我平时用ChatGPT处理各种任务,踩过不少提示词写得太随意的坑。后来慢慢发现,ChatGPT高级使用技巧里最值钱的一块就是提示词工程。它不是把话说得漂亮就行,而是把任务边界、判断标准和输出形态讲清楚。这一章我围绕自己的实操经验,聊聊怎么用结构化指令、推理控制、模板复用和场景化提示模式,把效率真正提起来。
1.1 角色、目标、约束与示例四要素的结构化指令设计
我写提示词时习惯先摆出四个东西:角色、目标、约束、示例。角色像给ChatGPT戴上一顶帽子,目标告诉它要交付什么,约束是边界和红线,示例则是最直观的样板。这四个要素凑齐,输出会稳定很多。我试过只写“帮我写一份周报”,结果它洋洋洒洒写了一大篇空话。改成“你是一名面向技术团队的项目经理,目标是把本周开发进展整理成300字以内的周报,约束是只写事实、不写评价、每条进展带负责人,示例格式如下”,质量立刻不一样。
示例指令:你是一名数据分析顾问。目标:把这份销售数据整理成三条关键发现。约束:每条不超过80字,必须引用具体数字,不推测原因。示例:本周华东区销售额环比增长12%,主要由A产品拉动。
约束别写得太虚,像“专业一点”“简洁一些”这种词,ChatGPT理解起来很飘。我一般会把约束拆成可检查的条件,比如字数、格式、语气、必须包含的字段、禁止出现的内容。示例也不用给很长,一个短样板就能让它抓住节奏。这个四要素结构看着简单,用熟以后能省掉大量来回修改的时间。
1.2 思维链、自洽性校验与反思式提示的适用场景
思维链提示我一般用在需要多步推理的任务上,比如拆解一个复杂的运营方案、排查代码报错原因、分析数据异常的可能路径。我会直接要求它“把推理步骤写出来,再给结论”,这样中间逻辑有没有跳步一眼就能看出来。简单问答没必要上思维链,反而显得啰嗦。复杂场景里,让模型展示推理过程,比只给一个漂亮答案更可靠。
自洽性校验适合答案不唯一的任务。我的做法是让ChatGPT用不同思路独立给出三版答案,再对比一致的地方和分歧点。写方案、做归因分析、评估风险时这招挺管用。反思式提示则是让它先输出一版,再以审稿人视角挑毛病并修订。我写文章和审代码时常用这个套路,第一版当草稿,第二版专门找逻辑漏洞和事实错误,第三版再收敛。三种方法不用每次都叠加上,按任务复杂度选一个就够。
1.3 元提示、提示模板复用与多版本效果对比方法
元提示是我很喜欢的一个玩法:让ChatGPT帮我改提示词。我会把我的原始指令和期望输出丢给它,问它“这条提示词哪里模糊、哪里缺少约束、怎么改能让输出更稳定”。它经常能指出我自己没注意到的歧义。改完以后我再拿同一批任务跑一遍,对比修改前后的差异。这个过程像请了一个提示词教练,成本很低。
模板复用解决的是重复劳动。我把常用的写作提纲、代码审查、数据清洗、会议纪要整理这几类提示词存成模板,每次只替换任务变量。模板里保留角色、目标、约束和输出格式,变量部分用方括号标出来。多版本对比时,我会用同一个任务分别跑A版和B版提示词,记录输出长度、事实准确度、可用率和修改耗时。对比结果不用搞得很复杂,一张简单表格就够。我自己的经验是,版本差异往往不在词多词少,而在约束有没有写死、示例有没有给对。
1.4 面向写作、编程、数据分析与决策支持的高效提示模式
写作场景里,我常用的模式是“读者画像+核心观点+结构约束+语气示例”。我会告诉ChatGPT这篇文章给谁看、必须讲清哪三件事、段落怎么排、语气参考哪段样例。编程场景我更看重输入输出契约,提示词里会写清语言版本、函数签名、边界条件、错误处理要求和测试用例。让模型先给伪代码再给实现,比一上来就生成大段代码更稳。
