AI 产出总是“差点意思”，常见原因不是提示词写得不够漂亮，而是你的审美偏好、判断原则、验收标准、过去的取舍全在你脑子里，一条都没给它。就像让一个聪明的新员工写方案，你只说“帮我写个方案”，改五轮还是不对——不是他不聪明，是他不知道你要什么。对应做法是把项目规范、风格指南、验收标准、历史决策、约束条件写成 AI 可读取的文档；对 AI 来说，读不到的信息等于不存在。个体创业者的品牌调性、写作风格、对客户的理解都是隐性知识，写出来这件事本身就有价值，很多人写的过程里才发现自己的标准从没被想清楚过⁠1,2。

上下文不是越多越好，关键是信噪比。有一个具体案例：一个项目主页的仓库一度积累了很多 guideline，每收到一轮反馈就加一条原则，最后模型努力同时满足所有要求，产出的页面反而越来越平均——小标题、卡片、解释、结构一个都不少，但主线越来越弱。后来把材料分成两类：价格、权益、事实、来源边界和当前页面属于必须遵守的 active contract；旧版论点、优秀案例、写作原则和视觉参考只是 reference，需要时才读。上下文互相竞争时，模型通常会取平均，所以更有效的做法是先有一个足够强的主线，再只加载当前决策需要的材料⁠3。

想让文档能复用到不同任务，可以按三个元素组织：成功标准是什么、经常踩的坑有哪些、需要什么专用工具。这样 AI 拿到的不只是背景，而是判断“做到什么算对”的依据。配合结果导向的指令——说清输出长什么样、满足哪些标准、不能碰哪些边界，而不是逐步遥控它先做什么再做什么。泛用性不来自把文档写厚，而来自把判断标准写清楚，让 AI 在新任务里也能用同一套标准判断⁠4,2。