"你是 XX 領域 20 年專家" 這句咒語已經廢了 · 提示詞工程正式進入下半場 · 4 件事讓你不掉隊
整理版優先睇
提示詞工程下半場：角色設定已死，上下文工程與反饋循環才是王道
文章作者係一個有3年實戰經驗嘅提示詞工程師，佢透過自身觀察同業界權威（沃頓商學院教授Ethan Mollick、Anthropic CFO Sarah Friar、Kimi總裁張予彤）嘅數據，指出「你是XX領域20年專家」呢句咒語喺2026年已經完全無效，反而會浪費上下文預算。佢認為提示詞工程已經進入「監督時代」，核心唔再係搖咒語，而係搭建一套AI可以進入並完成任務嘅世界。整體結論係：下半場要專注喺上下文工程、反饋循環、任務編排同反向提問呢4個方向。
作者詳細拆解咗提示詞工程嘅三個時代：補救時代（2022-2023）、咒語時代（2023-2024）同監督時代（2025-2026），並用一張表整理咗各種技巧嘅有效期。佢親自實測刪除「專家咒語」後，輸出質量提升，token消耗減少5%。最後佢提供咗3個即刻見效嘅動作，幫讀者快速適應新時代。
呢篇文章嘅價值唔係純理論，而係基於實測同業界數據，畀出咗具體可執行嘅方向，適合所有仲喺度用舊方法寫prompt嘅人。
- Ethan Mollick實測證實角色設定已無助提升輸出，反而可能因佔用上下文空間而令質量下降。
- Anthropic內部90%代碼由AI編寫，員工轉向系統監督，反映AI已默認專家級。
- 提示詞工程歷經補救、咒語、監督三個時代，目前身處監督時代，關鍵係「工程」而非「咒語」。
- 下半場4件核心事：上下文工程、反饋循環、任務編排、反向提問；每個方向都有具體做法。
- 作者實測刪除專家咒語後，輸出質量顯著提升，token消耗減少5%，並推薦3個即日見效嘅動作。
業界信號：角色設定咒語已失效
沃頓商學院教授Ethan Mollick喺5月6日發咗一條推文，話「告訴AI佢係某個領域專家，已經冇幫助」。佢實測GPT-4o、Claude Opus 4同Llama 3.3-80B，發覺加「專家」標籤喺9類任務中有7類輸出質量冇顯著差異，2類仲要略微下降。呢個結論等於判咗「你是XX領域20年專家」呢句咒語死刑。
同一周，Anthropic CFO Sarah Friar爆咗個炸裂數據：公司內部90%代碼已經由AI自己編寫，員工嘅工作重心從「手動執行」轉向「系統監督」。呢個數字意味住AI已經默認按專家級推理，人唔再需要教佢做專家。
Kimi總裁張予彤喺北大光華論壇補充：全球84%人口未用過AI，得0.3%付費。呢三個信號同時出現，顯示提示詞工程正式進入下半場。
提示詞工程三個時代與技巧有效期
過去3年提示詞工程經歷咗三個時代：補救時代（2022-2023）要餵得好細先得；咒語時代（2023-2024）靠角色設定、思維鏈等咒語觸發好狀態；監督時代（2025-2026）模型默認專家級，重點係搭系統而非搖咒語。
- 1 仲有用：具體任務約束（字數、格式、排除項）直接框死交付物，減少模型自由發揮。
- 2 仲有用：完整上下文（文件、歷史、約束、反例）令模型喺你嘅具體情境推理。
- 3 仲有用：反饋循環（自評分、跑測試）將AI變成可觀測系統。
- 4 半過期：few-shot示例而家1個高質示例好過5個普通；長few-shot浪費上下文。
- 5 完全過期：「你是XX領域20年專家」——模型默認專家級，加咗純冗餘。
作者計咗條數：一條典型老派prompt有60%字符係冗餘——專家身份、公司背景、「認真思考」全部可以刪。換成具體場景加真實約束，輸出質量反而更高。
下半場嘅4件核心事
如果咒語時代過去，下半場要拼嘅係以下4件事，每個都係具體工程動作：
- 上下文工程：搭建一個AI能進入並完成任務嘅世界。將所有相關文件、歷史決策、真實約束塞入上下文，Claude Code直接讀整個倉庫就係最好例子。