数据分析场景的高效提示模式是“数据说明+分析目标+指标口径+输出表格”。我会先交代字段含义和缺失情况,再要求它按指定口径计算,最后用表格加三条结论收尾。决策支持场景则适合“选项对比+权重约束+风险清单”的模式。我让ChatGPT把可选方案列出来,按成本、收益、实施难度打分,再单独列出每个方案最可能翻车的地方。这种提示模式不替我做决定,但能帮我把决策依据摆到桌面上。用熟这几类模式以后,提高效率的实用方法就不再是玄学,而是可以反复调用的工作流。
我把ChatGPT当搜索框用了很久,问题问完就走,图个快。后来接手一个持续两周的方案整理任务,会话越拉越长,它开始忘记前面定过的口径,我也跟着来回翻聊天记录。那阵子我才意识到,ChatGPT高级使用技巧里真正拉开效率差距的,不只是提示词写得多漂亮,还在于上下文管得稳不稳。多轮任务像接力跑,每一棒交出去的信息得清楚,接棒的人才知道往哪跑。这一章我按自己的使用习惯,聊聊长上下文怎么压缩、外部知识怎么接进来、项目状态怎么维护,以及复杂任务怎么交接和重置。
2.1 长上下文压缩、分段摘要与关键信息保留策略
长会话最怕什么?不是字数多,是重要信息被稀释。我做过一个市场调研项目,前前后后聊了上百轮,前面确认过的目标用户、统计口径、禁用表述,到后面全被新内容盖住了。我的做法是每隔一段就做一次压缩摘要,摘要只保留五类东西:任务目标、硬约束、已确认事实、待办事项、风险与未决问题。我常用的指令很直白:“请把以上对话压缩成200字以内的任务状态摘要,只保留目标、约束、已确认事实、待办和未决问题,不要写过程描述。”这样得到的摘要像项目卡片,贴到新会话开头就能接着干。
分段摘要比一次性总结更稳。我的习惯是把长对话按阶段切块,比如资料收集阶段、方案对比阶段、初稿阶段,每块单独做摘要,再把这些块摘要合成一份全局摘要。块摘要保留细节和原始出处,全局摘要只留决策和当前状态。这样我需要回查某个判断时,能顺着块摘要找到原对话,不至于只剩一句干巴巴的结论。摘要别写成读后感,要写成可执行的信息清单。数字、日期、人名、文件名、否定性约束,这几类信息我一般会原样保留,不交给模型自由改写。
关键信息保留还有个小技巧:维护一张实体表。项目里反复出现的产品名、部门名、指标口径、版本号,我会单独列成一个小表,每次开新会话先贴进去。模型对这些词的叫法容易漂移,今天叫“A方案”,明天叫“方案甲”,后面对比时就容易串。把词表固定住,再要求它“回答时统一使用实体表中的名称”,多轮任务会清爽很多。这套方法不复杂,胜在每次花两三分钟,能省掉后面半小时的翻记录时间。
2.2 外部知识库、检索增强生成与引用溯源实践
我手上的资料很少只存在聊天框里。产品文档、会议纪要、竞品截图、历史方案,散在网盘、笔记软件和本地文件夹。把它们全塞进一次对话不现实,我的做法是先建一个项目知识区,按主题放文件,文件名带日期和版本号。上传给ChatGPT之前,我会先做一层粗切分,一份文档尽量只讲一个主题,长文档拆成几段,每段开头写清这份材料回答什么问题。这一步像给书架贴标签,后面检索时少走弯路。
检索增强生成这个词听着技术,实际操作可以很轻。没有开发环境时,我就用“先检索、再回答”的提示方式:把相关材料片段贴进对话,要求它“仅依据我提供的材料回答,每条结论后面标注来源文件名和段落编号,材料里没有的内容直接说没找到”。这个约束很关键。我试过不写来源要求,模型会把常识和材料混在一起,读起来顺,查起来费劲。加上引用要求以后,它编造的空间小了,我核对也快。需要跨文件对比时,我会让它先列一张证据表,列出结论、原文引用、文件位置和可信度,再基于证据表写分析。
