从滑雪事故到精准断案_AI指令三要素

Hello, 大家好，欢迎朋友们来到本源进化

今天我们从一个有点离谱的故事说起。

你把一份写得密密麻麻的瑞典语车祸报告，再加上一张司机随手画的、堪比抽象派的现场草图，交给一个顶尖 AI，让它判断事故责任。

结果它特别自信地回复：

“根据我的分析，这是一场滑雪事故。”

瞬间懵了——
问题真的是 AI 不够聪明吗？
还是我们一开始给它的指令和上下文就错了？

这就是今天的主题：
怎么给 AI 下“准话”，让它从爱瞎联想的助手，变成一个能理解、能执行复杂任务的靠谱伙伴。

接下来我们分两层看：

微观层面：一条指令，怎么从“滑雪事故”修到“精准定责”？

宏观层面：在此基础上，怎么搭出一整套可复用的AI 智能工作流，甚至是一个“AI 小团队”。

一、微观层面：一条好指令是怎样炼成的？

1. 场景还原：车祸理赔为什么变成了滑雪？

案例很简单：

一家瑞典保险公司，要处理一单车祸理赔；

手上只有两份材料：
一份是勾选式瑞典语车祸报告表；
一份是司机画的现场示意图（非常潦草）。

任务就一句话：
“请分析这些材料，判断哪辆车责任更大。”

第一次尝试很“直觉”：
把两张图丢给 AI，配上这句简单指令，就等结果。
最后变成了“滑雪事故”。

核心问题不在于 AI 脑子不行，而是——
在没有明确“这是车祸理赔场景”这个前提时，它会在自己的世界里“合理瞎猜”。

比如：

也许识别出表格里的一个地名，恰好是瑞典滑雪圣地；

也许把草图里的某些线条识别成了“雪道”。

对它来说，这一切是“自洽”的，但对业务来说是彻底错误。
这说明第一条铁律：

不给上下文，AI 就会用它自己的世界观给你编一个。

2. 第一步：先给 AI 一个“身份”和“工作准则”

要迭代这条指令，第一步不是写得更长，而是给它换一个“身份”。

我们在指令最前面加了一句：

“你是一名协助理赔员分析瑞典车祸报告的人工智能助手。”

这一步直接把它从“无限可能的任务空间”拉回到车祸理赔这个具体轨道。

然后再给它定工作准则：

“你的分析必须基于事实保持自信；如果信息不足，绝对不要猜测。”

结果立刻变了：
它不再提滑雪了，能识别出这是车祸场景，也能老老实实说：

“根据现有信息，我无法判断谁是过错方。”

不再乱说了，但问题是——
它太谨慎，帮不上忙。

3. 第二步：补上“专业知识库”（System Prompt）

为什么它还是下不了结论？
因为它看得懂勾选框的位置，却不知道每个勾选框什么意思。

对人类理赔员来说：

1 号框 = 停车；

12 号框 = 倒车；

看一眼就能在脑子里“自动翻译”。

但对 AI 来说，这些都是未知符号。
所以第二步，我们要做的就是：把“说明书”喂给它。

做法很简单：
把这张表格上所有复选框的含义，整理成一份固定的说明，作为 AI 的系统提示（System Prompt）/背景知识：

就好像先给侦探一张城市地图和一本交通规则手册，再让他去看案情。

这次再让它分析同样的两张图，它终于可以下出一个清晰结论：

“根据表格信息，B 车在倒车时，与正在停车的 A 车发生碰撞，因此 B 车在事故中负有责任。”

从“滑雪事故”到“精准定责”，靠的是：
先补身份，再补知识。

4. 第三步：告诉它“先看什么，再看什么”

很多人做到这里就停了，但真正的高手会多做一步——
把人类专家的“思考顺序”也教给 AI。

人类理赔员的习惯是：

先看表格这种结构化、确定性强的信息；

再拿这些确定的信息去解读草图这种模糊的、不确定的信息。

所以在最终版本的指令里，我们加上了清晰的步骤要求：

“第一步：请先仔细分析表格，列出所有勾选框的内容及其含义；”

“第二步：在完全理解表格信息的基础上，再去解读草图，并结合表格进行综合判断。”

也就是说，我们不仅告诉它知道什么（知识），还告诉它先看什么、后看什么（顺序）。
这一步，才是真正让 AI 接近“专家式推理”的关键。

小结：一条“手术刀级”指令的三要素

到这里，我们可以把**“好指令”**总结成三个要素：

角色设定：你是谁、在干什么场景里的专家？

背景知识：你手上有什么领域说明书、规则、定义？

思考步骤：你打算按什么顺序、用什么方式做判断？

当这三点都清楚了，一条指令才会像手术刀一样精准——
不是靠形容词堆砌，而是有结构、有边界、有方法。

二、宏观层面：从“一条 Prompt”到“一个 AI 团队”