- 反饋循環：唔好當AI係開盲盒，要當佢係可觀測系統。跑 /insights 睇使用模式、叫AI自評分、同ground truth對照。Boris Cherny嘅cron Loop模式就係AI做完自動check。
- 任務編排：「AI負責發現，腳本負責重複」。第一次叫AI探路，之後用skill/SOP重複執行，唔使每次重新識別。伊娜嘅ClaudeCode內容創作8層閉環就係行呢套。
- 反向提問：最反共識嘅一招——叫AI反問你5個澄清問題，挖你腦裏嘅隱性需求。作者嘅「反推PRD提示詞」已經寫咗至少80份方案，效果好過「你是XX專家」嗰套。
今日就做嘅3個動作同結語
作者親自實測刪除專家咒語：將28條prompt改寫，刪「你是XX專家」，換成具體情境同反問自評。結果輸出質量提升，token消耗反而減少5%。以下係3個即刻見效嘅動作：
- 1 打開你最近嘅長prompt，刪走「你是XX專家」，補上「我而家嘅具體情境係 [一句話場景描述]」，然後對比輸出。
- 2 喺prompt尾加「反問+自評」：先叫AI問3-5個澄清問題，然後畀答案；答案出咗之後叫佢自評分（你關心嘅3-5個維度）。
- 3 跑一次 /insights（Claude Code）或叫ChatGPT分析你過去30日對話，統計prompt最常出現嘅關鍵詞，瞭解你真實使用模式。
下次你寫prompt時，問自己：「我而家敲嘅呢啲字——係話畀AI佢係邊個（過期）？定係話畀AI我而家嘅具體情境係咩（有效）？」想得通呢個問題，你就跨過咗提示詞工程下半場嘅門檻。
"你是 XX 領域 20 年專家" 呢句咒語已經廢咗 · 提示詞工程正式進入下半場 · 4 件事令你唔好落後
致讀者： 呢篇文有4800+字，預計閲讀時間13min。我過去3年寫過嘅幾千條 prompt，幾乎每一條第一句都係"你是 XX 領域 20 年專家"——呢句係AI圈過去3年傳得最廣嘅「咒語」。但5月6日Ethan Mollick（沃頓商學院教授、提示詞工程領域奠基人之一）發咗一條令所有prompt engineer心都沉一沉嘅實測推文："同AI講佢係某個領域嘅專家，已經冇幫助。" 同一星期，Anthropic CFO Sarah Friar 喺公開訪談入面拋出一個爆炸性數據：Claude 內部90%嘅代碼，已經由AI自己編寫Kimi 總裁張予彤喺北大光華論壇指出：全球84%人口未使用AI，僅0.3%付費三件事喺5月呢一星期同時出現，指向同一個事實——提示詞工程正式進入下半場3年前救命嗰套「角色設定 / 思維鏈 / few-shot」，一半已經過期。呢篇會將「邊啲技巧仲有用 / 邊啲已經過期 / 下半場拼啲乜 / 你今日應該做啲乜」呢4件事一次過講清楚。
01. Mollick 5月6日嗰條推文 · 令所有prompt engineer心都沉一沉
Ethan Mollick 係 AI 提示詞工程領域過去3年最權威嘅研究者之一——沃頓商學院教授、oneusefulthing.org 博主、「co-intelligence」理論提出者。
佢唔係「AI自媒體」，係真係做緊模型行為實證研究嘅人。
5/6 佢喺X上發咗咁樣一段：
Telling the AI that it is an expert in a field is no longer help. The models default to expert-level reasoning. Adding "you are a 20-year expert" is redundant information that may subtract from your context budget without adding value.
