序，都是定好的。

一个例子：每日行业资讯

手动版（每天 30 分钟）：

1. 打开五个网站
2. 复制标题
3. 粘贴到文档
4. 让 AI 总结
5. 复制总结
6. 发到群里

工作流版（每天 2 分钟看一眼）：

1. 定时抓取五个网站的新文章
2. 自动去重、筛选
3. 自动调 AI 总结
4. 自动排版
5. 定时发到群里

工作流工具

工具	特点	适合
n8n	开源、节点式、能接各种服务	想自己搭、要灵活
Dify	有界面、内置 AI 能力	想快速搭 AI 应用
Coze/扣子	字节出品、中文友好	国内用户、快速上手
Zapier/Make	老牌、集成多	海外服务为主

图 4-2：固定路线与自由发挥

工作流 vs 智能体

	工作流	智能体
流程	固定，按剧本走	自己规划，随机应变
稳定性	高	低（会跑偏）
灵活性	低（改流程要改配置）	高
适合	重复、确定的任务	开放、需要判断的任务

实用建议：能用工作流解决的，别用智能体。 工作流稳定、便宜、可预测。智能体是"灵活但不可靠"，适合处理变数大的任务。

怎么设计一个好工作流

1. 先手动跑通一遍：别急着自动化，先手动做三次，看看哪些步骤是必需的
2. 拆成最小步骤：每一步只干一件事，方便排查
3. 加检查点：关键步骤后加"人工确认"或"结果校验"
4. 留回滚方案：出错了怎么恢复
5. 先跑小批量：别一上来就处理一万条

---

4.5 多模型配合：谁想、谁查、谁写

为什么要多模型

没有哪个模型在所有任务上都最强。

• 有的擅长推理（数学、逻辑）
• 有的擅长写作（文笔、风格）
• 有的擅长代码
• 有的便宜但笨，有的贵但强

多模型配合 = 让合适的模型干合适的活。

三种配合模式

模式一：串行（流水线）

模型 A 出大纲 → 模型 B 写初稿 → 模型 C 审稿改写

适合：长文写作、复杂方案。每个模型干自己最擅长的。

模式二：并行（投票）

同一个问题，三个模型各答一遍 → 对比 → 取共识/最优

适合：重要判断、事实核查。三个模型都说对的，可信度高；说法不一致的，要人工核实。

模式三：分工（角色）

模型 A 当"研究员"（查资料）→ 模型 B 当"写手"（写）→ 模型 C 当"审稿人"（挑错）

适合：需要多视角的任务。

成本上的配合

贵的模型干难活，便宜的模型干杂活。

• 大模型：复杂推理、关键决策、最终输出
• 小模型：分类、提取、格式转换、初步筛选

例子：处理 1000 条用户反馈

1. 小模型先分类（好评/差评/建议/投诉）——便宜
2. 大模型只处理"投诉"和"建议"——贵但必要
3. 结果汇总，人工抽查

这样成本能降一个数量级。

一个提醒

别为了"多模型"而多模型。 单模型能解决的事，别搞复杂。多模型配合是为了解决"单模型搞不定"的问题，不是为了炫技。

---

4.6 事实核验：怎么判断 AI 说真话

为什么必须核验

回到第 1 章：AI 是"猜话茬"的，它说得很像真的，不代表是真的。

越是具体的细节，越要核验。

五类高危信息

1. 数字：价格、统计数据、日期、版本号
2. 引用：论文、书籍、法条、名言
3. 人物：生平、关系、职务
4. 规则：政策、流程、规定
5. API/代码：函数名、参数、返回值

