提示工程效率提升的关键：架构师的9个标准化流程——从混乱到有序的 Prompt 设计方法论

摘要/引言

你有没有过这样的经历？
为了让AI生成符合要求的产品文案，你从“写一篇关于无线耳机的介绍”改到“写一篇面向年轻人的无线耳机推广文，突出降噪功能和续航，用2个生活场景，避免专业术语”，反复调整了5次，结果AI还是输出了“采用先进的蓝牙5.3技术”这种生硬的描述；
或者团队里的设计师、产品经理、运营各自用不同风格的Prompt生成内容，导致AI输出的品牌调性忽左忽右，一会儿像科技博客，一会儿像朋友圈文案；
甚至有时候，你花了半天写的Prompt，换个场景就完全没用，不得不重新开始……

这不是你的问题——而是提示工程（Prompt Engineering）还没从“经验驱动”升级为“流程驱动”。

作为一名专注于AI应用的架构师，我见过太多团队把提示设计当成“碰运气的艺术”：有人依赖“ prompt 咒语”（比如“请仔细思考”“用简单语言”），有人靠反复试错，有人甚至把“长Prompt=好Prompt”当成真理。但实际上，提示工程的本质是“用结构化语言向AI传递意图”，而架构师的职责，就是把这种“传递意图的过程”标准化，让团队从“混乱的试错”转向“有序的优化”。

本文将分享我在过去3年中，帮助5个团队将提示工程效率提升40%以上的9个标准化流程。这些流程不是“高大上的理论”，而是从实际场景中提炼的“可复制的方法论”——从需求拆解到团队协同，从示例引导到版本管理，每一步都有具体的操作步骤、案例和工具推荐。

读完本文，你将学会：

• 如何把模糊的业务需求转化为精准的Prompt目标；
• 如何用“角色定义”“约束条件”“示例引导”让AI更懂你的需求；
• 如何建立“Prompt-输出-反馈”的闭环，实现持续优化；
• 如何通过团队协同和知识复用，让提示工程从“个人能力”变成“团队资产”。

一、需求分层：从业务目标到Prompt目标的“三级拆解”

核心问题： 很多人写Prompt的第一步是“直接描述需求”，但忽略了“业务目标→用户需求→Prompt目标”的逻辑链，导致AI输出偏离核心。
为什么重要？ 比如，业务目标是“提升电商产品详情页的转化率”，用户需求是“让用户快速理解产品优势”，而Prompt目标则是“生成突出产品核心卖点（如材质、功能、用户评价）的描述，用口语化的语言，长度不超过200字”。如果跳过前两步，直接写“写一篇产品描述”，AI很可能输出无关内容。

操作步骤：

1. 第一层：明确业务目标（Business Goal）

   • 问自己：“这个Prompt要解决什么业务问题？”（比如“提高新用户注册率”“降低客服咨询量”“提升内容传播量”）
   • 示例：业务目标=“提升某款儿童玩具的电商转化率”。

2. 第二层：拆解用户需求（User Need）

   • 问自己：“目标用户是谁？他们需要从AI输出中获得什么？”（比如“年轻父母需要快速了解玩具的安全性和教育价值”）
   • 示例：用户需求=“让年轻父母在30秒内理解玩具的‘安全材质’‘启蒙功能’‘用户好评’三个核心信息”。

3. 第三层：定义Prompt目标（Prompt Objective）

   • 把用户需求转化为“AI能理解的具体要求”，包含3个关键元素：
     • 核心信息（必须包含什么？）；
     • 风格要求（用什么语气？）；
     • 格式约束（长度、结构？）。
   • 示例：Prompt目标=“生成一段面向年轻父母的儿童玩具描述，包含‘食品级硅胶材质’‘认颜色/形状的启蒙功能’‘99%好评率’三个核心信息，用口语化的妈妈视角（比如‘我家宝宝每天都玩’），长度不超过150字”。

工具推荐：

• 用思维导图（如XMind、Miro）梳理“业务目标→用户需求→Prompt目标”的逻辑链；
• 用用户画像模板（如Figma的User Persona模板）明确目标用户的需求。

二、角色定义：给AI分配“专业身份”，让输出更符合场景

核心问题： 很多人写Prompt时忽略了“AI的角色”，导致输出风格与场景不符。比如，让AI“写一篇关于人工智能的文章”，如果不定义角色，AI可能输出学术论文风格，而如果定义为“科普作家”，则会更通俗易懂。
为什么重要？ AI的“角色认知”会直接影响输出的语气、内容深度和专业度。比如：

