写作效率的真正瓶颈，往往是指令而不是词汇
很多人第一次用对话式 AI 写作时，体验都差不多：输入一句“帮我写一份简历”或“帮我写一段产品文案”，得到一段读起来很顺、却完全不能用的文字。问题通常不在模型够不够聪明，而在于任务没有被描述清楚。写作这件事本身包含大量隐含前提——写给谁看、在什么场景下被读到、必须避开什么、成功长什么样。人类同事能从会议上下文里猜出来，模型只能从你写下的字里推断。
把这句话说得更直白一点：AI 写作的质量上限，取决于你把手里的模糊需求翻译成明确约束的能力。这就是提示工程在写作场景里的真实含义。它不是背诵咒语，而是一套把“我想要什么”拆成“角色、目标、语境、约束、格式、验收标准”的结构化习惯。
本文围绕两个高频场景展开：求职简历优化与营销文案撰写。你会看到可复用的提示结构、完整的迭代流程、可以直接复制修改的模板、常见误区，以及一套判断 AI 草稿是否达到可发布标准的检查方法。内容偏实操，建议边读边打开一个对话窗口跟着做一遍。
通用提示词结构：六个字段决定输出质量
如果你只记住一件事，请记住这个六段式结构。它适用于简历、落地页、社交媒体、邮件、产品说明几乎所有写作场景，区别只在于每个字段填什么。
角色与专业视角
角色不是“你是一位优秀作家”这种空话，而是带行业经验的具体身份。比如“你是一位长期服务硬件与 SaaS 行业候选人的简历顾问，熟悉招聘系统的关键词筛选逻辑”，或者“你是一位面向中小企业客户的 B2B 文案策划，擅长把技术能力翻译成业务收益”。角色越具体，模型调用的语言范式越贴近你要的调性。
一个实用技巧是让角色带上“审视视角”。例如写简历时要求模型“以招聘经理的视角先用三句话评价这段经历的可信度，再重写”。同一段内容，生成模式和评审模式给出的结果差异非常大。
目标与成功标准
目标要落到形态上：“产出一页简历中的工作经历模块，包含四条要点，每条不超过两行”“产出一段 120 字的产品简介和一个 20 字以内的标题”。模糊的目标会得到模糊的产出，而模糊产出最耗时间，因为你无法判断它到底差在哪。
成功标准可以单独写一行，比如“读者读完能说出三个具体收益”“每个要点都包含动作、方法、结果”。把它写在提示里，模型在生成过程中就会向这个标准对齐。
语境注入：把背景材料喂进去
语境是提示里最常被省略、却最影响结果的部分。岗位描述原文、你过去一年的项目数据、品牌的语气规范、竞品文案样本、目标客户的真实反馈——这些都是高价值原料。
一个常见错误是“我给模型看过了”，但实际上只给了一段摘要。原始岗位描述里的措辞、优先顺序、重复出现的关键词，本身就是信号。把它们完整贴进去，再让模型做归纳，效果完全不同。如果材料很长，可以先让模型做一次信息提取：“从下面的岗位描述中提取：核心职责、必备技能、加分项、团队关注点的原始措辞。”
约束条件：正面与负面都要写
正面约束是必须做到的：字数区间、必须出现的术语、必须体现的时间范围、必须使用的语气。负面约束是禁止出现的：模板化套话、夸张承诺、没有依据的数字、特定禁用词。
写文案时，负面约束尤其重要。模型在没有限制时会倾向于堆砌形容词，写出“赋能”“颠覆”“极致体验”这类空词。明确写“禁止使用以下词：赋能、闭环、极致、颠覆”，产出质量会立刻上一个台阶。
输出格式：为下游处理而设计
格式明确能让后续修改成本大幅下降。需要对比多个版本？要求输出 Markdown 表格，列为“版本、语气特点、适用渠道、风险点”。需要贴进简历模板？要求纯文本、每条以短横线开头、不出现加粗。需要进程序处理？要求结构化字段。
