第9章：Prompt 的思维模型 — 理解 AI 如何「理解」你

本章解决的核心问题：上一章你学会了怎么写好 Prompt，但不一定理解「为什么」这些方法有效。本章深入到底层——AI 到底是怎么「理解」你的指令的？当你理解了这一点，写 Prompt 就不再是套公式，而是真正掌握了一门可以灵活运用的技能。这不是锦上添花的知识——这是让你从「抄模板的人」变成「写模板的人」的那一步。

9.1 如果把 AI 想象成一个人——这个模型为什么是错的

99% 的人都在用一个错误的直觉模型

当你说「AI 理解了我的意思」时，你大脑里浮现的画面是什么？

大概率是这样的：AI 像一个极其聪明的人——读过所有书、逻辑清晰、语言流利。你说话，它「听懂」了，然后它「思考」了一下，再「回答」你。

这个直觉模型非常自然，也非常危险。它是你用好 AI 的最大障碍。

为什么「AI 像人」这个模型是错的

波粒第一次用 Copilot 的时候，对它说了一句话：

「帮我处理一下上周的会议记录，然后做一份跟进安排。」

Copilot 给波粒回复了一份非常漂亮的文档——结构清晰、语言流畅、格式整洁。波粒看了一眼就发给了团队。

两天后团队反馈：这份跟进安排里的行动项分配完全不对。A 同事被分配了他根本不在场的项目，B 同事被分配了另一个部门负责的事情。

发生了什么？

波粒的直觉模型是：「Copilot 理解了它」——Copilot 作为一个人，听懂了「上周的会议记录」，理解了谁说了什么，然后运用判断力做出了合理的安排。

但 Copilot 实际做的是：根据「上周的会议记录」「跟进安排」「行动项」这些关键词，在它的语料库里找到了「最可能对应」的文字模式，然后拼凑出了一份看起来像模像样的文档。它并没有真正「理解」谁说了什么、谁应该负责什么。

错误模型：AI 是一个人，它能「理解」你

正确模型：AI 是一个概率补全引擎，它是在「猜」最合理的下一段文字

这个区别，是所有 Prompt 技巧的根基。不理解这个区别，你永远在用「人是这么理解的」去想 AI，永远踩坑。

翻车现场：波粒和 AI 的「理解」差异

波粒后来做了一个实验。它给 Copilot 发了一条消息：

「帮我写一封邮件，拒绝客户的降价要求，但不能破坏关系。」

Copilot 写了这样一封：

「尊敬的客户，感谢您的长期支持。关于您提出的降价要求，我们经过认真研究，认为当前价格已经是最优惠的方案……但是我们愿意通过改进服务来提升您的体验……」

波粒读了一遍，觉得还行。又读了一遍，总觉得哪里不对。

它把邮件发给了自己的导师看。导师说了一句话：「这封邮件给人的感觉是——你说了一堆，但什么都没答应。」

波粒突然明白了：Copilot 不是在「权衡」措辞，它只是在「猜」在拒绝类邮件中最常见的文字模式。 在它读过的语料中，「拒绝但维护关系」的邮件范式就是「先感谢→解释困难→提替代方案」。它照做了，但它没有意识到这种写法会让对方觉得你只是在敷衍。

波粒重新写了一封：

「张总，关于您提出的价格调整，我直接跟您说实话——我们现在的成本结构确实支持不了这个幅度。但我可以给您一个方案：如果您把年度订单量从目前的 X 提到 Y，我可以在权限范围内申请一个阶梯价格。您看这个方向能不能聊？」