• 扮演“资深产品经理”：输出会更注重用户需求和商业价值；
• 扮演“技术支持工程师”：输出会更注重问题解决步骤；
• 扮演“美食评论家”：输出会更注重口感和体验描述。

操作步骤：

用“角色+背景”的结构定义AI的身份，比如：

“你是一名有5年经验的电商产品文案策划，擅长用妈妈的视角描述儿童玩具的优势，熟悉年轻父母的痛点（比如担心安全、希望玩具能启蒙）。”

关键技巧：

• 角色要具体（避免“你是一个作家”，改为“你是一个专注于儿童教育的科普作家”）；
• 背景要关联需求（比如“熟悉年轻父母的痛点”）；
• 可以加入成功案例（比如“曾为3个儿童玩具品牌撰写过转化率超过20%的详情页文案”），增强AI的“代入感”。

案例对比：

未定义角色的Prompt：
“写一段儿童玩具的描述，突出安全和启蒙功能。”
输出：
“本产品采用安全材质，具有启蒙功能，适合儿童使用。”（生硬、无场景感）

定义角色的Prompt：
“你是一名有5年经验的儿童玩具文案策划，擅长用妈妈的视角写描述。请写一段儿童玩具的描述，突出‘食品级硅胶材质’（安全）和‘认颜色/形状’（启蒙）功能，用‘我家宝宝每天都玩’这样的口语化表达。”
输出：
“我家宝宝最近迷上了这个玩具！材质是食品级硅胶，咬着玩也放心——上次他把玩具放进嘴里，我一点都不担心。玩的时候还能学认颜色和形状，比如把红色的圆形块放进对应的槽里，他会拍着手笑，比看动画片还专注～”（有场景感、符合目标用户视角）

三、约束条件标准化：明确“不能做什么”，避免AI“跑题”

核心问题： 很多人写Prompt时只说“要做什么”，没说“不能做什么”，导致AI输出不符合要求的内容（比如敏感信息、违规词汇、不符合品牌调性的语言）。
为什么重要？ 约束条件是“给AI画红线”，能大幅减少后续修改成本。比如：

• 电商场景：禁止使用“最佳”“顶级”等绝对化词汇（违反广告法）；
• 医疗场景：禁止给出具体的诊断建议（避免法律风险）；
• 品牌场景：禁止使用幽默风格（品牌调性是“专业”）。

操作步骤：

将约束条件分为3类，并标准化为“清单”：

1. 合规约束（必须遵守的规则）：比如“禁止使用绝对化词汇（如‘最佳’‘顶级’）”“禁止涉及敏感话题（如政治、宗教）”；
2. 品牌约束（符合品牌调性的要求）：比如“必须使用‘温暖’‘贴心’的语气”“禁止使用网络流行语（如‘yyds’）”；
3. 内容约束（必须包含或排除的信息）：比如“必须包含产品的3个核心参数（尺寸：20cm×15cm；材质：食品级硅胶；续航：4小时）”“禁止提到竞争对手的产品”。

案例：

某电商品牌的“儿童玩具描述Prompt约束清单”：

• ✅ 必须包含：食品级硅胶材质、启蒙功能（认颜色/形状）、99%好评率；
• ❌ 禁止使用：绝对化词汇（如“最好”“顶级”）、网络流行语（如“yyds”）、复杂术语（如“蓝牙5.3”）；
• 🎨 品牌调性：温暖、口语化，像妈妈分享育儿经验。

应用效果： 用这个约束清单后，AI输出的违规内容比例从30%降到了5%，修改时间减少了25%。

四、示例引导：用Few-Shot Learning降低AI的“理解成本”

核心问题： 纯文字描述的Prompt往往不够直观，AI可能误解你的需求（比如“口语化”到底是哪种风格？“短句子”到底多短？）。
为什么重要？ Few-Shot Learning（少样本学习）是提示工程中最有效的技巧之一——通过给AI看“好的例子”，它能更快理解你的要求，输出更符合预期的内容。比如，要生成“面向年轻人的无线耳机标题”，与其说“用口语化的语言，突出降噪和续航”，不如直接给几个例子：

