YC访谈：顶级公司如何写AI提示词

昨天YC一个访谈《State-Of-The-Art Prompting For AI Agents》，专门讲他们投资的一家客服公司，公开了他们提示词的写法，这应该也属于第一家吧。

今天分享给大家。

核心观点：一个6页的"说明书"价值千万

目前在Perplexity搜索问题、在Replit写代码、或者联系这些知名AI公司的客服时，回答你的其实不是人类，而是AI机器人。

但这些AI机器人为什么能够如此聪明，回答得如此专业？

答案的关键不在于它们使用了多么先进的AI大脑，而在于它们拥有一本厚达6页的"工作手册"。

这本手册告诉AI该如何思考、如何回答、甚至遇到什么情况该说"我不知道"。

在AI圈子里，我们把这本手册叫做"提示词"。

这就好比你去一家五星级酒店，服务员之所以服务得如此周到，不是因为他们天生就懂服务，而是因为酒店给了他们一本详细的服务手册：遇到什么样的客人该说什么话，遇到什么问题该怎么处理，甚至连微笑的角度都有规定。

今天，我们看看他们如何介绍这些价值千万的"AI工作手册"是怎么写出来的。

学会了这些方法，你也能让ChatGPT、Claude这些AI助手变得更聪明、更懂你。

第一层基础：给AI一个清晰的身份认知

要先告诉AI"你是谁"？

想象一下这个场景：你是一家公司的老板，新来了一个员工，你什么都不说就让他开始工作。

结果会怎样？这个员工肯定会不知所措：我到底是来做销售的还是做技术的？我的权限有多大？我能做什么决定？

AI也是一样的道理。

如果你直接问它"帮我处理客户投诉"，AI就像那个新员工一样困惑：我应该以什么身份来处理？是普通客服的角色，还是客服主管的角色？处理到什么程度算完成任务？

所以，顶级公司的提示词都会这样开头：

普通写法："帮我处理客户投诉"

专业写法："你是一家科技公司的高级客服主管，拥有10年客户服务经验。你的职责是：

• 仔细倾听客户的问题和不满
• 分析问题的根本原因
• 提供切实可行的解决方案
• 在必要时将复杂问题升级给技术团队
• 确保客户满意后才结束对话"

看到区别了吗？第二种写法让AI明确知道自己的身份、经验背景、具体职责，就像给新员工发了一份详细的岗位说明书。

把复杂任务分解成简单步骤

人类处理复杂任务时会本能地分解步骤，但AI需要你明确告诉它。

这就像教小孩子做数学题，你不能说"解这个方程"，而要说"第一步移项，第二步合并同类项，第三步求解"。

举个实际例子：

假设你想让AI帮你分析一篇文章是否值得投资。

糟糕的提示词："分析这篇文章，告诉我是否应该投资"

优秀的提示词："请按照以下步骤分析这篇投资文章： 第一步：识别文章中提到的公司名称、行业类型、投资金额 第二步：找出文章中提到的市场机会和风险点 第三步：分析该公司的竞争优势和劣势 第四步：评估投资的潜在回报和风险等级 第五步：基于以上分析，给出明确的投资建议（投资/不投资/需要更多信息）"

这样AI就会像一个专业的投资分析师一样，有条不紊地完成分析工作。

规定清晰的输出格式

这个概念可能听起来很技术，但其实很好理解。就像你去餐厅点菜，你希望服务员回答"有红烧肉，35元一份，大概需要等15分钟"，而不是"有的，挺好吃的，不贵"。

在AI的世界里，我们可以用一些特殊的标记来要求AI按照固定格式回答。

比如用XML标签（就像给文字加标题一样）：

例子："请用以下格式回答： <分析结果>你的具体分析内容</分析结果> <投资建议>投资/不投资/需要更多信息</投资建议> <风险等级>低风险/中风险/高风险</风险等级>"

这样AI的回答就会很规整，你也更容易提取有用信息。

就像银行的业务单据都有固定格式一样，便于处理和存档。

第二层进阶：让AI学会"举一反三"

用具体例子教会AI（这是最重要的技巧！）

你有没有这样的经验：别人跟你解释一个概念时，说了半天你还是云里雾里，但他一举例子，你马上就明白了？AI也是如此。

让我用一个真实案例来说明。

假设你想让AI识别代码中的"N+1查询问题"（这是一种会让网站变慢的编程错误）。

方法一：纯文字解释"N+1查询问题是指在循环中执行数据库查询，导致性能问题的情况"