格式还包括长度控制。不要只说“简短”，要说“每条 25 到 40 字”或“总长度不超过 900 字”。可度量的数字比形容词有效得多。
自检与校验标准
最后一步是让模型自己先过一遍：“输出后自查：每条要点是否包含可验证的结果？是否存在无法证实的判断？是否出现被禁止的词？把不合格的条目单独列出并给出修改版本。”这一步几乎不增加成本，却能显著减少你反复读稿找问题的时间。
简历优化：从岗位描述到可投递版本
简历是提示工程最容易见效的场景，因为它规则明确、反馈直接：要么过筛选，要么被跳过。整个流程可以拆成五步。
第一步：拆解岗位描述，建立关键词表
先让模型做纯粹的提取工作，不要它写任何东西。提示可以这样写：“下面是目标岗位描述。请提取：一、反复出现的核心能力关键词及其出现次数；二、硬性要求与加分项；三、职责描述中的动词。以表格输出，不要改写。”
得到关键词表后，你自己判断哪些是你真正具备的。不要把不具备的技能硬塞进去，短期可能骗过系统，面试环节会付出更大代价。这个步骤的价值在于让你看清对方真正在找什么，而不是你以为对方在找什么。
第二步：把经历改写成“动作＋方法＋结果”
招聘者读简历的注意力极其有限，通常十几秒扫一页。能被抓住的句子有共同结构：做了什么、用什么方法、带来什么可量化的结果。
具体做法是先把原始素材写出来，哪怕很粗糙。“负责公司内部数据看板项目，做了三个月”这种描述信息量为零。补充细节后再交给模型润色：项目规模多大、你负责哪一部分、解决了什么具体问题、上线后谁在用、指标变化如何。
给模型的任务应该是“在保留事实的前提下重写，不新增任何未提供的信息”。这一句约束非常重要，否则模型会礼貌地帮你编造数字。
第三步：控制关键词密度，但不要堆砌
关键词需要出现在自然语言里，而不是被硬塞进句子末尾。一个平衡做法是让模型先给出覆盖建议：“基于下面的关键词表和我提供的经历素材，指出哪些关键词已经自然覆盖，哪些缺失，哪些只能勉强挂上。对缺失项给出两种自然的融入方式。”
然后你挑选符合实际的那些。密度控制的目标是读起来像人写的、同时被系统识别为相关。过度堆砌会让简历读起来机械，人工复筛阶段反而吃亏。
第四步：分模块生成，不要一次生成整份简历
整份简历一次性生成，几乎必然出现结构松散、重点分散的问题。更好的做法是把简历拆成模块：个人概要、核心技能、工作经历、项目经历、教育背景、附加信息。每个模块单独一轮对话，产出后再统一检查语言一致性。
个人概要是最值得花时间的三行。可以要求模型给出三个方向不同的版本：偏业务结果、偏技术深度、偏跨职能协作，然后你选择与目标岗位最匹配的那一个。
第五步：三轮迭代，诊断、重写、校对
第一轮做诊断：把当前版本发给模型，要求它“以招聘经理身份指出三条最可能导致被淘汰的问题，不要夸奖”。第二轮做重写：针对诊断结果逐条修改。第三轮做校对：检查时态一致、术语统一、格式规范、是否有错别字和重复表达。
三轮之间最好换一个对话窗口，避免模型被前面的输出锚定。这一点在长文档优化中尤其明显。
可直接复制的简历提示模板
你是服务过同类岗位候选人的简历顾问。
目标：重写【工作经历】模块，产出 4 条要点。
语境：岗位描述见下方；我的原始素材见下方；目标公司处于什么阶段、团队关注什么见下方。
约束：每条 25-40 字；首词用强动作动词；必须包含至少一个可验证结果；不新增我未提供的事实；禁止使用“负责”“参与”“协助”开头。
格式：纯文本，短横线列表。
自检：输出后指出哪一条最弱，并说明理由。
这类模板的价值在于它把注意力从“措辞好不好”转移到“信息完整不完整”。信息完整之后，措辞优化是低成本的事。
