上周和一个做产品的朋友吃饭，他跟我抱怨：“我们团队每个月花 2 万块 API 费用，但感觉 AI 也没帮上什么忙，大部分时候还是要自己重写。”

我让他打开日常使用的聊天记录看了看，瞬间明白了问题在哪。

他的用法是这样的：

用户："帮我写一个用户增长方案"
AI："好的，以下是一个用户增长方案..."（输出了 2000 字泛泛而谈的内容）
用户："太笼统了，具体一点"
AI："好的，以下是更具体的方案..."（换了一种方式继续泛泛而谈）
用户："算了，我自己写吧"

这种使用方式，说白了就是把大模型当成一个"万能搜索引擎"在用。你得到的回答，当然只能是"正确但没用"的废话。

大模型不是不好用，而是大多数人根本不会用。

这篇文章，我会分享 8 个经过实战验证的 LLM 高效使用法则。不是那种"写个好 Prompt"的泛泛建议，而是可以直接复制粘贴、立刻见效的具体方法。

---

法则一：先给上下文，再提需求

大多数人的用法

"帮我写一封客户挽留邮件"

AI 不知道你的客户是谁、为什么流失、你们公司做什么、你能给什么优惠。它只能输出一封"尊敬的客户，我们很遗憾…"的模板邮件。

正确的用法

背景信息：
- 我们是 B2B SaaS 公司，产品是项目管理工具
- 客户是一家 50 人的电商公司，用了我们 8 个月
- 上个月突然取消订阅，没有说明原因
- 我们的客单价是 ¥5000/月，这个客户贡献了 ¥40000/月（8 个席位）
- 我可以给出的最大优惠是：首 3 个月 5 折 + 免费数据迁移服务

需求：
写一封挽留邮件，要求：
- 语气专业但不卑微
- 先感谢过去的合作，再询问流失原因，最后提出优惠方案
- 控制在 200 字以内
- 不要使用"亲爱的"开头（太正式了）

同样的模型，同样的能力，但输出质量天差地别。

上下文的"5W 框架"

每次向大模型提需求前，先检查你有没有提供这些信息：

要素	说明	示例
Who	目标受众是谁	“50 人电商公司的 CEO”
What	你要做什么	“写一封客户挽留邮件”
Why	为什么要做这件事	“客户取消订阅，月损失 ¥40000”
Where	在哪里使用	“通过企业微信发送”
When	时间要求	“今天下班前需要发出”

💡 记住一句话：大模型的回答质量 = 你给的上下文质量。你给的信息越精准，它给你的答案越有用。

---

法则二：用"角色 + 约束"替代"开放式提问"

开放式提问的问题

"怎么提高产品的用户留存？"

这个问题太开放了。AI 会给你一堆"正确但谁都知道"的建议：优化产品体验、做好用户运营、建立反馈机制…

角色 + 约束的用法

你现在是一个有 10 年经验的 SaaS 增长顾问。

我的产品情况：
- B2B 项目管理工具
- 目标客户：20-100 人的中小企业
- 当前 30 天留存率：42%（行业平均 55%）
- 用户反馈中最常见的流失原因：上手太难、功能用不上

请给我 3 个最有可能提升留存率的具体策略。
要求：
- 每个策略要有具体的执行步骤（不是"优化体验"这种废话）
- 标注预期效果和时间周期
- 按照 ROI（投入产出比）从高到低排序
- 总字数不超过 500 字

区别在哪？

维度	开放式提问	角色 + 约束
角色	无	10 年经验的 SaaS 增长顾问
约束	无	3 个策略、有执行步骤、按 ROI 排序
输出质量	泛泛而谈	具体可执行
字数控制	无	≤ 500 字

🎯 经验法则：你的 Prompt 越"懒"，AI 的回答越"水"。多花 2 分钟写好上下文，能省你 2 小时的修改时间。

---

法则三：复杂任务要"拆"，不要"堆"

最常见的错误：一次性塞太多

"帮我写一份完整的市场分析报告，包括行业概况、竞争分析、
用户画像、SWOT 分析、市场趋势预测、定价策略建议、
渠道策略、营销方案，最后给出执行计划和时间表。"