AI看了这个解释，还是一头雾水，就像你第一次听到这个概念一样。

方法二：给出具体例子"以下是N+1查询问题的例子：

// 错误的写法（N+1查询问题）

users = 获取所有用户() // 这是第1次查询

for user in users:

orders = 获取用户订单(user.id) // 如果有100个用户，这里就会查询100次

print(user.name, orders)

这种写法会导致数据库被查询101次（1+100），严重影响性能。当你看到类似的代码模式时，就要警惕N+1查询问题。"

现在AI就明白了！它不仅知道什么是N+1查询问题，还知道这种问题长什么样子。就像医生通过看X光片学会诊断骨折一样。

元提示：让AI当你的提示词顾问

这是最神奇的技巧，也是顶级公司都在用的秘密武器：让AI帮你写更好的提示词。

这就像请一个写作专家帮你修改简历。你写了一份简历，但觉得不够好，于是找到一个HR专家，他帮你改进措辞、调整结构、突出亮点。元提示就是这样的概念。

具体操作方法：

第一步：写一个基础版本的提示词 比如："帮我写一篇关于环保的文章"

第二步：请AI扮演提示词专家 "你现在是一个拥有10年经验的AI提示词工程师，专门帮助人们优化提示词。我有一个提示词想请你改进，让它更清晰、更有效果。

我的原始提示词是：'帮我写一篇关于环保的文章'

请帮我分析这个提示词的问题，并给出改进后的版本。"

第三步：收获改进版本 AI会告诉你原始提示词太模糊，然后给你一个类似这样的改进版本：

"请以一个环保专家的身份，写一篇1500字的文章，主题是'个人如何在日常生活中实践环保'。文章要求：

• 目标读者：对环保有初步兴趣的普通人
• 文章风格：实用、易懂、有说服力
• 内容结构：问题背景+具体方法+实际效果
• 至少包含5个具体可行的环保小贴士
• 用生活化的例子说明每个方法"

看到区别了吗？改进后的提示词就像从"随便做个菜"变成了详细的菜谱。

给AI设置"求救按钮"

这个概念非常重要，但经常被忽略。

AI有一个特点：它太"想帮助你"了。就像一个过分热心的员工，即使不确定答案，也要硬着头皮给你一个回复。

举个例子：你问AI："2024年的诺贝尔物理学奖颁给了谁？" 如果AI的训练数据只到2023年，它不知道答案，但可能会猜测或编造一个听起来合理的答案。

这就很危险了，就像问路时，不知道路的人为了显得有用而瞎指方向一样。

解决方法：给AI一个"不知道"的选项

"如果你对问题没有确切的答案，或者需要最新信息才能准确回答，请直接说'我需要更多信息才能准确回答这个问题'，不要猜测或编造答案。"

这样AI就有了说"不知道"的勇气，反而让它更可靠。

第三层企业级应用：三层提示词架构系统

为什么需要分层管理？

想象一下，你经营一家连锁餐厅，有麦当劳、肯德基、必胜客三种不同风格的分店。你会怎么管理？

如果为每家店单独写一套完整的管理手册，工作量巨大，而且很多基础内容是重复的（比如食品安全标准、客户服务礼仪）。

聪明的做法是建立三层管理体系：

• 第一层：集团统一标准（适用于所有分店）
• 第二层：品牌特色规则（麦当劳的规则vs肯德基的规则）
• 第三层：具体门店指令（今天的特价菜单）

AI提示词也是同样的道理。

第一层：系统提示词（公司基本法）

这一层定义最基础、最通用的规则，就像公司的基本法。不管服务哪个客户，这些规则都不变。

例子："作为客户服务AI，你必须始终遵循以下原则：

• 保持礼貌和专业的语气
• 优先确保客户满意
• 保护客户隐私信息
• 遇到无法解决的问题时，及时转交人工客服
• 绝不承诺超出公司政策范围的服务"

这就像酒店行业的基本服务标准，不管是希尔顿还是万豪，这些基本原则都是通用的。

第二层：开发者提示词（客户定制规则）

这一层添加特定客户的个性化需求。比如为Netflix提供服务和为银行提供服务，规则肯定不同。

为Netflix服务的规则可能是："当客户询问观影推荐时：

• 优先推荐Netflix原创内容
• 根据客户历史观看记录个性化推荐
• 避免推荐即将下架的内容
• 对于儿童账户，严格执行年龄分级限制"