翻譯:
同AI講佢係某個領域嘅專家，已經冇幫助。模型而家默認按專家級嚟做推理。加上「你係20年專家」係資訊冗餘,可能會喺你嘅上下文預算入面扣分，但完全冇增加價值。
佢仲喺多個任務上做咗對比實測——GPT-4o / Claude Opus 4 / Llama 3.3-80B——加「專家」標籤嘅輸出 vs 唔加「專家」標籤嘅輸出，喺9類任務入面 7類輸出質量冇顯著差異,2類輸出質量略微下降（因為壓縮咗真正有用嘅上下文空間）。
呢個結論令全行業嘅prompt engineer心沉一沉——
因為大家過去3年傳得最廣嘅「提示詞聖經第一條」，就係「先同AI講佢係邊個」。
3年間，呢條建議俾人改寫成各種版本傳播：
「你係一位資深嘅財務顧問」 「你係一個有20年經驗嘅產品經理」 "You are an expert in software engineering" "Assume you are Jeff Bezos and you are giving advice"
LinkedIn上面仲有人靠「500條最有效prompt角色設定」嚟賣課。
Mollick一句話就將呢條聖經判咗死刑。
02. 同一星期嘅另一個爆炸性數據 · 90%代碼已經係AI寫嘅
5月15日，Anthropic CFO Sarah Friar 喺投資人電話會議上透露咗一個內部數據，俾 TechCrunch 捉咗出嚟做頭條：
Anthropic 內部 90%嘅代碼，目前由AI編寫。Anthropic員工嘅工作重心，由「手動執行」轉向「系統監督」（from manual execution to system oversight）。
注意——Anthropic 係世界上最識提示詞工程、最識AI編程能力嘅公司。呢間公司自己 90%代碼由AI寫，意味住啲乜？
意味住——
AI已經唔需要你同佢講「你係20年資深工程師」先寫到代碼。
佢默認就係。
而且Anthropic內部員工嘅核心工作，已經唔係寫代碼 / 唔係寫prompt / 唔係校角色，而係：
設計任務邊界（令AI知道喺邊啲事上要 escalate） 設計反饋環（令AI自檢 / 跑測試 / 報告異常） 設計審核機制（喺邊啲PR上需要人工review）
佢哋做嘅嘢，本質上係「管理AI團隊」——而唔係「操縱AI輸出」。
呢個就係點解Mollick嗰條推文，同Sarah Friar呢個數據，講嘅係同一件事:
提示詞工程嘅上半場係「點樣令蠢嘅AI扮聰明」——下半場係「點樣管理已經默認聰明嘅AI」。
03. 提示詞工程嘅3個時代 · 你正卡喺邊一段
將過去3年放喺一條時間軸上睇，提示詞工程其實經歷咗3個截然不同嘅時代：
🌑 時代1:補救時代（2022末 - 2023 GPT-3.5）
模型能力：很差需要被「喂得好細」先做得嘢。
代表技巧：
- 寫得非常具體
：「寫一段200字嘅描述，關於一間咖啡館，要包括環境、產品、同老闆嘅故事」 - 限制輸出格式
：「用markdown表格輸出，3列分別係X / Y / Z」 - 明確禁止
：「唔好寫詩，唔好用第一人稱」
呢個時代，prompt就係說明書 —— 越細越好。
🌗 時代2:咒語時代（2023 - 2024 GPT-4 / Claude 3）
模型能力：好很多。但觸發「好狀態」需要咒語。
代表技巧：
⭐ 「你係20年專家」（令模型進入專家模式） ⭐ 「一步一步思考」（觸發鏈式推理 chain-of-thought） ⭐ few-shot examples（畀2-3個示例令模型模仿） ⭐ 「如果你唔知就話唔知」（防幻覺） ⭐ 「喺回答前先列大綱」（強制結構）
呢個時代，prompt係鑰匙串 —— 你要知道邊條鎖匙開邊道門。提示詞工程嘅「門派」同「教程」都係呢個時代起家。
🌕 時代3:監督時代（2025 - 2026 Claude Opus 4 / GPT-5.x / Gemini 2.5 Pro）
模型能力：默認就係專家級咒語已經內化喺訓練入面。
代表技巧：
✅ 具體任務約束（唔係「寫一篇文章」，係「4500字 / 8段 / 反共識hook / 0自誇」） ✅ 完整上下文（畀文件 / 畀歷史 / 畀約束 / 畀反例） ✅ 反饋循環（令AI自評分 / 同ground truth對照 / 跑insights） ✅ 任務編排（AI探路 → 腳本執行嘅兩段式） ✅ 審核機制（喺邊啲動作前必須stop等用戶確認）
呢個時代，prompt係工程——你喺度搭建一套「AI可以進入並完成任務嘅世界」，唔係喺度「搖一個咒語令AI聽話」。
絕大多數人嘅提示詞水平，仲卡喺時代2——一邊將「你係XX專家」掛喺嘴邊，一邊怨「AI輸出點解咁平庸」。
04. 邊啲技巧仲有用 · 邊啲過期咗 · 一張表講清楚
將過去3年傳得最廣嘅提示詞技巧，按2026年5月Claude Opus 4 / GPT-5.5嘅實際表現，分成「仲有用 / 半過期 / 徹底過期」3檔：
✅ 仲有用（2026年仍然提升輸出質量）
🟡 半過期（只對特定任務仲有效）
❌ 已經過期（2026年加咗等於浪費）
等我打個直觀嘅算賬：
一條典型嘅「老派」提示詞：
你係一位有20年經驗嘅資深產品經理，曾經喺Google、Facebook、字節跳動做過，擅長0到1嘅產品設計，特別精通B端SaaS產品。請你認真思考，一步一步分析，然後畀我寫一份產品需求文檔，主題係【AI筆記產品】。
呢條prompt入面至少60%嘅字符係冗餘——專家身份 + 公司背景 + 擅長領域 + 「認真思考」——全部可以刪走。
改成2026年版本：
寫一份AI筆記產品嘅需求文檔。目標用戶：1人公司創業者。核心場景：AI自動從佢呢星期嘅工作日誌入面提取3個未決議題。約束：唔做向量檢索 / 唔做多設備同步 / MVP 1星期內可以上線。輸出：1500字 / 包含用戶故事 + 功能清單 + 非功能要求 + 反例（明確唔做啲乜）。
第二條短咗40%，但輸出質量會明顯高——因為佢將「專家身份」嗰60%嘅字符讓咗畀具體場景 + 真實約束 + 輸出反例。
提示詞工程下半場，每個token都要為「具體性」服務，唔為「姿態」服務。
05. 咁下半場拼啲乜 · 4件事令你唔好落後
如果「咒語時代」已經過去，下半場到底喺度拼啲乜?
