前两节打了地基：你知道什么是好指令，也知道要切换到导演思维。这一节我们搭脚手架——三套可执行的方法论。
这三套方法不是理论，是操作流程。看完就能用。
一、任务拆解法
大多数人在AI面前犯的第一个错，不是指令写得不好，是任务太大。
"帮我做个市场分析"——这个任务太大了。AI要同时完成：确定分析框架、收集数据、整理数据、画图表、写结论。它做不好，不是它能力不行，是你给了它一个需要十步才能完成的任务，但只给了一条指令。
三层拆解
第一层：需求分析——真实目标是什么
在写任何指令之前，先花30秒问自己：
- 我到底要什么？（不是"做个分析"，是"想知道下个月该采购多少猪肉"）
- 这个结果给谁看？（老板？文员？供应商？）
- 他希望看到什么格式？（一句话结论？表格？图表？）
这一步决定了后面所有的拆解方向。需求没想清楚，后面做得再好也没用。
第二层：任务拆解——复杂任务切成子任务
把大任务拆成AI能一次处理的小块。判断标准：一条指令能让AI输出一个可直接使用的中间产物。
示例：帮我写一份Q3营销方案
拆解成：
- 确定框架："列出B2B软件公司Q3营销方案的常见框架，给出5种可选结构"
- 调研背景："根据以下行业数据，总结Q2的市场趋势和竞品动态"
- 生成策略："基于以上分析，列出Q3可行的5个营销策略，每个策略包含目标、预算、预期效果"
- 输出方案："把以上内容整合成一份完整的Q3营销方案，按以下格式输出：摘要→背景分析→策略→执行计划→预算→KPI"
每一步的输出，是下一步的输入。你不需要让AI一次搞定，你只需要让AI走好每一步。
第三层：指令结构化——角色 + 任务 + 输出 + 限制 + 上下文 + 示例
这是第二节"好指令公式"的具体化。每一条子任务，都按这个结构填充：
指令六要素模板
- 角色：你是一个[具体身份]
- 任务：请完成[具体任务]
- 输出格式：请以[格式]输出
- 限制条件：注意[约束]
- 上下文：以下为背景信息[数据/材料]
- 示例：参考以下样例[范例]
不是每次都要填满六个。但你检查指令时，可以用这六个要素逐一比对——哪些填了、哪些漏了。漏掉的那个，往往就是AI跑偏的原因。
二、迭代优化法
提示词工程最大的秘密：第一次很少是对的。
这不是你的问题，是规律。任何一对多的沟通（你跟几亿参数的模型沟通），第一版能说清楚30%就已经很不错了。关键是接下来怎么做。
迭代循环：四步走
- 写第一版指令：按六要素模板写，不求完美，求完整
- 评估输出：对照你的期望，找出差距。不是"好不好"，是"差在哪"
- 修正一个维度：每次只改一个东西。改了角色，就不动格式。改了格式，就不动上下文。一个一个来，你才知道哪个改动有效
- 再试：重复以上循环，直到输出满足需求
关键习惯：一次只改一个维度。
大多数人改指令是"重新写一遍"。这不是优化，是碰运气。你要做的是像做实验一样：保持其他变量不变，只改变一个变量，观察结果的变化。这才是系统化的优化，不是瞎蒙。
迭代的常见路径
大多数情况下，迭代的顺序可以这样走：
- 第一轮：如果输出完全跑偏 → 查角色和任务是否清晰
- 第二轮：如果方向对但格式不对 → 明确输出格式
- 第三轮：如果内容泛泛而谈 → 加限制条件（字数、风格、角度）
- 第四轮：如果还是不够准 → 加示例
你不需要每次都走完四轮。有时候一轮就够了。关键是知道下一步该调什么，而不是随机地"再问一次"。
三、错误模式识别
AI跑偏不是随机的。跑偏有固定的模式。识别这些模式，你就能在几秒内判断"出了什么问题、该怎么修"。
模式一：答非所问
表现：AI给你的东西跟你问的完全不沾边。
原因：任务定义太模糊，AI只能猜。或者任务太复杂，AI在"猜"的过程中偏了方向。
修正：把任务写得更具体。不要"分析一下"，要"分析一下XX指标在XX时间范围内的变化趋势"。
模式二：过度泛化
表现：AI输出的是通用模板、正确的废话、放之四海而皆准的大道理。看起来都对，用起来都没用。
原因：缺少上下文和限制条件。AI没有足够的信息来定制化输出，所以选了最安全的通用版本。
修正：给更多背景信息。"针对XX行业、XX规模、XX阶段的公司"——越具体，AI越能定制。
模式三：输出格式混乱
表现：你要清单，AI给你段落。你要表格，AI给你列举。你要一页PPT，AI给你五千字。
原因：你没告诉AI你要什么格式。
修正：明确格式要求。"用表格输出，第一列是XX，第二列是XX""不超过300字""先给结论再展开"。
模式四：自作主张
表现：AI自己加了你不想要的内容——编数据、造案例、假设了你没有给出的条件。
原因：AI被训练成"尽可能完整地回答问题"。它宁愿编一个数据，也不愿意说"我不知道"。
修正：加排除条件。"不要编造数据，如果不知道就说不知道""只基于我给你的信息回答，不要假设"。
模式五：深度不够
表现：输出停留在表面，没有真正深入分析。
原因：任务太大，AI只能覆盖广度，无法深入细节。
修正：拆任务。把一个"分析市场"拆成"先分析竞品A，再分析竞品B"。每深入一层，让AI专注于一个点。
错误模式速查表
| 跑偏模式 | 快速修正 |
|---|---|
| 答非所问 | 把任务写具体 |
| 过度泛化 | 加上下文和限制 |
| 格式混乱 | 明确输出格式 |
| 自作主张 | 加排除条件 |
| 深度不够 | 拆任务，逐层深入 |
四、本节小结
三套方法论，一根主线：把模糊变清晰。
- 任务拆解法 — 大任务变小任务 → 每一条指令只让AI做一件事
- 迭代优化法 — 接受第一版不完美 → 一次改一个维度 → 逐步逼近
- 错误模式识别 — 识别AI跑偏的类型 → 对应修正策略 → 几分钟内搞定
三套方法组合起来，你就从"凭感觉写提示词"升级到了"系统化地构建和管理AI指令"。这不是魔术，是流程。
— 第三节完 · 下一篇：实战技巧库 —