为银行服务的规则可能是："当客户询问金融服务时：

• 严格验证客户身份后才提供账户信息
• 涉及大额交易时必须进行二次确认
• 绝不通过聊天提供密码重置服务
• 发现可疑交易立即提醒客户联系银行"

第三层：用户提示词（具体任务指令）

这是用户直接输入的内容，比如"帮我推荐几部科幻电影"或"查询我的账户余额"。

三层架构的优势：

1. 效率高：不用为每个客户重写所有规则
2. 易维护：修改基础规则时，所有客户都能受益
3. 个性化：每个客户都能有自己的特色服务
4. 成本低：避免重复开发

就像软件开发中的模块化思想，把复杂系统分解成可复用的组件。

第四层高级策略：选对AI"员工"类型

不同AI模型的"性格"差异

在现实工作中，你会发现每个员工都有不同的性格和特长。有些人善于沟通，有些人技术能力强但需要明确指导。AI模型也是如此。

Claude：善解人意的"沟通专家"

Claude就像办公室里那个情商很高的同事，你跟他说话很轻松，他总能理解你的言外之意。

特点：

• 对模糊指令的理解能力强
• 回答更有人情味
• 擅长创意性工作
• 安全意识强，不容易被"带跑偏"

适合的工作场景：

• 写创意文案
• 客户沟通
• 内容创作
• 需要同理心的任务

实际应用例子：当你说"帮我写一封道歉信，因为产品延期了"，Claude能够理解你需要的不仅仅是一封信，而是一封既诚恳又能维护客户关系的沟通文本。

Llama：严谨的"技术专家"

Llama就像公司里的技术大牛，能力很强，但需要你把需求说得很清楚，否则他会按照字面意思执行。

特点：

• 逻辑性强
• 适合结构化任务
• 需要详细明确的指导
• 在技术领域表现优秀

适合的工作场景：

• 代码编写和审查
• 数据分析
• 逻辑推理
• 结构化内容生成

实际应用例子：当你需要让Llama写代码时，不能简单说"写个登录功能"，而要详细说明： "用Python Flask框架写一个用户登录功能，包含：

1. 用户名和密码验证
2. 错误信息提示
3. 登录成功后跳转到首页
4. 密码需要加密存储
5. 添加防止暴力破解的限制"

成本优化策略：大模型优化，小模型执行

这是顶级公司常用的聪明策略，就像请顶级设计师设计方案，然后让普通工人按图施工。

具体操作流程：

第一步：用强大但昂贵的AI（比如GPT-4）优化提示词 "我有一个基础的客服提示词，请帮我优化成专业级别的版本，要求能够处理各种复杂的客户情况..."

第二步：获得优化后的完美提示词 经过优化，你得到一个非常详细、考虑周全的提示词。

第三步：用便宜的AI模型执行日常工作 把优化后的提示词给便宜的AI模型（比如GPT-3.5），让它按照这个"完美说明书"工作。

成本对比：

• 用GPT-4优化：100次调用，成本约10美元
• 用GPT-3.5执行：10000次调用，成本约20美元
• 总成本：30美元

如果全程用GPT-4：10000次调用，成本约1000美元

这种策略特别适合语音AI应用，因为用户和AI对话时，响应速度非常重要。慢一秒钟，用户就会觉得"这个AI不够智能"。

实战技巧：今天就能用的方法

技巧一：利用AI的"思考过程"调试

现在一些AI工具（比如Gemini、Claude）会显示它们的"思考过程"，就像让你看到学生做数学题时的草稿纸。

如何使用：

1. 给AI一个任务
2. 观察它的思考过程
3. 找出它在哪一步"想歪了"
4. 针对性地改进你的提示词

实际例子：你让AI分析一家公司是否值得投资，它的思考过程可能是： "用户要求分析投资价值 → 我需要看财务数据 → 但用户只给了公司名称 → 我去搜索这家公司 → 找到了一些新闻 → 基于新闻分析..."

