AI 工作流实战手册：从提示词到编程，真正把 AI 用起来

很多人用了半年 AI，依然停留在"问一句答一句"的阶段。ChatGPT 聊了不少，但真正落到工作里，总觉得差点意思——要么回答太泛，要么代码跑不起来，要么写出来的东西一看就是 AI 味儿。

问题出在哪？不是 AI 不行，是我们用 AI 的方式不对。

这篇文章是我在日常工作中总结出的一套 AI 工作流方法论，从如何提问、如何写提示词、如何用 AI 编程，到企业级场景怎么落地，全都是踩过坑之后的实战经验。如果你也在摸索怎么把 AI 真正用起来，这篇应该能帮到你。

一、先搭好你的 AI 工具栈

工欲善其事，必先利其器。在动手之前，先看看我日常在用的 AI 工具组合：

选工具的核心原则：不追最新最火的，只用解决问题最顺手的。每个环节找到一个"主力工具 + 备选工具"的组合就够了。

二、让 AI 真正听懂你：四象限提问法

很多人用 AI 就是一句话扔过去，看天吃饭。今天效果好算运气，明天效果差怪 AI 笨。

其实问题不在 AI，在于你没搞清楚：你的问题属于哪个类型。

我习惯用一个"四象限法则“来判断怎么跟 AI 对话：

象限一：共识区（明确的事实性任务）

你知道要什么，AI 也能直接做。

策略：直接下指令，别废话。

把这份 CSV 数据清洗成标准表格，去除重复行，日期格式统一为 YYYY-MM-DD

象限二：盲区（你不知道的领域）

你对这个领域不了解，需要 AI 先帮你建立认知。

策略：让 AI 先做背景科普，别上来就要答案。

我想了解 WebSocket 和 SSE 的区别，请先给我做一个背景科普，
包括各自的适用场景、优缺点、性能对比

象限三：私密区（你的独特经验）

这类问题涉及你自己的业务、数据、经验，AI 无法直接知道。

策略：先输入足够的上下文，把你的背景喂给它。

我们公司是做跨境电商的，主要市场是东南亚，SKU 有 5000+，
目前退货率 15%。请基于这些信息，帮我分析退货率偏高的可能原因

象限四：未知区（探索性问题）

连你自己也不确定要什么，需要在对话中逐步发现。

策略：用苏格拉底式提问，让 AI 反问你。

我想做一个 AI 相关的副业项目，但还没想好方向。
请用苏格拉底式提问法来帮我梳理思路，每次只问我一个问题

框架就是 AI 的"操作系统”

一个超实用的技巧：让 AI 基于思维框架来回答，效果会好很多。

比如：

• 用 SMART 原则 拆解目标
• 用 第一性原理 分析问题本质
• 用 5W2H 做全面分析
• 用 奥卡姆剃刀 简化方案
• 用 二八法则 找关键因素

这些框架就像给 AI 装上了操作系统——没有系统，它只能随机输出；有了系统，它的思考就有了方向和结构。

请用 SMART 原则帮我拆解以下目标：
"我想在 3 个月内把博客月访问量从 1000 提升到 10000"

三、写提示词不是玄学，是工程

很多人觉得提示词是"灵感活"，写得好全靠天赋。其实不是，它是一门可以系统化学习的工程技能。

文本类提示词：三步迭代法

第一步：先做调研

别上来就写。先用 Deep Research（或任何搜索工具）做调研。

比如你要写一个儿童绘本的提示词，先让 AI 搞清楚"好绘本的核心要素是什么"——故事结构、语言风格、画面节奏、年龄适配……这些都搞明白了，提示词才写得出来。

第二步：生成元提示词

把调研结果喂给 AI：

我要写一个XX类型的提示词，以下是我的调研资料：[粘贴资料]
请帮我生成一个结构化的元提示词

第三步：迭代优化

拿到初稿后，实际跑一遍。把生成结果截图或复制给 AI，告诉它哪里不对：

这是按照你给的提示词生成的结果：[粘贴结果]
问题是：角色表情太僵硬，背景色太暗
请优化提示词，解决这两个问题

反复迭代 3-5 轮，提示词就会越来越精准。

图片类提示词：对标复刻法

有对标图的情况：

1. 找到你想要的风格参考图
2. 发给 AI，要求生成 JSON 格式的元提示词（限制 800 字以内）
3. 拿到提示词后，替换主体内容

这种方法基本能复刻 90% 的风格。

没有对标图的情况：

别硬憋提示词，让 AI 反过来问你：

我想生成一张图片，但还没想好具体风格。
请依次问我以下问题来帮我明确需求：
1. 想达成什么效果？
2. 面向什么人群？
3. 有没有参考案例？
4. 偏好什么色调/风格？