同样是拒绝，但这是一个真实的人在说话、在给方案。Copilot 不会这么写，因为它的训练数据里没有足够多「波粒式」的坦诚沟通样本。

这个差距就是：AI 知道「拒绝邮件通常怎么写」，但不知道「此时此刻，面对这个客户、这个关系、这个局面，应该怎么说」。

这两个模型的差别，决定了你的 Prompt 水平

核心认知转变：AI 不是在「理解」你，它是在玩一个难度极高的「猜下一个词」的游戏。你的 Prompt 就是给这个游戏的提示词——提示越精确，它猜得越准。

9.2 概率补全：一个让你恍然大悟的比喻

这一节，将会改变你对 AI 的所有认知。准备好了吗？

手机输入法的联想词，和大模型是同一件事

打开你的手机，在微信或短信里打一个字：

我

看看输入法上面显示什么？大概率是——「的」「想」「是」「要」「就」「在」……

按下去。

我今天

现在上面显示什么？——「去」「要」「想」「有」「吃」「上班」……

再按。

我今天中午吃了

现在呢？——「饭」「面」「火锅」「外卖」「食堂」「药」……

停下来。看看你的手机输入法。这个功能你每天都在用，你从来没有觉得它「理解」你。 你知道它只是在做一件事：根据你前面打出的字，统计出最可能的下一个字是什么。它没有「知道」你今天中午吃了什么，它甚至不知道「吃」是什么意思——它只知道，在它统计过的几十亿条聊天记录中，「吃了」后面出现频率最高的字是「饭」。

现在，大语言模型（就是驱动 Copilot 和 ChatGPT 的那个技术）做的是完全同一件事，但有三个巨大的不同：

1. 规模大几百万倍：手机输入法可能认识几千个常用词组合；大模型读过几万亿个句子，覆盖几乎所有人类知识的文字表达——从莎士比亚到 JavaScript 文档，从《三国演义》到 Reddit 上的猫咪笑话。
2. 上下文长度：手机输入法只看你最后打的 3-5 个字；大模型可以「看」你输入的上千甚至上万个字。你给它的上下文越长，它「猜」得越准。
3. 生成能力：手机输入法只猜下一个字；大模型可以猜完一个字再猜下一个字，再猜下一个字……一直猜下去，直到生成一篇完整的文章。它不是「写」了一篇文章——它是一个字一个字地「猜」出了一篇文章。

就是这三点不同，把手机输入法变成了 Copilot——但本质没有变，它依然是在「猜词」。

让这个比喻落地：一个逐步扩大的理解链

让我们用一个具体的例子，把你从「手机输入法」带到「Copilot」：

第 1 步：你在手机上打「我」，输入法猜「的」。你心想：「嗯，输入法而已，没什么了不起。」

第 2 步：你打「我今天中午吃了」，输入法猜「饭」。你觉得正常。

第 3 步：现在想象，这个输入法读过你过去三年写过的所有邮件。你打「我下周需要」，它猜「准备Q3汇报材料」。你有点惊讶了——它怎么知道的？因为它读过了你去年这个时候写的邮件。

第 4 步：再想象，这个输入法读过你公司所有同事的文件、所有会议的记录、所有客户的往来邮件。你打「关于华东区那个大客户」，它猜「我们需要在月底前确认合同续签，上次会议说客户对价格有顾虑」。你倒吸一口凉气——这个输入法，知道得比你想象的还多。

第 5 步：最后想象，这个输入法不仅知道这些，还能一个字一个字地「猜」出一整封邮件、一份报告、一份 PPT 大纲。 当它「猜」完一整篇文章，你看看屏幕——虽然有些地方不对，但它居然知道你要说什么的大方向。

你现在知道了吗？这就是 Copilot。

手机输入法和大模型之间没有本质区别，只有规模、上下文长度、生成能力的量变。但量变积累到一定程度，产生了质变——从「猜一个字」变成了「帮你写完一篇报告」。

为什么「角色设定」有效？

现在你理解了概率补全的机制，很多 Prompt 技巧的原理就一目了然了。

为什么你对 AI 说「你是一位资深律师」之后，它的输出质量会明显提升？

因为这句话在做一个关键操作：设定概率空间

解释一下：AI 读过几万亿个句子，其中包括大量的律师写作的文本（法律意见书、合同条款、辩护词等），也包括大量的非律师文本（聊天记录、小说、新闻报道、菜谱等）。

当你说「你是一位资深律师」，AI 就会把「猜词」的重心偏向它读过的律师语料。在律师语料中，「根据《中华人民共和国合同法》第 X 条规定……」出现的概率极高，而在非律师文本中这行字几乎不出现。

所以你看到的输出会表现出「专业、严谨、引用法条」的特征。AI 不是真的变成了一位律师，而是它从律师的语料统计出了「最像律师的文字模式」。

同理：

• 「你是一位产品经理」→ AI 会从产品经理的语料中提取模式，输出像产品文档
• 「你是一位 10 年经验的销售总监」→ AI 从销售总监的语料提取模式，输出像高管报告
• 「你是一位小学老师，给三年级学生讲解」→ AI 从教育类语料提取模式，输出浅显易懂

