你觉得大模型答案太浅？真相是——不是模型不行，而是你不会问。只要换个提问方式，AI就能从“万能丫鬟”变成“专业导师”。这篇文章告诉你，5个小改动足以颠覆你的使用体验。
昨天，我与一位好朋友深入交流时，聊到了一个反常识的现象，这让我意识到自己可能陷入了“知识的诅咒”。我曾理所当然地认为，身处信息时代的职场人士，应该早已熟练掌握了如何高效地使用大模型。
而真实情况是，许多公司的员工依然不知道如何让大模型高效地产生价值。
在实际的沟通过程中，我听到的最多的反馈就是：“用过了，给的答案不满意，然后就放弃用了。” 或者他们会说“太费时间了，不如自己干，花研究的时间，我都干完了。”究其原因，他们的使用方式往往是“一句话需求”。
例如直接告知大模型：“给我做一个咖啡行业的研究报告。”结果自然是流于表面、无法采信的答案。
系统学习一整套提示词，对于工作繁忙的职场人士来说，无疑是一件非常费力的事情。
我希望通过最精炼的内容，准确地告诉大家如何使用大模型来大幅提升工作效率。
这才有了你现在看到的这篇文章。
结论先行
大模型使用的核心，并非掌握复杂的提示词，而是清晰地描述上下文的结构。换句话说，只要你做到了把结构想明白，并把关键信息传递到位，就一定能得到一个专业且有价值的答案产出。
这篇文章将以下逻辑展开描述：
1.核心是使用大模型的方式是以导师的方式启发模型，而非布置任务。
2.理解大模型如何产出答案，有助于我们提升产出结果。
3.5个小改动，提升大模型使用的技巧。
4.大模型在哪些条件下可以在工作中运用。
你和大模型的关系，决定了你产出的质量。
为什么大多数人无法从大模型那里得到超水准的答案？核心原因在于许多用户潜意识里把大模型当成了万能的丫鬟：简单粗暴地交代一个任务，就期待它能自动提供一个可以立即使用的、专业的解决方案。然而，受限于当前大模型的发展，这种简单任务交代很难给你一个高水准的结果。
如果你只是问大模型：“如何减肥？”它大概率只能给你一句正确的废话：“管住嘴，迈开腿。”这就是一个典型的“通用问题获得通用答案”的低效循环。
通用的问题，只能得到通用的答案。
但如果你将大模型视为一个专业能力很强，但是不知道你需求的学生，你的提问方式就会彻底改变。你不会只抛出一个问题，而是会提供结构化的、详尽的背景信息。例如，针对减肥问题，你需要以一个完整的格式来描述你的具体情况：
包括当前的身高体重、是否有旧伤、家里有哪些运动器械、日常饮食习惯如何、对于减肥的计划和希望是什么，以及最终希望大模型在哪几个专业领域给出建议。
所以如果你想用大模型得到一个可用的答案，那就需要把你的信息结构化的讲出来。用导师启发学生的方式，去激发模型的最大潜力。
要高效地使用大模型，我们首先需要理解它的思考方式，这并非是玄学，而是基于严谨的概率学。
在人工智能领域，大模型的核心运转机制，可以追溯到一个关键的数学框架概率分布模型
这个公式之所以至关重要，是因为它为处理和推理不确定性提供了一个既强大又高效的数学框架。
你可以想象一个极其复杂的系统，比如医疗诊断，其中包含了几十个变量，如症状、检查结果、病史等等。如果要描述所有这些变量之间的联合概率，需要的概率值将是天文数字，即使只有十个是非题，也需要1023个概率值，这在计算上是完全不可行的。而这个强大的数学框架，能够将一个庞大、复杂的系统，分解成一系列局部、可管理的条件概率的乘积。它告诉我们，你不需要知道系统里的所有信息，只需要知道每个变量是如何被它的直接原因所影响的，这大大简化了复杂系统的建模和存储。
理解了这个化繁为简的底层逻辑，我们就能明白大模型在与我们互动时的基本原理：自回归（Auto-regression）。你可以将整个大模型想象成一个巨大的概率场。我们输入给模型的每一个词、每一句话，无论是你的提示词还是代码，本质上都是在构建一个潜空间（Latent Space）。
这个潜空间，就是你为模型限定的“思考边界”和“信息上下文”。它决定了模型下一步最有可能生成什么内容。
举个例子，如果你想让模型讨论“游泳”，你构建的潜空间就应该是围绕海洋、泳池、浮力这些概念，而不是让它去联想沙漠或高山。反之亦然。模型会基于你构建的这个潜空间，去计算它下一步输出哪个词语的概率最高。理解了这一点，所有关于提示词工程（Prompt Engineering）和上下文工程（Context Engineering）的准则，都可以从这个根源上推导出来：好的提示词，就是构建了一个清晰、精准、限定性强的潜空间。
