别让AI猜你想要什么——直接说需求才是王道

同样是用AI，有的人效率翻倍，有的人被气个半死。

差距往往不在AI，在表达方式。

模糊需求 vs 明确指令

来看两个对比：

模糊需求： "帮我做一个网页爬虫。"

模型收到这句话，需要自己决定：爬哪个网站？爬什么数据？用什么语言？用什么框架？数据保存到哪里？要不要处理反爬？

每一个"自己决定"都是一个决策点，每个决策点都可能跑偏。

明确指令： "用Python写一个爬虫，爬取example.com首页上所有文章的标题和链接，保存为CSV文件，不需要处理登录。"

模型收到这句话，不需要做任何决策。每一步都是确定的：语言是Python，目标是example.com，数据是标题和链接，输出格式是CSV，不需要登录。

执行路径清晰，出错概率极低。

在实际工作中，我见过太多人因为"懒得说清楚"而在 AI 调试上浪费了大量时间。他们写了一句模糊的指令，然后花十几轮对话去纠正 AI 的方向，最后的效果还不如一开始就写清楚明确指令来得好。这里有一个经验法则：如果你发现你和 AI 的对话超过三轮还没有得到满意的结果，大概率是你的初始指令不够清晰，而不是 AI 不够聪明。

为什么模糊需求容易跑偏？

回到自注意力的原理。

当你说"帮我做一个网页爬虫"时，模型的自注意力需要同时关注：网页爬虫的常见实现方式、你可能的技术背景、你可能的目标网站、常见的爬虫框架……

自注意力被分散到无数可能的方向上，模型只能选一个"概率最高"的方向去执行。但这个方向不一定是你要的。

当你说"用Python爬example.com首页文章标题"时，自注意力的焦点非常集中：Python、example.com、标题提取。没有歧义，没有分散，模型的所有注意力都在这一个明确的任务上。

减少决策点 = 减少跑偏概率。 这是和AI沟通的第一原则。

从信息论的角度理解，实际上模糊指令的信息熵非常高——模型面临太多的不确定性，每一种可能的解读都有一定的概率被选中。而明确指令的信息熵低得多——大部分不确定性已经被消除。AI 模型在信息熵低的情况下表现更好，因为它在"概率空间"中的搜索范围更小、更精准。

明确指令的四个要素

一个好的明确指令，通常包含四个要素：

做什么（What）： 具体到不能再具体。不是"处理数据"，而是"把CSV文件中的空值替换为0"。

用什么（How）： 明确工具、语言、框架。不是"写个脚本"，而是"用Python的pandas库"。

输入是什么（Input）： 给模型明确的输入。不是"帮我看看这个"，而是"分析这份销售数据，文件路径是data/sales.csv"。

输出是什么（Output）： 说明你期望的结果。不是"给我结果"，而是"输出一个JSON文件，包含每个月的总销售额"。

这四个要素可以记作 WHATHOW-INPUT-OUTPUT（WHO）框架。每次写指令的时候快速过一遍这四个问题，大部分模糊指令的问题就能在源头被消灭。

实际使用时还有一个小技巧：在给出明确指令之后，可以加一句关于质量期望的描述。比如"确保代码有注释"、"使用函数式编程风格"、"变量名用英文驼峰命名"等。这些额外的约束条件虽然看似细碎，但它们能显著提高第一次输出的成功率，减少来回修改的成本。

一个真实的效率对比

有用户反馈过自己的经历：

"之前让AI帮我抓取一个网站的第五页数据，我说'帮我翻页获取更多数据'。AI折腾了半天，试了各种方式，有几次还抓错了页面。

后来我直接说：'请求这个API地址，把page参数改成5，然后把返回的JSON中的items字段提取出来保存为列表。'

一句话，秒出结果。"

区别在哪？前者需要AI自己理解"翻页"的含义、找到翻页的机制、决定用什么方式实现。后者只需要执行一个确定的HTTP请求。

我自己也经历过类似的转变：一开始用Claude Code时说"帮我优化一下这段代码"，它改了半天，方向完全不对。后来改成"把这个函数的时间复杂度从O(n²)降到O(n)，用哈希表实现"，一次就给出了正确答案。

还有一个我经常推荐的技巧是：用"示例"来替代"描述"。 当你想说明一个抽象的格式或风格时，直接给出一个具体的示例比用文字描述要有效得多。比如与其描述"请用表格形式输出，每个字段对齐、有边框线"，不如直接给出一个你期望的表格示例，让 AI 去"模仿"。

明确不等于啰嗦

注意：明确指令不等于写小作文。

"请你帮我一个忙，我最近在工作中遇到了一个问题，我们需要从网站上获取一些数据，这些数据对我们部门很重要，领导催得比较紧……"

这不是明确指令，这是讲故事。关键信息埋在一堆无关内容里，反而分散了模型的自注意力。

明确指令的核心是：只说模型需要知道的信息，用最短的话说清楚。

对比一下：

"我需要从example.com获取文章列表，用Python写，保存为CSV。"

19个字，四个要素全齐了。

这个精简的原则背后有一个实际原因：AI 模型处理每个 token 都需要消耗计算资源和注意力权重。如果提示词里有大量无关内容，这些无关内容本身就占用了本应分配给"有效指令"的注意力份额。所以，精简不仅仅是为了你自己省事，更是在给模型"减负"，让它能把更多注意力花在你真正关心的部分上。

一个练习方法

下次用AI之前，先在脑子里过一遍这个问题："如果我把这个任务交给一个从未听过我说话的陌生人，他能直接开始做吗？"

如果不能，说明你的指令还不够明确。继续补充信息，直到陌生人也能直接上手为止。

这个习惯养成了，你会发现AI的"智商"好像突然提高了——其实不是AI变聪明了，是你的表达变清晰了。

最后一条建议：把明确指令的能力当作一项可以刻意练习的技能。你会发现，随着练习的积累，你不仅与AI 的沟通变得更高效，连与同事、下属的沟通也更清晰了——因为底层能力是共通的。