我自己過去6個月喺實戰中沉澱落嚟，有4件事一定要做：
🎯 件事1:上下文工程（Context Engineering）
唔係「畀AI幾句話」，係搭建一個AI可以進入並完成任務嘅世界。
具體動作：
將AI要用到嘅所有相關文件塞入上下文（Claude Code直接讀曬成個倉庫就係呢個邏輯） 把歷史對話/決策記錄塞入system prompt 把真實嘅約束（deadline / budget / 唔可以改嘅事實）塞入任務說明 給反例（明確唔做啲乜）
Claude Code之所以最近半年突然流行——核心唔係模型變強，係佢將「上下文工程」呢件事變得幾乎零成本（直接讀你嘅文件系統）。
🎯 件事2:反饋循環（Feedback Loops）
唔好將AI當成「開盲盒」，要當成「可觀測系統」。
具體動作：
- 跑
/insights睇你過去一星期點樣用AI（雪踏烏雲嘅命令，實測可以扒出你真實使用模式） 令AI 自評分（寫完一篇文章令佢按6維度打分：反共識 / 真嘢 / 暗線 / 字數 / 自誇 / 黑名單） - 同ground truth對照
（寫代碼嘅話，跑測試就係反饋） - Boris Cherny幾十個cron Loop
模式——AI做完，自動跑一個check，失敗就再令AI改
🎯 件事3:任務編排（Task Orchestration）
「AI負責發現，腳本負責重複」——呢個係2026年頂級用戶嘅共識。
具體動作：
令AI第一次跑通一個流程（佢「探路」） 將跑通嘅流程固化成 skill / 腳本 / SOP 之後只喺未知場景先叫AI，已知場景用腳本/skill重放 用cron / launchd起最簡單嘅「每日掃一次」Loop
伊娜分享Claude Code內容創作嘅8層閉環（信息蒐集→拆解→素材庫→選題→創作→剪輯→分發→覆盤）——核心就係「AI探路 + 腳本執行」嘅二分法。
唔係每一步都令AI重新識別，而係一次令AI諗清楚，之後令腳本重複。
🎯 件事4:反向提問（Reverse PRD / 令AI反問你）
下半場最反共識嘅一招——
唔係你畀AI寫prompt，係令AI反過嚟問你。
具體動作：
起手第一句：「喺你回答之前，先問我5個澄清問題。」" AI會反過嚟挖你腦入面嘅隱性需求 你回答完，AI再幫你寫PRD / 方案 / 內容 呢一招喺「你自己都未諗清楚要啲乜」嘅場景入面，質量提升200%
我自己嘅「反推PRD提示詞」就係呢套——已經幫我寫咗至少80份方案，遠比「你係XX專家」嗰套有效。
06. 我自已嘅實戰數據 · 刪完「你係XX專家」之後發生咗啲乜
為咗唔好令呢篇變成紙上談兵，呢個係我5月8日做嘅一次實測:
我打開咗過去半年保存嘅40+條prompt模板（喺vault 🐟內容工廠開發/文字/公眾號提示詞庫/ 裏),其中28條第一句仲係「你係XX領域20年專家」。
我將呢28條全部改寫——
❌ 刪走「你係XX專家」 ✅ 換成「以下係我而家嘅具體情境：[場景描述]」 ✅ 加上「喺你開始之前先問我3-5個澄清問題」（對複雜任務） ✅ 加上「輸出後畀我一段自評分：反共識 / 真嘢 / 暗線 / 字數 / 自誇 / 黑名單各1-10分」
改完之後跑咗一星期，實測對比：
結論非常清楚：刪走「專家咒語」之後，質量反而提升，token仲慳咗5%。
省下來嗰5% token，我塞咗入： - 具體場景描述（我嘅項目 / 我嘅讀者畫像 / 我嘅暗線串聯） - 反共識座標（唔好順住主流寫，從反面切入） - 反例（具體寫明唔做啲乜）
呢啲先係2026年提示詞工程應該用嘅方式。
07. 今日就做嘅3個動作 · 5分鐘之內見效
如果你睇完呢篇打算試一試，3個動作可以即刻見效:
🚀 動作1:打開你最近嘅長prompt，刪走「你係XX專家」
揾到你保存嘅1-2條prompt（平時幫你幹活嗰種） 刪走「你係20年/資深/專家」嗰一句 喺原位補返「我而家嘅具體情境係 [一句話場景描述]」" 跑一次同樣嘅任務對比
🚀 動作2:喺prompt尾度加「反問 + 自評」兩件事
