第01章：V4提示词基础——你只需要知道这5件事
第01章：V4提示词基础——你只需要知道这5件事
有个同事跟我讲过一件事，让我印象很深。
他让DeepSeek帮他写了一封给客户的道歉邮件，发现语气太正式，让AI改，AI给他改成"对贵公司造成的不便深感抱歉"，他说太老套，让AI再改，AI给他一个"非常抱歉给您带来了麻烦"。反复五六次，每次都感觉隔着一层。
最后他自己写了，五分钟搞定。
然后他得出结论：AI写邮件没用。
这个判断对不对？对，但对错的地方。不是AI没用，是他的用法没用——他每次都是让AI"改一改"，没有给AI任何关于这封邮件、这个客户、这次事情的具体背景。AI只能在一个信息真空里猜测他想要什么，猜五次猜出来五个不同的官方腔，不奇怪。
这是提示词使用者最常见的一种误解：以为AI很聪明，所以自己只要说个方向，AI就能理解全部背景。
事实是，AI确实很聪明，但它对你的具体情况一无所知，除非你告诉它。
这章的目的不是给你讲AI的工作原理，而是给你建立一个正确的底层认知，让你后面用那300个模板的时候，知道为什么要这么写，而不是对着模板抄完发出去然后觉得"还是不够好"。
一、V4和V3的最大区别，是上下文从128K变成了1M
这个升级的意义，很多人没有真正感知到。
128K是多少？大约是一部10万字的小说，或者一份标准的商业合同加上所有附件。看起来已经很多了？但在实际工作中，它经常不够用。
比如你在做一个项目的汇报，要把这三个月的所有会议纪要、邮件往来、需求变更记录，一起喂给AI让它梳理出一个清晰的时间线。光是会议纪要可能就超了。
或者你在处理一个大型合同，主合同加上四份补充协议、两份议价记录，有时候超出128K。AI读到一半，前面的内容就"忘了"，给你的分析会有遗漏。
1M是什么概念？大约是800本普通长度的技术文档，或者一个中型代码库，或者一年的工作邮件往来。
对普通职场人来说，这意味着：
你现在可以把整个项目的所有文档塞进去问问题，而不需要担心AI记不住。可以把一份100页的报告一次性读完让AI做摘要，而不需要分段处理再手动整合。可以把过去半年跟某个客户的所有往来邮件一并提交，让AI帮你找出某个问题最初是怎么出现的。
这不是一个量变，是用法上的质变。
Flash还是Pro，1M都有，区别在速度和价格。
普通文档读取、邮件写作这些任务，Flash完全够用，而且快得多。遇到需要深度推理的——比如分析一份复杂的合同条款找风险点，或者做竞品对比报告——再切Pro。
不需要每次都用Pro，那只是在为速度和精度的溢价付钱，而大多数职场任务并不需要这种级别的推理。
二、Flash vs Pro：一个判断标准，以后不再纠结
很多人在选Flash还是Pro这件事上会反复纠结。我给一个简单标准：
问自己一个问题：这件事我自己做，需要"想很久"吗？
不需要想很久的——写邮件、整理会议纪要、翻译文件、总结文章、改格式、写标题——用Flash。
需要想很久的——分析一份完整的商业计划书找逻辑漏洞、对比十份候选方案给出取舍建议、从一堆数据里推断出潜在的业务问题——用Pro，开启思考模式。
这不是严格的技术定义，但80%的情况下够用了。
另一个维度：你今天有多少这类任务需要处理？
如果是零散的、偶发的，Pro无所谓，按需用。如果你今天要批量处理50封客户邮件，用Flash，速度快，成本低，同类任务质量也不会比Pro差太多。
V4的Flash和Pro在能力上的差距，比V3时代的deepseek-chat和deepseek-reasoner要小得多。 这是V4的一个变化：普通任务Flash已经很好，只有真正复杂的任务Pro才会拉开差距。
三、思考模式：不是开越多越好，是开错了时机