此外，在使用大模型的时候，你需要知道，模型在推理时“读取的词汇量越多，这种推理能力就越强”。因此，想要得到高质量的产出内容，就要尽量使用参数量大、经过海量数据训练的模型，因为它们具备更广阔的潜空间和更强的概率推演能力。
而这个公式告诉我们，我们不需要这个巨大的表。我们只需要知道每个变量是如何被它的直接原因父节点影响的。整个系统的联合概率可以被分解成一系列更小的、局部的条件概率的乘积。这使得对复杂系统进行建模和存储成为可能。
在使用大模型的时候，读取的词汇越多，这种推理能力越强。所以要得到好的产出内容，就要用使用量大的模型。
让我们看下目前主流的大模型使用占比
这是最近半年的使用占比
ChatGPT：72.3% Gemini：13.7% DeepSeek：4.2% Grok：2.5% Claude：2.4%，所以尽量使用用户量大的模型。
首先你可以问下大模型如何使用它更高效，这是李笑来提出来一个观点，当时他也说过问Google如何用Google，所以你可以问大模型如何向像专家一样使用它。这里我不写答案了，你可以读完文章后自己试试，一千个发问方法有一千个答案。
这里有一种高效学习提示词的方法就是在每次你写完提示词以后，你可以写下如下内容：
“先不要给我答案，请问你理解了我的提示词了吗？如果没有理解，请告诉我在哪些维度上没有理解。”
这时候大模型会给你反馈需要明确的内容，你看是不是像研究生问导师，而不是你在给他布置任务。
比如我在做行业研究的时候，给GPT布置了一个行业研究的任务，内容如下：
1.人设：你是一名大模型公司内部的行业分析师
2.背景：现在要你去分析通用型大模型，比如GPT，Gemini，Claude这类模型的行业发展情况，请先做好大模型的定义，基于定义给出我具体内容。
2.1请分析中国大模型市场大模型市场
2.1.1按照行业空间与行业终局：剩下几个玩家，行业关键要素，市场空间（市场规模总量、渗透率、行业集中度）
2.1.2发展周期（发展周期、驱动因素、发展趋势），
2.1.3价值链（价值链构成、价值链利益分配、价值链整合趋势，竞争格局）
2.1.4外部环境（政策环境、经济环境、社会环境、技术环境）等要素进行分析
整体分析思路如图所示
3.要求：
3.1 结合全球最新最权威的行业报告整合一个分析结果
3.2 给出数据和事实与观点的出处来源
3.3 包好中需要增加图示说明的内容，请自动补充
3.4 如果没有行业报告信息可以标注说明，不要杜撰内容
4.任务：请分开分析，字数不做限制先不要给我答案，请问你理解了我的提示词了吗？如果没有理解，请告诉我在哪些维度上没有理解。
于是乎大模型给了我很多基于提示词的问题，其实是在描述我的每个提示词的边界，如下图所示：
其实这时候你千万不要烦，而要知道这是一个精确化的过程。你描述的明确了，答案的质量越高。
不要简单地命令它，而要像老师教学生一样，一步步引导它思考。把复杂问题分解，循序渐进地提问，引导它完成推理过程。
遵循逻辑顺序
永远先引导分析，再要求结论。要给大模型足够的信息，如果你先问这段代码好不好？，模型会基于这个结论去逆向寻找证据。
正确的做法是，先问代码这里有什么问题？、那里是否考虑了某种情况？，在充分分析后，再让它做出总结。
因为前面所有的分析过程都将成为潜空间的锚定物，为最终的结论提供坚实的概率基础。
提供具体、有效的反馈
模型不知道自己做得好与坏，也无法理解不行，重做一遍这种模糊的指令。
你必须明确指出它哪里错了，为什么错了，应该如何修正。有效的反馈是调整其潜空间、使其输出更符合你预期的关键。
大模型不吃PUA那一套，清晰、直接的反馈是唯一有效的方式。
明确主题：在开始时就要为对话设定一个清晰的主题或基调，这样相当于告诉大模型你要它产出的是哪个领域的内容。如同告知一个学生“今天考数学”，他会自动调动数学知识而非语文知识。使用精准的词汇来定义任务的性质，能帮助模型快速进入状态。
角色扮演：也可以用角色扮演法告诉大模型你需要他扮演一个什么样的角色，比如行业研究专家，运营专家，商业分析专家等等，你可以对专业进行更加详细的描述，比如工作年限，擅长的行业与领域，相当于你希望大模型模仿一个什么样子的专业人士，在哪个领域给你一个专业的答案。
结构化上下文
模型本身获取信息有三个来源：大模型自己预训练知识、你提示问时实时网络检索、以及你提供的提示词的信息。其中，你提供的信息优先级最高。