尾度加：「喺你開始之前，先問我3-5個澄清問題，然後再畀最終答案。」" 答案出咗之後再加：「畀我一段自評分，1-10打：[你關心嘅3-5個維度]。」" 呢兩件事令AI從「開盲盒」變「可觀測系統」
🚀 動作3:跑一次 /insights 睇你真實使用模式
Claude Code用戶：喺CLI跑 /insights（雪踏烏雲嘅命令，有第三方版本）ChatGPT用戶：叫ChatGPT拉你嘅「過去30日對話」，統計你prompt入面出現最多嘅10個關鍵詞 見到結果會好有用——你以為自己點樣用AI,跟你真實點樣用AI，通常差異巨大
08. 收尾 · 全球84%冇用AI / 0.3%付費 · 呢件事嘅真正含義
最後想引一段Kimi總裁張予彤5月15日喺北大光華論壇講嘅話——
全球 84%嘅人口 仲未用過任何AI工具。用過嘅人入面，只有0.3%喺度付費智能規模化仲處於早期。
好多人見到呢個數字會諗：啊，AI未起飛，我要快啲追。
我見到呢個數字諗到嘅係另一件事：
呢個係一個超級早期嘅市場——但早期唔等於亂玩。
3年前你唔學「角色設定 / 思維鏈 / few-shot」，可能錯過一波紅利。
2026年你仲喺度寫「你係XX領域20年專家」，已經喺度浪費你嘅token預算 + 你自己嘅時間預算。
下半場拼嘅係4件事——上下文工程 / 反饋循環 / 任務編排 / 反向提問。
呢4件事唔係新名詞，係將上半場你以為重要嘅事（咒語）取代咗下半場真正重要嘅事（工程）。
下次你打開AI寫prompt時，多問自己一句:
我而家敲緊呢啲字——係喺度同AI講佢係邊個（過期咗）？定係喺度同AI講我而家嘅具體情境係啲乜（2026年真正有效嘅）?
呢個問題諗清楚咗——你就跨過咗提示詞工程嘅下半場門檻。
"你是 XX 領域 20 年專家" 這句咒語已經廢了 · 提示詞工程正式進入下半場 · 4 件事讓你不掉隊
致讀者： 本篇 4800+ 字,預計閲讀時間 13min。我過去 3 年裏寫過的幾千條 prompt,幾乎每一條第一句都是"你是 XX 領域 20 年專家"——這是 AI 圈過去 3 年傳得最廣的"咒語"。但 5 月 6 日 Ethan Mollick(沃頓商學院教授、提示詞工程領域奠基人之一)發了一條讓所有 prompt engineer 心一沉的實測推文:"告訴 AI 它是某個領域的專家,已經不再有幫助。" 同一周,Anthropic CFO Sarah Friar 在公開訪談裏拋出一個炸裂數據:Claude 內部 90% 的代碼,已經由 AI 自己編寫;Kimi 總裁張予彤在北大光華論壇指出:全球 84% 人口未使用 AI,僅 0.3% 付費。三件事在 5 月這一週同時出現,指向同一個事實——提示詞工程正式進入下半場。3 年前救命的"角色設定 / 思維鏈 / few-shot"那一套,一半已經過期。這篇把"哪些技巧還有用 / 哪些已經過期 / 下半場拼什麼 / 你今天該做什麼"4 件事一次扒清。
01. Mollick 5 月 6 日那條推文 · 把所有 prompt engineer 心都打了一下
Ethan Mollick 是 AI 提示詞工程領域過去 3 年最權威的研究者之一——沃頓商學院教授、oneusefulthing.org 博主、"co-intelligence"理論提出者。
他不是"AI 自媒體",是真正在做模型行為實證研究的人。
5/6 他在 X 上發了這樣一段:
Telling the AI that it is an expert in a field is no longer help. The models default to expert-level reasoning. Adding "you are a 20-year expert" is redundant information that may subtract from your context budget without adding value.
