AI原生时代提示工程架构师的软技能修炼：从技术专家到沟通协作领导者

摘要/引言

你有没有遇到过这样的场景？——花了两周优化的prompt，业务团队看了说“这不是我们要的”；产品经理催着上线的AI功能，用户用了一次就再也不用；甚至连技术团队内部，算法工程师和提示工程师都在争论“到底是调模型参数还是调prompt更有效”。

在AI原生时代，这样的场景越来越常见。我们曾经以为，AI项目的成功取决于模型的精度、prompt的巧妙程度，但事实上，根据Gartner 2023年的AI项目失败原因调查，80%的失败源于“人”的问题——沟通不畅、协作断层、价值对齐失败。

而提示工程架构师，作为AI原生系统的“核心设计者”，早已不是“躲在电脑后面调prompt的技术人员”。他们需要成为连接技术层（大模型能力）、业务层（商业目标）、产品层（用户体验）的“桥梁”——既要懂如何让大模型输出更精准的结果，更要懂如何让不同角色理解AI的价值，如何让跨团队协同落地AI项目。

这篇文章，我想和你聊一聊：AI原生时代，提示工程架构师需要的软技能到底是什么？如何从“技术专家”转型为“沟通协作领导者”？ 无论你是刚入门的提示工程师，还是正在带领AI团队的管理者，这些软技能都会成为你落地AI项目的“关键武器”。

一、AI原生时代，提示工程架构师的角色重构：从“技术执行者”到“价值连接者”

在聊软技能之前，我们得先明确：提示工程架构师到底是做什么的？

传统的算法工程师，核心任务是“优化模型性能”——调参、改网络结构、提升准确率。但提示工程架构师的核心任务，是“设计AI与人类交互的规则”——通过prompt，让大模型理解人类的需求，输出符合业务目标、用户体验的结果。

更具体地说，提示工程架构师的角色包含三个维度：

1. 技术翻译官

把大模型的技术特性（比如上下文窗口、token限制、幻觉问题）翻译成业务能懂的“价值语言”（比如响应速度、精准度、可靠性）；同时把业务的“模糊需求”（比如“要更智能”）翻译成具体的prompt设计要求（比如“加入情绪识别指令”）。

2. AI体验设计师

不仅要让模型输出准确，还要让用户用得舒服——比如设计prompt的输入方式（是让用户写长文本还是选选项？）、输出格式（是纯文字还是带结构化数据？），甚至是回复的语气（是专业还是亲切？）。

3. 跨团队协调者

AI项目从来不是一个团队的事——需要产品团队设计界面，业务团队提供需求，法务团队审核合规，技术团队优化性能。提示工程架构师要成为这个“协同网络”的中心，对齐目标、解决冲突、推动落地。

举个例子：某零售公司要做一个“AI商品推荐助手”，提示工程架构师的工作不是只写一个“推荐适合用户的商品”的prompt，而是要：

• 和业务团队对齐：推荐的目标是“提升客单价”还是“提高复购率”？
• 和产品团队沟通：用户是在APP里输入问题（比如“我要给妈妈买生日礼物”）还是选标签（比如“中老年女性、实用、预算500元”）？
• 和技术团队协作：模型的上下文窗口够不够容纳用户的历史购买数据？
• 和法务团队确认：推荐的商品有没有合规风险（比如不能推荐过期产品）？

这时候你会发现，提示工程架构师的核心能力，早已不是“写prompt的技巧”，而是“连接人与AI、人与人间的能力”——这就是软技能的价值。

二、沟通能力：AI时代的“翻译术”——让技术听懂业务，让业务理解技术

沟通，是提示工程架构师最基础也最核心的软技能。但这里的沟通，不是“会说话”那么简单，而是**“双向翻译”的能力**：把技术语言翻译成业务语言，把业务语言翻译成技术语言；同时，用“故事”让价值被看见。

1. 技术→业务：把“专业术语”变成“价值结论”

大模型的技术术语，对业务人员来说就像“外星语言”——“上下文窗口”“token消耗”“幻觉”“少样本学习”，这些词只会让业务人员皱眉头。我们需要做的，是把这些术语翻译成“对业务有影响的结果”。

比如，当业务人员问：“这个模型的上下文窗口是4k，够不够用？”，不要回答：“4k意味着能处理大约3000个汉字的输入”，而是要解释：“如果用户的问题涉及到最近3次的购买记录（大约500字），4k的窗口完全能覆盖，不会因为输入太长而丢失信息——这意味着推荐的商品会更精准，能提升15%的转化率”。

