TJ

推荐一个值得收藏的网站 Prompting Guide（ promptingguide.ai ） 这是目前非常系统的 AI 提示工程学习网站，覆盖： Prompt 基础 Few-shot（示例学习） Chain of Thought（思维链） RAG Agent MCP AI 工作流 最大的优点是： 不是教你背提示词，而是教你 AI 为什么会这样思考。

很多人觉得 AI 用久了会“降智”。 其实更多时候，是你的聊天记录越来越乱了。 真正提高 AI 输出质量的方法，不是一直追问，而是把任务拆开： ✅ 一个聊天做研究 ✅ 一个聊天写初稿 ✅ 一个聊天做润色 上下文越干净，AI 越稳定。 分享一个经验： 不要训练 AI 记住所有东西，而是训练自己，把任务拆成 AI 最容易完成的样子。 这一步看起来简单，却能帮你少走很多弯路。

为什么 AI 越聊越笨？问题可能不是模型，而是你的“上下文污染”。 很多人都有这种体验： 一开始 AI 很聪明。 聊了几十轮以后，它开始答非所问、重复之前的话，甚至忘记你刚刚说过的要求。 很多人会觉得： GPT 今天降智了。 其实很多时候，不是模型变笨，而是上下文(Context)已经被污染了。 可以把 AI 想象成一个正在开会的人。 会议刚开始，桌子上只有一份需求。 开了三个小时以后： 有旧版本方案 有已经废弃的要求 有临时修改意见 有错误结论 有来回讨论 这时候再让他做决定，他很容易混淆。 这就是为什么： 很多 AI 高手，不是一直聊，而是不断开启新对话。

99%的人用 AI，都在“聊天”。 真正厉害的人，已经开始让 AI 先思考，再执行。 很多人都是这样问： 帮我写一篇小红书。 AI马上开始写。 但高手会先让 AI 建立思考框架。 例如： 不要直接回答。 先分析这个任务需要考虑哪些因素； 再列出 3 套不同方案； 比较每套方案的优缺点； 最后告诉我你推荐哪一种，再开始执行。 为什么效果差这么多？ 因为大模型本质上是预测下一个词。 如果你一开始就要求它输出答案，它会直接进入”生成模式”。 而当你要求它： 先拆解 再分析 再比较 最后决策 它会花更多计算资源组织信息，答案通常更完整、更稳定。 举个真实例子。 假…

很多人问我：一个卖翡翠的，为什么天天学AI，还买科技股？ 因为我卖翡翠，不代表我只能看翡翠。 翡翠是我的主业，是我吃饭的本事；AI是新工具，已经开始改变我拍视频、写文案、做生意的方式；科技股，则是普通人最容易够到这波AI红利的方式之一。 我做不了大模型，也造不了芯片，但我可以学着用，也可以买点自己看得懂的科技股。 主业要守住，新机会也不想错过。就这么简单。