《AI 知识卡片》第 03 期 · 把话说全，AI 才能干对活
同样是用 AI，有人三言两语就得到精准好用的结果，有人反复折腾还是一团糟。差别往往不是 AI 聪不聪明，而在你有没有把话说全。
一个“说得好”的提示（Prompt），通常藏着四个零件：指令（Instruction）、上下文（Context）、输入数据（Input Data）、输出指示（Output Indicator）。我们用一个例子，一步步把它们装上去（像制作一个汉堡一样），你就明白每个零件干嘛用的。
来看一个具体的例子
假设你是某餐饮店老板，想让 AI 帮你判断一条用户评论是好评还是差评。
最偷懒的写法是直接丢给它，比如：“这家店服务太差了，再也不来了”。AI 大概会愣住——你到底想让它干什么？翻译？回复？还是续写？它只能靠猜。
零件 1：指令（Instruction）—— 你要它做什么
你要它做什么加上一句明确的任务：“判断这句话是好评还是差评：这家店服务太差了，再也不来了”
现在 AI 知道任务了，会回你“这是一条差评”。指令是四要素里最核心的一个，没有它，AI 只能瞎猜。
零件 2：输出指示（Output Indicator）—— 你要它怎么给
AI 答对了，但它可能回一大段：“这是一条差评，因为用户提到了服务差……”。如果你要的是能被程序处理的结果，这就太啰嗦了。
加一句格式要求：“判断这句话是好评还是差评，只输出“好评”或“差评”两个字：这家店服务太差了，再也不来了”
这下它就老实回“差评”两个字。输出指示管的是“结果长什么样”——要不要解释、用什么格式、多长，都靠它来约束。
零件 3：上下文（Context）—— 帮它判断的背景
有些场景光有任务还不够，AI 缺背景就容易判错。比如这条评论：“这家店东西不便宜，但确实值”。
到底算好评还是差评？补上背景和标准，它就不迷糊了：
你是电商平台的评论质检员。判断标准：只要用户表达了"愿意再买/觉得值"，就算好评，哪怕中间有抱怨。 判断这句话是好评还是差评，只输出“好评”或“差评”：这家店东西不便宜，但确实值。有了这段上下文，AI 会判成“好评”。上下文给的是 AI 本来不知道、但判断时用得上的信息——身份设定、规则、参考资料都属于这一类。
零件 4：输入数据（Input Data）—— 你要它处理的具体内容
这个其实你一直在用——上面例子里那句“这家店东西不便宜，但确实值”，就是输入数据，也就是你真正要 AI 处理的对象。
把它和指令分开、标清楚，AI 更不容易搞混。常见做法是用一个标签或分隔符隔开，验证差评也一样：
具备“四要素”的提示词
| 要素 | 管什么 | 例子里对应的部分 |
|---|---|---|
| 指令 Instruction | 你要它做什么 | “判断是好评还是差评” |
| 上下文 Context | 判断用的背景/规则 | “你是质检员，标准是……” |
| 输入数据 Input | 要处理的具体内容 | “这家店东西不便宜，但确实值” |
| 输出指示 Output | 结果长什么样 | “只输出「好评」或「差评」” |
根据场景“按需选择”
提醒一句：四要素不是必填项，而是一份检查清单。
简单任务往往两三个就够了，比如“把这句话翻译成英文：xxx”——指令 + 输入数据 就够了，硬塞上下文反而啰嗦。
它真正的用处是：当你觉得 AI 答得不对劲时，拿这四条逐个排查——是没说清要干啥（缺指令）？没给够背景（缺上下文）？还是没规定格式（缺输出指示）？多半就能找到病根。
一句话总结
AI 答不好，常常不是它笨，是你话没说全。指令、上下文、输入、输出指示——对着这四条查一遍，问题多半就出来了。
 agent和组件)