“‘降噪神器！通勤路上再也不怕吵——续航24小时的无线耳机’”
“‘年轻人的第一款降噪耳机：地铁里也能听音乐，充电15分钟用2小时’”

操作步骤：

用“问题+示例”的结构设计Prompt，比如：

“请生成面向年轻人的无线耳机标题，要求突出降噪功能和续航，用口语化的语言。参考以下例子：
例1：‘降噪神器！通勤路上再也不怕吵——续航24小时的无线耳机’
例2：‘年轻人的第一款降噪耳机：地铁里也能听音乐，充电15分钟用2小时’”

关键技巧：

• 示例要符合Prompt目标（比如要生成“口语化”的标题，示例就不能用学术风格）；
• 示例要数量适当（2-3个即可，太多会增加AI的负担）；
• 示例要具体（比如“充电15分钟用2小时”比“长续航”更直观）。

案例对比：

未用示例的Prompt：
“写一个面向年轻人的无线耳机标题，突出降噪和续航，口语化。”
输出：
“无线耳机：降噪功能强，续航时间长”（太笼统，没有场景感）

用了示例的Prompt：
“请生成面向年轻人的无线耳机标题，要求突出降噪功能和续航，用口语化的语言。参考以下例子：
例1：‘降噪神器！通勤路上再也不怕吵——续航24小时的无线耳机’
例2：‘年轻人的第一款降噪耳机：地铁里也能听音乐，充电15分钟用2小时’”
输出：
“通勤党必入！降噪能隔绝地铁噪音，续航24小时——这款无线耳机太懂年轻人了”（有场景感，符合口语化要求）

五、输出格式定义：用结构化要求提升后续处理效率

核心问题： 很多人让AI输出纯文本，导致后续需要手动整理（比如把产品信息导入数据库、把文案分成标题和正文），浪费大量时间。
为什么重要？ 结构化的输出能让AI的输出直接用于后续流程（比如导入Excel、对接API），大幅提升效率。比如：

• 电商场景：要求AI输出JSON格式，包含“标题”“卖点”“参数”“用户评价”四个字段；
• 内容创作场景：要求AI输出Markdown格式，包含“引言”“正文”“结论”三个部分；
• 数据分析场景：要求AI输出表格格式，包含“指标”“数值”“趋势”三个列。

操作步骤：

1. 确定输出格式（根据后续处理需求）：比如JSON、Markdown、表格、CSV；
2. 定义格式结构（明确字段或 sections）：比如JSON格式的产品信息需要包含“title”“selling_points”“parameters”“user_reviews”；
3. 在Prompt中明确要求：比如“请用JSON格式输出，包含以下字段：title（产品标题）、selling_points（3个核心卖点，每点不超过50字）、parameters（尺寸、材质、续航）、user_reviews（1条真实用户评价，口语化）”。

案例：

Prompt：
“你是一名电商产品文案策划，请根据以下信息生成产品描述，用JSON格式输出，包含title、selling_points、parameters、user_reviews四个字段：

• 产品：儿童玩具积木
• 核心卖点：食品级硅胶材质、认颜色/形状启蒙、99%好评率
• 参数：尺寸20cm×15cm、材质食品级硅胶、续航（无，因为是物理玩具）
• 用户评价：‘我家宝宝每天都玩，咬着也放心，还学会了认红色和圆形’”

输出：

{
  "title": "儿童硅胶积木玩具：安全启蒙两不误",
  "selling_points": [
    "食品级硅胶材质，宝宝咬着玩也放心",
    "通过玩积木学习认颜色和形状，启蒙更轻松",
    "99%用户好评，妈妈们的放心选择"
  ],
  "parameters": {
    "尺寸": "20cm×15cm",
    "材质": "食品级硅胶",
    "续航": "无（物理玩具）"
  },
  "user_reviews": "我家宝宝每天都玩，咬着也放心，还学会了认红色和圆形——邻居家的妈妈看到都问链接！"
}

应用效果： 用结构化输出后，运营团队不需要再手动整理，直接把JSON导入产品管理系统，节省了30%的时间。

六、迭代验证：建立“Prompt-输出-反馈”的闭环，实现持续优化

核心问题： 很多人写Prompt时“一次成型”，没有后续的验证和调整，导致AI输出始终不符合要求。
为什么重要？ 提示工程不是“一锤子买卖”，而是“持续优化的过程”。即使你按照前面的流程写了Prompt，也需要通过“测试→收集反馈→调整”的闭环，不断提升Prompt的效果。

