最近用ai用的很一般,也不晓得是提示词问题还是怎么样,不确定ai给的东西是不是最优解,leader和pm用ai产出就很好,大家都是用同一个工具的
提问
同一工具下,产出差距更可能来自上下文、验收标准和迭代方式,而不只是提示词。leader和pm的优势往往是把隐性标准写清楚、让AI能反复调用。
先别把问题归到提示词
立正把“AI不靠谱”看作方法层级的问题:同一个模型,有人只得到“差不多”的结果,有人能把它变成稳定产出、可迭代的工作系统,差别在方法而非工具1。他也说,Cursor、Claude Code、Codex 这些工具的基础能力没有本质差距,工具本身不是关键变量2。所以“提示词写得好不好”可能只是表层,值得先看更底层的东西。
差距常在AI看不到的上下文
立正解释,决定输出质量的不是 prompt,而是 AI 执行任务时看到了什么。大厂员工有团队文档、代码仓库、历史决策记录,AI 天然有大量 context 可读;个体或小团队的品牌调性、写作风格、对客户的理解都留在人脑子里,从没写成 AI 能读的格式,产出就“差点意思”3。他打了个比方:让一个聪明的新员工写方案,你只说“帮我写个方案”,他当然不知道你的审美、取舍和验收标准3。团队层面,context 散落在聊天、文档、邮件和会议纪要里,没有结构,每次都要从零解释背景,经验也随人走而蒸发4。这可以解释为什么用同一个工具,leader和pm的产出更稳:他们可能已经把标准、案例和背景沉淀成了可复用的材料,而不只是会写提示词。
怎么判断是不是“最优解”
AI推演立正给的方法不是逐步遥控 AI,而是清楚定义结果:告诉它“做到什么算对”,比如要一份对比三个方案优劣的表格,包含成本、时间、风险,最后给推荐3。他也强调,很多效果不理想,是因为自己脑子里根本不知道要什么,或者知道却没表达给 AI5。所以“不确定是不是最优解”,可以先问自己:我有没有说清验收标准?如果说不清,AI 给的东西就很难判断好坏,也就谈不上最优。可以试着把这次任务的“什么算对”写成几条可检查的条件,再让 AI 按这些条件改一版,看产出是否更接近你的判断。这是 AI 基于上述方法的应用建议。
材料没有具体说明你leader和pm的实际用法,所以无法确认他们的优势究竟来自上下文积累、验收标准还是别的因素;上面的解释是可能的方向,不是对他们做法的核实。
回到5份原文
说明差距在方法层级而非工具,是理解问题的总框架。
可回到原文核对这部分判断
具体解释上下文、隐性知识和结果导向指令,最贴近“产出差点意思”的处境。
从团队角度说明context散落和经验蒸发,解释为什么同工具产出不同。
强调先清楚自己要什么并表达给AI,帮助判断“最优解”问题。