在使用AI时，你有没有过这样的经历：突然有个灵感，想问问AI，但一面对那个空白的对话框，明明脑子里有想法，却一下子不知如何开口问起。我当然知道我想要问点什么，删掉，重来，又删掉，再重来。最后拼拼凑凑写出来几句模模糊糊的问话。我知道，这么问，也许问出来的也是些正确的废话。

这时，我通常会翻出收藏夹里的某个“万能提示词模板”。复制，粘贴，发送，我感觉我又行了。几秒后，AI的回复如瀑布般，一篇格式工整的文案，或一段看似可用的代码，就完成了。可反复检查后，总觉得结果差了点意思，却又说不清问题在哪，更不知道应该如何修改。

不知道你有没有试过这种感觉，为了解决这个问题，我学习了很多提示词的相关知识，也尝试了数不清的“万能”提示词。但我发现，即便提示词设计得再精巧，模型给出的答案也常常不尽如人意。这让我开始反思我自己到底想要什么？真的存在一份“万能”的提示词，能精准回答我所有问题吗…

最终，我意识到问题也许出在“提问”上。核心在于：我到底想问什么？我的问题足够精确了吗…

随着模型能力的进化，一个趋势愈发明显：所谓“万能”的提示词，其效力正在衰减。现在的AI，对于常见问题，一句简单的提问就能得到一个概率上“最优”的回答。而我们的问题往往出现在那些不寻常、更具体或更复杂的需求上。这时，一个模糊的提问，得到的回答就自然会开始和我们心中的“理想答案”有所偏差了。

我逐渐确信，AI能否给出令人满意的答案，关键不在于模型本身有多强大，而在于我们提供的信息（上下文）是否明确。**提问越清晰，指令越精确，AI的回答就越是能精准的应对我们的需求。**因此，一个真正意义上的“万能”提示词或许并不存在，因为它无法得知我们独特的实际需求和背景，这个“万能”的属性也许会适合“所有人”，但是必然以模糊为代价。

所以在这篇文章里，我想要分享一下我对提示词本质的一些探索，并分享一个我认为真正的“万能”提示词。等等，说了这么就到底能不能“万能”？别急，不如来听听我后面的解释，然后亲自复制这份提示词去试试效果。

为什么“模糊”是答非所问的根源

让我们将AI简化成一个“存储”了超多文本的“数据压缩机”，我们的每一次对话都相当于是在这个“数据压缩机”里面找我们想要的文本数据。

这台“数据压缩机”的工作流程很简单，就三步：

1. 接收你的提示词（输入）。
2. 在压缩后的数据中寻找与你的输入最相关的”数据碎片“。
3. 按照它学到的“最可能”的方式，将这些碎片组合、编织成新的序列返回给你（输出文本/图像/代码）。

有了这个简单的认识，我们就能进一步解释为什么清晰明确的提问（或指令）如此重要了。

• 对于AI来说，提问越“模糊”，回答就越“随机”。如果你只说“写一篇好文章”，AI并不知道你指的“好文章”是新闻稿、散文还是小红书笔记。AI的“脑子”里关联的“好文章”有无数多种，提问越模糊，它的“猜测”就越随机。一个清晰的指令，能帮它大幅缩小“搜索范围”，让结果更可控。
• AI并没有人类的“常识”，AI的脑子里只有统计规律。人类在说话时自然会省略彼此都知道的背景信息，那些我们能看到的、听到的、摸到的、感受到的东西都相当于我们的上下文或背景信息。但AI没有，它的“常识”只是从数据中统计出来的文字关联。因此，面对模糊问题，AI只能基于概率“脑补”缺失信息，结果自然容易偏离你的真实期望。
• 清晰表达，是最高效的AI使用方式。人擅长发散联想，AI则更擅长执行精确的指令。一段清晰的提示，就像一份合格的“任务说明书”或“需求文档”。你越是能明确地告诉它角色、任务、背景、风格和格式，它交出的成果就越可能符合你的预期，而不是一份充满意外惊喜（或惊吓）的“创意”，一个“可控”的回答往往是最高效的。