通过观察这个过程，你发现AI缺乏足够的财务数据，于是改进提示词： "请分析XX公司的投资价值。如果缺乏关键财务数据，请明确列出需要哪些数据才能做出准确分析。"

技巧二：建立你的"案例库"

就像医生会记录疑难病例一样，你也要记录AI表现不好的情况。

具体操作：

1.准备一个文档或笔记本

2.每次AI回答得不满意时，记录下来：

• 你的原始提示词
• AI的回答
• 你期望的回答
• 问题出在哪里

3.总结出改进方案

4.更新你的提示词模板

例子：

问题记录：

原始提示："帮我写个产品介绍"

AI回答：写了一个很通用的模板

期望回答：针对我们产品特点的个性化介绍

问题分析：提示词太模糊，没有提供产品信息

改进方案：

"请为我们的智能手表写产品介绍。产品特点：

- 续航7天

- 50米防水

- 支持心率监测

- 价格999元

- 目标用户：25-40岁运动爱好者

- 突出相比Apple Watch的性价比优势"

技巧三：通用的元提示模板

这是一个你可以立即使用的万能模板：

你是一个拥有丰富经验的AI提示词优化专家。我有一个提示词需要你帮助改进。

我的目标是：[详细描述你想达成的目标]

目标用户：[描述使用AI输出内容的人群]

应用场景：[说明在什么情况下使用]

我的原始提示词：

[粘贴你的提示词]

请帮我：

1. 分析原始提示词存在的问题

2. 提供改进后的版本

3. 解释为什么这样改进

4. 给出使用建议

改进后的提示词要求：

- 更清晰明确

- 减少歧义

- 提高输出质量

- 易于复用

使用示例：假设你想让AI帮你写朋友圈文案推广你的咖啡店：

你是一个拥有丰富经验的AI提示词优化专家。我有一个提示词需要你帮助改进。

我的目标是：让AI写出能吸引客户的咖啡店朋友圈文案

目标用户：25-35岁的白领，喜欢咖啡文化

应用场景：每天发朋友圈推广咖啡店

我的原始提示词：

"帮我写个咖啡店的朋友圈文案"

请帮我：

1. 分析原始提示词存在的问题

2. 提供改进后的版本

3. 解释为什么这样改进

4. 给出使用建议

AI会帮你分析问题（太模糊、缺乏具体信息等），然后给出改进版本。

核心要点：从新手到专家的进阶路径

新手阶段：掌握基本原则

在这个阶段，你需要养成这些好习惯：

给AI明确的角色定位不要说"帮我写文章"，而要说"你是一个有10年经验的营销专家，帮我写一篇针对年轻人的产品推广文章"。就像给演员一个明确的角色设定，他才知道该怎么演。

用具体例子替代抽象描述与其说"写得生动一点"，不如给一个具体例子："像这样写：'咖啡的香味像温暖的拥抱，瞬间包围了整个房间'"。例子胜过千言万语。

设计逃生机制永远告诉AI："如果你不确定答案，请说'我需要更多信息'，不要猜测。"这让AI更诚实，反而更可靠。

进阶阶段：掌握系统方法

利用元提示让AI帮你改进提示词，就像请写作老师修改你的作文。这是最快的提升方法。

建立分层架构把通用规则和具体需求分开，提高复用性。就像建立公司制度一样，有基本法，也有具体的业务规则。

了解不同AI的特点Claude适合创意工作，Llama适合技术任务。选对AI就像选对员工，事半功倍。

专家阶段：形成自己的方法论

建立案例库记录每次AI表现不佳的情况，总结规律，形成自己的最佳实践。

成本优化用大模型优化提示词，用小模型执行任务，在质量和成本之间找到最佳平衡。

持续迭代提示词不是一次性的，要根据实际效果不断优化，就像产品需要不断迭代一样。

从"一次性任务"到"长期合作"好的提示词是一种投资，一旦写好，可以重复使用成千上万次。就像建立一套好的工作流程，一次投入，长期受益。

从"完美主义"到"迭代优化"不要期望第一次就写出完美的提示词。先写一个基础版本，然后根据实际效果不断改进。

就像创业一样，MVP（最小可行产品）先行，然后快速迭代。

记住：写好提示词不是技术活，而是沟通艺术。

它需要你站在AI的角度思考：它需要什么信息才能帮你完成任务？就像管理一个新员工，清晰的沟通和合理的期望设定，永远是成功的关键。

当你掌握了这些方法，你会发现AI不再是一个难以捉摸的黑盒子，而是一个听话、高效、可靠的助手。它能帮你写文案、分析数据、解决问题，甚至创造出你意想不到的内容。

这就是提示词的力量：它不仅仅是文字，更是你与AI之间的沟通桥梁，是你管理AI团队的核心技能。

文章来自于“我叫秋水”，作者“秋水”。