但模型本身不会自动理解信息的结构和主次，它依赖于注意力机制（Attention Mechanism）。因此，单纯地堆砌信息（类似信息检索）是不够的，你需要提供有结构、有主次、有关系的上下文，告诉模型这些信息该如何使用，这才是上下文工程的核心。
思考主线而非做甩手掌柜
这种结构结合我实践中的理解包含两部分：首先，比如我让大模型产出一篇某个深度商业议题的文章，要想产出的质量足够高，还是需要我自己通过大模型去阅读所有文章的核心思想，然后自己写出来整体文章的逻辑，之后给大模型提供资料，让他结合这个文章结构来写。如果直接他所有的商业资料包括访谈，大模型很容易陷入细枝末节。
结构化的表达，而非一股脑扔给模型
最简单的就是写好，人设，使用的基调，背景信息，产出要求，以及具体任务，分段落让大模型可以更好的理解你，这时候先启动对话，与大模型沟通他哪里没有理解，不断迭代优化提示词，最终与模型互动后产出一个结构清晰的提示词。方法5：注意提示词词汇使用尽量使用高频词
模型在训练后，对不同词元（Token）的理解深度是不同的。一个在训练数据中出现过一亿次的词，和一个只出现过五十次的词，在模型内部的语义权重和位置完全不同。因此，为了构建一个清晰、稳定的潜空间，选词需遵循以下原则：
尽量使用模型在海量数据中反复见过的常用词、标准词，避免自造词或生僻词，确保用词精准。
所以你需要的是用最简单的话，把事情讲明白，使用日常常用词汇，因为他被大模型训练的最多。
不要使用代词或方向词汇
这里的代词指代的范围更广，大模型需要明确的指代，以确定词与词的关系。最好为每一个功能、模块甚至变量赋予一个独一无二的名字，并在后文中持续使用这个名字指代它。
比如你让大模型给你产出一个行业报告，最好写成行业报告需要包含市场空间，而不是它应该包含市场空间。并且保证行业报告在后面统一为一个名词。
其次不要出现空间词汇，因为在大模型里面没有空间词。比如左边，上边，大模型只是构建了一个词与词之前的关系。
当模型看到这个专属名词时，能迅速将其潜空间聚焦到特定目标上，极大提升沟通的准确性。
如何用好大模型，在什么场景下可以使用大模型，这里我们排除掉做一个会议总结，或者提炼一下文章这种类似秘书类型的工作，还是聚焦于业务。
可以用提示词描述的任务
我认为是首先你收到的任何工作你需要思考一下是否可以通过清晰地提示词表达出来，如果可以那么就可以让大模型来代劳。
就是任务的结构要清晰，或者有通用的模板，大模型已经学习掌握了。这样是容易使用大模型来完成的。
比如我会大模型来预测3个月后的用户量，订单量，这个问题相对来说是容易给大模型的，他的背景信息容易描述清楚，就可以用大模型。
再比如我会用大模型来做行业分析，因为行业分析也很容易清晰化的表达出来，通常行业分析有标准的结构。
当我们面对的是一个复杂的多个维度的问题，他不容易结构化变成提示词，通常需要我们自己把事情想清楚，把话说明白，写清楚提示词。而不能一股脑的交给大模型，这样的产出物是没有办法使用的。比如制定战略，你自己有一个清晰主线，直到怎么制定战略，然后自己拆解完毕后把每个部分交给大模型是可以的。
非常强调逻辑的任务
比如我想让大模型帮我做数据分析，不是直接给他数据，而是说如果如果我像验证某个观点，需要如何论证才能够清晰，比如“我发现C端用户打车订单发起率掉了2.3%，我认为是司机在线时长变少了，我需要如何论证这个结论？“亦或者“我发现C端用户打车订单发起率掉了2.3%，有哪些分析维度”
然后你依然需要像导师一样和他互动，因为大模型很可能给你罗列出非常多的影响因素，比如竞对策略，突发事件，外部环境等等，你要在他罗列的这些内容中找出主要内容反馈给他。让他继续帮你论证。
这时候大模型就是是你一个商分导师，放心，他比大部分的商分导师要靠谱。
你的思考密度和维度，不太会超过人工智能
涌现且容易判断质量的问题
比如你你想让大模型给你产出一些广告语，或者帮你修改APP推送文案，或者针对某些特定人群，帮你改改用户调研的书面语，比如针对一些初高中学历的人的问卷问题，那么他模仿的会更好一些，且他修改过的内容是你容易判断好与不好的。
核心就是发散和你可以明确判断质量的内容，都可以试着让大模型帮你来做。
最后再讲两个感悟：
1.如果用的不好，不是你的问题，是大模型目前只能基于上下文来做产出。所以核心是持续用。
2.一定要结合工作内容持续去用。不断迭代，持续关注，持续使用，不要有太大的危机感。
本文由人人都是产品经理作者【阿润的商业笔记】，微信公众号：【阿润商业笔记】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