核验方法

方法一：要来源。 "请给出这句话的出处，包括链接。" 给不出来，大概率是编的。

方法二：交叉验证。 同一个问题问两个不同模型，说法一致的可信度高；不一致的，去查原始来源。

方法三：查官方。 政策查政府网站，API 查官方文档，价格查官网。AI 的话只能当线索，不能当证据。

方法四：让它自己找矛盾。 "请检查你刚才的回答，有没有前后矛盾或不确定的地方？" 有时它自己能发现错误。

方法五：反过来问。 "如果我说的是错的，你会怎么反驳？" 能逼它从另一个角度看问题。

一个思维习惯

把 AI 当成"一个知识渊博但爱吹牛的朋友"。

他说的话可以听，但重要的事，你会去核实。这个心态最健康——既不迷信，也不排斥。

---

4.7 常见坑：越用越蠢、上下文污染、幻觉传染

坑一：越用越蠢

现象：聊得越久，AI 越笨，开始重复、跑题、答非所问。

原因：上下文窗口满了，前面的内容被挤掉；或者对话里积累了太多错误信息，把它带偏了。

解法：

• 长对话定期开新的
• 重要设定放在开头
• 发现它开始犯傻，立刻总结要点，开新对话

坑二：上下文污染

现象：你在对话里纠正过它一个错误，结果它后面反复提这个错误；或者你随口说的一句话，被它当成事实到处用。

原因：它没有"记忆管理"能力，对话里所有内容权重差不多，错误信息会一直影响后续生成。

解法：

• 错误信息要明确"作废"："刚才那条作废，以现在这条为准"
• 重要对话，把正确信息重新贴一遍
• 严重的，直接开新对话

坑三：幻觉传染

现象：你让它查 A，它编了一个来源；你信了，把来源贴给它，让它"基于这个来源继续"；它继续编，越编越离谱。

原因：你把它编的东西当成了事实喂回去，它就有了"依据"，开始在这个假依据上继续发挥。

解法：

• 它给的来源，先自己核实再用
• 发现它在编，立刻打断，重新给正确的资料
• 关键任务，先人工整理资料，再让它基于资料工作

坑四：过度依赖

现象：什么都问 AI，自己不动脑，慢慢丧失了判断力。

解法：把 AI 当"助手"而不是"大脑"。它给选项，你做决定；它给初稿，你来改。最终判断权永远在你手里。

---

4.8 你的第一个 AI 工作流

人家给你一个最小可用的工作流，今天就能搭起来：

任务：每天花 10 分钟，把行业资讯变成一份简报。

手动版（先跑通）

1. 打开 2-3 个行业网站，复制当天的新文章标题和摘要
2. 贴给 AI，用这个提示词：

你是行业分析师。以下是今天的资讯原文，请：
1. 筛出真正重要的 5 条（标准：影响行业格局/影响普通人/有数据支撑）
2. 每条用一句话说清"发生了什么"
3. 每条加一句"所以呢"（对我们意味着什么）
4. 用表格输出

如果信息不足以判断重要性，标"待核实"，不要编。

3. 把结果存到笔记里

半自动版（用客户端）

1. 在 Cherry Studio 里建一个"资讯简报"智能体
2. 写好上面的提示词作为系统提示
3. 每天把资讯粘进去，一键出简报

全自动版（用工作流工具）

1. 用 n8n 定时抓取 RSS
2. 自动调 API 总结
3. 自动发到你的邮箱/群

建议顺序：先手动跑两周，确认这个流程真的有用，再自动化。别一上来就搭全自动，搭完你会发现需求根本不是你想象的那样。

---

4.9 手搓一个最小 RAG（看懂原理的最好方式）

为什么要手搓

用现成工具建知识库，你只知道"上传→提问→出答案"。中间发生了什么，你不清楚。

手搓一遍，你就知道每个环节会怎么出错。

最小实现（Python，约 60 行）

# 1. 准备：pip install openai numpy
import numpy as np
from openai import OpenAI

client = OpenAI(base_url="https://你的接口/v1", api_key="sk-xxx")

def embed(texts):
    """把文本变成向量"""
    resp = client.embeddings.create(model="text-embedding-3-small", input=texts)
    return [d.embedding for d in resp.data]

# 2. 切块：把文档切成 500 字左右的小段
def chunk(text, size=500, overlap=50):
    chunks = []
    start = 0
    while start < len(text):
        chunks.append(text[start:start + size])
        start += size - overlap
    return chunks

