为什么同一个 AI，别人用得像专家，你用得像智障
同一个模型，输出质量能差三倍。问题不在模型，在你丢给它的那段话。
你大概有过这种经历：看到别人用 AI 十分钟写完一份方案，自己兴冲冲打开同一个工具，输入"帮我写一份方案"，得到的是一段谁都能写出来的废话。于是得出结论——AI 也就那样。
但真正的原因通常是：你给它的信息量，不足以让它给出好答案。
先说结论
AI 的输出质量，大致由三件事决定：
- 它知不知道你要什么（任务是否清晰）
- 它知不知道给谁看（读者与场景）
- 它知不知道什么算好（评价标准与样例）
大多数人只提供了第一件事的一半——说了个动词，没说对象、没说标准。模型只能用"平均水平"来填空白，而"平均水平"就是那份谁都能写的废话。
一个真实的对比
假设你要写一份周报。
差的做法：
帮我写一份周报模型不知道你做了什么，只能编。它会给出一份看起来很像周报、但和你毫无关系的东西。
好的做法：
你是我的助理。帮我把下面这周的流水账整理成一份向上汇报的周报。
背景：我在一家 200 人的电商公司做运营，汇报对象是运营总监，他只看结果和风险，不看过程。
本周原始记录：
- 周二上线了新客礼包，转化率从 3.1% 到 4.4%
- 老客复购活动延期了 3 天，因为设计素材没到位
- 和供应链开了两次会，确认双十一备货节奏
要求：
1. 分三块：本周结果、问题与风险、下周计划
2. 每块不超过 4 条，每条一句话，能量化就量化
3. 不要形容词，不要"赋能""抓手"这类词
4. 语气克制，像给上级发的工作汇报，不邀功同一件事，第二种写法几乎不需要再改。差别不在模型，在于你把背景、对象、材料、标准都放进去了。
为什么"多说几句"这么有效
大模型的工作原理，是根据你给的前文预测接下来最可能的内容。你给的前文越具体，它的预测空间就越窄，落点就越准。
反过来，你给一句"写个方案"，它的预测空间大得没边——市面上所有方案的平均值，就是它的答案。
所以有个反直觉的结论：提示词不是"咒语"，是"简报"。 你写 briefing 的水平，决定了它的产出水平。
三个立刻能用的动作
一、把"我要什么"换成"给我谁、用来干嘛、什么算好"
每次下指令前，先在心里过一遍这三问。写不出来，说明你自己还没想清楚——这时候该先想，不是先问 AI。
二、给它材料，而不是让它猜
你手上有会议记录、有数据、有旧版本，全都贴进去。模型不会嫌多，只会嫌少。
三、先要结构，再要内容
不要一上来就要成品。先让它列大纲，你改完大纲再让它展开。这样返工成本最低。
三个常见错误
- 把 AI 当搜索引擎用。 问"怎么做抖音"这种开放问题，得到的必然是泛泛之谈。搜索引擎给的是别人的答案，AI 给的是"平均值"，两者都不解决你的具体问题。
- 一次要求太多。 "帮我写文案、配图、起标题、还想个活动方案"——四件事挤在一段话里，它每件都做得平庸。拆开，一件一件来。
- 不说"不要什么"。 排除项往往比要求项更有效。"不要用感叹号""不要超过 200 字""不要出现专业术语"，能立刻把输出拉回你要的轨道。
下一步
如果你只想记住一句话，记这句：AI 不笨，是你的简报太短。
接着读这两篇，把方法落地：