因为大多数时候，问题根本不在模型，而在人。

更准确地说，问题通常出在第一句。

很多人一上来就对 AI 说：

“帮我写一篇关于 xxx 的文章。”

然后就等结果。

最后得到一篇看起来语法没问题、结构也勉强完整、但完全没有可发布价值的东西——所谓“正确的废话”。

这篇文章最有价值的地方，不是它发明了什么神奇 prompt，而是它把这个问题说透了：

多数人用 AI 创作失败，不是不会写提示词，而是从任务一开始就把 AI 放在了一个错误的位置上。

他们把 AI 当成了自动出稿机，而不是一个需要明确角色、步骤、格式和边界的执行者。

这两种用法，差别非常大。

这也是为什么文章里那 4 个核心要素值得被重新理解。

第一，身份设定。

这不是让你去玩角色扮演，而是告诉模型“它现在该站在哪个专业位置上看问题”。

当你只说“帮我写”，模型会调用的是最泛化的平均输出；当你告诉它“你现在是一个有 8 年经验的新媒体运营”“你是一个懂增长的写作顾问”“你是一个能把复杂内容讲清楚的行业分析师”，你其实是在缩小它的解空间，让它从更接近目标的视角出发。

第二，任务拆解。

这是我觉得这篇文章最重要的一点。因为很多人不是 prompt 不够长，而是任务颗粒度太粗。你让 AI 一口气把整篇内容生成出来，本质上是在要求它同时完成：

选题判断、结构设计、节奏控制、内容展开、风格匹配、平台适配、风险规避。

任务过大时，模型最自然的选择就是退回安全模式——输出一篇平均正确但没有灵魂的稿子。

而一旦你把任务拆开：

先出大纲，
再逐段写，
再逐段改，
再统一风格，
输出质量会立刻上一个台阶。

这里不是 AI 更聪明了，而是工作流终于变合理了。

第三，格式范式。

这个点经常被低估。很多人脑中其实有结果感，但没有把它表达出来。你想要分点式、连贯叙述、适合小红书、适合微博、控制字数、保留 emoji、加强 punchline、还是压成框架文？如果这些都不说，AI 就只能“猜”。

而一旦让模型猜，它通常会猜向最保守、最通用、最像模板的方向。

所以所谓格式范式，真正的意义不是给 AI 加要求，而是帮它减少误差。

第四，边界限制。

这一步非常像工作里的岗位说明书。你不只是告诉 AI 做什么，也要明确什么不能做：

不要太空；
不要太学术；
不要出现某些敏感词；
不要超过字数；
不要自作主张发散；
不要用一眼看上去就是 AI 味的句式。

边界一旦没有写清楚，模型就很容易用它认为“合理”的方式越界，而这些越界通常正好是人最不想看到的地方。

如果把这四点放在一起，你会发现它们真正构成的不是一个提示词模板，而是一套 AI 写作管理方法：

先定角色，
再拆任务，
再定输出范式，
最后给边界。

这其实已经不只是 prompt engineering，而是在做最小可用的内容工作流设计。

文章后面提到的几个新手大坑，我也觉得说得很实在。

比如指令太短。

很多人误以为 prompt 越短越高级，像高手一样一句话就能搞定。但短 prompt 只有在你已经把背景和规则放进长期上下文里时才成立；否则它往往只会生成一篇泛而空的应付稿。

再比如不给示例。

如果你想要某种风格，最有效的方法通常不是描述，而是投喂参考样本。风格本来就很难通过抽象语言完全说明，但样本能直接把节奏、密度、语气和结构感交给模型。

还有“一次生成就盲发”。

这是很多人低估的风险。AI 第一版输出更像 draft，不是成品。真正稳妥的流程，永远应该包含：

生成 → 检查 → 调整 → 再发。

尤其是在内容平台环境里，AI 输出除了质量问题，还会有同质化、标题风险、平台适配、冷启动表现这些额外维度。也就是说，AI 不是省掉审稿，而是让你把更多精力放到更有价值的审稿上。

文章里还有一个很值得保留的反常识：

提示词不是越长越好，关键是越准确越好。

这句话特别适合现在这个阶段。因为很多人一意识到需要写 prompt，就开始疯狂堆词、堆形容词、堆目标、堆情绪，结果把需求写得越来越花，但并没有更清楚。

AI 真正需要的不是文学化描述，而是清晰约束下的明确任务。

如果把这篇文章的核心压缩一下，我觉得它真正讲的其实不是“4 个公式”，而是一个更基础但更重要的认知：

AI 写作不是按一下按钮就出稿，
而是把一个人类编辑原本会做的工作流，重新压缩、拆解、结构化，然后交给模型逐步执行。

这对 Kenny 也很有现实意义。

因为你现在做的网站文章、任务提炼、跨平台内容分发，本质上都不是“写一篇文”这么简单，而是连续的内容工程。与其追求一句万能 prompt，不如把这条链路设计清楚：

谁负责提选题；
谁负责出大纲；
谁负责压缩要点；
谁负责改成平台风格；
谁负责审稿；
谁负责发布。

一旦这样看，AI 最强的地方就不再是“写得快”，而是它可以成为一条被你结构化之后的内容流水线执行者。

如果一定要用一句话总结这篇文章，我会这样说：

80% 的 AI 写作之所以产出“正确的废话”，不是因为模型不够好，
而是因为大多数人在第一句指令里，就已经把 AI 放到了一个错误的位置上。