V4在这件事上做了一个很重要的决定：把思考能力直接内置进两个模型，不再需要你单独切换去用R1。
但这不意味着每次都该开思考模式。
思考模式是让AI在回答之前先"想一遍"，这个"想"的过程会消耗时间——通常会慢2到5倍，有时更多。对于需要推理的任务，这是值得的。对于不需要推理的任务，这只是在白白等待。
什么任务适合开思考模式？
- 需要多步骤推导才能得出结论的：数学计算、逻辑推理、代码调试
- 需要综合大量信息做判断的：竞品分析、策略制定、风险评估
- 你觉得AI之前给的答案"感觉浅了"的：让它重新想想往往有帮助
什么任务不适合，或者无感的？
- 写邮件、写报告、做格式转换
- 翻译、摘要、简单问答
- 任何你自己一看就能判断对不对的任务
还有一个细节：思考模式有强度设置，high和max。max是让它想得更彻底，适合特别复杂的判断任务。日常工作用high就够，max主要是给技术人员做复杂Agent任务用的。
四、提示词的四个要素：角色、任务、格式、限制
不管什么场景，一个效果好的提示词通常包含这四部分——不是每次都要写全，但理解了这四部分，你就能判断自己的提示词哪里写薄了。
角色：你在给谁布置任务
“帮我写一封道歉邮件"和"你是一个有十年B2B销售经验的客户关系经理，帮我写一封道歉邮件”——AI得到的信息量差了一个数量级。
角色设定不是让AI扮演角色（虽然这也可以），而是在给它一个参照系：从哪个视角、用什么行业常识、说什么样的话。
给职场人一个最有用的角色公式：
你是一个[职位/领域]的[年限]经验[专家/从业者]，正在帮[某类人]处理[某类事]。
为什么年限很重要？ 它暗示了知识深度和经验厚度。"有经验的"说的是什么经验、有多少，太模糊。“十年经验的跨国企业采购经理”，AI就知道你需要的是什么层次的输出。
任务：你具体要什么
说"帮我写邮件"不如说"帮我写一封给上级的请示邮件，请求批准把项目截止日期延后两周"。
说"帮我分析这份报告"不如说"帮我找出这份季度报告里最值得关注的三个风险点，用不超过200字说清楚每个风险的现状和可能的后果"。
任务描述里，数字是最有效的约束：字数、数量、层次数、时间范围。AI很难理解"简洁"是多简洁，但它能理解"不超过150字"。
格式：你要什么形式的输出
如果不说，AI会选一个它认为合适的格式，有时候对，有时候跟你想要的差很远。
格式要求可以是：
- 字数限制：“不超过300字”
- 结构要求：“分三段：问题、原因、解决方案”
- 语气要求：“正式但不要过于官方”
- 列表还是段落：“用要点列表，不要写成段落”
限制：你不想要什么
这是最容易被忽略的部分。AI会自作主张加很多东西——比如你让它写一封道歉邮件，它会加上"如有任何疑问，请随时联系我们"这种结尾套话；让它写一份项目方案，它会主动加上"风险分析"部分——如果你不想要这些，明确说。
“不要用官方腔”、“不要加套话开头”、“不要超过两页”——加了这些限制，输出质量往往会提升一截。
五、最常见的3个低效写法，和对应的改法
这三种写法，我在周围很多人身上都看到过，包括一年多以前的我自己。
低效写法一：指令模糊，全靠AI猜
典型例子：
帮我写一封工作邮件
AI不知道：给谁的？关于什么？什么语气？什么目的？上下文是什么？
结果：AI写一封通用的、礼貌的、毫无个性的邮件，你改了一半还不如自己写。
改法：把背景说清楚。
我需要给我们的一个长期合作供应商写一封邮件，告知他们从下月起需要提前30天提交发票，否则本月结款流程会延后。对方负责人名叫张总，我们合作五年，关系比较好，不需要太正式，但要说清楚这个新规定是公司财务系统调整的要求，不是针对他们。请帮我写这封邮件，语气友好而直接，不超过200字。
两个版本，你让AI处理的难度差了十倍。
低效写法二：一轮问完，不追问
