很多人用 AI 的方式是：有问题就问、拿到答案就开干。
但一段时间下来你会发现——AI 很勤奋，但产出不稳定：有时候像专家，有时候像实习生。
我后来把效率真正拉起来的关键，不是换更强的模型，而是——认真写 System Prompt。
System Prompt 本质上是 AI 的「岗位说明书」：
你希望它扮演什么角色、按什么流程思考、输出到什么颗粒度，都在这里一次讲清楚。
1）System Prompt 决定了 AI 的工作方式上限
同样一句“我有个模糊需求”，两种结果：
- 没有 System Prompt
：AI 往往给一个单点答案，你需要反复追问、补充、纠错
- 有 System Prompt
：AI 会先做现状分析、指出痛点、给多个方案对比、列风险与确认点，最后再输出执行计划
你会明显感觉到：
AI 不再是“搜索框”，而更像一个能带你走完整流程的顾问。
2）我给 AI 灌输了一条规则：当顾问，不当老板
我在 Kiro 里给 AI 写了一段 System Prompt，核心只有一句话：
你可以替我想方案、替我做分析，但最终决策权必须留给我；需求足够清晰时，直接给可执行计划。
它帮我解决了几个常见痛点：
我经常只有一个方向，但需求还很模糊
我需要多个方案的对比，而不是“唯一正确答案”
我希望 AI 在执行前先让我确认，避免盲目推进
3）实战过程：同样的需求，AI 真的“变了一个人”（配合 4 张截图）
下面是我在 Kiro 里的真实使用流程：
第一步：设置 System Prompt 后第一次提问
设置 system prompt 后提问，AI 的回复
你会看到它不是急着给结论，而是先输出：
明确需求
拓展建议
第二步：AI 给出方案，并让我“批准执行”（附拓展建议）
AI 给我构思并确定了计划，让我批准执行（还有拓展建议）
这一段最关键：
AI 不是把结果甩给你，而是明确告诉你：
方案是什么
具体怎么做
下一步要不要执行（等你拍板）
第三步：我采纳部分拓展建议，让它继续研究
AI 指出潜在问题、不明确点，并列出大量确认点
这一步 AI 做了两件很像“资深同事”的事：
主动暴露风险与潜在坑
把不确定点列成清单，反过来向我确认
本质价值是：提前避免返工。
第四步：我确认后，AI 输出执行级计划
详细执行计划：表结构、要修改的文件、预计新增的文件
当确认完成后，AI 进入“执行模式”，输出能直接落地的内容：
表结构
修改点
新增文件
实施步骤与顺序
4）结论：写对 System Prompt，AI 才能稳定变成你的“高效同事”
我现在越来越确信：
不用 System Prompt，你是在“用 AI”；
用好 System Prompt，你是在“管理 AI”。
当你把角色、流程、输出标准定义清楚，AI 才会稳定交付高质量成果。
5）获取 Prompt：回复公众号1212直达 Prompt 分享界面
想直接拿到我文章里用的 Prompt（以及更多可选模板）：
回复公众号：1212
即可直达Prompt 分享界面：
在线选择你想用的 Prompt 一键使用
也可以把你觉得好用的 Prompt 分享给大家
6）Kiro 使用小技巧：把 Prompt 写进工程，让 AI 自动读取
如果你在用 Kiro，我推荐把常用规则沉淀到项目里。
在工程项目下创建文件：
.kiro\steering\code-conventions.md
把你的 Prompt（规则/约束/偏好）写进去。
之后 AI 会自动读取这份约定，形成更稳定、更一致的输出。
这一步做完，你会明显感觉：
同一个项目里，AI 的回答更“懂你”，也更像团队成员在协作。
7）其他 AI 工具怎么用这套方法？
这套思路并不只适用于 Kiro。
通用 AI 聊天工具（如 ChatGPT / Claude 等）
👉 直接把 System Prompt 在对话一开始发送给 AI 即可支持自定义 Prompt 的工具
👉 在它们的「System Prompt / 自定义指令 / 角色设置」位置填写
核心不是工具本身，而是这件事：
你有没有先告诉 AI：
你希望它“扮演谁”，
“按什么流程工作”，
“产出到什么程度”。
只要这些说清楚，换任何 AI，效率都会立刻上一个台阶。