引用溯源不是形式主义。我做过一次政策解读,模型把两个城市的条款混在一起,结论看着合理,出处对不上。后来我养成习惯,凡是涉及数字、法规、合同条款、竞品事实的内容,都要求它给出原文短引和位置。找不到出处的内容单独标成“待核实”,不混进正式结论。外部知识库也要定期清,过期文件、废弃版本、重复材料留在里面,检索结果会变脏。我的节奏是每个项目收尾时做一次知识区整理,把有效材料归档,把临时文件删掉,下次开新项目直接复用干净的知识底座。
2.3 会话记忆、项目上下文与任务状态清单维护
我不太指望模型自动记住所有事。会话记忆像短期工作台,项目上下文像长期档案柜,两个东西得分开管。我的项目上下文一般包含几块:项目目标、我的角色和模型角色、术语表、当前阶段、已确认决策、输出格式要求、禁止事项。每次开新会话,我先贴这份项目卡片,再补一句当前要做的事。这样模型不用从零猜背景,我也不用重复解释。项目卡片不用写长,一页以内最好,写长了它也会抓不住重点。
任务状态清单是我用得最顺的一个工具。我把它分成三栏:已完成、进行中、待确认。每轮任务结束前,我让ChatGPT按这三栏更新一次,并标出下一步建议。状态清单里不写流水账,只写可验收的结果。比如“已完成:竞品功能对比表v1,覆盖5家;进行中:定价策略差异分析;待确认:是否纳入海外竞品”。下次继续时,我把状态清单贴回去,它很快就能接上。这个动作看着琐碎,实际能防止任务做到一半跑偏。
长期偏好和临时指令也要分开。我的写作语气、常用输出格式、代码注释风格,这些算长期偏好,放在项目卡片里固定下来。某次任务临时要求“这次先列提纲,不要写正文”,这种就放在当轮指令里,不写进长期卡片。混在一起以后,模型容易把临时要求当永久规则。团队场景里,我会把状态清单放到共享文档,谁接手谁更新,版本号写在标题上。会话记忆靠不住的时候,一张维护良好的状态清单就是最稳的上下文锚点。
2.4 多轮任务交接、上下文重置与复杂项目协作技巧
多轮任务做久了,交接比启动更考验人。我给自己定了一个交接包格式:背景摘要、已确认决策、当前产物、未决问题、下一步指令模板。换会话、换人、换工具时,把这五样打包带走。背景摘要控制在一屏以内,决策记录写清“定了什么、为什么定、谁定的”,当前产物给文件名或链接,未决问题按优先级排。下一步指令模板最容易被忽略,我会直接写好一句可复制的开场指令,比如“基于交接包继续完成定价策略差异分析,输出三列表格,不引入新数据”。接棒的人或新会话拿到就能跑。
上下文重置的时机我踩过坑。早先我舍不得关会话,总觉得聊得越久模型越懂我。实际结果是话题一多,它开始重复、跑偏、把旧任务的口径套到新任务上。后来我给自己设了几个重置信号:任务阶段完成、话题切换、输出开始重复、连续两轮答非所问。出现任一信号,我先让模型生成一份交接摘要,确认关键信息都在,再开新会话。重置不是扔掉上下文,是把上下文从聊天记录里提炼出来,换一个干净的工作台继续。
复杂项目协作我倾向于“一个任务一个会话”。写方案一个会话,查资料一个会话,审稿一个会话,主会话只做调度和状态维护。不同会话之间靠交接包和状态清单连接。团队协作时,我们统一文件命名和交接格式,谁在哪个会话里改了什么,都回写到共享状态清单。人工审核这一步不能省,模型给的摘要和引用我会抽查,涉及数字和结论的地方重点看。这套做法让多轮任务从“聊到哪算哪”变成有节奏的推进,提高效率的实用方法也就落到了日常动作里。收尾时我不写大道理,只留一句:上下文管得住,ChatGPT才像一个稳定的项目搭档,而不是每次都要重新认识一遍的临时助手。