翻譯:
告訴 AI 它是某個領域的專家,已經不再有幫助。模型現在默認按專家級在做推理。加上"你是 20 年專家"是信息冗餘,可能在你的上下文預算裏減分,但完全沒增加價值。
他還在多個任務上做了對比實測——GPT-4o / Claude Opus 4 / Llama 3.3-80B——加"專家"標籤的輸出 vs 不加"專家"標籤的輸出,在 9 類任務裏 7 類輸出質量無顯著差異,2 類輸出質量略微下降(因為壓縮了真正有用的上下文空間)。
這個結論讓全行業的 prompt engineer 心一沉——
因為大家過去 3 年傳得最廣的"提示詞聖經第一條",就是"先告訴 AI 它是誰"。
3 年間,這條建議被改寫成各種版本傳播:
"你是一位資深的財務顧問" "你是一名 20 年經驗的產品經理" "You are an expert in software engineering" "Assume you are Jeff Bezos and you are giving advice"
LinkedIn 上還有人靠"500 條最有效 prompt 角色設定"賣課。
Mollick 一句話把這條聖經判了死刑。
02. 同一周的另一個炸裂數據 · 90% 代碼已經是 AI 寫的
5 月 15 日,Anthropic CFO Sarah Friar 在投資人電話會上透露了一個內部數據,被 TechCrunch 抓出來發頭條:
Anthropic 內部 90% 的代碼,目前由 AI 編寫。Anthropic 員工的工作重心,從"手動執行" 轉向"系統監督"(from manual execution to system oversight)。
注意——Anthropic 是世界上最懂提示詞工程、最懂 AI 編程能力的公司。這家公司自己 90% 代碼由 AI 寫,意味着什麼?
意味着——
AI 已經不需要你告訴它"你是 20 年資深工程師"才能寫代碼了。
它默認就是。
而且 Anthropic 內部員工的核心工作,已經不是寫代碼 / 不是寫 prompt / 不是調角色,而是:
設計任務邊界(讓 AI 知道在哪些事上要 escalate) 設計反饋環(讓 AI 自檢 / 跑測試 / 報告異常) 設計審核機制(在哪些 PR 上需要人工 review)
他們做的事,本質上是"管理 AI 團隊"——而不是"操縱 AI 輸出"。
這就是為什麼 Mollick 那條推文,跟 Sarah Friar 這個數據,講的是同一件事:
提示詞工程的上半場是"如何讓蠢的 AI 裝作聰明"——下半場是"如何管理已經默認聰明的 AI"。
03. 提示詞工程的 3 個時代 · 你正卡在哪一段
把過去 3 年放到一根時間軸上看,提示詞工程其實經歷了 3 個截然不同的時代:
🌑 時代 1:補救時代(2022 末 - 2023 GPT-3.5)
模型能力:很差。需要被"喂得很細"才能幹活。
代表技巧:
- 寫得非常具體
:"寫一段 200 字的描述,關於一家咖啡館,要包括環境、產品、和老闆的故事" - 限制輸出格式
:"用 markdown 表格輸出,3 列分別是 X / Y / Z" - 明確禁止
:"不要寫詩,不要用第一人稱"
這一時代,prompt 就是說明書 —— 越細越好。
🌗 時代 2:咒語時代(2023 - 2024 GPT-4 / Claude 3)
模型能力:好很多。但觸發"好狀態"需要咒語。
代表技巧:
⭐ "你是 20 年專家"(讓模型進入專家模式) ⭐ "一步一步思考"(觸發鏈式推理 chain-of-thought) ⭐ few-shot examples(給 2-3 個示例讓模型模仿) ⭐ "如果你不知道就說不知道"(防幻覺) ⭐ "在回答前先列大綱"(強制結構)
這一時代,prompt 是鑰匙串 —— 你得知道哪把鑰匙開哪扇門。提示詞工程的"門派"和"教程"都是這個時代起家的。
🌕 時代 3:監督時代(2025 - 2026 Claude Opus 4 / GPT-5.x / Gemini 2.5 Pro)
模型能力:默認就是專家級。咒語已經內化在訓練裏。
代表技巧:
✅ 具體任務約束(不是"寫一篇文章",是"4500 字 / 8 段 / 反共識 hook / 0 自誇") ✅ 完整上下文(給文件 / 給歷史 / 給約束 / 給反例) ✅ 反饋循環(讓 AI 自評分 / 跟 ground truth 對照 / 跑 /insights) ✅ 任務編排(AI 探路 → 腳本執行的兩段式) ✅ 審核機制(在哪些動作前必須 stop 等用戶確認)
這一時代,prompt 是工程——你在搭一套"AI 能進入並完成任務的世界",不是在"搖一個咒語讓 AI 聽話"。
絕大多數人的提示詞水平,還卡在時代 2——一邊把"你是 XX 專家"掛在嘴邊,一邊抱怨"AI 輸出怎麼這麼平庸"。
04. 哪些技巧還有用 · 哪些過期了 · 一張表說清楚
把過去 3 年傳得最廣的提示詞技巧,按 2026 年 5 月 Claude Opus 4 / GPT-5.5 的實際表現,分成"還有用 / 半過期 / 徹底過期"3 檔:
✅ 還有用(2026 年仍然提升輸出質量)
🟡 半過期(只對特定任務還有效)
❌ 已經過期(2026 年加了等於浪費)
讓我打個直觀的算賬:
一條典型的"老派"提示詞:
你是一位有 20 年經驗的資深產品經理,曾在 Google、Facebook、字節跳動工作過,擅長 0 到 1 的產品設計,特別精通 B 端 SaaS 產品。請你認真思考,一步一步分析,然後給我寫一份產品需求文檔,主題是【AI 筆記產品】。
這條 prompt 裏至少 60% 的字符是冗餘——專家身份 + 公司背景 + 擅長領域 + "認真思考"——全部可以刪掉。
改成 2026 年版本:
寫一份 AI 筆記產品的需求文檔。目標用戶:1 人公司創業者。核心場景:AI 自動從他這周的工作日誌裏提取 3 個未決議題。約束:不做向量檢索 / 不做多設備同步 / MVP 1 周內可上線。輸出:1500 字 / 包含用戶故事 + 功能清單 + 非功能要求 + 反例(明確不做什麼)。
第二條短了 40%,但輸出質量會顯著高——因為它把"專家身份"那 60% 的字符讓給了具體場景 + 真實約束 + 輸出反例。
提示詞工程下半場,每個 token 都要為"具體性"服務,不為"姿態"服務。
05. 那下半場拼什麼 · 4 件事讓你不掉隊
如果"咒語時代"已經過去,下半場到底在拼什麼?
我自己過去 6 個月在實戰中沉澱下來,有 4 件事一定要做的:
🎯 件事 1:上下文工程(Context Engineering)
不是"給 AI 幾句話",是搭建一個 AI 能進入並完成任務的世界。
具體動作:
把 AI 要用到的所有相關文件塞進上下文(Claude Code 直接讀整個倉庫就是這個邏輯) 把歷史對話/決策記錄塞進 system prompt 把真實的約束(deadline / budget / 不可改的事實)塞進任務說明 給反例(明確不要做什麼)
Claude Code 之所以最近半年突然流行——核心不是模型變強,是它把"上下文工程"這件事變得幾乎零成本(直接讀你的文件系統)。
🎯 件事 2:反饋循環(Feedback Loops)
不要把 AI 當成"開盲盒",要把它當成"可觀測系統"。
具體動作:
- 跑
/insights看你過去一週怎麼用 AI(雪踏烏雲的命令,實測能扒出你真實使用模式) 讓 AI 自評分(寫完一篇文章讓它按 6 維度打分:反共識 / 真東西 / 暗線 / 字數 / 自誇 / 黑名單) - 跟 ground truth 對照
(寫代碼的話,跑測試就是反饋) - Boris Cherny 幾十個 cron Loop
模式——AI 做完,自動跑一個 check,失敗就再讓 AI 修
🎯 件事 3:任務編排(Task Orchestration)
"AI 負責發現,腳本負責重複"——這是 2026 年頂級用戶的共識。
具體動作:
讓 AI 第一次跑通一個流程(它"探路") 把跑通的流程固化成 skill / 腳本 / SOP 之後只在未知場景才調 AI,已知場景用腳本/skill 重放 用 cron / launchd 起最簡單的"每天掃一次"Loop
伊娜分享 ClaudeCode 內容創作的 8 層閉環(信息蒐集→拆解→素材庫→選題→創作→剪輯→分發→覆盤)——核心就是"AI 探路 + 腳本執行"的二分法。
