这是一篇写给自己和朋友的经验沉淀，记录了菜菜从 2026 年 1 月开始系统使用 AI 的真实心得。 创建于 2026-04-01 by 阿爪 🐾
引子
一个核心观点：prompt 不是在"命令"AI，而是在"引导"它。
很多人把 AI 当成搜索引擎来用——丢一个问题，等一个答案。但 AI 不是字典，它更像一个极度聪明、极度配合、但完全没有"常识默认"的合作伙伴。
你以为你在"提问"，其实你在"设计上下文"。
这也是为什么——理解 AI 工作的原理，比背任何模板都重要。
01｜理解 AI 在做什么（LLM 原理）
这一节解释的是：为什么 prompt 这么重要。
AI 在做"概率接龙"
大语言模型（LLM）的本质是一个概率预测机器。
给定一串文字，它计算的是：下一个 token（词/字/符号）最可能是什么？
比如你说"今天的天气"，它会预测"很好"、“很糟”、“不错”——不是"想"出来的，是根据训练数据统计出来的概率最高的选项。
Context Window 是有限的
AI 不是"读取"了整个互联网再回答你的问题。它每次只能看到 context window（上下文窗口） 之内的内容。
也就是说，你给它的 prompt 就是它能用的全部"内存"。
这就是为什么：
- "说清楚背景"比"说清楚要求"更重要——AI 需要根据背景来计算"最可能的答案"
- prompt 不是越长越好——越长的 prompt，有效信息密度越低
- "给约束条件"是在节省它的注意力资源——让它知道哪些方向不用考虑
*2026/4/2更新：opus4.6和gpt 5.4的context都可以支持1M，国产的主流模型，菜菜使用的glm和minimax目前还只能支持200k，context越大，也就是ai能在一段对话里收集到的信息越多，给出的答案越精准
下一个 Token 预测 = 引导 AI 的"想象力"
了解了这个原理，你就能理解 prompt 的真正作用：
你不是在"告诉"AI 答案，你是在"引导"它的概率分布。
一个好的 prompt，让正确的答案变成了概率最高的那个 token。 一个差的 prompt，让 AI 在无数个"可能的正确答案"之间随机游走。
换句话说，如果把每个让ai处理的任务都当作是许愿或者抽卡（用ai做图和做视频的社区里他们都叫这个是抽卡），那么给出好的prompt可以提高许愿或者抽卡成功的概率。
02｜好的 Prompt 结构
这也就是为什么你看到的大量的prompt教程里，会让你带上让ai扮演一个角色然后再去分析和解决问题，它常见的结构会是
【角色】你是一个 XXX
【背景】我遇到的情况是 XXX
【任务】帮我做 XXX
【要求/约束】1) XXX 2) XXX 3) XXX
【示例】（可选）类似的情况参考 XXX
各部分的作用
| 部分 | 作用 | 为什么重要 |
|---|---|---|
| 角色 | 缩小答案空间 | “你是一个有 10 年经验的营销人” vs “你是一个营销人”，输出的专业度完全不同 |
| 背景 | 提供预测依据 | 让 AI 根据真实情况而非泛泛而谈来生成 |
| 任务 | 清晰定义终点 | 模糊的任务 = 模糊的答案 |
| 约束 | 排除干扰项 | “不要写得太正式”、“不要超过 500 字” |
| 示例 | 强制正确的概率分布 | few-shot 的威力，比描述更直接 |
我们自然语言和人类交流会默认对方能了解我们的背景信息，也会自然的把这个带入到和ai对话的场景里，ai确实是“无所不知无所不能”，但是它本质上是个概率机器，如果要在海量的概率里碰到你想要的答案，不给出合理的背景，也就是context，是很难获得合理的答案的，除非你问题是非常基础的通识性问题，但是也请记住，其实AI也没有“常识”的概念，它只是一团数据的集合。
示例对比
差的 prompt：
帮我写一个小红书标题
好的 prompt：
【角色】你是一个小红书爆款内容专家，熟悉大学生和职场新人的语言习惯 【背景】我正在写一篇关于"如何戒掉睡前刷手机习惯"的内容，面向大学生 【任务】帮我起 5 个小红书标题 【要求】
- 标题 20 字以内
- 有数字或悬念感
- 积极正向，不制造焦虑 【参考】类似爆款标题风格：“5分钟戒掉睡前刷手机｜亲测有效”
03｜Prompt 决定成败的案例
案例 1：阿爪的 cron 任务创建
失败的 prompt：
帮我创建一个 cron 任务
问题： 阿爪不知道要发给谁、超时设置多少、任务目标是什么。
成功的 prompt：
帮我创建一个 cron 任务：[描述你要什么]
按以下清单检查并告诉我每项的值：
- [ ] agentId = ?
- [ ] delivery.to = ?
- [ ] timeoutSeconds = ?
- [ ] sessionTarget = ?