第2章聊完上下文管理,我办公桌上那堆重复劳动还在原地打转。真正让我下决心折腾工作流的,是去年双十一前的一件小事。运营同事甩给我一份表格,三百多条商品短文案,要求两天内全部出完。我第一反应是复制粘贴到ChatGPT里一条条改,试了二十条就发现不对劲:格式飘、卖点重复、越写越像机器人。那天晚上我换了个思路,不再把它当“问答工具”,而是当一条流水线上的工位来安排。三百条文案分成五批跑完,人工只做了抽检和微调。ChatGPT高级使用技巧里的自动化,不是什么高深技术,核心是把人的经验拆成机器能稳定复现的步骤。
3.1 任务拆解、标准作业流程与提示链编排方法
我有个习惯,接到任何能重复三次以上的任务,先画一张任务拆解图。拿每周客服反馈报告来说,我会拆成五步:导出原始反馈、清洗无效条目、按问题类型归类、提炼高频诉求、写成带建议的周报。每一步写清输入是什么、输出长什么样、判断标准是什么。这张图像菜谱,不写“适量”“少许”,只写“三勺”“中火八分钟”。标准作业流程的价值就在这里,模型不会替你猜标准,你得先把标准摆出来。
拆解的颗粒度很讲究。切太粗,一个提示要它干五件事,输出必然糊成一团;切太细,光粘贴复制就耗掉半小时。我的经验线是:一个提示稳定产出一种结构。归类就只输出归类表,摘要就只输出摘要段,别混在一起。每个环节我还会加一道“格式门”,比如要求上一步输出严格的三列表格,列名固定为“编号、反馈原文、问题类型”。格式稳了,下一步接进来才不用反复解释。
提示链编排是我用得最顺的一招。把五步串成一条链,上一步的输出直接作为下一步的输入,中间用编号和变量占位符连起来。我常用的写法是“下面是第2步的输出,请作为第3步的输入,只做归类,不改写原文,输出表格三列”。链条里我会插一个自检环节,让模型回看自己的输出是否满足格式和数量要求,不满足就重跑本步。这套做法像流水线上的质检工位,问题在小环节里暴露,不会拖到最终成稿才发现整批跑偏。
3.2 触发器、条件判断与动作序列的自动化设计
触发器听着像程序员的事,实际用起来可以很土。我的周报工作流没有接任何系统,触发器就是日历里每周一早上九点的提醒,外加一个固定命名的文件夹。提醒一响,我把上周的反馈表格拖进对话,贴一句开场指令,链条就跑起来了。事件触发我也试过,客服系统里新工单达到一定数量时,同事会往共享表格里加一行标记,我看到标记就手动启动。手动触发不丢人,稳定比花哨重要。
条件判断是工作流里最容易被低估的部分。我早期写的提示链没有分支,所有输入都走同一条路,遇到异常数据就全链崩溃。后来我在关键节点加判断句,写法很直白:“如果评分低于3分,标记为‘需升级’,不进入摘要环节;如果反馈原文少于十个字,标记为‘信息不足’,单独列一张表;其余正常进入归类。”条件要枚举清楚,别留给模型自由发挥。判断规则超过五条时,我会拆成一个小步骤单独跑,输出一张带标记的清单,再让主链按标记分流。
动作序列的安排我踩过坑。顺序执行最简单,一步接一步,适合线性任务。分支执行适合审核类工作流,合格走A路,不合格走B路。循环处理最适合批量场景,一张表几十行,让模型逐行处理并标注行号。循环最容易出的问题是跑到一半忘了跑到哪,我的对策是每批不超过二十行,批与批之间保存中间结果,断点能续跑。状态记录别省,一行“已完成1-20,待处理21-60”看着不起眼,救过我好几次。
3.3 多工具协同、批量处理与重复性任务提效方案
