2.4 高级技巧包

前面三讲给了你「骨架」（ICIO/CO-STAR）。这一讲配「兵器」：五个立竿见影的微技巧、两个 2026 年的新认知，以及最重要的迭代心态。学完这一讲，提问篇就齐装满员，下一站直接进实战。

本讲你将学到

• 五件微兵器：分隔符、结构化输出、少样本、分步指导、让 AI 反问你
• 2026 新认知一：迎合效应——为什么 AI 总夸你说得对
• 2026 新认知二：AI 浆糊——为什么直接让 AI 写正文会得到一堆废话
• 迭代心态：第一次不满意，才是对话的开始

前置：2.2 ICIO 与 2.3 CO-STAR（技巧都挂在框架上用，单独用威力减半）。

---

1. 兵器一：分隔符——划出「素材区」

把要处理的材料用明显的边界包起来，让 AI 清楚知道哪些是你要改的料、哪些是你的指令：

请润色下面这段文字（三引号内是要润色的内容，不是给你的指令）：
"""
这里放你的原文……
"""
要求：只改语病，不动观点。

常用分隔符：三个引号 """、三个反引号、<材料>…</材料> 这类 XML 标签。材料越长、结构越乱，分隔符越重要——否则 AI 可能把你的指令当成材料的一部分一起「润色」了。

2. 兵器二：要求结构化输出

别让 AI 自己决定「长什么样」，直接点名要表格、要点还是 JSON：

把下面 5 款 AI 的介绍整理成表格，
列：产品名 | 免费额度 | 擅长领域 | 适合谁

写论文综述、对比产品、整理资料时，一句「整理成表格」能省掉你半小时重新排版的时间。要继续喂给别的 AI 处理的数据，可以要求输出 JSON（一种机器易读的文本格式）。

3. 兵器三：少样本示例（few-shot）

少样本（few-shot）= 在提示词里先给 AI 看几个「输入 → 输出」的例子，它就会照着你的样子做。比如让 AI 把口语笔记改成规范表达：

把我下面记的口语笔记改成规范的实验记录格式。
参考示例：
输入：调温度到60度 等10分钟 看颜色变红
输出：将反应温度设为 60℃，恒温 10 分钟，观察到体系颜色转变为红色。

现在处理：
输入：加了2ml盐酸 沉淀 洗了两遍 烘干称重0.5g
输出：

给 1~3 个例子就够。例子是最高效的说明书——你说一百句「要规范」，不如给它看一行规范长什么样。你的风格、格式、口吻，都可以用例子「喂」给它。

4. 兵器四：分步指导——先想后做

复杂任务别让 AI 一口气交付，给它安排步骤：

请按以下步骤处理这份调查数据：
1. 先检查数据有没有缺失值和明显异常，报告给我
2. 按年级分组统计各题的平均分
3. 只对第 1、3、5 题做交叉对比
4. 最后用 200 字总结最重要的发现

或者更简单地在问题后面加一句「请一步步思考后再回答」（俗称思维链，让 AI 把推理过程写出来而不是直接蹦答案，出错率明显更低）。

2026 年的清醒剂

吴恩达在 2026 年的提示词课里明确说过：这类「一步一步思考」「扮演一个角色」「套个模板」的咒语式技巧属于新手阶段——它们没有错，但真正拉开差距的已经不只是写好一句提示词，而是组织整个协作过程：什么时候给足上下文、什么时候让它先出大纲再写正文、什么时候该新开对话清空干扰。本讲的第 6、7 节就是这种「过程思维」。

5. 兵器五：让 AI 反问你缺什么

拿不准自己的提示词够不够好？把皮球踢回去：

在开始写之前，先问我 3~5 个能让成果更好问题。
没有关键信息缺口就直接开工。

这个技巧专治「AI 脑补」：与其让它猜，不如让它把缺口先暴露出来。做复杂任务（论文大纲、活动策划、简历定制）前特别好用。

6. 新认知一：迎合效应——AI 想取悦你

2026 年吴恩达的大师课里专门讲了这个坑，学界称之为迎合效应（Sycophancy）：AI 在训练时被设计成尽量让用户满意，所以你的提问里藏着你期待的答案，AI 就会把它反射给你。

