LESSON 03 · CHAT 对话窗口
Why this lesson · 为什么值得学
学会接着聊，不用每次从头解释背景
让 AI 记住你的偏好，越聊越顺手
把一次对话变成持续帮你干活的工作流
核心洞察：你不是「不知道问什么」——你是不知道 AI 能帮你做什么。一旦你意识到「跟 AI 说话 = 把你的真实处境告诉它，让它帮你想办法」，第一句话就会自己冒出来。
前两课之后，你已经知道：Chat 窗口是对话对象，不是搜索框 ；界面上的按钮大部分可以忽略，只碰输入框就好 。
现在你盯着那个空白输入框……脑子里一片空白。
这不是你的问题。这是「开放式提问」的自然反应。如果有人对你说「随便问，我什么都能回答」——你的大脑也会空白。因为「什么都能回答」反而让选择变得无限多，无限选择 = 决策瘫痪。
你可能会想：「我得想一个聪明的问题」「这个问题会不会太蠢」「AI 擅长什么我应该问那个」——然后 5 分钟过去了，一个字没打。
不需要想问题。你只需要想：我现在在干嘛？我想解决什么？然后把这句话打进去。AI 会自己判断怎么帮你。
填两个空，一句话，发送。
不需要任何技术术语。不需要任何格式。就跟你跟朋友发微信一样。
注意这些模板的共同点：没有一个是「好问题」——它们只是把真实的生活场景描述了出来。AI 不需要你问得专业，它只需要你说清楚你的处境。
Kevin Stratvert 教新手用 ChatGPT 时做过一个对比实验。他让 AI 给自家曲奇店写一封营销邮件：
AI 洋洋洒洒写出一封——却凭空加上了「燕麦葡萄干」口味、还自作主张打 10% 折扣。可这家店根本不卖燕麦葡萄干，也不想降价。看着专业，实则是套话，还顺手编了事实。
同一家店，加上「写给谁、新品是南瓜香料巧克力豆、语气要活泼、折扣是多少、大概多长」之后，AI 给出贴合自家产品的文案，还自动带上了优惠券码和官网引导。Kevin 的原话：「你给的细节和上下文越多，回答就越好。」
这就是为什么前面的模板都要求你把「真实处境」写进去——不是越专业越好，是越具体越好。少写一句关键信息，AI 就会用编造来填空。
真的。然后 AI 会回复你，你再接着聊。就像你第一次加一个人的微信——你说「你好」，然后看对方怎么回，你接着聊。
不用想是不是好问题。AI 不会 judge 你。你发出去的那一秒，你就是真的「会用 AI」了。
「我正在___，我想___，你能帮我吗？」——填两个空，发送。这就是你跟 AI 的第一句话。
第一句话发出去，你已经是「会用 AI」的人了。但新手和高手真正的差距，是接下来你怎么跟它聊。下面这几招，浓缩自 YouTube 上播放量最高的几支新手教程（Kevin Stratvert、Anson Alexander、Adrian Twarog）和吴恩达的免费公开课《AI Prompting for Everyone》——都是创作者实打实用过的方法，我们化简成零基础也能直接上手的版本。
把 AI 当「会聊天的同事」，别当搜索引擎。最好用的结果，往往不是你一次写出一句完美的 prompt，而是你一句、它一句地来回改：「再温暖一点」「换个说法」「缩到 100 字」。遇到听不懂的概念，再补一句「像给5岁小孩一样，用生活里的比喻讲给我听」——它会丢掉术语，把复杂的东西讲简单。越聊越准。还有一个新手常忽略的小动作：答案出来后顺手点一下 👍 / 👎 给个反馈——你的反馈会帮它越答越对；如果答得不对，别只说「不好」，具体说清哪里不对、想要什么样（比如「语气太正式，改口语一点」），它重来的一版会准很多。要改的如果是一整篇长文档，还有个更省心的做法：别让它整段重写（你满意的部分会被一起冲掉），用「画布 / 文档」模式（英文界面叫 Canvas，国产工具里常叫写作画布或文档模式）——把要改的那一段单独选出来让它改，前后差异一目了然，改坏了也能退回上一版。
遇到大任务——写一篇长文、做一个方案、写一段代码——别把整个需求一口气甩给它、然后等一个完美答案。更好的做法是先让它列大纲：你确认方向对了，再一段一段展开。Adrian Twarog 写博客时就这么用 ChatGPT：先要一份文章大纲和标题，再逐段填充，比直接说「写一篇博客」出来的东西贴得多。大任务拆成小步，你每一步都能纠偏，成品才更靠近你真正想要的。