我不指望ChatGPT包打天下。表格负责存数据,文档负责沉淀终稿,笔记软件负责放模板,ChatGPT在中间当“判断和生成”的那颗脑子。商品文案那件事,我的做法是表格里放商品名、卖点关键词、目标人群三列,每批二十行复制进对话,要求按行号输出短文案,再粘回表格对应列。工具之间靠复制粘贴和固定格式连接,土办法,胜在每一步都能看见、能改、能回退。
批量处理的关键是模板和分批。模板里把不变的部分写死,比如“每条文案不超过四十字,包含一个使用场景,不出现绝对化用词”,变量部分用占位符标出来。分批的节奏我一般控制在十到二十条,太少浪费启动成本,太多模型注意力会散。批与批之间做一次合并去重,重复率高的批次回炉重跑。有人问我为什么不用API一次跑完,我的回答很实际:日常办公场景里,能看懂、能干预的批处理,比全自动黑箱更让人放心。
重复性任务的提效空间最大。月度复盘、周报、邮件回复、竞品动态摘要,这些活我全做成了模板加变量的组合。模板存进笔记软件,变量每期替换。拿竞品动态来说,模板固定了“本周更新、功能变化、价格动作、我的判断”四块,每期只换素材。跑上三个月,我发现模板本身也在进化,哪些提示词经常被改、哪些输出经常被删,改着改着就沉淀成一套顺手的工序。提高效率的实用方法往往不是发明新工具,是把旧活干出固定节奏。
3.4 人机协作审核、异常处理与工作流质量监控
自动化不等于撒手不管。我的工作流里固定设三道闸:输入校验、中间抽检、终稿复核。输入校验看素材全不全、格式对不对,缺东西直接打回;中间抽检看归类准不准、摘要有没有编造,抽百分之二十左右;终稿复核看整体语气和结论,这一步我自己来,不交给模型。三道闸听着繁琐,实际每道只花几分钟,比整批返工省得多。
异常处理我准备了一套兜底动作。模型输出格式乱了,我用“请严格按三列表格重新输出,不加解释”重跑本步;输出明显编造,我切断链条,回到上一步补素材;连续两次跑不通,降级处理,把任务拆得更小或者转人工。有一次批量生成产品描述,模型把一款儿童玩具的适用年龄写错了,抽检时发现,整批标记重跑。同一件事,我同事老周从审核角度看到的是“闸门不能省”,我从流程角度看到的是“抽检比例要按风险调”,运营那边看到的则是“交付时间得留出返工余量”。一个事故三个视角,后来我们把高风险品类的抽检比例从两成提到五成。
质量监控靠记录,不靠感觉。我建了一张简单的运行日志表,记日期、任务名、批次、耗时、返工次数、异常类型。每周花十分钟扫一眼,返工率高的环节重点改提示词,异常集中的类型补判断规则。日志不用复杂,能看出趋势就够。工作流跑顺以后,我最大的感受是人的角色变了:从逐条改稿的劳动力,变成定标准、看异常、调流程的监工。这个转变不轻松,可它让重复劳动真的变少了,也让ChatGPT自动化工作流从概念落成了我每周都在用的东西。
第3章那套复制粘贴的流水线,我跑了小半年。稳定是真稳定,别扭也是真别扭。一天贴上十几批表格,手指头按Ctrl+C按到发酸。公司来了个做后端的新同事小林,坐我隔壁,看我午休还在那儿一行行贴商品数据,随口说了句“这活儿写十行代码就完了”。我对API的印象一直停在“程序员专用”。那次之后我花了两个周末啃文档,磕磕绊绊跑通头一个脚本。写下这章的时候,脚本已经在我的日常里跑了快一年。ChatGPT自动化工作流这件事,网页版能解决八成,剩下两成得靠API。
4.1 API调用基础、成本控制与速率限制管理
开通API的头一天,我犯了个特别低级的错误:写了个循环,两百条客服记录一口气全发出去,还没等到第十条回复,屏幕上就跳出一串429。我第一反应是网络出问题,刷新、重连、换浏览器,折腾了半小时。小林瞟了一眼我的报错信息,说了句“速率限制,你在人家门口拿喇叭喊话”。网页版像银行柜台,一次一个人,排队来;API像自己开车上高速,快是快,每分钟多少车、油费多少钱,全得自己看仪表盘。