核心洞察：角色设定不是在「演」，而是在切换 AI 的「概率数据库」——就像你按了遥控器上的一个按钮，把电视机从体育频道切换到了新闻频道。内容风格完全不同了，但电视机还是一台电视机。它没有「变成」律师，它只是「输出更像律师的文字」。

9.3 为什么「给例子」比「给指令」更有效——Few-shot 的威力

一个职场场景

波粒需要给客户写一封项目延期的通知邮件。这种邮件很难写——说太直了怕得罪客户，说太委婉了怕显得不够重视。

方式 A：用文字描述格式要求

「写一封给客户的延期通知邮件，语气要诚恳但专业，解释原因并给出新的交付时间，不要推卸责任……」

Copilot 输出了什么？一封还算得体的邮件，但读起来总觉得有点「AI 味儿」——客气是客气，就是不像波粒团队自己会写的信。

方式 B：贴一封之前满意的邮件样例

「参考以下我之前写过的邮件风格，写一封给客户的延期通知。

[粘贴一封波粒之前写给客户的邮件，风格是波粒团队特有的]」

这次 Copilot 的输出让波粒眼前一亮——语言风格、用词习惯、句式结构，都跟波粒自己写的几乎一致。它抓住了那种「我们团队」特有的表达方式。

波粒把两版输出放在一起对比：

方式 A 的结果（只有文字描述）：

尊敬的客户，我们很抱歉地通知您，由于不可预见的供应链问题，项目交付时间可能需要推迟。我们对由此带来的不便深表歉意，并将尽最大努力缩短延期时间。新的预计交付时间为 X 月 X 日。

方式 B 的结果（给了一个例子）：

Hi 张总，

这边有个情况需要跟您同步一下——项目进度出了点意外，我们的供应商那边原材料批次检测没通过，需要重新排产。我们评估了一下，交付时间大概要推迟两周，到 X 月 X 日。我这边已经安排人每天盯着产线进度，有更新第一时间跟您说。有什么问题随时找我。

看出区别了吗？方式 A 是「一封合格的延期通知」，方式 B 是「波粒本人写的延期通知」。方式 A 可以用在任何公司，方式 B 只能用在这家公司、这个团队、这段合作关系里。

为什么方式 B 远优于方式 A？

回到概率补全的原理：

当你说「写一封诚恳的邮件」，AI 需要在它的语料库中搜索「诚恳的邮件」这个大类——但「诚恳」这个词在不同人的理解里差别巨大。有人认为直接坦白叫诚恳，有人觉得多说道歉才是诚恳。

但当你给它一个具体的例子，AI 不需要理解「诚恳」的含义——它直接复制示例中的模式。

AI 模仿具体模式的能力，远远超过它理解抽象概念的能力。这不是 AI 的弱点，这是它的「天赋」——人类反而更擅长理解抽象概念而不擅长精确模仿，AI 恰恰相反。

实操指南：当你想要特定风格，找一段你满意的文字给 AI 看，比用 100 个字描述你要什么更有效。

这种方法的学名叫「Few-shot」

在 AI 领域，这种「给几个例子让 AI 照着做」的方法叫 Few-shot（少样本学习）。

• Zero-shot（零样本）：不给例子，直接描述任务——常规用法，但质量不一定稳
• One-shot（单样本）：给 1 个例子——质量显著提升
• Few-shot（少样本）：给 2-3 个例子——质量最佳，风格最稳定

你不需要给太多例子——2-3 个高质量样本通常就够了。关键是样本的质量：选你最满意的那几份。

9.4 思维链（Chain of Thought）：让 AI 先想再写

一个复杂任务：分析销售数据并给出策略建议

波粒管着华东区，拿到了 Q3 的销售数据。它想让 Copilot 帮忙分析一下。

错误的做法：直接要结论

「分析 Q3 销售数据，给我策略建议。」

Copilot 给了一篇 300 字的分析——逻辑跳跃、结论来得太突然、中间的分析过程几乎被跳过了。就像一个实习生看了一眼数据就直接说「我觉得我们应该降价促销」——他怎么得出的结论？完全没有交代。