核心原则：不清楚就别硬写，让 AI 帮你理清思路再动手。

四、AI 编程的正确姿势：规范驱动开发

很多人用 AI 写代码的方式是：扔一段需求描述过去，等 AI 吐出一坨代码，然后复制粘贴，跑不了就再问。

这种方式能写个小脚本，但做不了正经项目。

正确的 AI 编程流程应该遵循规范驱动开发：

PRD → 技术文档 → 开发计划 → 编码 → 测试

第一步：写 PRD（产品需求文档）

跟 AI 聊需求，但不要看第一版。直接开始"PUA"——不断追问、挑刺：

这个功能的边界情况考虑了吗？
如果用户网络断了怎么办？
并发量上来性能扛得住吗？
这个交互流程不够直觉，用户会迷路

逼 AI 把 PRD 打磨到位，而不是接受一个 60 分的初稿。

第二步：快速原型

用 AI IDE 的 Build 模式快速搭出前端功能，先跑通核心交互逻辑，不纠结细节。

第三步：代码调优

把初版代码拉到正式 IDE 里精修。AI 生成的代码往往"能跑但不够好"——变量命名不规范、缺少错误处理、架构不清晰，这些都需要人工把关。

关于 AI 编程的更多细节，可以看我之前写的 我的 AI 开发工作流：从需求到上线 和 Cursor Agent 编码最佳实践。

第四步：自动化测试

让 AI 写测试用例，配合 chrome-dev-tool MCP 跑自动化测试。这一步很多人会跳过，但它能帮你发现大量边界问题。

如果你在用 Claude Code，可以参考 Claude Code 浏览器自动化方案对比，了解不同自动化测试方案的优劣。

第五步：后端开发

后端比前端更需要"上下文"。我的做法是：

1. 先让 AI 总结项目的文档文件夹，建立全局认知
2. 导入私域知识库（API 文档、数据库 schema、业务规则）
3. 再开始写代码

核心原则：上下文越清晰，AI 生成质量越高。

架构设计必须提前做好。如果你不做架构就让 AI 写代码，它吐出来的东西就是一堆补丁——能跑，但改不动、扩展不了。

五、企业落地 AI：从哪些场景切入

如果你的公司想开始用 AI，别上来就搞"全面智能化"。从已经跑通的成熟场景切入，风险最低、效果最快：

问答类

• 企业内知识库问答：把公司文档、制度、FAQ 导入，员工随时问答
• ToC 智能客服：替代传统客服机器人，理解能力强很多

审核类

• 合同审核：AI 逐条检查合同条款，标记风险点
• 流程审核：自动检查审批流程是否合规

写作类

• PRD 撰写：产品经理效率翻倍
• 研报生成：基于数据自动生成分析报告
• 季度汇报：输入关键数据，输出结构化汇报

查询类

• Text-to-SQL：老板说"给我看第一季度的销售报表"，AI 自动查数据库，输出可视化结果

推荐一个开源平台

如果你们团队想快速试水，可以看看 BISHENG——这是一个专注企业办公场景的 LLM 应用开发平台，Apache 2.0 协议，完全免费可商用。部署一套就能快速搭建各种办公 AI 应用，省去了从零造轮子的麻烦。

六、我的 AI 信息源推荐

AI 领域变化太快，工具半年一换、模型月月更新。保持信息敏感度很重要，以下是我常用的信息源：

建议：不要只看中文内容。海外的 AI 信息比国内快 1-2 周，搭一个自动翻译 + 摘要的信息流，能让你始终保持信息差优势。

总结

说到底，AI 就是一面镜子：

你的思维清晰，它帮你提速；你的思维混乱，它只会帮你批量生产垃圾。

别指望 AI 替你思考，但可以让它替你干活。关键在于：

1. 分清问题类型：四象限法则，对症下药
2. 系统化写提示词：调研 → 生成 → 迭代，不是一锤子买卖
3. 规范驱动编程：PRD → 技术文档 → 开发 → 测试，别跳步骤
4. 上下文决定质量：喂给 AI 的信息越充分，输出越靠谱
5. 框架是AI的操作系统：SMART、5W2H、第一性原理……给 AI 装上思维框架，输出立刻上一个台阶

这不是一篇看完就忘的文章。建议你挑一个最痛的场景，今天就开始用上面的方法试一试。AI 的能力上限，取决于使用它的人。

相关阅读

• 我的 AI 开发工作流：从需求到上线
• Cursor Agent 编码最佳实践：官方指南完整解读
• Claude Code 浏览器自动化方案对比
• AI 时代，一个人的 Taste 比以往任何时候都重要