成本这块,我说个具体数。头一版脚本跑了一晚上,第二天账单出来,四十多块人民币。单看不多,可我这活儿本来一次就值几块钱。翻了账单明细才找到毛病:每次请求都把整段历史对话重新发一遍,token全部耗在重复内容上。改法很朴素,只发本次要用到的字段,历史对话先压缩成一句话塞进系统提示。同一个任务重跑,费用掉到三分之一。我后来养成了习惯,脚本上线前先拿十条数据跑一遍,看单条成本,再乘预期的量。这跟买菜前先问单价一样,问完心里才有数。
速率限制的应对,我摸索的都是土办法。请求之间加个sleep,半秒钟,听着傻,能躲掉大半429。批量任务分段跑,白天跑小的,夜里挂大的。失败重试一定要带退避,第一次等一秒,第二次等四秒,别一失败就原地猛怼。我有一回重试写得太莽,脚本卡在同一个错误上循环了二十分钟,日志刷出八百多行,到头来还是小林帮我看的堆栈。他跟我说的那句话我记到现在:“异常处理不是删掉报错,是知道错了以后退到哪儿。”从开发视角看,这是基本功;从我的视角看,这是给流程留退路。
4.2 函数调用、结构化输出与外部系统联动
函数调用这个功能,我一开始完全没看懂文档在说什么。说白了就是告诉模型“你可以用这几样工具”,模型判断需要哪个,就用哪个,输出一段结构化的调用参数。我拿它做的头一个小玩意儿是工单自动打标:给模型三个字段——工单摘要、客户等级、问题类别,要求它输出一段JSON,脚本拿这段JSON直接写进内部系统。以前这一步靠人工在系统里点下拉框,现在脚本跑完,标记已经贴在工单上了。
结构化输出是我用得最频繁的一招。早先让模型输出表格,它今天用竖线,明天用逗号,后天还给你加句“以下是整理结果”。脚本解析到第三批就崩了。后来我把字段和格式写死,用JSON Schema约束,明确说“只返回数组,每个对象包含三个键,不得包含任何解释性文字”。格式一锁,脚本就稳了。我现在的做法是,每个对接外部系统的环节,先写一句“如果格式不对,就返回空数组而不是编造内容”,这句兜底的话救过不止一次。
外部系统联动这件事,我踩的坑比坑还多。模型再聪明,它不知道系统里字段叫什么、长度限制多少、必填项有几个。我一开始没看接口文档,让它直接输出一个十二位的订单号,系统那边只收十位,整批写入失败。后来我学乖了,每次联动前先把接口文档里的字段定义、长度、格式抄成一张小清单,塞进系统提示。这活儿像给人画地图,人家不认识你家门牌号,你光说“到我家来”,他永远到不了。小林看我这个习惯,评价了一句“你这叫契约先行”,我觉得他是在夸我。
4.3 与办公软件、数据平台及低代码工具的集成路径
不是每个人都要写代码。我把这条路分成三条:写脚本、走低代码、靠现成插件。我自己是从脚本起步的,手头那堆格式奇葩的老表格,低代码工具啃不动。公司运营部那边完全是另一套打法,她们用Make和Zapier连飞书表格,把“表格新增一行”当成触发器,自动去调接口、生成摘要、回写结果。她们连代码长什么样都没见过,流程照样跑得挺欢。
低代码平台的好处是能看见流程长什么样。节点是一个一个方块,连线看得清楚,哪儿出错就亮红灯,改完保存就能跑。我帮运营部搭过一个周报汇总的流程:飞书多维表格收数据,Make定时拉取,调用接口生成摘要,写到飞书文档,最后发一条群消息。整个过程她们自己能维护,我只负责调提示词和改接口参数。这种分工挺舒服,我不用替她们值班,她们也有掌控感。