再比如，当业务人员担心“模型有幻觉怎么办？”，不要说：“大模型是生成式的，肯定会有幻觉”，而是要讲：“我们会在prompt中加入‘必须基于用户提供的订单数据回答’的指令，并且加一个‘事实核查’的步骤——如果模型的回答不在订单数据里，就会提示‘请提供更多信息’。这样能把幻觉率从10%降到2%，避免给客户错误的信息”。

关键技巧：用“业务指标”替代“技术参数”——业务人员关心的是“转化率”“留存率”“成本”，而不是“token数”“准确率”。把技术参数和业务指标关联起来，才能让业务人员理解技术的价值。

2. 业务→技术：把“模糊需求”变成“可执行的prompt设计”

业务人员的需求往往是“模糊的”——“要更智能”“要更懂用户”“要更快”。提示工程架构师的任务，是把这些模糊需求拆解成具体的、可操作的prompt设计要求。

比如，业务人员说：“希望AI客服能更懂用户的情绪”，我们需要拆解成：

• 情绪识别：在prompt中加入“首先分析用户输入的情绪（愤怒/焦虑/满意/中立）”的指令；
• 语气调整：根据情绪给出对应的回复语气——比如用户愤怒时，回复要“先道歉，再解决问题”；用户焦虑时，回复要“更耐心，提供具体的步骤”；
• 示例补充：给模型提供情绪分类的示例，比如“用户说‘你们的快递太慢了，我等了一周！’——情绪：愤怒”“用户说‘我的订单怎么还没发货？’——情绪：焦虑”。

再比如，业务人员说：“希望AI生成的营销文案更符合我们的品牌调性”，拆解成：

• 品牌调性定义：和业务人员一起明确品牌调性——比如“年轻、活力、搞笑”还是“专业、可靠、权威”；
• prompt指令：在prompt中加入“营销文案要符合XX品牌的调性：年轻、活力、搞笑，避免使用正式、生硬的语言”；
• 示例投喂：给模型提供几个符合品牌调性的文案示例，比如“XX奶茶，喝一口就像夏天的风——凉到心底，甜到冒泡！”。

关键技巧：用“5W1H”追问需求——Who（目标用户是谁？）、What（要解决什么问题？）、Why（为什么要解决这个问题？）、When（什么时候用？）、Where（在什么场景用？）、How（希望怎么呈现？）。通过追问，把模糊的需求变成具体的要求。

3. 用“故事”传递价值：让非技术人员“看见”AI的效果

数据和指标很重要，但故事比数据更能打动人。因为故事能让非技术人员“代入场景”，理解AI到底能解决什么问题。

比如，当你想向CEO汇报AI客服的效果，不要说：“我们优化了prompt，准确率提升了20%，响应时间缩短了30%”，而是要讲：“上周，有个客户因为快递延误很生气，AI客服先道歉说‘非常抱歉让您等了这么久，我们已经帮您查询了物流，您的快递明天就能到’，然后主动提出‘为了补偿您的损失，我们给您发放一张5元无门槛优惠券’。客户后来给了五星好评，还说‘你们的服务比之前好多了’。现在，AI客服的好评率从40%提升到了65%，每个月能节省3个客服的成本”。

再比如，向产品团队解释prompt优化的重要性，不要说：“这个prompt的召回率是85%”，而是要讲：“之前的prompt会把‘我要退货’的请求误判成‘咨询商品尺寸’，导致用户等了10分钟才得到退货指引。现在优化后的prompt，能100%识别‘退货’请求，直接引导用户到退货页面——用户的等待时间从10分钟降到了1分钟，退货成功率提升了30%”。

关键技巧：故事的结构=场景+问题+解决方案+结果——先描述一个具体的场景（比如“有个客户因为快递延误生气”），然后指出问题（“之前的AI客服答非所问”），再讲解决方案（“优化了prompt，加入情绪识别和补偿指令”），最后给出结果（“客户给了五星好评，好评率提升25%”）。这样的故事，谁都能听懂，也能记住。

三、协作能力：AI项目的“协同网络”——从“单干”到“共创”

AI项目的落地，从来不是一个人的事。提示工程架构师需要带领跨团队（产品、业务、技术、法务）协同，把“想法”变成“产品”。这时候，协作能力就像“胶水”，把不同的角色粘在一起，朝着同一个目标前进。