思维链的本质：把「为什么」也写出来

正确的做法：要求 AI 展示推理过程

「请按以下步骤分析 Q3 销售数据：

第一步：先列出数据中的关键指标和变化趋势（同比、环比、各品类表现）
第二步：基于数据识别出 2-3 个重要趋势（用数据说话）
第三步：针对每个趋势，提出 1-2 个可能的策略选择
第四步：评估每个策略选择的利弊，给出推荐方案

请按以上步骤依次分析，不要跳过中间环节。」

这次 Copilot 的输出完全不同了——它像一位真正的分析师，一步步展示了从数据到结论的完整推理链。

波粒的收获：它不仅可以参考最终的策略建议，更重要的是，它可以检查 AI 的推理过程有没有漏洞——如果某一步的逻辑有问题，波粒可以在那个环节修正它。

比喻：实习生 A vs 实习生 B（再夸张一点）

想象你让两个实习生分析一份销售数据。

实习生 A 在你办公桌前站了 30 秒，看了一眼数据，说：

「我们应该降价 10%。」

你问：「为什么？」

他说：「我看数据觉得应该这样。」

你再问：「哪个数据？怎么分析的？」

他挠头：「就……感觉。」

你敢按他说的做吗？不敢。你不可能向 VP 汇报说「我们实习生觉得应该降价」。

实习生 B 第二天来你办公室，带了一张纸，上面写着：

「我做了四步分析：
第一，我看了同比数据，发现 Q3 增长率从 Q2 的 15% 降到了 8%，这是连续第三个季度下滑。
第二，我查了原因，发现主要是华东区的两个大客户流失导致的——这两个客户贡献了 Q2 增长的 60%。
第三，我对比了两种应对方案：方案 A 是降价保量（预计可挽回 1 个客户，但会压低整体利润率 3 个百分点），方案 B 是加强客户关系维护（需要投入额外的人力成本，但长期回报更高）。
第四，我推荐方案 B。因为降价会损害品牌定位，而且客户流失的根本原因不是价格，是服务响应速度——上周的客户满意度调查也验证了这一点。」

你现在不仅有了结论，还有了完整的推理链路。你可以判断：第一步的数据对吗？第二步的归因合理吗？第三步的方案全面吗？第四步的建议你同意吗？

思维链就是把实习生 B 的思考过程「强迫」AI 做出来。

为什么思维链有效？——从概率补全的角度解释

当你直接问「策略建议是什么」，AI 需要跳过很多中间步骤直接「猜」结论。中间的推理环节越多，结论越可能偏离正确路径。

打个比方：你要从上海去乌鲁木齐，中间要经过南京、合肥、西安、兰州。如果你直接让 AI 「跳到乌鲁木齐」，它很可能偏到哈尔滨去了。但如果你让它「先到南京，再到合肥，再到西安，再到兰州，最后到乌鲁木齐」——每一站之间的距离都很短，它几乎不可能走错。

当你要求 AI「先做 A，再做 B，再做 C，最后做 D」，你实际上是在为它搭建一条推理的「铁轨」——它只需要沿着铁轨一步步走，每一步的「猜词空间」都极其有限，出错的概率大幅降低。

核心洞察：思维链不是在教 AI 思考，而是在帮 AI 把一个大问题拆成一串小问题——每个小问题都更容易「猜」对。就像走迷宫时你把整条路线拆成一段段路标，走起来就不会迷路。

9.5 格式控制：你给的结构就是 AI 的脚手架

为什么明确的格式要求能提升输出质量？

波粒做过一个实验。它让 Copilot 分析同一份数据，用了两个不同的 prompt。结果差距之大，让它直接把截图发到了团队群里。

Prompt A：不加格式要求

分析这份客户满意度数据。

Copilot 的 A 输出：

根据提供的数据，我们可以看出客户满意度整体处于中等水平。其中，产品质量评分最高，达到了 4.2 分（满分 5 分）。而配送速度评分最低，只有 3.1 分。此外，售后服务评分也有提升空间，目前是 3.5 分。从趋势上看，过去三个季度满意度呈小幅波动，没有明显改善。为了提升整体满意度，建议重点改善配送环节，同时保持产品质量优势。另外，也可以考虑在售后服务方面增加投入……