营销文案：从受众画像到可转化版本
文案场景比简历更复杂，因为受众、渠道、目标同时变化。但流程同样可以固定下来。
受众画像驱动语气定位
写文案前先明确读者是谁、在什么状态下读到这句话。同一个功能点，写给技术负责人和写给采购负责人，语言完全不同。前者关心实现方式和边界条件，后者关心风险和内部说服成本。
一个有效提示是：“列出目标用户在产品使用前后的三种典型情绪状态，以及他们最常出现的三种异议。不要写通用描述，要具体到场景。”拿到这份材料，再让它写文案，语气会自然下沉到真实语境里。
价值主张排序，不要平铺所有卖点
一份页面或一段文案只有一到两个记忆点。把所有卖点并列，读者一个都记不住。可以让模型做排序练习：“下面有八个功能点。请按‘对目标用户决策影响从大到小’排序，并为前三个各写一句不超过 20 字的收益表达，后五个暂时归档。”
排序的依据应该是用户的决策顺序，而不是公司的研发顺序。这一点模型在明确要求后通常能做得不错。
跨平台改写与长度控制
同一份核心信息，需要适配官网首屏、搜索引擎摘要、社交平台帖子、邮件主题、短视频开场口播。不要每次从头生成，而是让模型基于同一份信息做改写矩阵，输出一张表：渠道、字数上限、语气、必须包含的信息、可以省略的信息。
改写时保留一致的承诺，变化的只是节奏和密度。社交平台需要开场三秒抓住注意力，官网首屏需要在第一句说清产品是什么，邮件主题需要具体到能让人点开。
用数据和案例支撑叙事
形容词没有说服力，具体情况有。“提升效率”不如“把一份周报的准备时间从两小时压缩到二十分钟”。但要注意，数字必须真实可查。如果暂时没有数据，可以改用可验证的事实描述：服务过多少客户、上线多久、覆盖几个流程环节。
让模型帮你把已有事实组织成叙事，而不是让它创造事实。“只使用我提供的信息，如果需要补充数据，请标注为待确认”，这句约束应该写进几乎每一份文案提示。
标题与钩子：先多写，再筛选
标题环节适合批量化：要求模型一次给出 15 个方向不同的标题，分别偏向具体数字、具体场景、反常识判断、直接收益、提问式。然后你自己筛选。人的判断力在筛选环节明显强于生成环节，这样分工效率最高。
筛选标准可以明确写成三条：是否具体、是否有信息量、是否与正文承诺一致。标题夸大但正文给不出对应内容，长期会伤害信任。
让输出听起来像你：风格样本与一致性
AI 写作最容易被识别的问题不是错误，而是语气漂移。同一份资料，前一页正式、后一页口语化，读者会觉得割裂。解决办法是给模型风格样本。
把你自己写过的三到五段材料贴进去，要求它归纳风格特征：句子平均长度、常用连接方式、是否使用专业术语、称呼方式、段落节奏。然后要求它按这份风格特征写作，并每隔一段回头检查是否偏离。
如果你的团队已有品牌语气规范，直接贴规范文本比描述更有效。规范的措辞本身就是最好的提示材料。
另一个实用方法是建立“禁用词表”。每个团队都有几个被过度使用的词，写出来就让人出戏。把这份表放进每一条提示的约束里，是最省力的质量提升手段之一。
质量校验：把草稿变成可发布内容
AI 生成的初稿不应该直接发布，但也不该被全盘重写。合理的做法是分层校验。
事实层：所有数字、时间、职责、客户名称是否准确。这一层必须人工核对，不能委托给模型。
逻辑层：论点与论据是否对应，是否存在前后矛盾，是否有结论缺乏支撑。可以让模型扮演挑剔的读者做一轮质疑：“指出三处论证最薄弱的地方，并说明读者可能在哪里产生疑问。”
语言层：重复表达、冗余形容词、超长句子、术语不统一。这一层最适合交给模型处理。
渠道层：长度是否符合平台限制，开头是否抓住注意力，结尾是否有明确下一步。