1. 跨团队对齐：找到“共同目标”，避免“各自为战”

跨团队协作的第一个问题，就是“目标不一致”——产品团队想“提升用户体验”，业务团队想“提升转化率”，技术团队想“优化模型性能”，法务团队想“确保合规”。如果没有共同目标，每个团队都会按自己的节奏走，最后项目变成“四不像”。

如何找到共同目标？用“用户价值+商业价值”的双维度对齐。

比如，某教育公司要做一个“AI作业辅导助手”，各团队的初始目标：

• 产品团队：“界面要简单，让学生容易用”；
• 业务团队：“要覆盖更多科目，提升付费率”；
• 技术团队：“要提升模型的解题准确率”；
• 法务团队：“不能提供直接的答案，避免作弊”。

这时候，提示工程架构师需要组织一次对齐会，引导大家找到共同目标：“做一个能帮学生‘理解解题思路’的AI辅导助手——界面简单（产品目标）、覆盖数学/英语/物理三科（业务目标）、解题思路准确率90%以上（技术目标）、不提供直接答案（法务目标）”。

有了共同目标后，每个团队的工作就有了方向：

• 产品团队：设计“输入题目→AI给出解题思路→学生练习→AI批改”的流程；
• 业务团队：收集学生最常问的三科题目，作为prompt的训练数据；
• 技术团队：优化prompt，让模型输出“解题步骤”而不是“答案”；
• 法务团队：审核prompt中的“禁止提供直接答案”的指令。

关键技巧：用“一句话目标”统一认知——把共同目标浓缩成一句话，比如“帮学生理解解题思路，提升学习效率”，让每个团队都能记住，避免偏离方向。

2. 激发共创：让“一线人员”参与prompt设计

提示工程不是“闭门造车”——一线人员（比如客服、销售、教师）最懂用户的真实需求，他们的输入能让prompt更落地。

比如，某电商公司做AI客服提示，一开始提示工程师自己设计的prompt是：“请回答用户的问题，保持友好”。但一线客服反馈：“用户经常问‘快递啥时候到’，模型会回答‘请查询物流’，但用户不知道怎么查，结果更生气”。

于是，提示工程架构师组织了一次“prompt设计 workshop”，邀请了5个一线客服、2个产品经理、1个业务负责人参与。 workshop的流程是：

1. 需求收集：让客服分享最常遇到的用户问题（比如“快递时效”“退货流程”“商品尺寸”）；
2. 问题分析：一起分析这些问题的痛点（比如“用户不知道怎么查物流”“退货流程太复杂”）；
3. prompt设计：针对每个问题设计具体的prompt——比如“当用户问‘快递啥时候到’时，首先回复‘非常抱歉让您久等了！您的快递目前在[物流地点]，预计明天18点前送达。如果想查看实时物流，可以点击[链接]’”；
4. 测试优化：把设计好的prompt放到测试环境，让客服测试，收集反馈，再调整。

结果，优化后的prompt让“快递时效”问题的解决率从50%提升到了90%，客服的工作效率提升了30%。

关键技巧：用“workshop”激发共创—— workshop的核心是“让一线人员发声”，而不是“提示工程师主导”。可以用“头脑风暴”“角色模拟”等方法，让大家参与进来。比如角色模拟：让业务人员扮演用户，客服扮演AI，测试prompt的效果，找出问题。

3. 冲突管理：用“数据+目标”解决分歧

跨团队协作中，冲突是难免的——比如产品团队想“简化prompt输入”，技术团队想“保留更多输入字段以提升准确率”；业务团队想“快速上线”，法务团队想“再审核一遍”。

这时候，不要靠“权力”压人，而是要靠“数据+目标”解决分歧。

比如，某医疗公司做AI问诊助手，产品团队认为“要让用户用一句话描述症状”，这样界面简单；但技术团队认为“要让用户填写更多信息（比如年龄、性别、病史）”，这样模型的诊断更准确。

怎么办？提示工程架构师做了两件事：

1. 用户调研：调查了100个用户，问他们“更愿意用一句话描述症状，还是填写详细信息？”结果80%的用户选择“一句话描述”，因为“方便”。
2. AB测试：做了两个版本的prompt——版本A：“请用一句话描述你的症状”；版本B：“请填写年龄、性别、病史，然后描述症状”。测试结果：版本A的用户使用率是版本B的2倍，而诊断准确率只比版本B低3%。