波粒的反应：信息都有，但混在一起，像一碗粥——米是好的，但分不清哪粒是米哪粒是水。它需要自己从这段文字里「捞」出关键信息。

Prompt B：加明确的格式要求

分析这份客户满意度数据，用以下格式呈现：
一、总体概况（3 句话以内）
二、按维度的评分（表格：维度 | 评分 | 同比变化 | 排名）
三、主要发现（编号列表，每条不超过 20 字）
四、改进建议（按优先级排序的前 3 条）

Copilot 的 B 输出：

一、总体概况
客户满意度整体中等（均分 3.65/5），过去三个季度无明显改善趋势。产品维度表现最佳，物流维度是主要短板。

二、按维度评分

维度	评分	同比变化	排名
产品质量	4.2	+0.1	1
售后服务	3.5	-0.2	3
配送速度	3.1	-0.4	4
客服响应	3.8	+0.3	2

三、主要发现

1. 产品质量是唯一优势维度
2. 配送速度连续两季度下滑
3. 客服响应有改善，但基数低

四、改进建议（按优先级）

1. 优先排查配送环节瓶颈（影响面最大）
2. 稳定售后团队，避免人员流动影响评分
3. 将客服响应最佳实践标准化推广

差距巨大。Prompt A 的输出是一团乱麻，数字和分析混在一起，找不到重点。Prompt B 的输出一目了然，波粒 30 秒就能抓住所有关键信息。

原理：格式 = 缩小概率空间

为什么格式要求这么有效？因为格式本身就是一种约束。

回到概率补全的原理：AI 的每一次「猜词」都是在所有可能的词里做选择。可能性越多，越容易猜错。

当你说「按表格格式」，AI 的「猜词范围」被大幅缩小了——它只能在「符合表格结构」的文字中做选择。它知道表格的第一列通常是「维度」，第二列通常是「数值」，所以它不会突然插入一段散文风格的描述。

比喻：带格子的货架 vs 空仓库

想象你让一个人把一堆杂乱的物品整理好。

• 如果你给他一个空仓库说「把东西放好」——他可能把所有东西堆在一个角落，或者扔得满地都是，或者按照他自己的想法分类。结果没有确定性。你想找什么东西的时候，得从头翻到尾。
• 如果你给他一个带标签的货架说「把这些东西按标签放好」——第一层放文件、第二层放工具、第三层放耗材——他几乎不可能放错。你想找螺丝刀，直接去第二层找，3 秒搞定。