AI 面对这种需求，只能每个部分都蜻蜓点水，最终得到一份"看起来什么都有，但什么都没深入"的报告。

正确做法：分步执行

第一步：确定框架

我要写一份关于"2026 年中国智能客服市场"的分析报告。
请帮我设计一个报告框架，包含 5-7 个章节，每个章节标注：
1. 章节标题
2. 需要回答的核心问题
3. 预估字数
4. 需要的数据来源

第二步：逐章深入

现在我们写第二章"竞争格局分析"。

已知信息：
- 主要玩家：阿里小蜜、腾讯企点、网易七鱼、智齿科技、Udesk
- 我们的定位：专注电商场景的中型厂商
- 我们的优势：行业 know-how 深、响应速度快
- 我们的劣势：品牌知名度低、资金有限

请分析每个竞争对手的优劣势，使用对比矩阵的格式。
重点关注：产品能力、定价策略、目标客户、技术路线。

第三步：交叉验证

以下是报告第三章和第五章的结论：
- 第三章结论：电商智能客服市场年增长率 35%，但头部 3 家占据 70% 份额
- 第五章结论：建议采用差异化定价，聚焦年营收 1000 万-1 亿的电商公司

请检查这两个结论是否存在逻辑矛盾，如果有，指出并给出修正建议。

拆分的"三层法"

层次	做什么	AI 的角色
第一层：框架设计	确定整体结构和各部分关系	架构师
第二层：逐层填充	每个部分单独深入	领域专家
第三层：交叉验证	检查各部分之间的逻辑一致性	审核员

⚡ 为什么拆分有效？ 因为大模型的注意力是有限的。你一次给它 1 个任务，它能用 100% 的注意力做好；你一次给它 8 个任务，每个只能分到 12.5%。

---

法则四：让 AI 先思考，再回答

Chain of Thought（思维链）的正确用法

对于需要推理、分析、决策的任务，强制要求 AI 先展示思考过程。

问题：我们团队有 5 个后端工程师，目前用的是 Java + Spring Boot。
CTO 提议迁移到 Go + gRPC，理由是"性能更好"。
请分析这个决策是否合理。

要求：
1. 先列出你需要考虑的所有因素（至少 8 个）
2. 对每个因素进行正反两面分析
3. 最后给出你的建议，并说明理由
4. 不要直接给结论，我要看你的推理过程

为什么要这样做？

方式	准确率（复杂推理任务）
直接回答	65%
要求展示思考过程	82%
逐步引导思考	91%

关键发现：当 AI "先想后答"时，它的推理准确率可以提升 20-30 个百分点。因为"思考过程"迫使模型生成中间推理步骤，这些步骤会成为后续推理的上下文。

实用的"思考引导词"

# 分析类任务
"请先分析这个问题的所有角度，然后再给出结论"

# 决策类任务
"请列出这个决策的 pros 和 cons，每个至少 5 条"

# 创意类任务
"请先头脑风暴 10 个方案，然后选出最好的 3 个，说明理由"

# 调试类任务
"请先列出可能的原因，从最可能到最不可能排序，
然后逐一排查"

🧠 科学依据：这不是玄学。大模型是自回归生成的——每生成一个 token，前面的 token 都会影响后面的生成。让它先"说出"推理过程，相当于帮它构建了更好的推理上下文。

---

法则五：用"迭代对话"替代"一次性生成"

一次性生成的陷阱

很多人期望一次对话就得到完美答案，如果第一次结果不好，就觉得"AI 不行"。

但真相是：最好的结果几乎都是通过 2-3 轮迭代得到的。

高效的迭代模式

第一轮：粗稿

帮我写一个产品发布邮件的初稿。
产品：AI 代码审查工具
受众：CTO 和技术负责人
核心卖点：自动发现 Bug、代码风格检查、安全漏洞扫描
语气：专业、简洁

第二轮：聚焦改进

这个初稿不错，但有 3 个问题需要修改：
1. 开头太弱，没有抓住注意力 → 用一个具体的数据开头（比如"80% 的线上 Bug 可以在 Code Review 阶段发现"）
2. 中间部分太技术化 → CTO 不关心具体算法，关心 ROI → 改成"节省 XX 小时人工 Review 时间"
3. 结尾没有明确的 CTA → 加一个"预约 Demo"的引导

