Free Preview
先试读：让AI一次就更接近你想要的结果，关键在哪
结构对、语气接近、但就是"差那一口味"。这种差距感本身就是一个信号。
用 AI 写东西，最常见的体验是这样的：你说明了要求，AI 给了一版。你读完第一反应是——"嗯，写得不差，但差点什么"。你再改几轮，改到第三第四版才终于觉得"可以用了"。
这篇能解决什么问题
- 把“首轮命中”从概念变成可执行步骤，而不是停在听懂了。
- 知道真实任务应该先问什么、拆什么、验收什么，减少反复返工。
- 提前识别容易跑偏的位置，用更明确的标准控制 AI 输出。
付费后能看到哪些内容
- 为什么第一版总是"差那么一点"
- "差一点"往往差的是三样东西
- 和 1-02、1-03 的位置关系
- 一次命中的三个要素：角色 · 模板 · 示例
可以先照着试的一句话
先读取我提供的参考样例，归纳它在结构、语气和信息密度上的 5 条规律，再按同一规律生成新版本，并逐条自查。
试读到这里先判断是否对你的任务有用；完整文章会继续展开步骤、案例、模板和避坑细节。
为什么第一版总是"差那么一点"
结构对、语气接近、但就是"差那一口味"。这种差距感本身就是一个信号。
用 AI 写东西，最常见的体验是这样的：你说明了要求，AI 给了一版。你读完第一反应是——"嗯，写得不差，但差点什么"。你再改几轮，改到第三第四版才终于觉得"可以用了"。
这种"差一点"是进阶用 AI 最典型的卡点。它不是明显错，是"不够像你想要的那个版本"。如果你把它的前几版和最终版并排看，会发现它其实一直在往对的方向走，只是每次都少走一步。
"差一点"往往差的是三样东西
如果你把 AI 前几版和最终版对比分析，差距几乎都集中在这三个维度：
- 角色感——不像某个真实的人在说话，像一个"中性的 AI"在说话
- 结构感——段落工整但缺少你想要的那种节奏（几句一停、什么时候举例、什么时候总结）
- 样本感——AI 不知道你心里那个"成品长什么样"，只能靠形容词猜
这三样正好对应"首轮命中"要补的三个东西：角色锚定解决角色感，输出模板解决结构感，示例解决样本感。
和 1-02、1-03 的位置关系
如果你读过 《怎么把要求说完整》和 《为什么同样一句话别人问出来的结果比你好》——
那两篇解决"把要求说清楚"（五要素）和"把信号塞进去"（5 类隐藏信息）。本篇往前走一步：当要求已经比较完整，你还能怎么进一步让 AI 一次就命中？答案是"给它一个可以对齐的参照物"——不再靠描述，直接给一个成品长什么样子。
很多人潜意识里觉得"Prompt 太长不好意思"。但实际上对 AI 来说，你给它的信息越密（包括成品示例），它返工的概率越低。一个 30 秒读完的示例，比一段 3 分钟的形容描述更能让 AI 对齐。
一次命中的三个要素：角色 · 模板 · 示例
三件事合起来一条 Prompt，覆盖 80% 的首轮命中场景。
Role anchor — who's speaking
不是泛泛"你是一位专家"，而是一个有具体背景的人。比如"你是一个做了 5 年 B 端产品的人，最近刚跳到一家做 C 端应用的小公司，对品牌和用户体验还在摸索"。这种人设带着特定的关心点、用词偏好和盲区——AI 会按照这个人设生成内容，比让它"表现专业"具体得多。
Output template — how it should be shaped
告诉 AI 最终产物是什么结构：几段、每段多少字、有没有标题、哪里放举例、哪里是结论。模板不是"越详细越好"——是"关键节奏的骨架"。类似你交代写手"三段式：钩子开头 / 三个要点 / 一句呼吁"就够了，不用说每段具体怎么写。
Example — show, don't tell
最关键的一条。直接贴一段"成品应该像这样"的样本——可以是你之前写过的、别人写得好的、甚至是 AI 某一版里那个刚好命中的段落。示例承载的信息量比任何形容词都大——语气、密度、句式节奏、用词偏好、禁忌词汇全都藏在那段样本里。
三个要素的作用域
三者分工清楚，不重复：
- 角色解决"从哪个立场说话" — 影响 AI 的主观色彩、关心点、用词偏好
- 模板解决"成品长什么样的骨架" — 影响结构、段落数、节奏
