meta level 好用的prompt

如果产品只是把一次模型调用包成低摩擦的网页，比如标题生成、邮件润色、简历优化，prompt 的作用就是把一个高频明确的任务固定下来。这类工具的价值不在 prompt 多精巧，而在让用户少操作；它的局限也在这里——没有真实上下文、没有业务状态、不能调用工具、没有可靠性机制，通常半小时就能被复制⁠1。一个具体例子是英语编辑器：用户输入、固定编辑指令、模型输出，一次调用完成，核心价值是省掉复杂界面和 API 调用⁠2。所以在这个层次上，追求“万能 prompt”意义不大，把任务边界收窄、让一次调用稳定输出，才是它成立的条件。

当任务需要 AI 自己判断怎么做时，写法要反过来：把必要信息说全，别指望它读心；从结果出发，而不是把每一步都规定死。有人总结过两条原则——给足上下文，以及告诉 AI 要什么、让它自己想怎么做；除非能预判某处不给具体指引会出问题，否则不必细到每步⁠3。他举的例子是让 AI 给一批文章写摘要字段，同时要求写一个覆盖率测试、低于百分之百就算失败，目标是把测试跑到通过；至于测试程序怎么写、边界情况怎么处理，都交给 AI⁠3。立正在讲用 AI 做数据分析时也提到类似关系：早期需要较强的工程能力去告诉它怎么用，往后越来越重要的是告诉它做什么，像带实习生一样先对齐思路、再让它执行、再反馈⁠4。

放开 prompt 让 AI 自由发挥，并不总是更优。在客服这类场景里，用户打电话往往是为了退票、退款、改预约、查信息，AI 需要按 SOP、知识库和工具调用在低延迟下稳定走完流程；有从业者判断这类项目做到有工具调用和固定工作流的层次就差不多够了，过度自由反而增加风险⁠5。所以判断 prompt 该写多细，可以先问：这个任务容错高不高、结果好不好验收。容错低、路径固定的，就把边界和验收条件写清楚；容错高、需要探索的，才把怎么做留给 AI。