基于这些数据，团队决定采用版本A，然后技术团队优化prompt，让模型从“一句话症状”中提取更多信息（比如“我发烧3天了”——模型能提取“症状：发烧，时长：3天”），最后诊断准确率提升到了版本B的水平。

关键技巧：冲突解决的三步法——1. 回到共同目标（比如“提升用户使用率和诊断准确率”）；2. 用数据说话（比如用户调研结果、AB测试数据）；3. 寻找“双赢”方案（比如版本A+prompt优化）。

4. 构建生态：连接外部资源，保持竞争力

AI技术发展很快，提示工程架构师不能只关起门来做项目，还要连接外部资源——比如大模型厂商、prompt工程师社区、行业专家，这样才能保持团队的竞争力。

比如，某 SaaS 公司做AI文案生成工具，提示工程架构师定期参加OpenAI的Community Forum，和其他prompt工程师交流最佳实践；同时和Anthropic合作，提前了解Claude 3的新功能（比如更长的上下文窗口），并把这些功能整合到自己的prompt中；还邀请了行业内的文案专家，给团队做培训，提升prompt的“文案水平”。

结果，他们的AI文案生成工具的“文案质量评分”比竞品高20%，用户转化率提升了15%。

关键技巧：建立“外部协作网络”——可以加入一些prompt工程社区（比如Prompt Engineering Institute、OpenAI Community），关注大模型厂商的动态（比如OpenAI、Anthropic、Google），邀请行业专家做内部分享。这些外部资源能帮你获取最新的技术和经验，避免“闭门造车”。

四、软技能的底层逻辑：同理心与系统思维——AI领导者的“内功”

沟通和协作能力，看起来是“外在的技巧”，但其实背后有两个底层逻辑：同理心和系统思维。这两个“内功”，决定了你能否真正成为AI时代的领导者。

1. 同理心：站在“对方的角度”想问题

同理心，不是“同情”，而是“理解对方的需求和担忧”。提示工程架构师需要理解不同角色的“痛点”：

• 业务人员的痛点：AI项目能不能达标？会不会影响我的KPI？
• 产品人员的痛点：用户会不会用这个功能？体验好不好？
• 技术人员的痛点：模型会不会不稳定？有没有足够的资源优化？
• 法务人员的痛点：会不会有合规风险？会不会被监管？

比如，当业务人员催着上线时，不要说“技术还没准备好”，而是要理解他的痛点：“你是不是担心错过这个季度的KPI？我们现在的进度是，prompt已经优化好了，正在做最后一轮测试，预计下周三能上线——上线后我会每天给你发数据报告，确保KPI能完成”。

再比如，当技术人员说“prompt不能再简化了”，不要说“产品要简单，必须简化”，而是要理解他的痛点：“你是不是担心简化后准确率会下降？我们可以做AB测试，看简化后的prompt的准确率和用户使用率，如果准确率下降太多，我们再调整”。

关键技巧：用“提问”代替“判断”——比如不要说“你怎么这么急？”，而是问“你担心什么？”；不要说“你不懂技术”，而是问“你希望这个功能解决什么问题？”。通过提问，理解对方的需求，再给出解决方案。

2. 系统思维：把AI项目看成“一个整体”

系统思维，就是“从整体出发，考虑各个环节的相互影响”。AI项目不是“prompt设计”的单点优化，而是一个包含“用户需求→prompt设计→模型输出→用户反馈→prompt迭代”的闭环系统。

比如，某旅游公司做AI行程规划助手，一开始提示工程师优化了prompt，让模型能生成更详细的行程，但用户反馈“行程太复杂，没时间看”。这时候，提示工程架构师没有只调整prompt，而是从系统的角度看问题：

• 用户需求：用户需要的是“简单、实用的行程”，而不是“详细的攻略”；
• prompt设计：把prompt从“生成详细的行程”改成“生成3天的行程，每天2个主要景点，每个景点推荐1家当地美食”；
• 模型输出：调整输出格式，用“ bullet point”代替长文本，让用户更容易看；
• 用户反馈：收集用户的反馈，比如“希望增加交通方式”，再优化prompt。

结果，用户的满意度从45%提升到了70%，行程规划的使用率提升了40%。

关键技巧：用“闭环思维”做AI项目——不要做完prompt就结束，而是要：1. 收集用户反馈；2. 分析反馈中的问题；3. 调整prompt或模型；4. 再测试，形成闭环。这样才能让AI项目不断优化，真正满足用户需求。