格式就是你给 AI 的「货架」。每一条格式要求就是一个「格子」，把 AI 的输出规规矩矩地限制在你期望的结构里。

常见的格式约束类型

实操建议：当你觉得 Copilot 的输出「太散了」，第一个要做的就是给 prompt 里加格式约束。控制格式比控制内容容易得多，但效果立竿见影。

9.6 迭代思维：把 AI 当成一面可以对话的镜子

第一个 prompt 不是终点，是起点

很多人用 AI 的一个致命错误：把第一次的输出当作最终结果。

他们写一个 prompt，Copilot 给了一个输出，他们看一眼觉得不够好，于是得出结论：「Copilot 不行。」然后关掉窗口。

这就像第一次拿起画笔就画了一幅画，觉得不好看，然后说「画笔不行」。

正确的思维：把 AI 当作一面可以对话的镜子

波粒现在已经养成了一个习惯：它把 Copilot 的第一次输出当成「初稿」，然后就这个初稿和 Copilot 对话。

第一轮：生成初稿

波粒：「帮我写一份年度总结的大纲」

第二轮：调整结构

波粒：「结构调整一下——把第三部分的数据分析提前到第二部分，把第二部分合并到第四部分」

第三轮：优化内容

波粒：「第二部分太笼统了，增加三个具体的案例：Q1 新渠道开发、Q2 大客户突破、Q3 成本优化」

第四轮：细化语气

波粒：「整体语气改成更直接、更有行动导向的风格，删掉所有"我们认为""建议考虑"这类模糊表述」

到了第四轮，波粒得到的内容和第一轮已经完全不是一个层次的东西了。第一轮是「一个合格的文档骨架」，第四轮是「一份可以直接用的团队汇报」。

比喻：雕塑——本章的情感核心

你见过雕塑家工作吗？

米开朗基罗创作大卫像，不是拿着一块石头说「我要雕一个大卫像」，然后一刀下去就出来一个成品。他花了三年。

雕塑的过程是这样的：

1. 第一刀：大块切出轮廓。去掉多余的大块石材，让人形的大致轮廓出现。这一步最粗犷，但也最重要——方向错了，后面全是白费。
2. 第二刀：细化形状。刻出头、躯干、四肢的基本形状。头是仰视还是平视？手臂是垂放还是抬起？形体有了，但还没有细节。
3. 第三刀：精修细节。刻出五官、肌肉线条、衣纹。鼻子的弧度、嘴角的纹路、手指的姿态——这些细节让石头开始「活」起来。
4. 第四刀：抛光打磨。让表面光滑，呈现质感。最后的打磨让大理石呈现出肌肤般的光泽。

你写 prompt 的过程，就是一场雕塑。

• 第一个 prompt = 切出轮廓（大概的方向和结构）
• 后续追问 = 细化和打磨（调整结构、优化内容、精修语言）
• 最终的输出 = 完成的作品

波粒最喜欢的时刻：不是第一版生成的时候，而是第三轮、第四轮之后——当它看到 Copilot 的输出从「初具雏形」变成「这真的能用了」的那一刻。它说那种感觉就像雕塑家退后两步，看着自己的作品，第一次觉得「是我要的东西」。

为什么迭代比一次性写好更有效？

从概率补全的角度看，每一次迭代都是在帮 AI 缩小「猜词范围」。

第一个 prompt 给了 AI 一个大概的范围，它的第一次输出可能在这个范围的边缘。你在第二轮告诉它「往左边一点」——它的范围缩小了。第三轮你说「再往上一点」——它的范围又缩小了。每一轮迭代，都是在对 AI 的「猜词空间」做一次精确的修剪。

这就像你在用一个需要反复对焦的望远镜：第一次对焦，你看到了大概的形状；第二次微调，轮廓清晰了；第三次精调，你连远处山上的树都能看清了。你不能在第一轮就对焦完毕——那不是你的问题，那是望远镜的工作原理决定的。AI 也是。

核心习惯：养成「三轮对话」的习惯——第一轮生成，第二轮调整，第三轮精修。大部分优秀的 AI 输出，都不是一次到位的，而是在 2-3 轮对话中打磨出来的。

9.7 本章小结 + 思维模型速查表

看到这里，你已经不只是「会用 Prompt」的人了。你理解了 AI 是怎么工作的。这意味着什么？

意味着从今天开始，你看到的不再是一个黑色魔法盒子——你看到的是一个概率机器。你知道它为什么这样输出，你知道怎么调整它，你知道它什么时候会犯错，你知道怎么让它变好。

这是「会用工具的人」和「理解工具的人」之间的区别。

六个核心思维模型

一句话总结本章

AI 不是一个人。它是一个读过万亿个句子的超级猜词机。你对它说的每一句话，都是在缩小它的「猜词空间」。写 Prompt 的本质，就是用最有效率的方式告诉 AI：别乱猜，猜这里。

把这些思维模型带到工作中

下次当你写 Prompt 时，问自己这几个问题：

1. 我给它足够的「猜词线索」了吗？（优先级：上下文 > 角色 > 动作 > 格式 > 语气）
2. 我给了它例子还是只给了描述？（例子 > 描述）
3. 我把大问题拆成小步骤了吗？（思维链 > 直接要结论）
4. 我约束了输出的格式吗？（有格式 > 无格式）
5. 我准备好迭代几轮了吗？（一次到位 < 三轮打磨）

把这五个问题打印出来贴在显示器旁边。一周之后你就不需要了——它们会成为你写 Prompt 时的本能。

延伸阅读

理解了 AI 的思维模型后，你会发现：写 Prompt 不再是一件「死记硬背模板」的事，而是一种可以灵活运用的思维方式。你不会再对着 Copilot 的输出抱怨——你会分析它为什么这样输出，然后精确地调整你的指令。

但这里有一个重要的提醒：Copilot 不是万能的。 有些任务它天生做不好，有些场景有其他工具更合适。下一章我们将走出 Copilot，看看整个 AI 工具生态中，还有哪些工具能在特定的场景中补位。

→ 第10章：Copilot 之外