去年我花了三个月给团队做了一件事：把大家用 ChatGPT 和 Claude 的方式，从头到尾拍了一遍。
结果很有意思。同样一个需求——写一封英文商务邮件——有人丢进去一句话就出结果，有人写 200 字的背景描述加三段式的格式要求。前者用完说"AI 不行"，后者说"这东西有点可怕"。
差的不是模型，是提问的质量。
很多人觉得 prompt engineering 是个伪概念，说人话不就行了。但 2026 年的现实是：模型的推理能力越强，它对输入的要求就越精细。你把一个模糊的问题丢给 GPT-5，它能给你一个听起来很对但完全偏离方向的答案。你把同样的问题拆成目标、约束、输出格式三个维度丢进去，它给你的东西可以直接用。
这不是技巧，这是思维方式的转变。
以前我们学的是"搜索"——关键词精准，结果就精准。后来我们学的是"编程"——逻辑严谨，程序就跑得动。现在要学的是"提问"——结构清晰，模型的推理就受控。
我自己的框架特别简单，就三层：
第一层：告诉它你是谁。 背景越具体，模型的风格越对。不要只说"你是 AI 助手"，要说"你是一个有 10 年经验的 SaaS 销售总监，正在给一个传统制造业客户写提案"。
第二层：告诉它你要什么。 目标、格式、长度、语气。每一条单独列出来，不要混在段落里。
第三层：告诉它不要什么。 这是最容易被忽略的——限制条件是质量的保险丝。不要列举、不要用术语、不要超过 200 字。模型比你更擅长废话，你不设边界它就尽情发挥。
这三层写下来，一页纸就没了。但我保证，它比你随口一句话的产出质量高十倍。
最后说一个观察。2026 年最值钱的能力，不再是你知道多少，而是你能让模型帮你输出多少你知道但说不出来的东西。
而这件事的起点，就是学会问对问题。