越来越多人开始用 AI 工具做方案，但结果总像“半成品”：结构乱、重点模糊、逻辑不清。其实，真正的问题不是 AI 太弱，而是你给它的提示词不够强。这篇文章将系统梳理高质量提示词的构建方法，让你从“半成品”提案变身高完成度方案专家。

作为产品经理，你是否遇到过这种情况：让 AI 写一份用户调研问卷，结果输出的内容太泛，根本用不了；让 AI 分析竞品的核心功能，得到的答案浅尝辄止，还得自己重新梳理？其实，不是 AI 不够强，而是你给的 “需求”（提示词）不够清晰。

如今，ChatGPT、Claude 等 AI 工具已经成为产品经理的 “第二大脑”—— 写 PRD 初稿、梳理用户画像、脑暴功能点都能派上用场。但想让 AI 真正 “懂你”，前提是写好提示词：它就像给 AI 的 “PRD”，定义了 “目标、背景、输出标准”，直接决定了 AI 的交付质量。

为什么产品经理必须重视 “提示词能力”？

提示词能力并非玄学，而是能切实提升产品经理工作效率和质量的生产力工具，这一点从产品经理的核心工作中就能清晰体现。

• 效率提升是最直接的价值。减少AI输出的返工率，能为产品经理节省大量时间。比如，用精准的提示词让AI一次生成可用的PRD框架，就无需反复修改，原本可能需要几小时调整的内容，现在能一步到位。
• 需求对齐方面，产品经理的核心能力是把模糊需求转化为清晰目标，而提示词本质上就是向AI传递清晰需求，这和给开发、设计提需求的逻辑相通。只有让AI准确理解需求，才能产出符合预期的结果。
• 竞争力加成也不容忽视。在AI普及的背景下，“用提示词驱动AI高效协作”会成为产品经理的隐性竞争力，就像早年“会用Axure”成为基础技能升级一样，掌握这项能力能让产品经理在工作中更具优势。

我曾让 AI 写一份 “DHR 晋升系统的竞品分析”，第一次提示词是 “写一份 DHR 晋升系统的竞品分析”，结果 AI 给了泛泛而谈的 “功能对比、界面设计、用户评价” 框架；第二次补充了 “用户画像（10000 人规模企业的 HRBP）、现有痛点（晋升规则混乱，不同部门标准不统一，手动筛选低效）、竞品参考（肯耐珂萨 DHR 系统）”，AI 直接输出了 “晋升规则标准化模板库 ” 的差异化分析，节省了 2 小时梳理时间。

产品经理视角下，“好提示词” 的 3 个核心标准（类比 PRD 逻辑）

产品经理对 “好需求” 有天然的敏感度，我们可以类比 PRD 的 “清晰、完整、可落地”，来定义 “好提示词” 的标准，降低理解门槛。

1. 目标明确：像 “定义产品目标” 一样清晰

核心在于明确 “让 AI 做什么”，避免模糊表述，这类似于将 “用户需求” 转化为 “产品目标” 的过程。

反面案例：“帮我分析一下这个功能的用户反馈”。这里的表述很模糊，是分析用户满意度？还是提炼用户痛点？AI 很难准确把握。

正面案例：“帮我分析最近 30 天‘DHR 晋升系统晋升规则管理功能’的用户反馈，提炼 TOP3 负面痛点，并按‘出现频率’排序，附具体用户原话案例”。这样的表述目标清晰，AI 能精准执行任务。

2. 背景充分：像 “写需求背景” 一样提供上下文

核心是给 AI 提供 “前置信息”，就像给开发讲解 “为什么做这个需求” 时，要说明用户场景、业务限制、历史背景等内容。

产品经理场景案例：当让 AI 设计 “DHR 晋升系统的晋升规则管理模块” 时，需要补充 “产品是企业人力资源平台，用户以 10000 人规模企业的 HR 和管理层为主，现有晋升规则分散在各部门，执行标准不统一，想通过该模块实现晋升规则的集中管理和自动化应用”，而不是只说 “设计一个晋升规则管理模块”。有了充分背景，AI 设计出的模块才更贴合实际需求。

3. 输出结构化：像 “画原型 / 写 PRD” 一样定格式

核心是用产品经理熟悉的 “结构化思维” 约束 AI 的输出，比如要求 “分点、表格、流程图、优先级排序” 等，这符合产品经理对 “信息效率” 的追求。

示例：“请用‘用户场景 – 痛点 – 解决方案’的表格形式，梳理‘DHR 晋升系统晋升规则管理功能’的优化点，至少 5 条，解决方案需标注‘优先级（高 / 中 / 低）’”。结构化的输出要求能让 AI 的成果更易于使用和理解。

产品经理写好提示词的 “黄金公式”（附实战案例）

结合产品经理的工作场景（写 PRD、做竞品分析、脑暴功能点等），总结出可复用的提示词框架，突出 “拿来就能用” 的特点。

黄金公式：角色定位 + 背景信息 + 具体任务 + 输出要求

• 角色定位：给AI设定“身份”（如“10年人力资源产品经理”“DHR系统咨询专家”），让输出更贴合专业视角。
• 背景信息：包括业务目标、用户群体、现有限制（如“企业组织架构频繁调整，部门层级多”）等。
• 具体任务：明确AI要解决的问题（如“分析晋升规则执行不畅的原因”“设计晋升规则自动匹配流程”）。
• 输出要求：规定输出的格式、维度、篇幅（如“分3个模块，每部分配1个案例”“用流程图描述晋升规则应用流程”）。