不是每一步都讓 AI 重新識別,而是一次讓 AI 想清楚,之後讓腳本重複。
🎯 件事 4:反向提問(Reverse PRD / 讓 AI 反問你)
下半場最反共識的一招——
不是你給 AI 寫 prompt,是讓 AI 反過來問你。
具體動作:
起手第一句:"在你回答之前,先問我 5 個澄清問題。" AI 會反過來挖你腦子裏的隱性需求 你回答完,AI 再給你寫 PRD / 方案 / 內容 這一招在"你自己也沒想清楚要什麼"的場景裏,質量提升 200%
我自己的"反推 PRD 提示詞"就是這套——已經替我寫了至少 80 份方案,遠比"你是 XX 專家"那套有效。
06. 我自己的實戰數據 · 刪完"你是 XX 專家"之後發生了什麼
為了不讓這篇變成紙上談兵,這是我 5 月 8 日做的一次實測:
我打開了過去半年保存的 40+ 條 prompt 模板(在 vault 🐟內容工廠開發/文字/公眾號提示詞庫/ 裏),其中 28 條第一句還是"你是 XX 領域 20 年專家"。
我把這 28 條全部改寫——
❌ 刪掉"你是 XX 專家" ✅ 換成"以下是我此刻的具體情境:[場景描述]" ✅ 加上"在你開始之前先問我 3-5 個澄清問題"(對複雜任務) ✅ 加上"輸出後給我一段自評分:反共識 / 真東西 / 暗線 / 字數 / 自誇 / 黑名單各 1-10 分"
改完之後跑了一週,實測對比:
結論非常清楚:刪掉"專家咒語"之後,質量反而提升,token 還省了 5%。
省下來的那 5% token,我塞進了: - 具體場景描述(我的項目 / 我的讀者畫像 / 我的暗線串聯) - 反共識座標(不要順着主流寫,從反面切入) - 反例(具體寫明不要做什麼)
這才是 2026 年提示詞工程該用的方式。
07. 今天就做的 3 個動作 · 5 分鐘之內見效
如果你看完這篇打算試一試,3 個動作可以立刻見效:
🚀 動作 1:打開你最近的長 prompt,刪掉"你是 XX 專家"
找到你保存的 1-2 條 prompt(平時幫你幹活的那種) 刪掉"你是 20 年/資深/專家"那一句 在原位置補上"我現在的具體情境是 [一句話場景描述]" 跑一次同樣的任務對比
🚀 動作 2:在 prompt 末尾加 "反問 + 自評"兩件事
末尾加:"在你開始之前,先問我 3-5 個澄清問題,然後再給最終答案。" 答案出來後再加:"給我一段自評分,1-10 打:[你關心的 3-5 個維度]。" 這兩件事讓 AI 從"開盲盒"變"可觀測系統"
🚀 動作 3:跑一次 /insights 看你真實使用模式
Claude Code 用戶:在 CLI 跑 /insights(雪踏烏雲的命令,有第三方版本)ChatGPT 用戶:讓 ChatGPT 拉你的"過去 30 天對話",統計你 prompt 裏出現最多的 10 個關鍵詞 看到結果會很有用——你以為自己怎麼用 AI,跟你真實怎麼用 AI,通常差異巨大
08. 收尾 · 全球 84% 沒用 AI / 0.3% 付費 · 這件事的真正含義
最後想引一段 Kimi 總裁張予彤 5 月 15 日在北大光華論壇說的話——
全球 84% 的人口 還沒有使用過任何 AI 工具。在用過的人裏,只有 0.3% 在付費。智能規模化尚處早期。
很多人看到這個數字會想:啊,AI 還沒起飛,我趕緊追。
我看到這個數字想到的是另一件事:
這是一個超級早期的市場——但早期不等於亂玩。
3 年前你不學"角色設定 / 思維鏈 / few-shot",可能錯過一波紅利。
2026 年你還在寫"你是 XX 領域 20 年專家",已經在浪費你的 token 預算 + 你自己的時間預算。
下半場拼的是 4 件事——上下文工程 / 反饋循環 / 任務編排 / 反向提問。
這 4 件事不是新名詞,是把上半場你以為重要的事情(咒語)替換成下半場真正重要的事情(工程)。
下次你打開 AI 寫 prompt 時,多問自己一句:
我現在敲的這些字——是在告訴 AI 它是誰(過期了)?還是在告訴 AI 我現在的具體情境是什麼(2026 年真正有效的)?
這個問題想清楚了——你就跨過了提示詞工程的下半場門檻。