数据平台那边,我的用法比较窄。手里有一套业务数据存在云数据库里,我用脚本读出来、批量调接口、写回新表。刚开始想搞成实时,跑了两天发现没必要,数据一天更新一次,实时纯属浪费钱。有一段我迷上了各种集成方案,见一个学一个,堆了七八个工具,一个都没跑稳。那次收手之后我定了个规矩:先有一个稳定跑满三周的流程,再去考虑加新工具。工具是搬砖的手推车,不是收藏品。
4.4 密钥安全、日志审计、监控告警与权限边界设计
密钥安全这件事,我差点栽过一次。第一次写脚本,我图省事,把API密钥直接敲在代码里,然后兴冲冲地把脚本压缩包发给了运营同事,让她试试看。小林看到之后脸都绿了,告诉我这个文件传出去一次,密钥就等于公开了。当天我们就把密钥作废、重新生成。他后来教我一招,把密钥放进系统环境变量,代码里只写读取变量的那一行,脚本分享出去也不带密钥。这一招我现在逢人就说,栽过一次才知道疼。
日志审计我是被一次失败逼出来的。有个批量任务跑完了显示成功,接口返回全绿,可业务方那边说表里少了两百条。我翻遍代码没找到原因,靠一行行打印的请求日志才看出端倪:有一批请求返回的是“参数校验失败”,我的脚本只看了HTTP状态码没看返回体,把失败当成了成功。那次之后我加了三种日志记录:每次请求的输入摘要、返回的关键字段、耗时。日志存在本地文件里,按日期切分,一周清一次。这个量不大,出事的时候能救命。
监控告警我做得比较土。没有大平台的告警仪表盘,就是脚本里加几个判断:连续失败超过三次,给我的手机发条消息;单次任务耗时超过平时的两倍,也发一条;当天token消耗超过预算的八成,再发一条。消息渠道用的是现成的聊天工具机器人,配起来十分钟。这种土办法不漂亮,可它在凌晨三点把我叫醒过一次,那次是供应商接口挂了,及时停脚本比第二天返工省事得多。
权限边界这块,小林给我说过一句很实在的话:“能删数据的密钥,别拿来跑查询。”我现在的做法是按用途拆密钥,查询用一把,写数据用一把,测试环境用一把,每把只开必要的权限。团队里共享密钥这件事故意没做,谁的任务谁自己申请,出问题能追到人。从安全视角看,这叫最小权限;从我这边看,这是别让人在一块地里全种同一样菜。提高效率的实用方法里,有一条常被忽略:安全感也是效率的一部分,流程跑得再快,一次泄漏就能全部清零。
第4章结尾我说了句“安全感也是效率的一部分”,当时是随口带出来的。这章我想把这句话往回捋一捋。流程跑起来,只是刚过了起跑线。跑得值不值、跑得稳不稳、跑完能不能留下点东西给下次用,是另一层功课。我这人记账习惯一般,偏偏在效率这件事上,被现实逼着学会了记账。
5.1 效率指标设计、耗时对比与提示词A/B测试
我最早评估效率的办法特别原始,就看自己几点下班。以前整理一份周报素材要熬到晚上八点,用上流程六点能走人。这个信号有用,太粗。有天运营同事问我“你这套东西一个月能省多少小时”,我支支吾吾说了句“挺多的”。她笑了一下,我脸上有点挂不住。
过了阵子我拿了个本子,专门记时间的账。同一类任务,手工做一遍,掐表;流程跑一遍,也掐表。每个任务记三样:单次耗时、返工次数、我盯着的分钟数。第三项最容易被忽略。有些流程机器跑得快,我盯得也紧,全程不敢走开去倒水,省下来的时间又还回去了。真正省时间的流程,是我按下开始键能去泡杯茶的那种。
提示词A/B测试,是我被自己的偏见教育出来的。有回我改了一版提示词,自觉逻辑更顺,直接全量替换。跑了一周发现输出变长了,每条平均多两百字,下游整理的人跑来跟我抱怨。我回头拿二十条样本做了个对照,两版提示词各跑一遍,记录耗时、字数、人工修改率。老版字数少、返工少;新版看着漂亮,实际是给下游添活。测试这活儿费不了多少时间,比我拍脑袋强太多。我现在养成个习惯,任何提示词改版,先在小样本上过一遍,数字对不上就不推。