# 3. 建库：每块算一个向量
docs = open("your_doc.txt", encoding="utf-8").read()
chunks = chunk(docs)
vectors = embed(chunks)

# 4. 检索：问题向量和所有块比相似度，取前 3
def search(question, top_k=3):
    q = embed([question])[0]
    scores = [np.dot(q, v) / (np.linalg.norm(q) * np.linalg.norm(v)) for v in vectors]
    idx = np.argsort(scores)[-top_k:][::-1]
    return [(chunks[i], scores[i]) for i in idx]

# 5. 生成：把检索到的块塞进提示词
def answer(question):
    hits = search(question)
    context = "\n\n".join(f"[片段{i+1}] {c}" for i, (c, _) in enumerate(hits))
    prompt = f"""仅根据下面的资料回答问题。资料里没有的，就说"资料里没有提到"，不要编造。

资料：
{context}

问题：{question}"""
    resp = client.chat.completions.create(
        model="你的模型", messages=[{"role": "user", "content": prompt}]
    )
    return resp.choices[0].message.content

print(answer("你的问题"))

手搓完你会明白的四件事

1. 切块方式决定成败：切得太碎，语义断；切得太大，检索不准
2. 向量模型决定检索质量：换个 embedding 模型，效果可能差一截
3. top_k 是个权衡：取太少可能漏，取太多会干扰模型；另外 top_k 不能超过切出来的块数，否则检索函数会返回不够的数量（人家跑这段代码时踩过这个坑）
4. 提示词必须有"不知道就说不知道"：不然模型会拿无关片段硬编

什么时候该手搓，什么时候用现成的

情况	选择
就想用	现成工具（Cherry/Dify）
想理解原理	手搓一遍
要定制（特殊切块/多路检索/权限）	手搓或改开源

---

4.10 提示词模板库（可直接复制修改）

模板六：会议纪要

你是会议记录员。以下是会议录音转文字的内容。

请输出：
1. 一句话总结（30 字以内）
2. 决议事项（表格：事项 | 负责人 | 截止时间）
3. 待办清单（每人要做什么）
4. 待确认问题（会上没定下来的）

要求：
- 没提到的信息写"未提及"，不要推测
- 时间用"YYYY-MM-DD"格式

模板七：代码审阅

你是资深 [语言] 工程师，请审阅以下代码。

从五个角度给意见：
1. 正确性（有没有 bug、边界情况）
2. 可读性（命名、结构、注释）
3. 性能（有没有明显的低效）
4. 安全（有没有注入、越权、泄露风险）
5. 可维护性（耦合、重复）

对每个问题，给出：行号 + 问题 + 修改建议代码。
如果代码没问题，直接说"没发现明显问题"，不要硬凑。

模板八：竞品分析

你是 [行业] 分析师。以下是三个竞品的公开信息。

输出表格：
| 维度 | 竞品A | 竞品B | 竞品C |
（维度：定位、目标用户、核心功能、价格、优势、劣势）

然后给出：
1. 市场空位（没人做的事）
2. 我们的差异化建议（3 条，可执行）

只基于我给的信息，缺的写"信息不足"。

模板九：长文摘要（分层）

请分三层总结这篇文章：

第一层（50 字）：一句话说清它讲了什么
第二层（200 字）：核心观点 + 关键论据
第三层（列表）：所有重要数据、结论、建议

如果文章有前后矛盾，指出来。

模板十：学习陪练

你是我的 [科目] 陪练。

规则：
1. 每次只出一道题，难度从易到难
2. 我答完，你先说对不对，再讲为什么
3. 我答错了，换个角度再讲一遍，不要直接给答案
4. 连对三题，升难度；连错两题，降难度
5. 每五题，总结我薄弱的知识点

现在开始，先出第一题。

---

行业观察：电商客服的提示词长什么样

一个卖家居的店铺，客服机器人的系统提示词是这么写的（节选）：

你是「XX家居」的售后客服，服务对象是 25-40 岁女性客户。

语气：亲切但不肉麻，不用"亲亲""么么哒"。
禁用词：绝对、保证、100%、最好。
遇到以下情况必须转人工：
- 要求赔偿、退款金额超过 200 元
- 投诉物流破损
- 涉及安装安全问题