还有一类特别容易算错的需求，是算账、规划、逻辑题、选择题。普通模型不会主动「想」，常常跳步瞎猜给你一个错数。一个被反复验证的小技巧：在问题末尾加一句「让我们一步步来」（英文写 Let's think step by step），AI 就会先把推理过程一条条写出来、再给最终答案，准确率明显更高。前面提过可以用「reason」按钮直接调用推理模型；但当你用的是普通模型、没有那个按钮时，这一句话就是最省事的「强制慢思考」开关——而且它把每一步推理摊开，你也能一眼看出它哪步算错了、到底能不能信。
还有一类新手最容易翻车的需求，是「总结」或「解释」一篇长文、一份 PDF。只说「帮我总结一下」，AI 往往会还你一篇跟原文差不多长的总结，等于没省事。诀窍是在请求里直接规定输出的样子：比如「用每条不超过 10 个字的要点」「只要 3 条」「用表格对比优缺点」。你越说清想要什么格式和长度，它越不会偷懒给你注水长文。而当它真的给了你一张表，别再照着屏幕一格格手抄——现在的 AI 工具大多能把整张表直接复制粘贴、或一键导出到 Excel / Google 表格 / WPS（Gemini 就在表格右下角放了「导出到 Google 表格」的按钮），送过去还能接着排序、筛选、算总数，既省下重排格式的功夫，也避免手抄时把数字串行、抄漏。
想要某种特定风格或语气，光说「正式一点」「口语一点」，AI 未必拿捏得准。最稳的办法是给它一个样例：先贴一段你满意的文字或一句话，说「照这个风格 / 语气再写」。AI 会照着你给的样本学，比空讲形容词准得多。这招在提示工程里叫 few-shot（少样本）提示——你示范，它模仿，比纯靠文字描述省力。
把 AI 当搜索框，问一句话就走。「帮我写个工作总结」——AI 不知道你这一年干了啥，只能写出正确但没用的空话。
把 AI 当分析师：直接上传几份资料（配置单、报价、你过去的总结），说「全部读完再回答，别急」。给足背景：「我是___，要做___，读者是___」。
差距不在「会不会写 prompt 模板」，而在你给的上下文够不够。一句话的提问，常常换来正确的废话；带背景的提问，才换来能用的答案。
把 AI 当思考伙伴，别当应声虫
吴恩达在《AI Prompting for Everyone》里把 AI 比作「一个聪明、但不了解你的新同事」：它逻辑很强，却对你的情况一无所知。所以高手提问前，会先把资料喂给它——项目跟踪表、近期文档、你想让它改的草稿——再下指令；反过来，什么都不给、只丢一句话，它只能用正确的空话填空。
写作、头脑风暴、做决定时，把它当成敢泼冷水的搭档，结论会更稳。这一招和「别把答案喂给 AI」（见上）是同一件事的两面：你给背景，它给挑战。
反过来，没灵感、对着空白页卡壳时，让它当「点子机」：直接说「给我 10 个标题 / 选题 / 切入角度」，挑一个顺眼的再让它展开。Adrian Twarog 的入门教程里就演示过这一招——卡住时与其硬想，不如先让 AI 把可能性铺开，你只负责挑和砍。
不用硬记模板，记住这 6 个要素，能写几个写几个，回答质量立刻不一样：
万能升级句（任何时候都能加在开头）：「在回答之前，先问我 5 个问题，把需求搞清楚再动手。」——让 AI 先反问你，比你自己硬想 prompt 省事得多。
大多数时候，你用的就是默认模型，直接聊就行。但有些模型是专门的推理模型——拿到复杂问题后，会先在内部「想」上一阵（几十秒不等），把逻辑一步步理顺再答你。Kevin Stratvert 在教程里用「算 12 月该烤多少饼干才不积压」演示过：要算账、要分步骤推理的活，这类模型特别合适；点开它的「reason」按钮，它还会把那段思考过程摊给你看，你能顺着核对它到底怎么算出来的。