五、案例实践：从冲突到对齐，一个AI理财顾问项目的软技能应用

为了让你更直观地理解软技能的应用，我想分享一个真实的案例——某金融公司的AI理财顾问项目，从“冲突不断”到“成功落地”的过程。

1. 项目背景

某金融公司想做一个“AI理财顾问”，目标是“帮用户找到符合风险承受能力的理财产品，提升用户留存率”。参与团队有：

• 业务团队：负责制定理财策略，目标是“提升付费用户占比”；
• 产品团队：负责设计APP界面，目标是“提升用户使用率”；
• 技术团队：负责优化prompt和模型，目标是“提升推荐准确率”；
• 法务团队：负责审核合规，目标是“避免误导用户”。

2. 初始冲突

项目启动后，各团队陷入了冲突：

• 业务团队要求：“推荐高收益的产品，提升付费率”；
• 产品团队要求：“界面要简单，让用户用一句话描述需求”；
• 技术团队要求：“用户要填写详细的风险测评问卷，提升推荐准确率”；
• 法务团队要求：“必须在推荐中加入风险提示，不能夸大收益”。

3. 软技能的应用

作为提示工程架构师，我做了以下几件事：

（1）对齐共同目标

组织了一次跨团队对齐会，引导大家回到用户价值和商业价值：

• 用户价值：“帮用户找到符合风险承受能力的理财产品，避免亏损”；
• 商业价值：“提升用户留存率和付费率”。
  最终，共同目标确定为：“做一个能帮用户‘快速找到安全、适合的理财产品’的AI顾问——界面简单、推荐准确、合规安全”。

（2）用共创设计prompt

组织了“prompt设计 workshop”，邀请了理财顾问、产品经理、业务负责人参与：

• 理财顾问分享：“用户最常问的问题是‘我能买高收益产品吗？’，但其实他们不知道自己的风险承受能力”；
• 产品经理建议：“让用户用‘滑块’选择风险等级（保守/稳健/激进），比填写问卷更简单”；
• 业务负责人要求：“推荐的产品要标注‘风险等级’和‘历史收益’”；
• 法务负责人强调：“必须加入‘理财有风险，投资需谨慎’的提示”。
  基于这些输入，我们设计了prompt：

“用户现在要选择理财产品，请先让用户用滑块选择风险等级（保守/稳健/激进）。根据用户的风险等级，推荐3款对应的理财产品，每款产品要包含：1. 产品名称；2. 风险等级；3. 历史年化收益；4. 投资期限。最后必须加入提示：‘理财有风险，投资需谨慎’。”

（3）用数据解决冲突

产品团队和技术团队在“用户输入方式”上有冲突：产品要“滑块选择”，技术要“问卷填写”。我们做了AB测试：

• 版本A（滑块）：用户使用率60%，推荐准确率85%；
• 版本B（问卷）：用户使用率30%，推荐准确率90%。
  基于数据，我们选择了版本A，然后技术团队优化prompt，让模型从“风险等级”中推断更多信息（比如“保守型用户”推荐“货币基金”，“激进型用户”推荐“股票型基金”），最后推荐准确率提升到了88%。

（4）闭环优化

项目上线后，我们收集了用户反馈：

• 用户说：“希望能看到产品的手续费”；
• 用户说：“推荐的产品太多，选不过来”。
  于是，我们调整了prompt：

“根据用户的风险等级，推荐2款对应的理财产品，每款产品要包含：1. 产品名称；2. 风险等级；3. 历史年化收益；4. 投资期限；5. 手续费。最后加入提示：‘理财有风险，投资需谨慎’。”

4. 项目结果

• 用户留存率从35%提升到了55%；
• 付费用户占比从10%提升到了18%；
• 用户满意度从40%提升到了70%；
• 法务团队确认：所有推荐都符合合规要求。

这个案例让我深刻体会到：AI项目的成功，从来不是技术的胜利，而是软技能的胜利——对齐目标、激发共创、用数据解决冲突、闭环优化，这些软技能让不同的团队朝着同一个方向努力，最终实现了用户价值和商业价值的双赢。

六、如何修炼软技能？从“意识”到“习惯”的四步法则

软技能不是天生的，而是可以通过刻意练习获得的。我总结了四步法则，帮你从“意识”到“习惯”，修炼AI时代的软技能。

1. 第一步：建立“用户思维”——从“我要做什么”到“用户需要什么”