5.2 输出质量校验、事实核查与错误纠正机制
质量这块,我翻过一次车。去年整理一份行业资料,模型在报告里写了个市场规模数字,格式规整,语气笃定。我没核,直接贴进给客户的材料里。第二天客户那边的人回了一句“这个数字和我们看到的不一致”。我当时头皮发麻,翻回去查,模型编的,出处根本对不上。那天下午我把材料撤回重做,跟人道歉。这算交了一次学费。
从那以后我立了条死规矩:凡是数字、日期、人名、政策条款,一律要求模型给出处,给不出来就写“待核实”。我在提示词里专门加一句“不确定的内容标注‘需人工确认’,不要猜测”。这句话说出来之后,模型老实多了,动不动就给我标一堆待核实。看着烦,可它救过我第二回。
事实核查我用的土办法是交叉验证。同一个问题,换个问法再问一遍,两次答案对不上的地方,就是我要去查的地方。重要材料我还会让模型扮演挑刺的角色,专门去找自己上一版答案里的漏洞。抽样检查也保留着,每十份输出我抽一份从头看到尾,比例不高,能摸到质量的底。错误纠正方面,我体会最深的一点是“让模型自己认错比让我替它找错省事”。有些毛病它自己一看就明白,我只需要在提示词里留个复核环节。
5.3 隐私安全、数据合规与敏感信息处理边界
隐私这块,我犯过一次现在想起来还后怕的事。有回赶活,我把一份客户名单连着手机号一起贴进了对话框,让它帮我按区域分组。贴完就干活,没多想。晚上小林路过我工位,看见屏幕上那串号码,站住了。他没说重话,就问我一句“这些号码,客户同意给第三方看了吗”。我愣了一下,当天把那段对话删了,重新做了一份脱敏的。
脱敏说起来简单,做起来得成习惯。我现在的做法是,进对话框之前先过一道手:姓名换代号,手机号打码,公司名换成“甲公司乙公司”,金额按比例缩放。需要真实数据才能判断的地方,我在本地处理好再贴,贴进去的只有模型需要看的那部分。这条线划清楚以后,我的动作反而快了,不用每次都纠结“这个到底能不能发”。
合规边界我专门问过公司法务。她的说法很直白:能公开的信息随便用,内部资料看密级,客户个人信息能不碰就不碰。我把这三句抄在便签上,贴在显示器边上。团队里我也说过一次,谁的任务谁负责数据,出了事追得到人。这话听着不近人情,反过来想,是保护大家。
5.4 个人与团队提示词库、工作流模板及资产化复用体系
提示词库这件事,我是从一堆散落的记事本开始的。最早我的提示词存在微信收藏里、存在备忘录里、存在某个文档的第十七页。要用的时候翻半天,翻到了发现是三个月前的版本,早就不适配手头的任务了。
这事儿拖了两个月,我索性建了张表,四列:编号、用途、提示词正文、最近更新日期。编号按任务类型分,写作一类、数据一类、客服一类。每改一次版本,旧版不删,标个“停用”。整理这张表花了我一个下午,往后省下的时间按周算。新人来了直接看表,不用追着我问“你那个整理会议纪要的提示词发我一下”。
工作流模板是提示词库的升级版。一个流程跑稳三周以上,我就把它整理成模板:触发条件、步骤、每步用的提示词编号、异常怎么处理、谁来复核。模板存进共享文档,团队里谁都能拿去改。运营部那边拿去改了个周报流程,改完还回来跟我说哪一步卡住了,我把那一步的提示词又调了一版。这种来回,比我自己闷头优化有意思。
资产化复用这个说法有点大,我的理解很朴素:把做过的事变成下次能直接用的东西。提示词是资产,模板是资产,踩过的坑写成的注意事项也是资产。我有个“翻车记录”文档,记了十几条,每条一句话,比如“模型给的数字必须查”“密钥不进代码”“共享文件先脱敏”。这份文档比任何教程都管用,因为它写的是我自己摔过的跤。