- 示例解决"实际的风格调性" — 影响语感、密度、禁用词
三件事组合在一条 Prompt 里，基本能让 AI 在第一轮就写到你 80%-90% 满意。剩下的 10%-20% 再通过一轮微调就能收尾。比起不带这三要素、反复改五六轮，总时间至少缩短一半。
大多数人写 Prompt 时会写角色、写模板，但往往不加示例——"没有现成的可以贴"。其实你不需要一段完整的成品示例——一小段（50-100 字）能代表调性的片段就够了。关键是让 AI 有个锚，不是给它完整答案。
给例子为什么比描述管用：Example-First
一个小原理，但理解清楚之后，你会彻底改变写 Prompt 的方式。
有一个现象你大概观察过：你跟 AI 说"帮我写得简洁一点"，它给的"简洁"版本往往不是你想的那种简洁。你说"再自然一点"，它的"自然"也不是你脑子里那种自然。
问题不在 AI 不努力，问题在——"简洁"、"自然"、"专业"、"轻快"这些词是抽象概念。同一个词，每个人心里的具体画面都不一样。你说"简洁"，你脑里是李诞讲脱口秀那种的简洁；AI 理解成的"简洁"可能是外交部发言稿那种简洁。两者都符合"简洁"的定义，但完全不是一回事。
描述型 Prompt 的本质问题
描述型 Prompt 的问题是：它用抽象词传递具体要求。AI 会把这些抽象词翻译成它训练集里最大公约数的那个版本——通常不是你想要的版本。
示例为什么解决了这个问题
给一段示例等于直接把你脑子里的那个画面"固化"成文字——AI 不用再猜"简洁是哪种简洁"，直接对着那段样本调整自己的输出。
示例型（高密度）：风格参考下面这段——
"我昨天刷到一个做 AI 学习课程的账号，第一反应不是'又来割韭菜了'，而是'居然有人把我一直卡着的那个东西讲出来了'。"
请按这种语气写开场白。
两段 Prompt 长度差不多，但示例版本把"语气"这件事直接传达到了 AI 那里——因为那段样本本身就在演示语气。AI 不用翻译"简洁自然"到它的语言，只需要模仿那段样本的节奏和口吻。
这就是 Example-First 原则
就不要用三段形容词去描述。
就不要逐条解释你希望看到什么感觉。
这不只适用于语气。想要 AI 给某种表格结构——贴一个表格样本；想要某种报告风格——贴一段那种报告的开头；想要特定的数据呈现方式——贴一张例子。示例是一切对齐工作里最高带宽的信号。
哪怕你给的例子质量一般，也比纯描述好很多。因为 AI 不是在模仿你的例子的质量，它是在对齐你的例子的"调性方向"。调性一旦对齐，质量它自己能往上拔。
同一任务的三种写法对比：空话 / 描述型 / 示例型
拿同一个任务跑三次，看命中率差多少。
任务：给一次"内部 5 分钟项目复盘分享"写 1 段 150 字的开场白。
空话型最常见的写法
"帮我写一段项目复盘的开场白，要专业一点、自然一点、不要太套话。"
描述型加了要求后的进阶
"帮我写 150 字的内部项目复盘开场白。听众是公司全体同事，我是项目负责人。语气要成熟、坦诚、不要'非常感谢领导'那种套话，要像一个做了 5 年项目的人在讲一次踩过坑但学到东西的复盘。"
示例型加了样本之后
"帮我写 150 字的内部项目复盘开场白。
听众：公司全体同事，我：项目负责人。
想要的调性，参考这段（注意语气，不要照抄内容）：
"这次项目从立项到收尾一共 3 个月，结果比预期晚了两周。我想先说两个做错的判断，再说我们为什么最后还是把它做完了——这两件事比'感谢大家'更值得讲。"
三版对比的关键差异
从空话到描述到示例，Prompt 长度其实都不长（空话 25 字、描述 100 字、示例 150 字）——真正变化的是信号密度：
- 空话型：只有"要写什么"这一个信号
- 描述型：加了听众、角色、语气方向、反面禁忌——4 个信号
- 示例型：加了一段能让 AI 直接对齐的具体样本——把"要什么调性"这件事从抽象变成具体参照
每多一个具体信号，AI 要自己猜的东西就少一件。所以命中率会阶梯式上升。但示例的信号密度远大于其他——同样是一行字，样本里藏着调性、节奏、句式、用词禁忌，至少 4 个维度的信息。这是它比描述高一个量级的原因。