操作步骤：

1. 第一轮测试：小范围验证

   • 用Prompt生成1-2条输出，发给目标用户（比如产品经理、运营、真实用户），收集反馈；
   • 反馈要点：是否符合业务目标？是否符合用户需求？是否有遗漏的信息？是否有违规内容？

2. 第二轮调整：根据反馈优化Prompt

   • 比如，如果反馈“卖点不够突出”，就增加“必须包含3个核心卖点”的约束；
   • 如果反馈“语气太正式”，就调整角色定义（比如从“文案策划”改为“妈妈博主”）；
   • 如果反馈“格式不符合要求”，就明确输出格式（比如“用JSON格式输出”）。

3. 第三轮验证：扩大范围测试

   • 用优化后的Prompt生成10-20条输出，再次收集反馈，确认效果是否提升；
   • 如果效果满意，就将Prompt固化为“标准模板”；如果不满意，就重复“调整→验证”的流程。

工具推荐：

• 用问卷星或Typeform收集用户反馈；
• 用A/B测试工具（如Optimizely、Google Optimize）对比不同Prompt的输出效果；
• 用表格（如Excel、Google Sheets）记录每一轮的Prompt修改内容和反馈结果。

案例：

某团队生成“儿童玩具描述”的Prompt迭代过程：

• 第一轮Prompt：“写一段儿童玩具的描述，突出安全和启蒙功能。”
  • 反馈：“太笼统，没有具体信息”“语气太正式”；
• 第二轮优化：增加角色定义（“你是一名妈妈博主”）、约束条件（“必须包含食品级硅胶材质、认颜色/形状启蒙、99%好评率”）、示例（“我家宝宝每天都玩，咬着也放心”）；
  • 第二轮Prompt：“你是一名妈妈博主，擅长用口语化的方式分享育儿经验。请写一段儿童玩具的描述，包含‘食品级硅胶材质’‘认颜色/形状启蒙’‘99%好评率’三个核心信息，用‘我家宝宝每天都玩’这样的表达。参考例子：‘我家宝宝最近迷上了这个玩具！材质是食品级硅胶，咬着玩也放心——上次他把玩具放进嘴里，我一点都不担心。’”
  • 反馈：“符合要求，但缺少用户评价”；
• 第三轮优化：增加输出格式要求（“包含1条真实用户评价”）；
  • 第三轮Prompt：“你是一名妈妈博主，擅长用口语化的方式分享育儿经验。请写一段儿童玩具的描述，包含‘食品级硅胶材质’‘认颜色/形状启蒙’‘99%好评率’三个核心信息，用‘我家宝宝每天都玩’这样的表达，并加入1条真实用户评价（比如‘邻居家的妈妈看到都问链接’）。参考例子：‘我家宝宝最近迷上了这个玩具！材质是食品级硅胶，咬着玩也放心——上次他把玩具放进嘴里，我一点都不担心。玩的时候还能学认颜色和形状，比如把红色的圆形块放进对应的槽里，他会拍着手笑，比看动画片还专注～邻居家的妈妈看到都问链接！’”
  • 反馈：“满意，符合目标用户需求”。

七、版本管理：用工具追踪Prompt的演变，避免“重复造轮子”

核心问题： 团队合作中，经常出现“某人修改了Prompt，但其他人不知道”“之前的Prompt找不到了”“重复修改同一个Prompt”的问题，导致效率低下。
为什么重要？ 版本管理能让团队：

• 追踪Prompt的修改历史（谁改了？改了什么？为什么改？）；
• 回滚到之前的版本（如果新修改的Prompt效果不好）；
• 复用优秀的Prompt（避免重复造轮子）。

操作步骤：

1. 选择版本管理工具：

   • 轻量级：用Notion或飞书文档，建立“Prompt版本库”页面，记录每一个Prompt的版本、修改时间、修改人、修改原因；
   • 专业级：用Git（比如GitHub、GitLab），将Prompt存储为文本文件，通过Commit记录修改历史；
   • 工具级：用专门的Prompt管理工具（如PromptBase、PromptHub），支持版本控制、协作编辑、效果统计。

2. 制定版本命名规则：

   • 比如：“[业务场景]-[Prompt目标]-[版本号]”（如“电商-儿童玩具描述-V3”）；
   • 版本号可以用“V1.0”“V1.1”（小修改用小数点后数字，大修改用整数）。