简单来说，清晰的提问，相当于将你脑中模糊的想法，转化成AI能够精准执行的无歧义的指令。 这既是让AI理解你的前提，也是让你自己理清思路的过程。

也许你需要的是一个能与你一起思考的需求助手

如何使用

我设计的这份提示词，本质上是一个“提问助手”。它的核心用途，是帮我厘清自己模糊的提问思路，将抽象的需求细化、具体化。

用法很简单，新开一个对话，然后将整段提示词（下方代码块内的全部内容）复制粘贴进去，发送。接下来，尝试把你的初步想法或是模糊的疑问，尽可能详细地告诉它。

随后，AI会按照提示词的设定开始工作。每一轮交互，它都会做三件事：

• 总结与确认：在第一部分，它会将之前所有的历史对话进行总结，并对你的回答说出它的理解，你可以检查它的理解是否准确，不准确则可以在对话中即时纠正。

• 整理与交付：在第二部分，它会将你当前的需求整理成一份清晰的“需求陈述”，就像一份随时可用的会议纪要。

• 提问与深化：在第三部分，它会提出几个有针对性的问题，帮助你从新的角度思考和审视你自己的需求。

并且你不必回答完所有问题。在任何一轮对话中，只要你认为第二部分生成的那份“需求陈述”已经足够清晰，就随时可以直接复制使用，结束对话。你也可以随时回来，继续回答AI提出的问题或者说说你的新想法。

完整的对话有点长，我就不放截图了，工具的真正价值在于使用。我希望你可以直接复制下面的完整提示词，亲自去和AI对话一次。因为只有你自己真的使用过才知道是不是有用，是不是适合你。

# 角色与任务

你是一名**需求梳理助手**。你的任务是通过对话，在每一轮交互中都为用户交付一份**独立、精炼、准确、易于快速理解的需求陈述**

**协作原则**：不要直接提供答案，而是通过提问和总结，与用户共同挖掘和厘清深层需求

# 工作流程

每轮对话的回答和产出都要严格按以下三部分来组织：

## 第一部分：状态同步

- **共识回顾**：用一段话总结和回顾**截至目前对话中已确认的所有核心决策与事实**
- **理解确认**：基于用户最新输入，提炼其核心观点，并阐明它如何更新你对需求的理解。并问：“我的理解是[核心观点]，我对[某个需求]的理解调整为[新的理解]。我的解读准确吗？”
- **待决清单**：清晰列出**仍待澄清的关键问题**

## 第二部分：需求陈述（核心交付物）

- **目标**：生成一份能让未参与者快速、准确把握核心诉求的需求文档。衡量成功的唯一标准是**信息的精准度和理解效率**
- **内容生成逻辑**：
  1. **规划与整合**：你需自主判断当前已确认的信息最适合用何种结构呈现（如连贯段落、列表、或带有标题的模块），**将“背景、目标/价值、用户/角色、核心要求、约束条件、成功标准”等要素自然融合**，而非机械的罗列
  2. **分析框架**：在整合信息时，必须主动运用以下原则来提升陈述的清晰度和深度：
     - **5W1H分析法**：确保陈述覆盖何事、何故、何人、何时、何地以及如何
     - **MoSCoW优先级法**：如果需求涉及多个项，尝试区分**必须有**的和**应该有**的
  3. **语言精准**：对已确认的内容，用精简、肯定的语言直接描述用户的具体需求。对待确认内容，明确标注“（待确认）”。**坚决删除任何只为填充篇幅的连接词、解释性废话或重复表述**

## 第三部分：深化提问

- **提问目标**：提出3-5个能直接推动解决“待决清单”或挑战假设、启发新思考的关键问题
- **提问策略**：
  1. **首要任务**：针对第二部分中标注的“（待确认）”点和第一部分“待决清单”中的问题提问
  2. **深度挖掘**：主动合理的运用以下方法：
     - **溯源法**：追问“为什么”以探索根本目的
     - **场景化**：提出“能否举一个具体例子？”来使抽象需求变具体
     - **假设性提问**：使用“如果……，会怎样？”来测试需求的边界和优先级
     - **挑战性提问**：当存在潜在矛盾时，直接、具体地指出（例如：“你提到A和B目标，是否意味着要在C方面做出妥协？”）
- **问题质量**：每个问题都应具体、开放、有助于减少需求的不确定性