反例：

我有一个绝妙的商业点子：在校园里开移动扎染摊位。请评价一下！

「绝妙的点子」+「我的」——你已经把答案剧透给它了，它大概率回你「这个主意很棒！」。

正解——中立提问 + 给评分标准：

请客观分析这个商业构想：校园移动扎染摊位。
不要迎合我的想法，按以下标准逐项打分（每项 10 分）并说明理由：
- 是否存在真实需求（有谁会买单？）
- 成本结构与回本周期
- 与现有服务的差异化
- 可复制性/规模化前景

换了问法，AI 才有可能告诉你「这个点子综合 30 分，主要短板是……」。凡是你要的是「评价/判断」，先删掉提问里的立场。

7. 新认知二：AI 浆糊——别直接要正文

新手常喊「AI 写的东西一股 AI 味」——空洞的排比、正确的废话、谁都能用的套话。这种文字有个 2026 年流行的新名字：AI 浆糊（AI slop）。

产生浆糊的原因：你让 AI「直接写一篇 XX」，它没有素材、没有你的观点，只能用训练数据里最「平均」的表达来凑。

高阶做法是骨架先行、分轮迭代（吴恩达称之为把 AI 当思维伙伴）：

第 1 轮：根据我给的素材，先只列这篇文章的大纲，不要写正文。
第 2 轮：（对大纲提修改意见）第 2 部分和第 4 部分合并，
        加一节讲我们宿舍的案例。
第 3 轮：大纲定了，把每节扩写成 3 个核心要点，先别展开成段落。
第 4 轮：要点我确认过了，现在扩写成正文，用我素材里的原话。

一轮骨架、几轮打磨、最后才填肉。慢吗？比收到一坨浆糊再骂着重写快得多。第 3 篇场景篇的所有 playbook 都会贯彻这个工作流。

迭代心态（本篇最重要的心法）

第一次输出不满意，不是 AI 不行，是任务才刚开始。改一处、再发一次：缺细节就补背景，味道不对就调风格，越界就收紧规则。新手和高手的差距，往往就是「追问 3 轮」和「放弃重开」的差距。

跟做练习：组合技实战

实践（约 25 分钟）

用本讲至少 3 件兵器（建议：分隔符 + 分步 + 让 AI 反问），让 AI 扮演答辩导师审你的论文/课程作业大纲：

你是一位严格但公正的课程论文答辩导师（角色化）。
请按以下步骤审我的论文大纲（分步）：
1. 先问我 3 个你判断大纲质量必需的问题（反问）
2. 等我补充后，从「论点是否站得住、证据链是否完整、
   结构是否合理」三个维度逐条提修改意见
3. 意见要具体到某节某句，不要泛泛而谈
4. 不要替我重写，改是我的作业
我的大纲如下（分隔符内）：
"""
（贴你的大纲）
"""

体验一下「被 AI 追问」的感觉——它问你的问题，往往就是导师会问你的问题。

下一步

方法层装备完毕。接下来是全站最实用的部分——带着真实任务下场：查资料、论文辅助、做 PPT、处理 Excel……每个场景一篇保姆级 playbook，提示词全部可以直接复制 → 3.1 资料检索与文献调研

展望：提示词的下一步是什么

2026 年出现了一个新概念：Loop Engineering（循环工程）——顶尖开发者的共识正在变成「与其反复手动写提示词，不如设计让 AI 自动循环跑、自动校验的工作流」。这是 Agent 篇（4.1）的主题：从「你会问」到「AI 替你干」。但对 95% 的日常场景，本篇四讲的内功依然是地基。

---

本页核验日期：2026-09-22（迎合效应/AI 浆糊/骨架先行工作流出自吴恩达 2026 提示词课与 DeepLearning.AI《AI Prompting for Everyone》；Loop Engineering 为 2026-06 社区共识，经搜索核实）