使用 AI 的 10 个技巧：从能用升级到善用

叮当的工具箱 · 2026-08-21

# 使用 AI 的 10 个技巧：从能用升级到善用 ## 引言 AI 工具（ChatGPT、Claude、Copilot、Midjourney 等）正在改变我们的工作方式。但很多人只是「用」了 AI，并没有「用好」AI。 同样的 AI 工具，在不同人手中产出质量天差地别：有人用它写出高质量代码、生成精美设计、完成深度分析；有人却抱怨「AI 不行」「AI 胡说八道」。 差距不在 AI 本身，而在**使用技巧**。本文总结 10 个经过实战验证的 AI 使用技巧，帮助你从「能用」升级到「善用」。 ## 技巧 1：明确角色和上下文 AI 的输出质量，很大程度取决于你给它的上下文。**模糊的输入 = 模糊的输出。** ❌ 错误示例：「帮我写一个函数。」 ✅ 正确示例：「你是一个资深 Python 工程师。请帮我写一个函数，用于从 FastAPI 请求中提取 JWT token 并验证用户权限。要求：使用 PyJWT 库；支持 RS256 算法；token 过期时返回 401；权限不足返回 403；包含完整的类型提示。」 **核心原则：** - 指定角色：你是资深工程师 / 产品经理 / 数据分析师 - 提供背景：项目技术栈、业务场景、约束条件 - 明确目标：期望的输出格式、质量标准、使用场景 ## 技巧 2：分步骤拆解复杂任务 AI 不擅长一次性处理过于复杂的任务。把大问题拆成小步骤，逐步引导。 **示例：构建一个电商系统** ❌ 一次性要求：「帮我设计一个完整的电商系统，包括用户、商品、订单、支付、物流。」 ✅ 分步骤： 1. 先设计数据库模型，包括 User、Product、Order 三张表的 SQL DDL。 2. 基于上面的模型，设计 RESTful API 接口，列出所有端点。 3. 实现用户注册和登录接口，使用 JWT 认证。 4. 实现商品列表接口，支持分页和搜索。 5. 实现下单流程，包括库存检查和订单创建。 **为什么有效？** 每一步都有明确的输入输出；可以逐步检查和修正；避免 AI「幻觉」在长文本中累积；更容易调试和迭代。 ## 技巧 3：提供示例（Few-Shot Prompting） AI 通过示例学习你期望的格式和风格。提供 1～3 个示例，效果显著提升。 **示例：生成产品描述** —— 先给「无线蓝牙耳机」「智能手表」两条范例描述，再要求「现在请生成：产品『便携式咖啡机』」。 **适用场景：** 代码风格统一、文案风格一致、数据格式规范、翻译风格保持。 ## 技巧 4：使用思维链（Chain of Thought） 对于需要推理的问题，让 AI「一步步思考」，而不是直接给答案。 ❌ 直接问：「为什么我的 API 返回 500 错误？」 ✅ 引导思考：「我的 FastAPI 应用在调用数据库时偶尔返回 500 错误，日志显示 sqlalchemy.exc.OperationalError，请一步步分析可能的原因，并给出排查顺序。」 **为什么有效？** 强迫 AI 展示推理过程；更容易发现逻辑错误；你可以纠正中间步骤；最终答案更可靠。 ## 技巧 5：明确输出格式 告诉 AI 你期望的输出格式，避免反复调整。例如代码审查，指定输出「问题列表（严重程度、位置、原因、建议）+ 代码改进建议」。 **常用格式：** - Markdown：结构清晰，适合文档 - JSON：结构化数据，便于程序处理 - 表格：对比分析，一目了然 - 代码块：指定语言，语法高亮 ## 技巧 6：迭代优化（多轮对话） 第 1 轮：「帮我写一个产品介绍标题」→「我们的产品很好用」；第 2 轮：「突出核心卖点、15 字以内、有吸引力」→「极速体验，一触即发」；第 3 轮：「换成更现代的表达」→「极速体验，指尖未来」。 **迭代策略：** 指出问题 → 提供方向 → 给出约束 → 对比选择。 ## 技巧 7：验证输出（不盲目信任） - ✅ 事实核查：数据、日期、人名是否准确？ - ✅ 代码测试：能否真正运行？ - ✅ 逻辑检查：推理是否有漏洞？ - ✅ 来源验证：引用是否真实？ **关键原则：** AI 是助手，不是权威；关键数据（尤其是财务、法律、医疗）必须人工核实。 ## 技巧 8：利用 AI 的优势场景 **AI 擅长：** 文本生成、代码辅助、数据分析、翻译润色。 **AI 不擅长：** 实时信息（除非联网）、精确计算、主观判断。 **最佳实践：** 人机协作、优势互补、关键决策人工确认。 ## 技巧 9：构建个人知识库 把常用的提示词、模板、最佳实践整理成知识库，提高复用效率。 **工具推荐：** - Notion / Obsidian：整理提示词和模板 - GitHub Gist：保存代码片段 - Prompt 管理工具：PromptLayer、Humanloop - 本地 Markdown 文件 ## 技巧 10：持续学习和适应 **学习渠道：** 官方文档、视频教程、社区讨论、博客文章。 **关注趋势：** 新模型发布、新工具出现、最佳实践演进、行业应用案例。 ## 进阶：Prompt Engineering 四要素 1. **系统提示词（System Prompt）**：预设角色与回答风格，让输出始终对齐需求。 2. **温度参数（Temperature）**：0.0 确定性输出（代码/数学）、0.5 平衡、0.8 创造性（文案/创意）、1.0 最大创造性。 3. **Top-P 采样**：从概率累积到 90% 的词中采样，与 temperature 配合控制输出多样性。 4. **结构化输出**：明确要求以 JSON 等格式返回，便于程序化处理。 ## 常见误区 1. 「AI 会取代人类」→ AI 是工具，增强而非取代人类能力。 2. 「AI 无所不能」→ AI 有明确局限。 3. 「一次提示就能得到完美答案」→ 高质量输出需要迭代。 4. 「AI 的输出都是正确的」→ AI 会「幻觉」，必须验证。 5. 「提示词越复杂越好」→ 清晰简洁往往更有效。 ## 实战案例 - **用 AI 学新技术**：用已有语言概念类比解释 Rust 的所有权机制，再逐步深入。 - **用 AI 调试复杂问题**：先列可能原因与排查步骤，再逐步定位性能瓶颈。 - **用 AI 生成文档**：先生成 OpenAPI 规范，再扩展为面向用户的 API 指南。 ## 总结 正确使用 AI 的 10 个核心原则：明确上下文 → 分步拆解 → 提供示例 → 引导思考 → 明确格式 → 迭代优化 → 验证输出 → 发挥优势 → 积累知识 → 持续学习。 **AI 不会取代你，但会使用 AI 的人会取代不会使用的人。**