你有没有过这种体验：同一个模型，别人用起来像开了挂，你用起来像在跟一个敷衍的实习生对话。输入框里敲下"帮我写个方案"，回车，等来的是一段四平八稳、放之四海而皆准的废话。换个问法再试，还是差不多。 问题大概率不在模型。大多数AI输出之所以失败，不是因为模型不够聪明，而是因为提示词缺少方向。当你给出模糊的输入，模型只能去猜你的意图，猜出来的结果自然是泛泛而谈、停留在表面的回答。 有一套简单、可重复的框架可以解决这件事，叫 SDS方法 。三个字母，对应三个动作。 S——搭好舞台 在提出请求之前，先把背景交代清楚。定义你扮演的角色、核心目标，以及模型理解这个场景所必需的关键上下文。很多人习惯上来就提要求，但模型并不知道你站在什么位置说话、这件事要解决什么问题。背景缺位，输出就只能靠猜。 D——定义任务 直接、不含糊地说明你究竟要它执行什么。是写、是分析、是结构化整理，还是头脑风暴，得讲明白。任务边界越清晰，模型越不会跑偏。含糊的动词是输出跑偏的常见起点。 S——指定规则 把护栏立起来。说明你偏好的语气、确切的输出格式、长度限制，如果你心里有具体的标准，就把参考样例一并给出来。规则不是限制模型，是让它知道终点线画在哪里。 这套方法背后有一条经验法则：把AI当成一位能力不错的同事。你给同事派活时，会交代背景、说清目标、讲明要求，而不是丢一句"你看着办"。给AI下brief也是同样的道理——清晰、具体、有目的性，更好的输入自然会带来更好的结果。 回到开头那个场景。同样一个模型，差距往往不在谁更懂技术，而在谁更会把话说清楚。SDS三步做下来，输入的质量变了，输出的质量跟着变。 你平时用结构化框架来写提示词，还是大多时候边试边改？ 特别