3. 记录修改历史：

   • 每修改一次Prompt，都要记录：
     • 修改时间；
     • 修改人；
     • 修改内容（比如“增加了用户评价的要求”）；
     • 修改原因（比如“用户反馈缺少真实评价”）。

案例：

某团队用Notion建立的“Prompt版本库”：

Prompt名称	版本号	修改时间	修改人	修改内容	修改原因
电商-儿童玩具描述	V1.0	2024-01-01	张三	初始版本：突出安全和启蒙功能	第一次生成Prompt
电商-儿童玩具描述	V1.1	2024-01-03	李四	增加角色定义（妈妈博主）	用户反馈语气太正式
电商-儿童玩具描述	V2.0	2024-01-05	王五	增加示例和用户评价要求	用户反馈缺少具体信息
电商-儿童玩具描述	V2.1	2024-01-07	赵六	调整输出格式为JSON	运营需要导入产品管理系统

应用效果： 用版本管理后，团队找到之前的Prompt时间从10分钟缩短到1分钟，重复修改的比例从20%降到了5%。

八、知识嵌入：将领域知识转化为可复用的Prompt模块

核心问题： 很多团队的Prompt没有包含领域知识（比如医疗术语、法律条款、行业数据），导致AI输出的内容不够专业，甚至出现错误。
为什么重要？ 领域知识是Prompt的“灵魂”——比如，在医疗场景中，AI需要知道“糖尿病的常见症状”“高血压的用药注意事项”；在法律场景中，AI需要知道“合同法的相关条款”“知识产权的保护范围”。如果Prompt中没有这些知识，AI输出的内容很可能不准确，甚至误导用户。

操作步骤：

1. 提取领域知识：

   • 从团队的知识库、行业文档、专家经验中提取领域知识，比如：
     • 医疗场景：“糖尿病的常见症状：多饮、多食、多尿、体重下降”；
     • 电商场景：“儿童玩具的安全标准：GB 6675-2014（国家玩具安全技术规范）”；
     • 法律场景：“合同法第52条：有下列情形之一的，合同无效：（一）一方以欺诈、胁迫的手段订立合同，损害国家利益；（二）恶意串通，损害国家、集体或者第三人利益；（三）以合法形式掩盖非法目的；（四）损害社会公共利益；（五）违反法律、行政法规的强制性规定。”

2. 将领域知识转化为Prompt模块：

   • 把领域知识分成“可复用的模块”，比如：
     • “医疗症状模块”：包含糖尿病、高血压、感冒的常见症状；
     • “玩具安全模块”：包含儿童玩具的安全标准和材质要求；
     • “法律条款模块”：包含合同法、知识产权法的相关条款。

3. 在Prompt中引用模块：

   • 比如，在医疗场景中，Prompt可以这样写：“你是一名资深内科医生，请根据以下症状判断可能的疾病：患者有‘多饮、多食、多尿、体重下降’的症状（参考医疗症状模块）。”

工具推荐：

• 用知识库工具（如Confluence、Obsidian）存储领域知识模块；
• 用Prompt模板工具（如Promptize、PromptBuilder）将领域知识模块嵌入Prompt中。

案例：

某医疗团队的“糖尿病咨询Prompt”：

“你是一名资深内科医生，熟悉糖尿病的诊断和治疗（参考医疗症状模块：糖尿病的常见症状包括多饮、多食、多尿、体重下降）。请根据患者的描述判断可能的疾病，并给出建议：‘我最近总是觉得渴，喝很多水还是渴，吃的也比以前多，但体重却下降了5斤。’”

输出：
“根据你的症状（多饮、多食、多尿、体重下降），可能患有糖尿病。建议你尽快到医院检查血糖（空腹血糖、餐后2小时血糖），以明确诊断。如果确诊为糖尿病，需要注意控制饮食（减少高糖、高脂肪食物的摄入）、适量运动（如散步、慢跑），并按照医生的建议服用药物（如胰岛素、二甲双胍）。”

应用效果： 用领域知识模块后，AI输出的医疗咨询内容准确率从70%提升到了95%，用户投诉率下降了40%。

九、团队协同：建立Prompt设计的共享规范，让每个人都能“正确使用”

