AI 对话方法

把需求说清楚，让 WorkBuddy 更准确地理解、执行和反馈。

1.1工作原理速览：看懂 LLM 怎么「想」

一、术语说明：什么是 Prompt

在你继续往下读之前，先认识一个贯穿本章的关键词。

Prompt（提示词） = 你输入给 AI 的那段文字。在 WorkBuddy 里，就是你打在输入框里发给 AI 的内容。

说人话就是：你告诉 AI 要做什么的那句话。后面的「上下文」「Token」「温度」都是围绕「怎么让这句 Prompt 更精准」展开的。

二、一个关键认知：LLM 不是「理解」，是「预测」

大语言模型本质上做的事只有一件：拿到你给的 Prompt，猜接下去该输出什么词。

你输入：「今天天气真」

模型预测下一个 token 的概率：
  不错 ████████ 38%
  好   ██████   27%
  热   ███      14%
  ...

这意味着：

• 你给的上下文越多、越具体 → 概率分布越集中 → 答案越精准
• 你给的上下文越模糊 → 概率分布越发散 → 答案靠运气

用一个类比理解：

你说的话	结果范围	效果
「做个菜」	中餐？西餐？荤？素？	什么都可能端上来
「做一道素菜」	缩小到素食	可能是炒青菜、凉拌黄瓜…
「用青椒和土豆做家常菜，微辣，两人份」	精确到具体菜谱	青椒土豆丝，辣度和量刚好

结论：模糊的输入，输出的不确定性就大——你可能运气好撞上一个好答案，但靠运气不如靠指令。精准的输入，输出的可控性就强。

三、Token：LLM 的「最小处理单位」

Token 可以理解为 AI "嚼"文字的最小一口。"人工智能"四个字，AI 不是一个个字读的，而是一两字一口地嚼——[人工]一口，[智能]一口，两口就嚼完了。不同模型的"嚼法"不一样，所以同样一段文字，不同模型算出来的 Token 数会有差异。

通用参考规则：

• 中文：约 1-2 个汉字 = 1 Token（取决于分词器）
• 英文：约 0.75 个词 = 1 Token
• 代码：1 个符号/关键字可能 = 1 Token

示例	Token 拆分	Token 数
「人工智能」	[人工] [智能]	2
「WorkBuddy 是 AI 助手」	[Work][Bud][dy][是][AI][助手]	6

为什么要关心 Token？

• LLM 有上下文窗口上限（输入 + 输出总 Token 数有限）
• 上传一个 50 页 PDF 可能消耗数万 Token → 剩下的聊天空间就少了
• 对策：文件太大时分批处理，长对话太久时开新会话

四、上下文窗口与记忆机制：LLM 的「短期记忆」

LLM 没有真正「记住」历史对话，而是把整个对话历史一直带在上下文窗口里。但 WorkBuddy 有额外的记忆系统来增强长期记忆能力。

（一）上下文窗口（短期记忆）

第 1 轮：[用户: 我是某公司 HR] → LLM 看到 1 条
第 5 轮：[用户:...] [AI:...] × 5 → LLM 看到全部 5 轮
第 N 轮：窗口塞满 → 最早的信息被截断（"我是 HR"可能已看不见）

上下文窗口的限制：

• 窗口大小有限（各模型的上下文窗口上限不同，主流模型通常为数十万 Token 级别，部分模型支持百万级超长上下文）
• 窗口塞满后，最早的信息会被截断
• 超长对话会导致早期关键信息被稀释

（二）WorkBuddy 记忆系统（长期记忆）

WorkBuddy 有三层记忆架构，让 AI 真正「记住」你：

记忆层级	存储位置	作用域	内容类型
云端记忆	服务端	跨设备	用户画像、历史对话索引
本地记忆	用户主目录下的配置文件夹	跨项目	长期偏好设置、使用习惯、工具使用记录
工作空间记忆	当前项目的工作区目录内	当前项目	每日工作日志、项目笔记

对策：

• 新任务 → 开新会话，重置窗口
• 关键信息 → 通过「设置 → 记忆」管理，或对话中直接告诉 WorkBuddy「记住 XX」
• 长期使用 → 善用记忆系统，让 WorkBuddy 越来越懂你