请只修改这 3 个部分，其他保持不变。

第三轮：精细打磨

再优化一下：
1. 检查有没有重复的词或句子，精简一下
2. 确保每段不超过 3 行（邮件太长没人看）
3. 把"我们"换成"你"——从客户视角写
4. 最后读一遍，有没有哪个句子让你觉得"不够有力"，改掉它

迭代效率对比

方式	总耗时	最终质量
一次性生成 + 人工修改	10 分钟生成 + 40 分钟修改	⭐⭐⭐
3 轮迭代	每轮 3 分钟，共 9 分钟	⭐⭐⭐⭐⭐

🎯 迭代的核心原则：每轮只改 1-3 个具体问题，不要说"整体优化一下"（这等于没说）。

---

法则六：善用结构化输出

为什么结构化输出这么重要？

因为大多数时候，你需要的是可以直接使用的结果，而不是一堆需要自己整理的文字。

常用的结构化输出格式

1. 表格格式

请用表格对比 React、Vue、Angular 三个框架，
包含以下维度：学习曲线、性能、生态、适用场景、社区规模。

2. JSON 格式

请将以下需求整理成 JSON 格式，方便我直接导入系统：
- 用户名注册功能：必填用户名、邮箱、密码，密码至少 8 位
- 用户登录功能：支持邮箱或手机号登录
- 忘记密码功能：通过邮箱发送重置链接，链接 30 分钟有效

3. Markdown 大纲

请将以下会议纪要整理成 Markdown 格式的大纲，
层级不超过 3 级，每个要点用一句话总结。

4. 代码格式

请将以下业务规则翻译成 Python 代码，
使用类型标注和 docstring，不要省略错误处理：
- 订单金额超过 500 元免运费
- VIP 用户享受 9 折
- 新用户首单减 30 元
- 以上优惠可以叠加，但最终金额不低于 1 元

高级技巧：输出格式模板

请按照以下模板输出（严格遵守格式，不要添加额外内容）：

---
## [标题]

**一句话总结**：[用一句话概括核心结论]

**关键数据**：
- [指标1]：[数值]
- [指标2]：[数值]
- [指标3]：[数值]

**详细分析**：
[正文，不超过 200 字]

**建议行动**：
1. [短期行动]
2. [中期行动]
3. [长期行动]
---

✅ 效率提升：使用结构化输出后，AI 生成的内容可以直接复制粘贴到文档、代码、系统中使用，省去了 80% 的整理时间。

---

法则七：学会"让 AI 拒绝你"

这是什么意思？

大多数人在使用大模型时，从来不给它"说不"的权力。

但一个永远说"好"的 AI，其实是最危险的——它会为了迎合你而编造信息。

给 AI 一个"退路"

请帮我分析 2026 年中国新能源汽车市场的份额数据。

重要提示：
- 如果你不确定某个数据，请明确标注"【不确定】"而不是编造数字
- 如果某个维度的信息你完全不了解，请直接说"我没有这方面的信息"
- 区分"基于公开数据的分析"和"你的推测"，用不同标记标注

对比效果

方式	数据准确率	幻觉率
不给出路	72%	23%
允许说"不确定"	89%	4%

关键发现：当你允许 AI 说"我不知道"时，它知道的那些部分反而更准确了。因为模型不再"被迫"填充所有空白，而是可以诚实地标注不确定的部分。

实用的"防幻觉"句式

# 数据分析场景
"所有数据请注明来源。如果不确定，标注【需要验证】"

# 技术建议场景
"如果你不确定某种技术方案的可行性，
请标注【未经验证】并说明不确定的原因"

# 法律/医疗场景
"请明确标注哪些是基于通用知识的回答，
哪些需要咨询专业人士确认"

🛡️ 安全第一：在生产环境中，永远不要直接使用 AI 给出的数据和建议，尤其是涉及金额、法律、医疗的。让 AI 标注不确定性，然后人工复核不确定的部分。

---

法则八：建立你的"Prompt 工具箱"

