刚开始用 ChatGPT 写内容时，我也收藏过不少“万能提示词”。

结果很快发现，收藏再多也解决不了一个问题：需求本身没说清楚，模型写得越快，返工越多。

比如有人让我“写一篇课程招募文案”。如果直接让模型输出，大概率会得到一篇标准结构：用户痛点、课程卖点、限时福利、立即报名。

文字没错，但放到真实项目里往往不能用，因为它不知道：

• 课程卖给谁；
• 用户为什么犹豫；
• 哪些承诺不能写。

后来我把内容任务拆成四步：先诊断需求，再生成提示词，然后执行，最后审稿。

它不是什么复杂方法，本质上是把原来脑子里临时判断的步骤固定下来。

---

一、先别写，先把需求问明白

上周我帮一个知识付费团队修改活动推文。对方最初只给了一句话：

帮我写一篇社群运营课程的招募文案。

我没有立刻开始写，而是先补了四个问题：

1. 课程面向新手，还是已经有社群的运营者？
2. 用户最常见的卡点是什么：拉新、活跃、转化，还是留存？
3. 报名后能拿到什么具体结果？
4. 哪些表述不能写，比如收益承诺、夸大案例？

这些信息不补齐，模型只能根据常见套路猜。

它猜得再顺，也不一定符合业务。

我通常会先把原始需求丢给 ChatGPT，让它只做分析，不执行任务：

你先不要写正文。请分析以下需求：

• 最终要交付什么；
• 目标读者是谁；
• 还缺哪些关键信息；
• 哪些地方容易理解偏差；
• 建议采用什么内容结构。

原始需求：
{粘贴需求}

这一步能帮我发现遗漏。

很多人以为自己需要“写文章”，实际需要的可能是：

• 解释一个新概念；
• 筛选潜在客户；
• 推动用户完成报名。

目标不同，写法完全不同。

---

二、让模型生成提示词，而不是直接生成答案

需求确认后，我才让 ChatGPT 整理成可执行的提示词。

我常用的指令结构包含六项：

模块	需要说明的内容
角色	模型应以什么身份完成任务
任务目标	最终希望达成什么效果
已有背景	读者、产品、场景和已知信息
执行步骤	内容应如何展开
限制条件	哪些内容不能写、不能编
交付格式	提纲、正文、表格或其他格式

例如，上面的课程招募文案可以这样组织：

你是一名熟悉知识付费业务的内容运营。
面向“已有社群，但活跃和转化效果不稳定”的运营人员，撰写一篇课程招募推文。
文章目标不是堆砌课程卖点，而是让读者意识到：社群问题往往不是不够努力，而是缺少可重复执行的运营动作。

请按“真实场景—问题拆解—课程能解决什么—适合哪些人—报名行动”展开。
不编造数据和学员案例；不使用“颠覆、爆款、躺赚、行业第一”等词；所有卖点必须对应具体学习内容。
先输出提纲，确认后再写正文。

这比“帮我写一篇招募文案”多花不了几分钟，但后续修改会少很多。

提示词不需要写得玄乎，关键是把模型原本需要猜测的内容，提前说清楚。

---

三、给输出加一道“防跑偏”限制

模型最容易产出的，是看起来完整、实际无法执行的内容。

所以我会加三类限制。

1. 事实限制

没有资料就不要编，涉及数据、政策、案例时必须注明待核实。

2. 表达限制

少用大词，多写动作。

比如：

• “提升用户粘性”太空；
• 改成“每周设置一次固定主题讨论，并根据提问频率调整下周选题”，才有执行价值。

3. 结果限制

要求每条建议都说清楚：

• 谁来做；
• 做什么；
• 怎么判断有效。

可以直接附在提示词最后：

输出前自行检查：

• 是否有未核实的数据或结论；
• 是否存在空泛表达；
• 每条建议是否包含具体动作；
• 是否偏离目标读者。

不符合要求时，先修改再输出。

这一步不能保证内容一定优秀，但能过滤掉不少“读着有道理、拿去没法做”的段落。

---

四、生成和审稿，最好分两轮完成

以前我会让同一个对话“写完后自己检查”。

后来发现，它通常只会做表面修饰，不太会主动推翻自己的判断。

现在我会把初稿交给另一轮对话审查：

你是一名内容审稿人。请审查以下文章，不要直接重写。
按“问题位置、问题原因、修改方向”输出。

重点检查：

• 逻辑是否跳跃；
• 信息是否缺失；
• 观点是否重复；
• 案例是否可信；
• 建议是否能落地。

正文如下：
{粘贴内容}

这里的重点不是让 AI 替你决定内容，而是让它像一个不知背景的读者，指出：

• 哪里看不懂；
• 哪里不相信；
• 哪里觉得重复。

我仍然会自己做最后一遍判断。

尤其是案例、行业结论和品牌表达，必须由人确认。模型擅长整理和扩写，但不能替你承担事实责任。

---

五、把流程做成固定模板

这套方法跑顺后，我把它保存成四个模板：

模板	用途
需求诊断	找出目标、受众和信息缺口
提示词生成	把需求整理成执行指令
内容执行	按确认后的结构完成初稿
结果审校	检查逻辑、事实和可执行性

日常任务多时，工具切换本身也是成本。

我现在会在元壹AI 这类聚合平台里完成这套流程：先用长上下文模型梳理材料，再选择更适合中文表达的模型写初稿，最后换一个模型做审校。

这样不需要在多个产品之间搬运上下文，团队成员也更容易沿用同一套模板。

---

结尾

提示词不是一句“神奇咒语”，而是你对任务的理解。

当你把需求问清、把限制写明、把审稿单独拆出来，ChatGPT 输出的内容会稳定很多。

真正值得保留下来的，不是某条万能提示词，而是一套每次遇到新任务都能重复使用的工作方法。