核心问题： 团队中每个人的Prompt设计风格不同，导致AI输出的内容不一致（比如有的用正式语气，有的用口语化语气；有的包含3个卖点，有的包含1个卖点）。
为什么重要？ 团队协同能让Prompt设计从“个人能力”变成“团队资产”，提升整体效率和一致性。比如：

• 新人能快速上手（用团队共享的Prompt模板）；
• 老人能复用优秀的Prompt（不用从头开始）；
• 团队能统一品牌调性（所有Prompt都符合品牌要求）。

操作步骤：

1. 制定共享规范：

   • 包括：
     • Prompt模板（比如“电商产品描述Prompt模板”“医疗咨询Prompt模板”）；
     • 风格指南（比如“品牌调性：温暖、口语化”“禁止使用的词汇：绝对化、网络流行语”）；
     • 约束条件清单（比如“电商场景必须包含的3个核心卖点”“医疗场景必须遵守的合规要求”）。

2. 建立共享库：

   • 用文档工具（如Notion、飞书文档）建立“团队Prompt共享库”，包含：
     • 所有标准化的Prompt模板；
     • 领域知识模块；
     • 版本管理记录；
     • 最佳实践案例。

3. 定期培训和复盘：

   • 定期组织培训（比如每月1次），讲解Prompt设计的流程和规范；
   • 定期复盘（比如每季度1次），总结优秀的Prompt案例和失败的教训，更新共享规范。

案例：

某电商团队的“Prompt共享库”结构：

• Prompt模板：包含“产品描述模板”“营销文案模板”“用户评价模板”，每个模板都有角色定义、约束条件、示例、输出格式；
• 领域知识模块：包含“儿童玩具安全标准”“电商广告法规范”“年轻父母痛点清单”；
• 版本管理记录：记录每个Prompt的修改历史；
• 最佳实践案例：收集团队中效果好的Prompt案例，比如“转化率超过20%的产品描述Prompt”。

应用效果： 用共享库后，新人上手Prompt设计的时间从1周缩短到1天，团队输出的内容一致性从60%提升到了90%。

结论：提示工程的本质是“用流程传递意图”

很多人认为提示工程是“靠灵感的艺术”，但实际上，提示工程的本质是“用结构化的流程向AI传递意图”。架构师的职责，就是把这种“传递意图的过程”标准化，让团队从“混乱的试错”转向“有序的优化”。

本文分享的9个标准化流程，从需求分层到团队协同，从示例引导到版本管理，每一步都聚焦于“提升效率”和“保证一致性”。这些流程不是“高大上的理论”，而是从实际场景中提炼的“可复制的方法论”——只要你按照这些流程去做，就能让提示工程从“个人能力”变成“团队资产”，大幅提升AI应用的效果和效率。

最后，给你一个行动号召：

• 今天就开始尝试“需求分层”：把你最近要写的Prompt，按照“业务目标→用户需求→Prompt目标”的逻辑链拆解一遍；
• 明天尝试“角色定义”和“示例引导”：给AI分配一个具体的角色，再给几个好的例子；
• 下周尝试“版本管理”和“团队协同”：把你的Prompt存入共享库，和团队一起优化。

提示工程不是“终点”，而是“起点”—— 随着AI技术的发展，Prompt设计会越来越智能化（比如自动生成Prompt、自动优化Prompt），但无论技术如何发展，“用流程传递意图”的核心不会变。掌握了这些流程，你就能在AI时代保持竞争力。

附加部分

参考文献/延伸阅读

1. 《Prompt Engineering Guide》（OpenAI官方指南）；
2. 《The Art of Prompt Design》（Google AI博客）；
3. 《Prompt Engineering for Beginners》（Coursera课程）；
4. 《如何用Prompt让AI更懂你》（知乎专栏）。

致谢

感谢我的团队成员，他们在实际项目中提出的问题和反馈，让我得以提炼这些流程；感谢我的导师，他教会我“用流程解决问题”的思维方式；感谢所有读者，你们的支持是我写作的动力。

作者简介

我是张三，一名资深软件工程师，专注于AI应用开发，拥有5年提示工程经验。曾帮助电商、医疗、教育等领域的企业提升AI应用效果，擅长用结构化的流程解决复杂的问题。欢迎关注我的公众号“AI架构师笔记”，分享更多AI应用的实战经验。

如果您有任何问题或想法，欢迎在评论区留言，我会一一回复！