Prompt工程不是「魔法」，是「翻译」

你有没有这样的体验：

同一个问题，你问了AI三次，得到三个完全不同的答案——有的惊艳，有的离谱。

你以为AI「不稳定」。但真相是：你的提问方式在无意中改变了AI的推理路径。

这就是Prompt工程的本质——不是写「咒语」，是精准地告诉AI你想要哪种类型的思考。

• 给角色（Role）：告诉AI「你是谁」。不是「你是AI助手」，而是「你是一个研究创业教育10年的教授」。角色定义了AI的回答视角。
• 给任务结构（Task Structure）：不是「分析这个市场」，而是「第一步：用PEST框架分析宏观环境；第二步：用波特五力分析行业竞争；第三步：汇总成300字总结」。
• 给知识约束（Knowledge Constraint）：不是「回答这个问题」，而是「基于EAT创业行动理论的三阶段模型，分析这个创业案例中创业者的行动逻辑」。

角色 + 结构 + 约束 = 高质量输出的铁三角。

假设你需要AI帮你分析一个创业项目的资源动员策略。

差Prompt：

「分析一下这个创业项目需要什么资源」

好Prompt：

「你是一位创业学研究者。请基于Baker & Nelson (2005) 的资源拼凑理论和Sarasvathy (2001) 的效果推理框架，分析以下创业项目在早期阶段可能采用的资源动员策略。第一步：识别项目中可「拼凑」的现有资源；第二步：分析创业者如何通过「可承担损失」原则控制资源投入节奏；第三步：给出具体的资源动员行动建议。」

差别在哪？好Prompt告诉AI：

• 用什么理论框架（不是随便说）
• 分几步思考（不是一次性输出）
• 每步需要什么类型的输出

找一件你今天需要用AI处理的任务。先用你最习惯的方式写一个Prompt，再按照「角色+结构+约束」的框架重写一遍。

对比两个回答。你可能会震惊于差距。