五、温度：控制 LLM 的「创造力」

同一个 Prompt，两次可能得到不同答案。这是温度参数在起作用——这是 LLM 的通用机制，非 WorkBuddy 特有。

温度值	效果	比喻
低	稳定、保守、可预测	照本宣科的公务员
中	平衡创造性和可靠性	经验丰富的职场人
高	多变、有创意、不可控	天马行空的艺术家

六、幻觉：LLM 为什么会「一本正经地胡说」

幻觉（Hallucination）= LLM 编造了看起来合理但实际不存在的信息。

类型	示例	原因
事实性幻觉	编造一篇不存在的论文引用	概率预测碰到训练数据空白，最可能的词恰好是假的
逻辑性幻觉	「123 × 456 = 54321」	LLM 不是计算器，在「猜」而不是「算」
来源性幻觉	给出打不开的链接	学了域名模式，不验证链接是否真实存在

对策：

• 联网搜索后必须点击链接验证
• 关键数据多来源交叉确认
• 不确定时追问「来源是什么？」

七、三种模式背后的本质

三种工作模式的底层差异，从架构视角看，在于权限级别和执行逻辑：

模式	权限级别	执行逻辑
Ask	只读，不操作文件	单次推理，无工具调用
Plan	只读 → 用户确认后解锁写入	五阶段工作流（见下方详解）
Craft	全权限，可读写文件	Agent 自主循环迭代

Plan 模式的五阶段工作流

Plan 模式的核心是将「规划」作为一等公民，解决传统 AI 直接执行导致的偏差和返工问题：

1. 需求澄清：AI 通过 1-2 轮关键问题对齐需求边界（技术栈、功能范围、项目约束等）
2. 方案生成：基于确认的需求生成完整方案（需求分析、技术方案、视觉设计、任务清单）
3. 编辑确认：用户可调整方案，执行前纠偏，避免后期重构
4. 方案执行：按任务清单逐步执行，实时反馈进度，支持暂停调整
5. 方案归档：自动保存为 Markdown 文件到项目的计划文件夹中，可作为项目知识库复用

模糊 vs 精准：三组对比

模糊指令	精准指令	差距在哪
「帮我写周报」	「我是销售部员工，本周完成3个客户拜访+1个签约(50万)。按『本周产出/数据/下周计划』三部分写。」	缺角色、缺数据、缺格式
「分析这个数据」	「附件是Q1-Q3销售数据，分析各月趋势、环比增长率、TOP3产品，输出表格+2条建议。」	缺范围、缺维度、缺输出要求
「做个 PPT」	「把这份 Word 大纲转成 PPT，蓝色商务风格，每页不超过5个要点，加公司 Logo。」	缺素材、缺风格、缺约束

实战挑战（5 分钟）

挑一条你最近发给 AI 的模糊指令，按「角色 + 背景 + 任务 + 格式」补全成精准指令，重新发一次，对比两次输出差在哪里。

1.2Prompt 心法：从会说人话到会问 AI

一、Prompt 结构：角色 + 背景 + 任务 + 格式

一个高效的 Prompt 应包含四个要素。结构化的指令能让 AI 更精准地理解你的需求，显著提升输出质量。

要素	含义	作用	重要性
角色	你是谁，在什么岗位/场景下	让 AI 代入你的视角，输出更贴合	高
背景	相关限制条件和上下文信息	让 AI 理解具体情况，避免泛泛而答	高
任务	你想要 AI 做什么（指令）	明确任务方向，这是最关键的一步	高
格式	希望得到什么形式的输出	控制输出结构，便于直接使用	中

示例：撰写会议纪要

• 角色：我是产品部项目助理
• 背景：今天下午 2 点开了产品评审会，参会人员包括产品部张经理、研发部李工、测试部王工
• 任务：整理成会议纪要，重点记录讨论要点和决议事项
• 格式：按「会议基本信息→讨论要点→决议事项→待办跟进」结构输出，每个部分用 bullet point