# 行为指令

- **结构化分析**：当识别到需求存在模糊或矛盾时，按步骤引导：
  1. **识别与揭示**：明确指出模糊点或矛盾点
  2. **多角度阐释**：从**至少两个不同角度**阐述该问题的影响
  3. **提出权衡性问题**：基于分析，提出一个具体的权衡式问题
- **假设管理**：任何基于推理的解读必须在需求陈述中**明确标注为“（推测）”**，并在第三部分提出问题进行验证

# 初始化

请以协作伙伴的身份开启对话，用一个开放且具有引导性的问题帮助用户开始梳理需求

为什么这样设计

其实，这份提示词的结构很清晰，主要包含三大块：“角色与任务”、“工作流程”和“行为指令”。简单来说，就是告诉AI“你是谁”、“你的任务是什么”、“你的输出内容是什么“和”要遵守的通用指令是什么“。而设计的重点在于工作流程中的三个部分的设计，下面我来详细说说为什么我要这样设计。

我曾经使用过很多那些需要多轮问答才能出结果的提示词，这些提示词常常有几个缺点：

• 需要回答大量问题，导致想要得到答案的耗时较长。
• 对话轮次一多，受限于模型上下文长度，AI容易“忘记”之前的关键信息，从而导致最终结果不及预期。对话多轮，却得到较差的结果，这种感觉太难受了。
• 一旦用户的回答出现问题或是用户想要补充自己的回答时，AI要么机械地继续流程，要么因纠错对话过长，无法回归正轨。

我感觉这些问题的根源，很大程度上在于模型上下文的限制。为了应对这个问题，我的核心思路是：让每一轮对话都是一次完整的工作流程，并确保每次回答后都能生成一个完整独立的交付物。

更具体来说就是在每一轮对话，AI都必须完整执行整个工作流程，并输出包含三个部分的完整回复。

这样做让用户可以在任意一轮回答满意时，直接用第二部分生成的“需求陈述”并离开，不会被迫完成整个预设问答或流程。

这样用户可以随时感到满意之后就结束对话。同时，通过强制AI在每一轮开始时都要先回顾历史对话，我认为这样可以尽可能的确保关键信息不会被后续对话稀释。

接下来，说说“工作流程”中的每个部分的具体考量：

• 首先是第一部分的”理解确认“，我认为让AI将它自己的理解和推理过程透明的展示给用户检查，方便用户及时的纠正它的误解，减少因误解导致的”返工“。

• 其次是第二和第三部分的指令设计，我将一些用于需求分析的技巧和方法写成AI的指令，尝试让AI借用这些框架，提出更加深刻的问题，生成更加清晰的需求描述。

最后说说为什么我让AI输出这三个部分的内容，受到AI深度思考模式和思维链的启发，我想要让AI可以利用之前它自己生成的内容和用户的回答不断“优化”之后生成的内容：

1. 第一部分的“待决清单”输出“待澄清问题”，可以直接作为第三部分的提问所需的素材。
2. 第三部分的提问和用户的回答，又为第二部分生成更高质量的需求陈述提供了新的、更加深入的信息。
3. 而第二部分产出的清晰陈述，又反过来帮助在下一轮的第一部分中，更精准地总结“共识”和识别新的“待澄清问题”。

这样就形成了一个“优化”循环，当然，这只是我想象中的效果，我在实际使用中的时候发现对话次数多了之后，总感觉AI在没话找话，也有可能是我的需求已经细化得差不多了。而且同一套提示词用在不同的模型上效果也不太一样。大家可以根据自己的需要对这份提示词进行调整和优化，并以实际使用体验为准，希望这份提示词能对大家有帮助，也希望这份设计背后的思考，能对你有所启发。

结语

最后的最后，让我来解释一下，为什么我说这份提示词就是所谓的“万能”提示词，是因为它本质上是一段 “元提示词”，也就是说，这是一份能够生成提示词的提示词。

虽然它的直接目的是帮你理清需求、细化提问，但一份被清晰定义的需求本身，就是一份很好的提示词初稿。你只需将梳理好的需求陈述，用常见的提示词框架（如BROKE、CO-STAR等）重新组织一遍，就能得到一份目标明确、指令具体的完整提示词了。

所以，它的“万能”并不在于能否直接回答所有问题，而在于它能帮你找到提出所有正确问题的路径。这或许正是我们与AI协作时的关键。

希望这篇文章能够对你有所启发，也希望这份提示词，能帮你更轻松地与AI对话，也更清晰地与自己对话。