回答必须包含"我帮您确认一下"这类缓冲语，
不要直接说"不行""不能"。

为什么这么细：因为每一条都是从真实纠纷里总结的。"绝对/保证"这类词一旦写进聊天记录，在平台判定里就是商家承诺，会被判赔付。

行业细节：客服话术的第一原则不是"说得好听"，是"不留把柄"。

---

踩坑实录

坑一：提示词写得像许愿

场景：有人写"帮我写一篇特别好的文章，要爆款"。

为什么没用：AI 不知道"好"是什么标准，"爆款"是什么风格，它只能给你一段平庸的通用内容。

怎么爬出来：把"好"翻译成具体要求——给谁看、什么平台、多少字、什么语气、要包含什么、禁止什么。

坑二：知识库塞了一堆垃圾

场景：有人把网盘里所有资料（包括过期的、重复的、错别字连篇的）全传进知识库，结果回答质量极差。

为什么：RAG 检索到的是"最相关的片段"，如果资料本身垃圾，检索出来的也是垃圾。

怎么爬出来：先整理资料——去重、更新、纠错、分类。知识库的质量上限，由资料质量决定。

坑三：让 AI 一次干太多事

场景：有人一个提示词里塞了十个要求："帮我写文案，还要配图，还要想标题，还要分析竞品，还要做预算……"

为什么：任务太多，它每个都只能草草应付；而且它可能漏掉后面的要求。

怎么爬出来：一次一个任务，分步来。写完文案，再让它想标题；想完标题，再分析竞品。

坑四：不看输出直接用

场景：有人让 AI 写邮件，直接复制发出去，结果里面有一句"作为 AI 语言模型，我不能……"

为什么：AI 有时会把"内部话术"漏出来，或者格式不对、称呼错了。

怎么爬出来：所有 AI 输出，用之前自己读一遍。 尤其是对外发送的内容。

---

Lab 4-1｜搭一个读你自己资料的知识库

难度：⭐⭐⭐☆☆　预计耗时：60 分钟

目标：让 AI 基于你的私有资料回答问题

步骤：

1. 选一个主题：你的工作文档、你的学习笔记、某个产品的说明书——选你真的会用的
2. 整理资料：去重、删过期内容、统一格式（这一步最重要，别跳过）
3. 装一个支持知识库的客户端（Cherry Studio 或同类），或使用在线 RAG 工具
4. 新建知识库，上传资料，等它建索引
5. 问三个问题测试：
   • 一个"资料里明确写了"的问题（应该答对）
   • 一个"资料里没有"的问题（应该承认不知道，而不是编）
   • 一个"需要综合多处资料"的问题（看它能不能串起来）
6. 记录三次回答的质量

验收标准：

• [ ] 知识库建好了，能正常检索
• [ ] 三个测试问题都跑了，有记录
• [ ] 能说出"资料整理"对结果的影响

卡住了怎么办：

• 建索引失败 → 检查文件格式（PDF 扫描件可能识别不出文字）
• 回答质量差 → 回到第 2 步，资料质量是根因
• 它开始编造 → 在提示词里加"只基于知识库内容回答，没有就说没有"

---

本章自检清单

• [ ] 提示词四要素是什么？
• [ ] 为什么"给示例"比"写要求"更有效？
• [ ] RAG 的流程是什么？为什么比"直接塞全文"好？
• [ ] 知识库的三个坑是什么？
• [ ] 工作流和智能体的区别是什么？什么时候该用哪个？
• [ ] 多模型配合的三种模式是什么？
• [ ] 哪五类信息最容易出现幻觉？
• [ ] 上下文污染的典型症状是什么？怎么解？
• [ ] 为什么"先手动跑通再自动化"？

---

学习进度：0 / 13 章

📝 本章小测验（3 题）

1. 提示词四要素是？

2. RAG 的核心流程是？

3. 长对话为什么越来越贵？

一句话记住

AI 不是许愿池，是执行器——你说得越清楚，它干得越像样。

---

延伸阅读

• OpenAI/Anthropic 官方的提示词工程指南——最权威
• 各客户端的知识库文档——功能差异大，以官方为准
• n8n/Dify 官方模板库——抄现成的工作流最快

---

最后更新：2026-10