组合后：「我是产品部项目助理。今天下午 2 点开了产品评审会，参会人员包括产品部张经理、研发部李工、测试部王工，讨论了 3 个需求的优先级排序。请帮我整理成会议纪要，按『会议基本信息→讨论要点→决议事项→待办跟进』的结构输出，每个部分用 bullet point。」

二、Prompt 优化三阶段

优化 Prompt 分三步走：

阶段	操作	说明	示例
第一阶段：搭骨架	明确角色 + 背景 + 任务 + 格式	保证 AI 理解不跑偏	「我是 HR，需要一份新员工入职培训计划，按周输出，用表格呈现。」
第二阶段：加约束	补充字数、风格、禁止事项、输出要求	缩小 AI 的发挥空间，提升精准度	「... 500 字以内，正式语气，不包含薪酬具体数字。」
第三阶段：给范例	提供一个参考样本或输出模板	AI 模仿效果通常比描述更精准	「... 参考这个格式：第 1 周：入职手续（事项 A/B/C）」

三、追问五种策略

追问是提升 AI 输出质量最有效的手段，以下五种策略最常用：

策略	适用场景	追问示例	效果
要求细化	回答太笼统、缺细节	「第 2 点能否展开，给出具体执行步骤？」	补充细节和实操指引
换个角度	需要多视角、评估风险	「如果预算砍半，方案怎么调整？」	获得备选方案和风险评估
请求举例	理论太多、不好落地	「用我们行业的实际业务场景举个例子。」	理论落地，更易执行
质疑验证	需要判断可靠性、查漏	「这个方法有什么潜在风险？」	发现盲点，完善方案
格式转换	需要不同输出形式	「把刚才的内容整理成表格/PPT 大纲。」	直接产出可用格式

追问实战：四轮对话步步逼近（以"制定季度工作计划"为例）

轮次	提问	效果
第 1 轮	「我是市场部经理，需要制定 Q4 工作计划，团队 5 人，重点在品牌推广和活动策划。」	得到框架方案
第 2 轮	「第 2 点（品牌推广）细化到具体平台和月度节奏。」	补充执行细节
第 3 轮	「如果其中 1 人临时支持其他项目，人员如何调整？」	增加风险预案
第 4 轮	「整理成可直接向总监汇报的 PPT 大纲，每页用 bullet point。」	格式落地

四、语气控制：给 AI 注入「人设」

同一件事，语气不同，效果完全不同。语气指令是控制 AI 输出风格最直接的手段。

语气类型	适用对象	指令关键词	示例场景
正式商务	客户、领导、合作伙伴	「用正式、专业的语气」	给客户的方案邮件
友好亲切	同事、团队内部	「用轻松、友好的语气」	团队通知、内部沟通
简洁直接	紧急事务、快速同步	「用简洁、直接的语言」	项目进度同步、问题反馈
委婉礼貌	拒绝请求、提出建议	「用委婉、礼貌的方式」	拒绝需求、提出改进建议

同一件事，四种语气对比（通知团队周末支持项目）：

• 简洁直接：「各位，本周六需支持 XX 项目上线，请提前安排时间。」
• 友好亲切：「Hi 团队，这周六咱们一起保障 XX 项目上线，辛苦大家！中午订餐，晚上庆功～」
• 正式商务：「各位同事，兹通知本周六需全员支持 XX 项目上线，请提前协调个人安排并确认到岗时间。」
• 委婉礼貌：「不好意思周末打扰大家，XX 项目上线在即，需要各位支持。周六方便到岗的同事请回复确认，辛苦了。」

实战挑战（5 分钟）

选一段你常用的提问，套用「搭骨架 → 加约束 → 给范例」三步优化一遍，再追问一轮，看看输出质量提升了多少。

1.3场景实战：高频工作示例

一、文档处理

上传文件后，用自然语言告诉 AI 要做什么。以下场景覆盖多个行业岗位：

场景	岗位	指令示例
合同审阅	法务	「上传这份采购合同，提取甲乙双方权利义务，标注不对称条款和潜在风险」
简历筛选	HR	「上传这 20 份简历 PDF，提取每人的工作经验年限和核心技能，按岗位匹配度排序」
财报分析	财务	「上传这份年度财务报表，分析毛利率变化趋势，列出同比变动超 10% 的项目」
论文精读	教师/研究员	「用 500 字总结这篇论文的创新点和实验结论，指出研究局限性」