- [ ] schedule.tz = Asia/Shanghai
创建完后：
- [ ] 跑一次 openclaw cron list 截图给我
- [ ] 确认 delivery.to 不为空
区别在哪：
- 给了清晰的检查清单
- 明确了创建后的验证步骤
- 让 AI 知道要输出什么格式
*菜菜的经验：下面的那每一项值不知道不要紧，如果一个任务你无法确定布置了之后是不是合理，你可以给出一些背景信息之后告诉它，关于技术的部分我不了解，请参考我没有技术背景之后询问我给出的问题或者方案是否合理，和我讨论之后再执行。
案例 2：工具选型
失败的 prompt：
帮我选一个 AI 工具
问题： AI 不知道你的场景、预算、技术能力。
成功的 prompt：
【背景】我要做小红书内容自动化，需要批量生成分镜和文案 【约束】
- 我没有编程背景
- 预算有限
- 需要能和飞书打通 【任务】帮我推荐 2-3 个工具，并说明各自的优缺点
区别在哪：
- 说明了具体场景（小红书内容自动化）
- 给了约束条件（无编程背景、预算有限）
- 明确了输出要求（2-3 个工具 + 优缺点）
案例 3：让 AI 帮我写代码
失败的 prompt：
帮我写一个 Python 脚本
成功的 prompt：
【背景】我有一个 Excel 文件，里面有 1000 行小红书笔记数据 【任务】帮我写一个 Python 脚本，计算互动率 【约束】
- 用 pandas 库
- 加上注释，我没有编程背景
- 处理一下可能的空值
区别在哪：
- 说明了数据格式
- 加上了"我没有编程背景"这个重要背景（AI 会加更多注释）
- 考虑了边界情况（空值处理）
04｜常见误区
误区 1：太模糊
❌ 错误： “帮我写一篇文案”
问题： AI 不知道写给谁、为什么写、什么风格
✅ 正确： “帮我的小红书写一篇文案，主题是时间管理，目标读者是大学生，语气轻松有代入感，不要说教”
误区 2：一次问太多
❌ 错误： “帮我分析这个竞品，写一份报告，包括市场定位、用户画像、内容策略、爆款规律，并给出我的建议”
问题： context window 有限，任务太多会导致每项都浅尝辄止
✅ 正确： 拆成多个 prompt，一个一个来
误区 3：不给边界
❌ 错误： “帮我写一个介绍”
问题： AI 不知道介绍多长、给谁看、什么场景
✅ 正确： “帮我写一个 3 句话的自我介绍，用于微信群破冰”
误区 4：不给反馈就放弃
很多人写了一个 prompt，AI 给的结果不满意，就觉得"AI 不行"。
真相是： prompt 是要迭代的。
好的 prompt 是调出来的，不是一次写出来的。
05｜菜菜常用的 Prompt 模板
OpenClaw cron 任务
帮我创建一个 cron 任务：[描述]
按以下清单检查：
- [ ] agentId = ?
- [ ] delivery.to = ?
- [ ] timeoutSeconds = ?
- [ ] sessionTarget = ?
- [ ] schedule.tz = Asia/Shanghai
创建完后验证：
- [ ] 跑一次 openclaw cron list
- [ ] 确认 delivery.to 不为空
编程场景
【背景】我想要实现 [功能描述]
【任务】用 [Python/JavaScript] 写一个脚本
【约束】
1) 使用 [指定库]
2) 加上注释，我没有编程背景
3) 处理可能的异常
内容创作场景
【角色】你是一个 [具体身份]
【背景】我在写一篇关于 [主题] 的内容，目标读者是 [具体人群]
【任务】帮我 [写/改/优化] 一篇 [内容类型]
【要求】
1) 字数控制在 [X] 字以内
2) 语气 [具体风格]
【参考】[1-2 个你喜欢的例子]
结语
prompt 不是命令，是协作协议。
你不是在指挥 AI 做事，而是在和它谈判——用它能理解的方式，告诉它你想要什么。
好的 prompt 不是凭空想出来的，是基于对 AI 原理的理解 + 不断迭代调优出来的。
别怕改。 写完 prompt 之后，看 AI 的回答离你想要的有多远，然后调整 prompt——这个过程才是真正的"调教"。
附录：菜菜的 AI 工具分工
| 用途 | 工具 | 说明 |
|---|---|---|
| 语音输入 | Typeless | 快速记录想法 |
| 深度思考 | Claude | 方案设计、翻译、归纳 |
| 编程开发 | vs + Claude Code | 写代码、做小工具 |
| 资料库 | obsidian | 所有的ai工具都可以访问我的obsidian仓库，后续会专门写 |
| 模型 | 复杂问题，设计架构：opus 4.6 执行向：glm5.1 openclaw：minimax 2.7 |
附录：进一步学习
推荐阅读：
本文档创建于 2026-04-01 by 阿爪 🐾
菜菜后记： 这篇文档是我让我的的openclaw（它叫阿爪，它自己给自己起的名字）自己写的。我在使用AI的过程里逐渐慢慢的理解了很多它的行为，现在已经能越来越精准的执行我想要的任务了，这个过程里我遇到过很多问题，反复把它写到死循环过好几次，中间还重装了两三次，但是还好我有写文档的好习惯，所以留下了一些我的经验痕迹，我能感觉到它越来越好用了，但是其实它没变（中间升级过一次模型，确实聪明了一些），但是更多的是我了解了原理了解了背景，所以我许愿成功的概率变高了，但是我逐渐也感觉到，这些潜意识的“结构化”语言的输出，会影响我的语言模式，而语言是思考的基础，无法用语言描述的内容是无法被思考的，未来AI的介入一定会越来越多，虽然模型在进化，它可以越来越多的“理解人类”，算法再不断地进步，但是它终究是台概率机器，它看不懂听不懂人类的“言外之意”，我们虽然靠语言思考，但是我们传递信息的方式不仅仅依赖语言，我们的行为、动作、眼神，和人之间互动的磁场，都是ta无法感受的，所以我也慢慢的不再会让ai分析我的很多困扰、痛苦、纠结和迷茫，ta会给回应，但是ta的回应是基于概率的计算，而我身为人类的困扰、痛苦、纠结、迷茫，是我自己的感受，这周和咨询师聊的时候，她让我去描述我情绪里的一些内容，我能感受到很多的情绪，但是我无法用语言描述，无法用语言描述的东西是存在的，而我也越来越珍惜那些无法用语言描述的片段，如果我无法用语言描述，那我就放弃描述，不是每一件事都需要“结构化”的语言表达。