很多人把AI当成一个自动答题机，问完一轮，看到输出，不满意，重新问。
这是最慢的用法。
好的做法是把AI当成一个你在和他说话的聪明人：对的地方确认，不对的地方追问，缺失的地方补充。
例子：
第一轮：让AI给你生成一个培训课程的大纲。
你看了发现：整体框架不错，但第三部分内容太浅，你们公司有个特殊情况它没有考虑到。
不要重新发一条新的指令，直接继续对话：
整体框架我觉得可以，第三部分"实操演练"这里你展开太少了，我们公司的学员是有3到5年经验的业务骨干，不是新手，这部分需要有更有挑战性的案例。另外你没有考虑到我们公司是双语环境，部分员工中英文都要用，这个培训是否需要双语内容？请在这两个点上修改大纲。
这种追问方式，比重头再来一遍要高效得多，而且AI在同一对话里会记住你之前说的所有内容，不需要重复解释背景。
低效写法三：把AI的输出当终稿
这一点不是说AI的输出不好，而是说，AI的输出是一个高质量的初稿，不是可以不改就发出去的终稿。
这个误区有两种表现：
一种是照单全收，直接用——会出现AI无意间加进去的不准确信息、不符合你公司语气的用词、或者在当前具体情况下完全合理但你已经知道"这个思路我们之前试过不行"的建议。
另一种是过度质疑，什么都让AI改——就是文章开头那位同事的情况，AI写了五版他还是不满意，因为他要的其实是一封"他自己写出来的感觉"的邮件，这件事AI帮不了他，他需要自己写前两句，然后让AI扩展。
正确的心态是：AI帮你完成60%到80%的工作，剩下的你来做。哪60%让AI做，哪20%你来做，取决于任务类型，但永远有你要参与的部分。
提示词的结构模板（5件事的整合版）
把这章学到的东西整合成一个通用框架，写任何提示词前都可以对照：
你是一个[具体角色，包含背景和年限]，
正在帮[谁：我/我的团队/一个X背景的人]处理[具体情境]。
任务：[明确的动作 + 具体目标]
要求：
- 格式：[结构/字数/列表还是段落]
- 语气：[正式/轻松/技术性/亲切]
- 注意：[特别背景 / 特殊限制 / 不要出现什么]
我的具体情况：
[相关背景：人物关系、具体数据、特殊条件]
这个模板不是每次都要填完所有字段。简单任务可能只需要两三行。但每次觉得AI给的结果"差一点"，可以对照这个框架想想哪个字段信息给少了。
V4特有功能：1M上下文的正确打开方式
很多人知道V4支持1M上下文，但并不知道怎么有效利用它。
最直接的用法：批量投喂
把整个项目的相关文档、整季度的会议纪要、整年的数据报告，一并贴进去，然后问具体问题——“找出所有提到预算超支的记录”、“整理出这半年里客户反映最多的三类问题”、“帮我梳理这个需求从最初提出到最后定稿的演变过程”。
这种用法在V3时代经常撞到128K上限，要么分段处理再自己合并，要么只能用最近的文档。V4解决了这个问题。
注意事项：
文档越长，输出质量和速度都会受影响。不是说1M就能无限投喂，而是在超大文本里，你要把问题问得更精准——"找出"比"总结"更好，因为"总结"可能会让AI把一百万字压缩成五百字然后丢掉大量细节，"找出"是在告诉AI做一个检索任务，目标更清晰。
本章最后，你只需要记住一件事
提示词没有魔法，它的本质是用准确的语言描述清楚你想要什么。
你在现实世界里怎么给一个有能力的同事布置任务——有背景、有要求、有具体场景——就怎么给AI布置任务。
区别只有一个：你的同事会主动问"你的意思是不是……"，AI不会，它只会按你说的做。所以你说得越清楚，结果越接近你想要的。
后面七章是300个具体场景的模板，每个模板都是这个原则的应用。可以直接翻到你需要的章节用，也可以按顺序读——但这章的内容，比所有模板加起来都值。
→ 继续阅读：第二章 职场文字场景×60个模板