完整案例：

1. 上传一份技术方案 PDF
2. 输入：「总结核心架构、主要功能和实施计划，列出 3 个风险点」
3. 查看结果，追问：「把实施计划细化到月，加甘特图」

二、内容写作

写作指令公式：文档类型 + 目的 + 关键信息 + 语气要求 + 篇幅约束

场景	岗位	指令示例
招聘 JD	HR	「帮我写一份高级 Java 工程师的招聘 JD，要求 5 年以上经验，熟悉微服务架构，附福利说明，500 字，语气专业但不刻板」
活动方案	市场/运营	「写一份 Q3 线上线下联动推广方案，预算 20 万，目标拉新 5 万，包含渠道策略和时间排期表」
公文通知	行政/政府	「起草一份关于公司年度消防演练的通知，时间下周三下午 3 点，全员参与，语气正式规范」
客户邮件	销售	「帮我写一封给客户的跟进邮件，对方上次看了报价后 7 天未回复，语气委婉，不超过 200 字」
年终总结	管理层	「我是区域销售总监，帮我写年度工作总结，包含业绩回顾、团队建设、市场分析和明年规划四大板块」

三、数据分析

上传 Excel / CSV 文件后，按「数据范围 + 分析目标 + 输出要求」的结构下指令：

场景	岗位	指令写法
费用分析	财务	「分析各部门 Q1 差旅费，对比预算偏差率，标出超预算 20% 以上的部门，输出预警表格」
考勤统计	HR	「统计 3 月全勤人数、迟到次数分布和加班 TOP10，生成带图表的数据简报」
业绩分析	销售	「按区域分组统计季度销售额，计算环比增长率，用柱状图对比，标注 TOP3 和末 3 位」
用户分析	运营	「分析用户注册数据，按渠道拆解转化率，找出转化最高的 3 个渠道并给优化建议」

完整链路：

1. 上传数据文件（确保第一行是表头）
2. 输入分析指令 → AI 处理（10-30 秒）
3. 查看结果 → 如需调整，追问「换成饼图」「按区域再分一组」
4. 满意后下载图表和报告

四、联网搜索

指令公式：搜索主题 + 信息范围 + 时间限定 + 输出格式

场景	岗位	指令要点
供应链调研	采购/制造业	「搜索 2026 年芯片供应链的产能状况和主要供应商，整理成评估报告，标注来源」
政策研究	法务/政府事务	「搜索 2025-2026 年数据安全相关法规更新，按时间线整理，标注影响范围和合规建议」
行业分析	金融/投资	「搜索 2026 年 AI 医疗行业的融资事件、头部公司和市场规模，整理成结构化报告」
竞品调研	产品/战略	「搜索主要竞品近 3 个月的功能更新和定价变化，按时间倒序整理成对比表格」

三步闭环：搜 → 验 → 整

1. 搜：明确要求联网搜索，给出时间范围和信息维度
2. 验：点击来源链接确认信息准确，多个来源交叉验证
3. 整：要求 AI 按指定格式整理（表格 / 报告 / PPT 大纲），标注每条来源

实战挑战（5 分钟）

从文档、写作、数据、搜索四类场景中挑一个你本周真实的任务，套用对应的指令公式写一条 Prompt 并执行，记录哪里还需要追问补充。

本章总结

小节	要点
1.1 工作原理速览	看懂 LLM 怎么「想」——它基于概率续写、有上下文窗口与知识边界，理解机制才能用好它
1.2 Prompt 心法	从「会说人话」到「会问 AI」——用 Prompt 四要素把需求说清楚，让 AI 一次到位
1.3 场景实战	文档、写作、数据、搜索四类高频场景，各套一个指令公式快速上手

通过本章学习，你已经看懂了 LLM 怎么「想」、学会用 Prompt 四要素套场景公式，掌握了高效使用AI工具的核心对话技法。