记住一个分寸：写文案、翻译、闲聊，用普通模型就够，别让它在那儿慢慢想；只有遇到算数、逻辑、长链条规划这种难题，才值得切到推理模型等它想清楚。国内也有 DeepSeek-R1 这类「会思考」的模型，思路一样。选对模型，往往比硬把一句话写「完美」更省事。
这些大多在付费版里，但思路免费：让 AI 记住你是谁、你偏好什么，以后就不用每轮重新解释背景。
Memory（记忆）：跨对话记住你的偏好，下次不用再说一遍「我是谁」。
Projects（项目）：把相关文件和对话放一起，AI 带着上下文帮你干活。
Custom Instructions（自定义指令）：设一次「我希望你怎样回答」，以后默认生效。
AI 有时会非常自信地编造内容，而它自己并不知道在瞎说。数据、日期、人名、法条、医疗建议、金融产品——都可能被它编得像真的。涉及要紧的事（健康、法律、钱、引用来源），别照单全收，自己核实一下再信。尤其要当心：AI 主动列出来的网址、论文、文献，也可能是它现编的——常常长得像真的（比如 arxiv.org/abs/ 后面跟一串数字、真实的期刊名），你点进去却发现根本不存在。要紧的引用，自己搜一下标题或点开链接，确认它真存在，再放心用。顺带一个日常最容易踩的坑：AI 也不擅长精确计算——你让它算一笔账、算个日期差，它常常自信地给错数。要算数、算钱、算日期，老老实实用计算器或自己核更稳。
「AI 说每天喝这个能治失眠，那就照做」——如果它编了一句研究结论，你可能真去试。答案越流畅，人越容易放下戒心，反而更危险。
在提问末尾加一句：「请列出你回答里最不确定的地方，以及需要我亲自核实的信息。」严肃内容尤其要加。这样你一眼就能看到哪些地方不能轻信，而不是被流畅的文风带偏。再补一句更狠的：「请独立判断，别只是顺着我说；如果我的前提或假设有错，直接指出来。」——专门防它为了讨好你而点头称是（研究里这叫「谄媚 / sycophancy」：你抛个错前提，它常常不纠正，反而顺着你编）。两句话加起来，比单纯「别全信」管用得多。
让 AI 自己「打假」的 3 个追加技巧
顺手一提：严肃的事实类任务，把「温度（temperature）」调低到约 0.1，能明显减少自由发挥；创意写作再调高。三招加起来，比单纯「别全信」管用得多。
好消息是：这个习惯在 ChatGPT、Claude、DeepSeek、Kimi、豆包上都通用，而且你用中文直接问就行——不用翻墙，也不用写英文 prompt。国产模型对中文理解和代码类任务还往往更顺手。
AI 的知识是有「截止日」的。它读过的训练数据停在某个时间点，之后发生的事——今天的新闻、最新的价格、刚出的产品、最近的比赛结果——它一概不知道。所以你问它「现在金价多少」「这家店今天还营业吗」，它很可能自信地编一个过期甚至错误的答案。
补上两个习惯，就能避开这个坑：
你怎么问，往往就决定了它怎么答。如果你的问法里已经藏着你想听的结论，AI 会顺着你——哪怕真相相反。Anu Kubo 在他的提示工程课里专门提醒：「别把提问写得太有引导性，以致于无意间告诉了模型你期待什么答案，这会让回答产生偏差。」更隐蔽的是：哪怕你只是无意贴错一个数字、写错一句前提，AI 也会把它当真、顺着往下编，而不会替你纠错。Adrian 在入门教程里就演示过：他随口说「10+9=20」，AI 立刻点头确认。所以喂给 AI 的数据、数字、前提，你自己先确认对。
AI 收到的信号是「夸它」，于是给你列一堆优点，缺点只字不提。你看着一片叫好，其实什么风险都没被指出来——等于花时间买了个附和。
同一件事，把问法从「求表扬」改成「求真话」，AI 才会把不利的一面也摆出来。想更狠一点，可以直接说：「请挑毛病，假设它会失败，告诉我为什么。」——逼它站到你的对立面，比它一味附和有用得多。
一句话记住：问「它好不好」，而不是「它是不是很好」。前者让 AI 帮你判断，后者只是让 AI 帮你演戏。
REFERENCES · 参考资料
Chat 窗口模块完成 你学会了：Chat 窗口不是搜索框 → 忽略无关按钮 → 用「场景+需求」说出第一句话。
下一步：进入「上下文」模块——理解 AI 为什么能记住你的对话，以及它什么时候会忘记。