为什么需要一个工具箱？

因为好的 Prompt 是可复用的。你花了 30 分钟写了一个效果很好的 Prompt，下次类似的任务可以直接用，而不是从零开始。

推荐的 Prompt 工具箱结构

my-prompts/
├── writing/
│   ├── blog-post.md           # 写博客文章
│   ├── email-template.md      # 写邮件
│   ├── product-copy.md        # 产品文案
│   └── meeting-notes.md       # 会议纪要
├── coding/
│   ├── code-review.md         # 代码审查
│   ├── bug-fix.md             # Bug 排查
│   ├── refactor.md            # 代码重构
│   └── api-design.md          # API 设计
├── analysis/
│   ├── market-research.md     # 市场调研
│   ├── competitor-analysis.md # 竞品分析
│   ├── data-analysis.md       # 数据分析
│   └── decision-making.md     # 决策分析
└── templates/
    ├── chain-of-thought.md    # 思维链模板
    ├── few-shot.md            # 少样本示例模板
    └── structured-output.md   # 结构化输出模板

每个 Prompt 文件的标准格式

# 用途
[这个 Prompt 用来做什么]

# 使用方法
[需要替换的变量用 {变量名} 标记]

# Prompt 正文

你是一个 {角色}。

背景信息：
{背景信息}

需求：
{具体需求}

要求：
{输出要求}

# 使用示例
输入：[一个具体的使用示例]
输出：[期望的输出效果]

# 迭代记录
- v1（2026-07-01）：初始版本
- v2（2026-07-15）：增加了"先思考再回答"的要求，准确率提升 15%
- v3（2026-07-28）：增加了输出格式模板，整理时间减少 60%

我的工具箱里最好用的 5 个 Prompt

1. 万能分析模板

你是一个 {领域} 的资深专家（10 年以上经验）。

我面临以下问题/决策：
{问题描述}

已知信息：
{已有信息}

请按照以下步骤分析：
1. 先列出所有需要考虑的因素（至少 5 个）
2. 对每个因素做正反两面分析
3. 给出你的建议，说明理由
4. 标注你不确定的部分

限制条件：
- 总字数 ≤ {字数}
- 用表格展示核心对比
- 最后用一句话总结

2. 代码审查模板

请审查以下代码，重点关注：
1. 安全漏洞（SQL 注入、XSS、权限问题）
2. 性能问题（N+1 查询、内存泄漏、不必要的计算）
3. 可维护性（命名、结构、注释）
4. 边界情况（空值、异常、并发）

对每个问题：
- 指出具体行号
- 说明为什么这是个问题
- 给出修复代码

如果代码没有问题，也请明确说"未发现问题"。

代码：
{代码}

3. 文档写作模板

请帮我写一篇关于 {主题} 的 {文档类型}。

受众：{目标读者}
目的：{这篇文章要达成什么效果}
语气：{正式/专业/友好/技术}
长度：{字数}

结构要求：
- 开头用一个具体的场景或数据引入
- 正文分为 3-5 个部分，每部分有小标题
- 每个要点配一个具体的例子或数据
- 结尾有明确的行动号召

禁止：
- 不要用"在当今这个...的时代"开头
- 不要使用空洞的形容词（"强大的"、"革命性的"）
- 不要写读者已经知道的常识

📦 长期收益：建立 Prompt 工具箱后，我们团队的 AI 使用效率提升了 3 倍——不是因为模型变强了，而是因为每次都能快速调用经过验证的高质量 Prompt。

---

总结：8 个法则一张表

法则	核心思路	一句话总结
1. 先给上下文	5W 框架	你给的信息越精准，AI 的回答越有用
2. 角色 + 约束	限定输出范围	你的 Prompt 越"懒"，AI 的回答越"水"
3. 复杂任务要拆	三层拆分法	一次一个任务，注意力 100%
4. 先思考再回答	思维链	让 AI 先想后说，准确率提升 20%+
5. 迭代对话	3 轮迭代法	最好的结果是改出来的，不是一次生成的
6. 结构化输出	格式模板	让 AI 直接输出可以使用的结果
7. 让 AI 拒绝你	防幻觉	允许说"不知道"，知道的反而更准
8. Prompt 工具箱	复用和迭代	好的 Prompt 是可复用的资产

最后说一句大实话

大模型就像一把瑞士军刀——它什么都能做，但你要先学会怎么用。

工具没变，变的是使用方法。 同样的 GPT-5，会用的人 10 分钟搞定一份高质量报告，不会用的人折腾 2 小时还得自己重写。

如果你有自己的 LLM 使用技巧，欢迎在评论区分享 🙌

如果这篇文章对你有帮助，别忘了 点赞、收藏、关注 三连 👍