手搓一个自己的"首轮命中模板"
不用每次重新想。搭一个自己的模板，以后每次往里填任务就好。
把本篇讲的三要素固化成一个模板，你用几次就能变成肌肉记忆。下面这个模板你可以直接复制到备忘录里，每次用前改改中间的空格。
模板每一栏怎么填好
- 【角色】— 至少写出"身份 + 一个具体背景细节"，比如"刚从咨询行业转到互联网做产品的人" 比 "产品经理" 具体 5 倍
- 【任务】— 一句话，别散开。任务的复杂度应该小到"一段话/一个卡片/一张表"这种级别
- 【结构】— 字数和段落数最重要。如果你能想清楚"它应该多长、分几段"，AI 就不会给你超出范围的东西
- 【调性示例】— 1-3 句就够。如果真的没有，至少贴一段"我不想要的反例，模仿反面"
- 【避免】— 只列"具体可识别的禁用词/结构"，不写"不要太 X"这种模糊禁令
积累自己的示例库
随着你用 AI 多了，你会慢慢发现自己有几种常用语感——写文案的、写内部邮件的、写复盘的、写公众号开头的。把每种你满意过的样本存下来（备忘录、Obsidian、飞书文档都行），形成自己的示例库。下次要写类似的东西，直接从库里调一段贴进去。
这是让"首轮命中"从"每次手写" 变成"复用式"的关键一步——成本一次性投入，收益一辈子。
打开一个新文档，标题写"AI 示例库"，然后挑 3 种你最常做的输出场景（比如：公众号开头、给老板的周报、内部邮件）——每种贴一段你觉得最满意的样本。总共 10 分钟搞定。下次用 AI 写这三类东西，命中率会立刻上一个台阶。
什么场景不追求首轮命中：迭代反而更快
首轮命中是优势场景，不是万能公式。有些任务里"先让 AI 乱跑一版再迭代"反而更高效。
到这里你可能觉得：以后所有 Prompt 都应该走首轮命中模板。不是的。有些任务类型，首轮命中反而会拖慢你。
不适合首轮命中的场景
- 头脑风暴类——你自己还没想清楚要什么调性，让 AI 先乱提 5 个方向帮你找感觉
- 探索性任务——"这个话题有哪些角度可以切"、"这个问题有几种思路"——你就是想看 AI 会怎么想
- 你没做过的任务——你自己都不知道"成品应该长什么样"，连示例都没法给。先让 AI 给一版当参考反而省事
- 极短任务——让 AI 改几个字、翻译一行、润色一句，套模板比直接问还慢
这类场景的特点是：你不是"已经知道要什么、只需要 AI 高效产出"，而是"借 AI 帮你想清楚要什么"。这时候让 AI 自由发挥比锁死方向更有用。
怎么判断自己该用哪种模式
问自己一个问题：
关于"我到底要什么"这件事，我还没想清楚 → 先不套模板，让 AI 自由跑一版当镜子，从它的输出里反推自己想要什么。
两种模式可以切换
实际用法通常是：第一轮用自由模式跑 → 看到 AI 给的版本激活了你自己的判断 → 第二轮切到首轮命中模式，把刚才找到的感觉固化成角色 + 示例，让 AI 按这个方向精产。两轮下来，比五六轮描述式迭代快很多。
真正熟练的用户不是"只会 Example-First"，是"知道什么时候该 Example-First、什么时候该自由跑"。这两种模式不矛盾——是同一把工具的两种握法。
下一步 · 多轮推进
这篇讲"一次交付"，下一篇会进入 Module 2——当任务大到不可能一次完成时，如何把它交给 AI 分步骤推进。一次命中是起点，多轮推进是纵深；两个方向合起来，你就能处理绝大多数真实任务。
- AI 初版"差一点"的地方往往就是 3 件事：缺角色感、缺结构感、缺样本感
- 首轮命中的三要素：角色锚定 + 输出模板 + 调性示例，一条 Prompt 把三件事都塞进去
- Example-First 原则：能用示例的地方就不要用描述——示例的信号密度比形容词高一个量级
- 手搓一个可复用模板（角色/任务/结构/示例/避免），用几次就变成反射
- 积累自己的示例库——每种常用场景存 1-2 段满意的样本，复用成本为零
- 首轮命中不是万能公式：头脑风暴/探索类/你自己还不清楚要什么时，让 AI 先自由跑反而更快
First-round Accuracy — Show, don't tell. Example beats description, every time.