🎯 明确任务边界：给 AI 画个 "不能出圈" 的框
很多人用 AI 时总抱怨它胡说，其实问题往往出在没说清楚 "什么不能做"。比如想让 AI 写一篇关于 "2023 年新能源汽车销量" 的分析，只说 "写销量分析" 就太模糊。AI 可能会把 2022 年的数据混进来，甚至扯上燃油车的销量对比 —— 这些其实都是你不想要的。
正确的做法是在 prompt 里加上明确的排除项。像 "只统计 2023 年 1-12 月中国市场的数据，不包含进口车型，也不要对比其他年份"，这样 AI 就知道哪些信息是禁区。边界越具体，AI 跑偏的概率就越低。试过给 AI 写产品文案的人可能有体会，如果你不说 "不能用网络热词"，它可能会把 "yyds"" 绝绝子 " 都塞进去，反而破坏专业性。
还有个小技巧，就是用 "必须包含" 和 "绝对不能有" 来双重约束。比如写一篇健康科普文，可以说 "必须引用 2023 年后发布的医学研究，绝对不能出现没有科学依据的食疗偏方"。这种非黑即白的指令，能让 AI 的输出更可控。我见过有人做实验，同样问 "如何减肥"，加了约束的 prompt 比没加的，错误信息少了 60% 以上。
🕵️ 设定角色身份：让 AI 进入 "专业领域"
给 AI 安个具体身份，它的回答会靠谱很多。你可能试过直接问 "怎么备考研究生英语"，AI 大概率会给一堆泛泛而谈的建议。但如果说 "你现在是有 10 年考研辅导经验的英语老师，只讲英语一的阅读题技巧，用真题举例"，效果会完全不同。
这背后的逻辑是，角色设定会给 AI 一个知识边界。当你让它扮演 "三甲医院的内科医生" 时，它会自动调用更严谨的医学知识，而不是随便搬一些养生公众号的内容。角色越细分，AI 的回答就越聚焦。比如同样是问法律问题，让 AI 扮演 "处理过 100 + 劳动纠纷的律师"，比让它扮演 "法律专家" 给出的建议更具体，甚至会提醒你 "收集考勤记录作为证据" 这种细节。
不过要注意，设定的角色得符合逻辑。你不能让 AI"同时扮演营养师和汽车工程师" 来回答 "吃什么对发动机好"，这种跨领域的角色冲突会让它无所适从，反而更容易胡说。最好是一个 prompt 对应一个明确的身份，比如 "作为幼儿园老师，教 3 岁孩子认识颜色的 3 个游戏"，目标单一，AI 的发挥才会更稳定。
📅 限定时间与空间：给信息加个 "有效期"
AI 的训练数据截止到 2023 年 10 月，这是很多人容易忽略的点。如果你问 "现在最火的短视频平台是哪个"，它可能还会说抖音、快手，但实际上 2024 年可能已经出现了新的平台。这时候不说清楚时间范围，AI 给出的答案自然就 "过时" 了，看起来像在胡说。
所以在 prompt 里加个时间戳很重要。比如 "分析 2024 年 3 月 - 6 月国内新上线的社交 APP，只统计用户量破百万的"，AI 就会知道只需要关注这段时间的数据。对于时效性强的话题，时间限定是必须的，像政策解读、行业报告、热点事件分析，少了时间范围，AI 很可能拿旧信息当新内容讲。
空间限定也一样关键。比如问 "奶茶店加盟哪个品牌好"，不说是在一线城市还是三四线城市，AI 推荐的品牌可能完全不适用。一线城市消费者更看重品牌调性，三四线城市可能更在意性价比。加上 "在常住人口 50 万以下的城市" 这个条件，AI 才会推荐那些下沉市场做得好的品牌，而不是一味说喜茶、奈雪。
📚 要求 "有来源"：逼 AI 出示 "证据链"
最烦 AI 胡说的场景，可能就是它一本正经地编数据。比如告诉你 "80% 的人每天看手机超过 5 小时"，但你根本不知道这个数据是哪来的。这时候，让 AI 在回答里附带上信息来源，就能有效避免这种情况。
可以在 prompt 里直接说 "每个观点都要说明出处，比如引用某机构的报告、某篇论文，或者具体新闻事件"。试过这么做的人会发现，AI 编数据的概率会大幅下降 —— 因为它知道你要 "查户口"，不敢随便瞎编。尤其是写专业内容时，来源要求能让 AI 的回答可信度翻倍。比如写一篇关于 "青少年近视率" 的文章，让 AI 注明数据来自 "教育部 2023 年全国学生体质健康监测报告"，比单纯给个数字要靠谱得多。
如果是更严谨的场景，比如学术写作或市场调研，还可以要求 AI 提供具体的引用格式。像 "用 APA 格式标注来源，包括作者、年份、文献标题"，这种高要求会让 AI 更谨慎，甚至会主动说明 "某部分信息因缺乏公开数据无法确认"，而不是硬编一个出来。
🔄 建立 "反馈机制"：让 AI 学会 "自我纠错"
有时候第一次提问没写好，AI 回答得乱七八糟，这时候别急着放弃。可以把它的错误指出来，让它重新回答 —— 这其实是在训练 AI 理解你的真实需求。比如 AI 写的产品介绍里出现了不存在的功能，你可以说 "刚才提到的 ' 自动清洁功能 ' 我们产品没有，重新写一个，只说现有的三个功能"。
这种 "二次修正" 的 prompt 技巧，比一开始就写完美 prompt 更容易。毕竟谁也不能保证一次就能把要求说全。关键是要具体指出错误在哪，而不是笼统说 ' 写得不好'。说 "你把产品价格写错了，应该是 99 元不是 199 元"，比说 "价格不对" 更有效，AI 能更快 get 到问题所在。
还可以用 "如果不确定就说不知道" 来兜底。在 prompt 里加一句 "遇到没把握的信息，直接说明 ' 这部分内容缺乏足够依据 '，不要猜测"，能避免 AI 硬撑着胡说。毕竟，承认不知道比编错答案要好得多。
🎭 用 "场景代入" 代替 "直接提问"：让 AI 进入 "真实语境"
换个角度想，AI 胡说有时候是因为它没理解你的真实场景。比如问 "怎么提高公众号阅读量"，太宽泛了。但如果你说 "我运营一个母婴类公众号，粉丝主要是 0-3 岁宝宝的妈妈，现在阅读量一直在 500 左右，怎么能涨到 1000+"，AI 的回答就会具体很多，不会给你那些 "标题党"" 蹭热点 " 的通用废话。
场景代入的核心，是把自己的身份、需求、困境都说清楚。越具体的场景，AI 的回答越不容易跑偏。比如想让 AI 给建议 "要不要辞职考研"，不如说 "我现在在一家互联网公司做运营，月薪 8000，工作 3 年了，想考本专业的研究生，纠结要不要辞职备考"。AI 会结合你的工作年限、行业特点、经济状况来分析，而不是说些 "follow your heart" 的空话。
还有个进阶玩法，就是模拟对话场景。比如 "假设你是我的同事，我们正在开产品会，我提出要给 APP 加一个夜间模式，你觉得技术上有什么难点，用开会时的口语化表达来说"。这种场景设定会让 AI 的回答更贴近实际，不会说些太书面化、不落地的话。