接下来是第二个问题：

如果这是一个常年反复执行的复杂任务，难道每次都要手打一大段 prompt 吗？

显然不行。
所以我们需要从“写一条好指令”，升级到“搭一套好系统”。

你可以把一个高效的 AI 系统想象成一个由五块“能力积木”搭成的AI 团队：

Prompt（提示词）

Skill（技能）

Project（项目）

Sub-agent（子智能体）

MCP（模型上下文协议）

1. Prompt：一次性的“工作邮件”

Prompt 就像你发给员工的一封临时工作邮件：

描述任务；

给一点上下文；

得到一次性结果。

它适合“临时问一句”的场景，但不适合承载整个长期流程。

2. Skill：标准作业流程（SOP）

当你发现自己总在复制粘贴同一大段复杂指令，比如那份车祸分析指令——
这就是该把它封装成 Skill（技能） 的信号。

Skill 是什么？

把一套成熟、专业的知识 + 流程固化下来；

变成一个可被 AI 随时调用的能力模块；

类似“公司 SOP 手册 + 自动执行”。

一旦做成 Skill，你不再需要每次都重新写那篇“小论文”。

3. Project：共享知识库与长期上下文

Project（项目）则是另一块积木。

你可以把它理解成一个项目空间 / 共享文件夹 / 知识库：

把市场报告、产品文档、会议纪要等都扔进来；

让这个项目中的所有对话，都可以共享这些背景。

一句话：

Project 管“知道什么”，让信息在任务内持续存在。

4. Sub-agents：不同分工的“AI 专家”

Sub-agents（子智能体）就是团队里的不同专家：

比如“市场研究员”子智能体，专门负责搜集外部数据；

“技术分析师”子智能体，专门看代码、架构、技术路线；

你把不同的子任务派给不同的 agent，让他们各司其职。

这时，AI 不再是一个“什么都干一点的全能新人”，而像是：

有市场、有技术、有法务的专家小组。

5. MCP：你的“AI IT 部门”

最后是 MCP（模型上下文协议），可以简单理解为：

负责“接外部电、接外部水”的 IT 部门。

它的职责是：

帮 AI 打通到 Google Drive、数据库、代码库等外部系统的接口；

管理访问权限、工具调用；

让 AI 不只“在脑子里想”，还能查真正的数据、用真正的工具。

三、完整示例：搭一个“Q4 竞品分析 Robot”

我们用一个具体例子，把这五块积木串起来：

目标：搭一个“帮助你做第四季度竞品分析”的 AI Robot。

第一步：建 Project —— 先搭一个“知识场”

建一个项目：“Q4 竞品分析”；

把你已有的：
行业/竞品研究报告；
内部战略文档；
过往复盘材料；
全部上传到项目里。

这样，这个项目就有了自己的长期记忆和背景知识。

第二步：接数据源 —— 让它读到“最新现实”

通过 MCP：

授权它访问公司 Google 云盘、文档系统；

开启 Web 搜索权限，让它能看最新公开信息。

IT 部门等于帮它把“内网 + 外网”都打通了。

第三步：封装 Skill —— 把方法论变成工具

你把一套成熟的竞品分析方法论——比如：

如何划分赛道；

如何做 SWOT；

如何评估技术/产品/商业模式；

写成结构化流程，封装成一个叫：

Competitive Analysis 的 Skill

之后，只要调用这个 Skill，它就会按这套流程稳定产出分析，而不是临场发挥。

第四步：配置 Sub-agents —— 市场 + 技术配合

设定两个子智能体：

市场研究员 Agent：擅长使用搜索工具、阅读报告，汇总外部情报；

技术分析师 Agent：擅长看 GitHub、技术文档、API 说明，判断技术路线与壁垒。

他们都可以访问 Project 的知识库，也都可以调用 Competitive Analysis Skill。

第五步：一句话下任务，后台自动跑流程

此时，作为负责人，你只需要给出一个非常简短的高层指令：

“请分析我们主要竞争对手最近上线的新功能，并找出我们的机会点。”

接下来，AI 团队会在“后台”自动运转：

Project 提供背景；

MCP 拉最新数据；

市场 Agent 抓外部信息；

技术 Agent 看代码与技术实现；

所有人都按 Competitive Analysis 这套 Skill 的流程工作；

最后把结论汇总成一份清晰报告给你。

你看到的是一份结果，背后则是一整套结构化的 AI 协作流程。

四、关键区分：Project vs Skill，本质差别只有一句话

很多人会把 Project 和 Skill 混在一起，这里用一句话帮你记住：

Project（项目）：
“这是你需要知道的背景知识。”
它是静态的共享知识库，像图书馆、文件夹、知识空间。

Skill（技能）：
“这是你该怎么做这件事的方法。”
它是动态的可执行流程，像 SOP + 工具箱。

一个管 “What（知道什么）”，一个管 “How（怎么做）”。

理解了这一点，你就真正从“写好 prompt 的工匠”，升级成了“设计 AI 团队结构的架构师”。

结尾思考：教会 AI 的同时，也在重构自己

我们最后回顾一下：

从一个把车祸分析成滑雪事故的错误开始，我们看到：
没有角色、没有上下文，AI 就会在自己的世界里“合理瞎编”。

通过角色设定 + 背景知识 + 思考步骤，我们学会了如何让一条指令像“手术刀”一样精准；

然后又通过 Prompt / Skill / Project / Sub-agent / MCP 五块积木，搭出了一个可以长期运转的AI 团队模型。

最后留给你一个小问题：

当你把自己的一项重复工作“技能化”，
或者把一项复杂任务“项目化”的时候，
你是不是也在被迫把脑子里那些模糊的、凭经验在跑的习惯和判断，
第一次摊开、说清楚、结构化？

也许，学会和 AI 高效合作的过程，本身就是一次

“把自己变得更清晰、更可复用”的过程。