实战案例（按产品经理高频场景拆分）

场景 1：让 AI 写 DHR 晋升系统晋升规则管理 PRD 初稿

差的提示词：“帮我写一份 DHR 晋升系统晋升规则管理的 PRD”

好的提示词：

“请扮演‘5 年 DHR 系统产品经理’，帮我写一份‘中型企业 DHR 晋升系统晋升规则管理模块’的 PRD 初稿。

背景：产品是企业人力资源 平台，用户是企业 HR 和部门负责人，本次模块需支持‘晋升规则模板创建、多维度条件设置、规则与岗位体系关联、规则生效与废止管理’，技术限制是暂时不支持与旧版薪酬系统实时联动。

任务：包含核心功能清单、用户流程图、优先级排序（用 MoSCoW 法则）。

输出要求：分‘功能描述’‘用户流程’‘非功能需求’3 个模块，每个功能标注‘用户价值’和‘开发成本（低 / 中 / 高）’。”

场景 2：让 AI 做 DHR 晋升系统晋升规则管理竞品分析

差的提示词：“分析一下不同 DHR 晋升系统晋升规则管理的区别”

好的提示词：

“请以‘人力资源产品分析师’的身份，对比肯耐珂萨 DHR 系统和北森 DHR 系统的‘晋升规则管理功能’。

背景：我们在做中型企业 DHR 晋升系统，想提升系统晋升规则的灵活性和适用性，目标用户是 500-1500 人规模企业的 HR。

任务：从‘规则模板丰富度、条件设置维度、与其他模块联动性、规则变更追溯’4 个维度对比，重点分析肯耐珂萨在‘跨层级晋升规则适配’上的优势。

输出要求：用表格呈现对比结果，最后附 1 条对我们产品的落地建议。”

场景 3：让 AI 脑暴 DHR 晋升系统晋升规则管理优化策略

差的提示词：“给我们的 DHR 晋升系统晋升规则管理想几个优化办法”

好的提示词：

“请扮演‘人力资源数字化顾问’，为我们的‘企业人力资源平台’（用户是 10000 人企业的 HR 和管理层）设计 3 个提升晋升规则管理功能使用率的策略。

背景：产品上线一年，晋升规则管理模块使用率仅 40%，核心功能是‘规则模板自定义、智能条件校验、审批流程关联’，用户反馈‘规则设置复杂，与实际晋升场景匹配度低’。

任务：策略需包含‘用户培训方式、功能简化方案、场景化应用点’。

输出要求：按‘策略优先级’排序，每个策略用‘用户场景故事’开头（如 “李 HR 是某企业人力资源部员工，他在 XX 场景下使用晋升规则管理模块时遇到了…”）。”

产品经理避坑指南：写提示词的 5 个 “反常识” 误区

从产品经理的 “避坑思维” 出发，提醒大家在写提示词时容易踩的坑，强化实用性。

误区 1：追求 “一次到位”，忽略 “迭代优化”

产品经理都懂 “需求不是一蹴而就的”，提示词也一样。第一次输出不满意时，可像 “需求评审” 一样反馈：“刚才的输出缺少晋升规则与绩效数据联动的维度，补充不同绩效等级对应晋升条件的规则后，重新按表格格式输出”。通过不断迭代，让 AI 的输出越来越符合预期。

误区 2：信息越多越好，导致 “重点模糊”

类似 “给开发提需求时堆砌细节，反而掩盖核心目标”，提示词需 “抓核心背景”，次要信息可后续补充。比如先明确 “分析晋升规则管理功能使用率低的 3 个核心原因”，再追问 “每个原因的具体案例”，这样能让 AI 更聚焦核心任务。

误区 3：让 AI “做决策”，而非 “提供选项”

产品经理的核心是 “拍板”，AI 更适合 “提供分析和方案”。提示词避免 “帮我决定晋升规则管理选 A 功能还是 B 功能”，而应 “分析 A 和 B 功能在提升晋升规则设置效率上的优劣势、适用场景，给出你的推荐理由”，由产品经理根据实际情况做出决策。

误区 4：忽略 “AI 的认知边界”

类似 “不了解技术实现难度就提需求”，要清楚 AI 对 “时效性强的信息（如最新人力资源晋升相关政策）”“高度专业的领域（如特定行业晋升规则模型构建）” 可能输出偏差。提示词可加约束：“仅基于 2023 年后的公开信息分析”“输出时标注‘可能存在误差的部分’”，以提高结果的可靠性。

误区 5：用 “口语化模糊表述”，而非 “产品化语言”

避免 “帮我弄个差不多的晋升规则管理优化方案”，改用产品经理熟悉的 “SMART 原则” 表述：“方案需满足‘1 个月内可落地、提升晋升规则设置效率 50%、成本低于 2 万元’的目标”，让 AI 能准确把握方案的要求。

结尾：提示词能力，是产品经理 “定义需求” 能力的延伸

写好提示词的本质，是产品经理 “清晰定义问题、传递信息、对齐目标” 的底层能力在 AI 时代的迁移。在 AI 工具日益普及的当下，产品经理要从 “用 AI” 升级为 “驾驭 AI”，让 AI 真正成为工作中的 “得力副驾”。