让 AI 承担更大的任务:从交付物走向结果的 11 个提示词模板
我们经常让 AI 做一些边界清晰的小事:写一封邮件、生成一张表、解释一段代码、整理一次会议纪要。
这些任务都有价值,但有时我们真正想要的结果,离交付物还有一段距离。做完周报之后,我们仍要判断哪些问题需要决策;修复一次故障之后,我们还要想办法避免它反复发生。
在文章 《How to be more ambitious: A tutorial for humans with models》中,Felix Rieseberg 提出了四个观察 AI 使用方式的维度:速度、高度、深度和广度。速度是更快地完成相同工作;后三者则邀请我们重新考虑任务本身。
- **高度:**从眼前的任务上升一层,看看它服务的目标是什么。
- **深度:**接触原始材料,使用专业方法,并寻找独立验证结果的方式。
- **广度:**从不同领域引入真正有用的方法和工具。
这篇文章结合这些思路,以及数字生命卡兹克分享过的问题追问、事实核查、多视角分析和最小实验等方法,整理了 11 个可直接改写使用的提示词。
**说明:以下提示词均由我重新编写,不是 Felix 或卡兹克文章的逐字翻译或原文。**每个模板都需要填入背景、材料和约束;其中的研究、测试或实际运行,也取决于所用 AI 能否访问相应资料和工具。
一、提高高度:从“完成任务”转向“解决问题”
1. 找到任务背后的目标
有时我们让 AI 做一份报告,其实是想帮助团队决定下一步做什么。让 AI 修一个问题,可能是想降低同类故障的发生率。
适用场景: 已知交付物,但不确定它是不是解决问题最直接的方式。
1 | 我目前准备做的任务是:[任务]。 |
怎么用: 附上任务的受众和决策场景。这个模板适合定义工作范围;如果任务本来就有严格格式或明确要求,也应把这些要求写进约束。
2. 从报告升级为决策支持
报告可以把信息整理出来,但真正有帮助的报告,还需要告诉读者:哪些变化重要、哪些原因仍不确定、现在有哪些选择。
适用场景: 周报、季度复盘、项目进度、成本分析或发布质量报告。
1 | 请基于以下材料完成[报告主题]: |
怎么用: 给出统计口径、比较周期和会议对象。没有足够数据解释原因时,要求它明确写出尚待验证的假设。
3. 从一次性处理升级为持续发现
如果一类问题每个月都要重新统计、重新分析,那么值得研究能否更早发现它。
适用场景: 反复出现的告警、成本异常、发布失败、工单积压或客户流失。
1 | 我们反复遇到的问题是:[问题]。 |
怎么用: 先用历史案例回测,再与现有流程并行试运行。能描述出一个监控规则,不代表它已经证明有效。
二、增加深度:从“像专家回答”到“使用专业方法”
4. 把任务做得更深入,而不是更长
在陌生领域,最难的往往不是写出答案,而是不知道应该从什么材料入手,以及怎样判断答案是否可靠。
适用场景: 研究、方案评审、诊断和复杂分析。
1 | 我原本的任务是:[任务]。 |
怎么用: 先看 AI 提出的材料和方法是否适合你的场景,再决定哪些值得加入任务。这条模板受 Felix 文章中的深度提示词启发,但文字是重新编写的。
5. 从原始数据反证既有判断
团队内部容易形成一些大家都熟悉的解释,比如“用户流失是因为引导做得不好”或“异常主要来自某个环节”。熟悉不等于已经验证。
适用场景: 诊断故障、业务变化、用户流失或成本异常。
1 | 我们目前的判断是:[判断]。 |
怎么用: 提供原始记录及时间范围。模型无法访问的数据,应标记为未获取,而不是凭空补全。
6. 为结果设计独立验证
AI 可以写代码,也可以解释自己为什么认为代码没问题。但解释和实际验证是两回事。
适用场景: 代码修改、数据统计、研究报告、接口分析和迁移方案。
1 | 请先完成[任务],然后设计并执行独立验证: |
怎么用: 先判断工具有没有执行权限与数据访问能力。重要结论最好有可以复现的命令、测试结果或原始来源。
7. 设定有挑战的目标,并验证可行性
一个更高的目标可以帮助我们跳出渐进优化,但目标是否可行,仍要靠测量回答。
适用场景: 性能优化、流程提效、降低错误率或改善体验。
1 | 当前指标是:[现状],常规目标是:[目标]。 |
怎么用: 明确指标口径,例如平均值、P99、样本范围和测量环境。不要把一个大胆目标当成结果保证。
三、扩大广度:寻找其他领域真正有用的方法
8. 把交付物改写成需要完成的动作
当我们说“做一份 PPT”时,脑海里很容易只剩下页数和版式。但它真正要完成的,也许是帮助读者理解变化、比较方案并作出决定。
适用场景: 汇报、教育、产品设计和信息展示。
1 | 我准备制作:[交付物]。 |
怎么用: 填入具体受众和预期行为,例如“让负责人在 30 分钟内选出两个优先治理的问题”。
9. 多专业协作,要求具体方法
让 AI 扮演几位专家,可能会得到一场热闹的对话。更重要的是,每个视角究竟能引入什么资料、方法和检查。
适用场景: 跨产品、技术、运营、研究等领域的问题。
1 | 我要解决的问题是:[问题]。 |
怎么用: 要求每个视角提供可检查的依据。必要时,请不同视角对同一份证据提出不同解释。
10. 跨领域寻找成熟解法
有些看似特殊的难题,抽象之后可能是多个领域共同面对的资源分配、反馈延迟或信息不对称问题。
适用场景: 常规方案收效有限,需要新的思路。
1 | 我遇到的问题是:[问题、当前做法和约束]。 |
怎么用: 重点检查“机制是否相同”,而不是因为两个场景听起来相似就直接照搬。
四、把三种思路组合起来
11. 一个通用的复杂任务模板
下面这个版本适合需要研究、提出方案并验收的任务。它不要求每次都扩大范围,而是先识别是否有值得提升的地方,再依据当前权限执行。
1 | 我想完成的事情是:[任务]。 |
怎么用: 对简单任务可以删去不需要的部分;对重要任务,尽量提供能直接访问的原始资料和具体的完成标准。
一个例子:从发布统计走向改进决策
假设原本的任务是:
统计过去一个月的发布失败情况,整理成周报。
这可以完成,但还可以把目标说得更清楚:
1 | 请研究过去一个月的发布失败情况。 |
这仍然是一项可执行的统计任务,但它把统计连接到了后续决策。它也规定了分母、抽查和缺失数据处理,避免一份看起来完整的报告掩盖证据不足。
使用时,留意三个边界
第一,目标提升不等于无限扩大任务。让 AI 提出更高一层的目标很有价值,但是否执行,仍应根据你的需求、权限和资源决定。
第二,角色不等于专业能力。需要深度时,检查它是否真的找到了原始材料、使用了合适方法、提供了可以复核的结果。
第三,验证不等于自我评价。测试、回测、原始来源、独立计算和真实用户反馈,通常比“我检查过了”更能说明问题。
当这些条件具备时,AI 不只是更快地生成一个交付物,也能帮助我们更早发现问题、比较选择,并把想法变成可以检验的行动。
参考资料
- Felix Rieseberg,How to be more ambitious: A tutorial for humans with models,2026 年 10 月 13 日。
- 数字生命卡兹克,《都 Agent 时代了,我还是想分享给你这 12 个我最常用的 Prompt》;可阅读的转载整理。检索时公众号页面无法直接读取。
- 数字生命卡兹克,《分享 6 个平时我最常用的 Prompt 心法》。