北京
你有沒有過這種經歷？AI給了一堆垃圾答案，你第一反應是罵模型不行。但真相往往是：問題出在你的提問方式上。
我花了好幾周觀察工程師們怎么用Claude、ChatGPT和Gemini。同一批人，用差不多的爛提示詞，拿到平庸的結果，然后抱怨工具垃圾。但換個問法，答案質量天差地別。核心差別只有一個：結構。
大部分開發者把AI當搜索引擎用。敲個問題，等著答案，然后失望。問題是你沒給模型上下文，也沒給約束條件。你只是在……提問。
看看這兩種問法的區別。
爛寫法："怎么優化這個React組件？"
好寫法："我有個React組件，表單輸入時會重渲染50次（profiler確認過）。組件要遍歷200條數據。我已經對列表做了memoization。下一個該檢查的瓶頸是什么？"
第二種給AI的信息包括：問題到底是什么（過度重渲染）、你怎么知道有問題（profiler數據）、你已經試過什么（memoization）、數據規模（200條）。AI現在能給針對性建議，而不是泛泛的優化技巧。
我總結了四個改變輸出質量的方法。
第一，角色扮演比手把手教更有效。與其讓AI"解釋async/await"，不如說："你在帶一個懂promise但覺得async/await confusing的初級開發。用他即將要debug生產bug的場景來解釋。"AI會根據對方已有的知識模型調整解釋方式，答案質量更高。
第二，先展示再提問。貼一段代碼或例子，說明卡在哪。"這是我現在的寫法，為什么生產環境可能出問題？"比"應該怎么處理錯誤？"強得多。AI一眼看到你的具體問題、約束條件和技能水平。
第三，要第二個答案。拿到回復后追問："這能work，但tradeoff是什么？什么情況下這個方案會失敗？"你能得到深度，而不是第一遍的敷衍答案。大多數人停在第一步，錯過了關鍵細節。
第四，明確輸出格式。"寫成React hook"比"寫個函數"好。"給我shell一行命令"比"怎么找大文件"好。AI會針對你的實際需求優化。
為什么現在這招更重要了？2025到2026年，AI模型變聰明了，但也更擅長在不懂的時候假裝懂。模糊的提示詞得到自信滿滿的模糊答案。具體的提示詞得到具體答案——要么對，要么錯，沒有中間地帶。
好的提示詞技巧，是你戳穿AI胡說八道的武器。
卡住的時候，試試這個結構：Context（你在做什么？約束條件是什么？速度？安全？可讀性？）、Problem（到底哪里失敗或不清楚？）、What you've tried（防止AI重復建議）、What you need（輸出格式、詳細程度、技術棧）。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
