收藏夹里几百条提示词，真正换个问题还能用的只有这 8 条

为什么大部分提示词都在贬值

过去几年攒下来的提示词，绝大多数是为一个具体场景写的说明书：怎么写小红书标题、怎么改简历、怎么做周报。它们的价值建立在一个前提上，就是 AI 自己不太会安排步骤，你得手把手告诉它先干嘛后干嘛。

这个前提现在松动了。你在 CodeX 里丢一个任务过去，它自己会拆、会一步步执行、做完还能把这套流程沉淀成 Skill 下次直接调用。所以说明书式的提示词，用一次就该扔，攒起来没意义。

真正还值钱的是另一类：它不绑定任何具体问题，换个场景照样成立。学一个新概念能用，做一个决定也能用，明年换个模型还能用。姜学长挑出来的这 8 条都是这一类，彼此之间没有先后顺序。

前三条：想真正学会一样东西

一、费曼学习法

大部分人用 AI 学东西，是让它讲给自己听。费曼学习法反过来，是你讲给它听。

姜学长把这套拆成了连续三轮，让 AI 换三个角色。第一轮，让它当一个完全不懂这个领域的小白，你负责用自己的话把知识讲明白。第二轮，让它变成专家或者辩手，专门质疑这个概念的边界、缺点和成立前提。第三轮，让它当你的搭档，把这个知识用到一个真实问题上。

他有句话总结得挺好：先把知识讲明白，再把知识变明白，最后把知识用明白，走完这三步才算真的学会了。

你可以这么说：接下来我要学「XX」。请你分三轮配合我。第一轮你当完全不懂这个领域的人，我讲给你听，你听不懂的地方就打断我。第二轮你换成这个领域的资深专家，专挑我理解里的边界、漏洞和没说清的前提。第三轮你当我的搭档，帮我把它用到我手头这件事上。每一轮等我说「下一轮」再往下走。

二、苏格拉底追问

有时候你心里已经有了个看法，但担心想得太浅。这时候别急着让 AI 给结论，让它一直追问你。

它会不停问你的依据是什么、前提是什么、有没有反例，一层一层把你原本没说清楚的地方问出来。这条的效果不是让你多拿一个答案，而是让你自己把判断想清楚。

你可以这么说：我现在有个判断是「XXX」。请你不要评价、也不要给结论，只用提问的方式追问我：这个判断的依据是什么、成立需要什么前提、有没有反例。一次只问一个问题，等我回答完再问下一个。

三、寓言学习

有些概念难，不是难在定义看不懂，是你脑子里没有画面。

这时候让 AI 先把抽象概念变成一个故事。故事讲完，你不只知道它是什么意思，还能记住它为什么成立。干巴巴的定义可能三天就忘了，一个有画面的故事往往能在脑子里留很久。

你可以这么说：请把「XX」这个概念编成一个不超过 300 字的故事，有具体人物和场景，不要出现这个概念的术语。讲完之后再告诉我，故事里哪个情节对应它的哪个关键点。

中间两条：把活儿交给 AI 之前

四、反向采访

很多人跟 AI 反复改稿子，改到烦。不一定是 AI 做不好，多半是自己没把需求想清楚。

与其硬编一段看起来很完整的指令，不如让 AI 先反过来采访你。它会在动手之前，把你的目标、限制条件、验收标准一个个问出来，省掉后面一轮又一轮的返工。

你可以这么说：我要你帮我做「XX」。先别动手，你先采访我，把目标、使用场景、限制条件、什么算做得好这几件事问清楚，一次问一个问题。你觉得信息够了，再告诉我一声，我确认了你再开始。

五、任务盲点扫描

还有一种情况更麻烦：不是你忘了说，是你压根没意识到它会影响结果。

反向采访挖的是你知道但没说完整的信息，任务盲点扫描挖的是你根本想不到、所以不可能写进提示词里的东西。它最有价值的地方，是在 AI 开工之前，就把那些可能让整个任务跑偏的变量摆到你面前。

你可以这么说：我打算做「XX」。请你列出 10 个我很可能没有意识到、但会显著影响结果的因素或者前提，按影响大小排序。别说我已经告诉你的那些，专挑我没提到的。