越来越多人开始用 AI 工具做方案，但结果总像“半成品”：结构乱、重点模糊、逻辑不清。其实，真正的问题不是 AI 太弱，而是你给它的提示词不够强。这篇文章将系统梳理高质量提示词的构建方法，让你从“半成品”提案变身高完成度方案专家。
作为产品经理，你是否遇到过这种情况：让 AI 写一份用户调研问卷，结果输出的内容太泛，根本用不了；让 AI 分析竞品的核心功能，得到的答案浅尝辄止，还得自己重新梳理？其实，不是 AI 不够强，而是你给的 “需求”（提示词）不够清晰。
如今，ChatGPT、Claude 等 AI 工具已经成为产品经理的 “第二大脑”—— 写 PRD 初稿、梳理用户画像、脑暴功能点都能派上用场。但想让 AI 真正 “懂你”，前提是写好提示词：它就像给 AI 的 “PRD”，定义了 “目标、背景、输出标准”，直接决定了 AI 的交付质量。
提示词能力并非玄学，而是能切实提升产品经理工作效率和质量的生产力工具，这一点从产品经理的核心工作中就能清晰体现。
我曾让 AI 写一份 “DHR 晋升系统的竞品分析”，第一次提示词是 “写一份 DHR 晋升系统的竞品分析”，结果 AI 给了泛泛而谈的 “功能对比、界面设计、用户评价” 框架；第二次补充了 “用户画像（10000 人规模企业的 HRBP）、现有痛点（晋升规则混乱，不同部门标准不统一，手动筛选低效）、竞品参考（肯耐珂萨 DHR 系统）”，AI 直接输出了 “晋升规则标准化模板库 ” 的差异化分析，节省了 2 小时梳理时间。
产品经理对 “好需求” 有天然的敏感度，我们可以类比 PRD 的 “清晰、完整、可落地”，来定义 “好提示词” 的标准，降低理解门槛。
核心在于明确 “让 AI 做什么”，避免模糊表述，这类似于将 “用户需求” 转化为 “产品目标” 的过程。
反面案例：“帮我分析一下这个功能的用户反馈”。这里的表述很模糊，是分析用户满意度？还是提炼用户痛点？AI 很难准确把握。
正面案例：“帮我分析最近 30 天‘DHR 晋升系统晋升规则管理功能’的用户反馈，提炼 TOP3 负面痛点，并按‘出现频率’排序，附具体用户原话案例”。这样的表述目标清晰，AI 能精准执行任务。
核心是给 AI 提供 “前置信息”，就像给开发讲解 “为什么做这个需求” 时，要说明用户场景、业务限制、历史背景等内容。
产品经理场景案例：当让 AI 设计 “DHR 晋升系统的晋升规则管理模块” 时，需要补充 “产品是企业人力资源平台，用户以 10000 人规模企业的 HR 和管理层为主，现有晋升规则分散在各部门，执行标准不统一，想通过该模块实现晋升规则的集中管理和自动化应用”，而不是只说 “设计一个晋升规则管理模块”。有了充分背景，AI 设计出的模块才更贴合实际需求。
核心是用产品经理熟悉的 “结构化思维” 约束 AI 的输出，比如要求 “分点、表格、流程图、优先级排序” 等，这符合产品经理对 “信息效率” 的追求。
示例：“请用‘用户场景 – 痛点 – 解决方案’的表格形式，梳理‘DHR 晋升系统晋升规则管理功能’的优化点，至少 5 条，解决方案需标注‘优先级（高 / 中 / 低）’”。结构化的输出要求能让 AI 的成果更易于使用和理解。
结合产品经理的工作场景（写 PRD、做竞品分析、脑暴功能点等），总结出可复用的提示词框架，突出 “拿来就能用” 的特点。
场景 1：让 AI 写 DHR 晋升系统晋升规则管理 PRD 初稿
差的提示词：“帮我写一份 DHR 晋升系统晋升规则管理的 PRD”
好的提示词：
“请扮演‘5 年 DHR 系统产品经理’，帮我写一份‘中型企业 DHR 晋升系统晋升规则管理模块’的 PRD 初稿。
背景：产品是企业人力资源 平台，用户是企业 HR 和部门负责人，本次模块需支持‘晋升规则模板创建、多维度条件设置、规则与岗位体系关联、规则生效与废止管理’，技术限制是暂时不支持与旧版薪酬系统实时联动。
任务：包含核心功能清单、用户流程图、优先级排序（用 MoSCoW 法则）。