按这个顺序检查，通常两轮就能从草稿走到可发布状态。反过来先改语言再改事实，会浪费大量返工。
常见误区与反模式
误区一：一次提示解决所有问题。 复杂写作任务几乎不可能一轮到位。把它拆成提取、构思、成稿、评审、润色五个阶段，每阶段一个明确目标，质量会稳定得多。
误区二：不提供原材料就让模型写。 模型没有你的经历、你的客户、你的数据。不给材料，它只能生成通用内容，而通用内容在竞争场景里等于没有内容。
误区三：只给正面要求。 没有负面约束，模型倾向于输出套话。明确列出禁用表达，收益立竿见影。
误区四：把模型的自我评价当作客观结论。 模型倾向于肯定自己的输出。让它挑毛病时要写清数量：“指出三条最严重的问题”，比“你觉得怎么样”有效得多。
误区五：忽视格式成本。 拿到一堆散文再手动整理成列表，比一开始就要求列表输出慢得多。格式是你主动设计的，不是事后修补的。
误区六：让模型替你做判断。 哪些经历值得强调、哪些卖点是核心竞争力，这些判断依赖你对自身和市场的理解。模型可以提供选项和排序逻辑，最终选择权必须留在你手里。
工具组合与工作流建议
工具选择上不必追求单一。对话式模型适合构思、改写、诊断；专门的语法与风格检查工具适合最后一遍校对；内容管理系统负责版本管理；数据表格负责维护关键词表和素材库。
一个可以长期使用的工作流是这样的：建立素材库，把你所有的项目细节、数据、客户反馈写成短条目存放；写作时先检索相关条目，再贴进提示；产出后按事实层、逻辑层、语言层、渠道层依次校验；把效果好的提示保存成模板，标注适用场景。
素材库是这套流程里投入产出比最高的一环。多数人写不好不是因为不会用 AI，而是因为手里根本没有可用的具体信息。素材库解决的是上游问题。
如果你同时处理视频脚本和图文内容，建议把核心信息与渠道表达分开管理。核心信息只维护一份，各渠道的改写版本作为衍生物存在，这样更新时不会出现版本冲突。
常见问题
提示写得越长越好吗？ 不是。长度服务于信息量。有效的长提示里每一句都在提供约束或语境；无效的长提示里充斥着重复的要求和礼貌用语。判断标准是：删掉这句话，产出会变差吗？
用中文还是英文写提示？ 用你最终产出内容的语言写提示，通常在语气和表达习惯上更贴近目标。如果涉及复杂逻辑拆解，可以先用英文理清结构，再用中文生成正文。
模型总写出套话怎么办？ 先检查你的提示里有没有给出具体材料。材料不足时，模型只能用套话填充。其次检查有没有禁用词约束。这两点做到，套话会大幅减少。
怎么判断一篇 AI 草稿是否可用？ 看三件事：每段是否有具体信息，承诺是否都能在正文找到对应支撑，语言是否与你其他渠道的内容一致。三项都过关，再做一遍错别字和格式检查就可以发布。
简历用 AI 优化会被发现吗？ 关键不在于是否使用工具，而在于内容是否真实、是否具体、是否与你面试时能讲出来的东西一致。凡是面试时说不清的数字和项目，都应该从简历里删掉。
要不要把同一份内容交给多个模型生成再对比？ 在需要创意方向时很有用，比如标题和开场句。但在需要事实一致性的场景里，多模型会带来版本混乱，反而增加整理成本。
结语
提示工程在写作里的本质，是把一次对话变成一次明确的委托。角色解决“你是谁”，目标解决“要什么”，语境解决“基于什么”，约束解决“不能怎样”，格式解决“怎么交付”，自检解决“怎么验收”。六个字段填满，输出质量的下限就被抬到了一定水平。
下一步不需要读完更多教程，挑一个你手上真实存在的任务——一份要投递的简历，一个要上线的页面——按上面的六段式写一条提示，跑三轮迭代，再对照校验清单检查一遍。跑完一遍，这套方法就变成你自己的了。