很多技术人员的思维是“我要做一个厉害的prompt”，但软技能的核心是“用户需要什么”。要建立用户思维，可以做以下练习：

• 角色代入：每天花10分钟，扮演用户使用自己的AI产品，记录遇到的问题；
• 用户访谈：每周和1个用户聊天，问他们“你用这个功能时遇到了什么问题？”“你希望这个功能能帮你解决什么？”；
• 数据跟踪：设置用户行为指标（比如使用率、留存率、满意度），每周分析数据，找出用户的痛点。

2. 第二步：练习“翻译术”——把技术语言和业务语言互换

翻译术是沟通能力的核心，可以通过以下练习提升：

• 技术→业务：每天选一个技术术语（比如“上下文窗口”），翻译成业务语言（比如“能处理的输入长度，影响推荐的精准度”）；
• 业务→技术：每天选一个业务需求（比如“要更智能”），拆解成具体的prompt设计要求（比如“加入情绪识别指令”）；
• 故事练习：每周写一个“AI价值故事”，用“场景+问题+解决方案+结果”的结构，向非技术人员解释AI的效果。

3. 第三步：主动“协同”——从“单干”到“找伙伴”

协作能力不是“等别人来找你”，而是“主动找别人”。可以做以下练习：

• 主动对齐：每周和跨团队的同事开15分钟同步会，分享自己的进度，了解对方的需求；
• 组织workshop：每月组织一次跨团队的prompt设计 workshop，邀请一线人员参与；
• 解决冲突：当遇到冲突时，用“数据+目标”的方法解决，而不是靠“权力”或“情绪”。

4. 第四步：培养“系统思维”——从“单点优化”到“闭环迭代”

系统思维需要长期培养，可以做以下练习：

• 画系统图：每次做AI项目时，画一张系统图，包含“用户需求→prompt设计→模型输出→用户反馈→prompt迭代”的闭环；
• 跟踪闭环：每周检查闭环的每个环节，比如“用户反馈有没有收集？”“prompt有没有根据反馈调整？”；
• 总结规律：每完成一个项目，总结“哪些环节做得好？哪些环节需要改进？”，形成自己的“系统思维框架”。

七、结论：AI原生时代，技术领导者的核心是“连接”

在AI原生时代，提示工程架构师的角色已经从“技术执行者”变成了“价值连接者”。他们的核心能力，不是“写prompt的技巧”，而是“连接技术与业务、连接人与AI、连接不同团队”的软技能——沟通中的“翻译术”，协作中的“协同网络”，底层的“同理心与系统思维”。

这些软技能，不是“锦上添花”，而是“生存必备”。因为AI项目的落地，从来不是技术的问题，而是“人”的问题——能不能让不同角色理解AI的价值？能不能让跨团队协同？能不能让用户用得舒服？

最后，我想给你一个行动号召：下次做AI项目时，先放下键盘，走出工位，去和业务人员聊聊天，和产品人员开个会，和一线用户做个访谈。你会发现，比“优化prompt”更重要的，是“理解人”——理解他们的需求，理解他们的担忧，理解他们的目标。

AI原生时代，技术领导者的核心，不是“懂技术”，而是“懂人”。因为，所有的技术，最终都是为“人”服务的。

附加部分

参考文献/延伸阅读

1. 《AI时代的项目管理》——Gartner，2023；
2. 《非暴力沟通》——马歇尔·卢森堡，经典的沟通技巧书籍；
3. 《系统思维》——德内拉·梅多斯，系统思维的入门书籍；
4. OpenAI Community Forum——prompt工程师的交流社区；
5. Prompt Engineering Institute——提供prompt工程的课程和资源。

致谢

感谢我的同事们，在项目中给了我很多关于跨团队协作的经验；感谢我的用户，让我理解了什么是“用户真正的需求”；感谢我的家人，支持我写出这篇文章。

作者简介

我是李响，资深AI工程师，拥有5年AI项目落地经验，专注于提示工程和AI团队管理。曾主导过多个AI项目（比如AI客服、AI理财顾问），帮助企业提升了用户留存率和转化率。我喜欢分享AI技术的实践经验，希望能帮更多人从“技术专家”转型为“AI领导者”。

欢迎在评论区分享你的想法，或者加我的微信（lx_ai_leader）交流。