输出要求：分‘功能描述’‘用户流程’‘非功能需求’3 个模块，每个功能标注‘用户价值’和‘开发成本（低 / 中 / 高）’。”
场景 2：让 AI 做 DHR 晋升系统晋升规则管理竞品分析
差的提示词：“分析一下不同 DHR 晋升系统晋升规则管理的区别”
好的提示词：
“请以‘人力资源产品分析师’的身份，对比肯耐珂萨 DHR 系统和北森 DHR 系统的‘晋升规则管理功能’。
背景：我们在做中型企业 DHR 晋升系统，想提升系统晋升规则的灵活性和适用性，目标用户是 500-1500 人规模企业的 HR。
任务：从‘规则模板丰富度、条件设置维度、与其他模块联动性、规则变更追溯’4 个维度对比，重点分析肯耐珂萨在‘跨层级晋升规则适配’上的优势。
输出要求：用表格呈现对比结果，最后附 1 条对我们产品的落地建议。”
场景 3：让 AI 脑暴 DHR 晋升系统晋升规则管理优化策略
差的提示词：“给我们的 DHR 晋升系统晋升规则管理想几个优化办法”
好的提示词：
“请扮演‘人力资源数字化顾问’，为我们的‘企业人力资源平台’（用户是 10000 人企业的 HR 和管理层）设计 3 个提升晋升规则管理功能使用率的策略。
背景：产品上线一年，晋升规则管理模块使用率仅 40%，核心功能是‘规则模板自定义、智能条件校验、审批流程关联’，用户反馈‘规则设置复杂，与实际晋升场景匹配度低’。
任务：策略需包含‘用户培训方式、功能简化方案、场景化应用点’。
输出要求：按‘策略优先级’排序，每个策略用‘用户场景故事’开头（如 “李 HR 是某企业人力资源部员工，他在 XX 场景下使用晋升规则管理模块时遇到了…”）。”
从产品经理的 “避坑思维” 出发，提醒大家在写提示词时容易踩的坑，强化实用性。
误区 1：追求 “一次到位”，忽略 “迭代优化”
产品经理都懂 “需求不是一蹴而就的”，提示词也一样。第一次输出不满意时，可像 “需求评审” 一样反馈：“刚才的输出缺少晋升规则与绩效数据联动的维度，补充不同绩效等级对应晋升条件的规则后，重新按表格格式输出”。通过不断迭代，让 AI 的输出越来越符合预期。
误区 2：信息越多越好，导致 “重点模糊”
类似 “给开发提需求时堆砌细节，反而掩盖核心目标”，提示词需 “抓核心背景”，次要信息可后续补充。比如先明确 “分析晋升规则管理功能使用率低的 3 个核心原因”，再追问 “每个原因的具体案例”，这样能让 AI 更聚焦核心任务。
误区 3：让 AI “做决策”，而非 “提供选项”
产品经理的核心是 “拍板”，AI 更适合 “提供分析和方案”。提示词避免 “帮我决定晋升规则管理选 A 功能还是 B 功能”，而应 “分析 A 和 B 功能在提升晋升规则设置效率上的优劣势、适用场景，给出你的推荐理由”，由产品经理根据实际情况做出决策。
误区 4：忽略 “AI 的认知边界”
类似 “不了解技术实现难度就提需求”，要清楚 AI 对 “时效性强的信息（如最新人力资源晋升相关政策）”“高度专业的领域（如特定行业晋升规则模型构建）” 可能输出偏差。提示词可加约束：“仅基于 2023 年后的公开信息分析”“输出时标注‘可能存在误差的部分’”，以提高结果的可靠性。
误区 5：用 “口语化模糊表述”，而非 “产品化语言”
避免 “帮我弄个差不多的晋升规则管理优化方案”，改用产品经理熟悉的 “SMART 原则” 表述：“方案需满足‘1 个月内可落地、提升晋升规则设置效率 50%、成本低于 2 万元’的目标”，让 AI 能准确把握方案的要求。
写好提示词的本质，是产品经理 “清晰定义问题、传递信息、对齐目标” 的底层能力在 AI 时代的迁移。在 AI 工具日益普及的当下，产品经理要从 “用 AI” 升级为 “驾驭 AI”，让 AI 真正成为工作中的 “得力副驾”。
本文由 @产品岛 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
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。