你有顶级武器,但可能不会用
最近和同事交流,发现个有意思的现象:公司给大家配了 Coding Copilot,人人都能用,但产品经理们普遍不知道怎么"说话"才能让 AI 生成好结果。
典型场景是这样的:
产品经理:“帮我做个登录页面。”
AI:“好的。”(然后生成了一堆代码,但和你想要的完全不一样)
为啥会这样?因为 AI 不是人,看不到你脑中的原型图,也猜不出你的技术栈和设计规范。
最近我帮团队小伙伴做了个实验:用 AI 生成原型设计。结果发现关键是要先建立结构化框架,就像教 AI 玩乐高——给对说明书,它就能搭出像样作品;说不清楚,它只能瞎搭。
为什么你需要学会"和 AI 说话"
罗振宇在 2023-2024 跨年演讲里讲过一段话:AI 就像是一群无限数量的大学生,真正挑战的是你能指挥多少这样的大学生做事,把事情分解下去并得到可控结果的能力。
这话说到点子上了。
数据不会骗人
看几个关键数据:
- GitHub Copilot 可以让开发者完成任务速度提升 55%(来源:GitHub Copilot 研究)
- 使用生成式 AI 的客服团队问题解决率提升 14%,处理时间减少 9%(来源:McKinsey - 生成式 AI 经济潜力报告)
- AI 在软件工程领域可提升 30-45% 的生产力(来源:McKinsey - 生成式 AI 经济潜力报告)
什么意思?你会不会写 prompt,直接决定了 AI 工具是帮手还是累赘。
本质:Prompt = 产品决策
有个认知很重要:每次写 prompt,你都在做产品决策。
- 你描述的功能需求 → 定义了产品边界
- 你给出的样式要求 → 定义了用户体验
- 你列出的技术栈 → 定义了实现方案
这和写 PRD 是一个道理。区别是,PRD 写给人看,prompt 写给 AI 看。人能脑补,AI 不能。
吴恩达(Andrew Ng)说过:"数据即 PRD。"AI 时代,你需要用具体的数据示例而非冗长抽象的文档来定义产品。
现实:掌握技巧变成核心竞争力
团队人人有 Copilot,但为啥有的人生成的代码能直接用,有的人生成的代码一堆 bug?
差距就在 prompt 技巧上。
这就像当年 Excel 刚普及时,会用 VLOOKUP 的人效率高 10 倍。现在,会写 prompt 的产品经理,协作效率也是数量级的差距。
而且更重要的是:**你能自己改 prompt 迭代,不用等工程排期。**这意味着你可以快速验证想法、快速试错、快速调整方向。
五要素框架:结构化需求描述的套路
好消息是:写好 prompt 是有套路的,不是玄学。
有个现成的套路叫"五要素框架"(5-Pillar Framework),特别好用。
1. Role(角色):明确 AI 的身份
告诉 AI 它是谁,它就能切换到对应的"人设"。
示例:
- “你是一名资深前端工程师,擅长 React 开发。”
- “你是 XX 公司的 UI/UX 设计师,熟悉 Material Design 规范。”
为什么重要:
不同角色的思维方式不一样。你让 AI 扮演前端工程师,它会关注代码实现;你让它扮演设计师,它会关注视觉效果。
2. Goal(目标):清晰说明要解决什么问题
别绕弯子,直接说你要什么。
好的表达:
- “为电商网站创建一个商品列表页”
- “实现一个支持搜索和筛选的用户管理后台”
不好的表达:
- “帮我做个页面”(什么页面?)
- “优化一下这个功能”(怎么优化?)
3. Context(上下文):提供背景信息
这是最容易被忽略,但最关键的一环。
上下文包括:
- 技术栈:React?Vue?用什么 UI 库?
- 设计规范:遵循什么设计系统?
- 业务场景:用户是谁?在什么情况下使用?
- 已有代码:是新项目还是在现有项目上改?
示例:
1 | 我们的技术栈: |
4. Template(模板):定义输出结构
告诉 AI 你想要什么格式的输出。
示例:
- “生成 React 函数组件,使用 TypeScript”
- “返回完整的 HTML + CSS 代码”
- “提供组件代码 + 使用示例 + Props 说明”
5. Specifics(具体要求):明确细节和约束
把你能想到的细节都列出来:
- 功能需求列表
- 交互行为(点击、hover、滚动等)
- 响应式要求(移动端、平板、桌面端)
- 数据格式(API 返回什么结构)
- 边界情况(空数据怎么显示、loading 状态、错误提示)
框架总结公式:
1 | 我是谁(Role) |
记住这个套路,你的 prompt 质量能提升一个档次。
好 Prompt vs 差 Prompt:一看就懂的差距
光说理论不够,直接看对比案例。
案例 1:登录页面
❌ 差 Prompt(模糊、抽象)
1 | 做一个登录页面。 |
问题:
- 没说用什么技术
- 没说要什么功能
- 没说长什么样
- AI 只能瞎猜
结果:
可能给你生成个 jQuery + Bootstrap 的老式页面,或者 Vue 3 的组合式 API,完全看心情。
✅ 好 Prompt(具体、结构化)
1 | 使用 React + TypeScript 创建一个登录组件 |
改进点:
- ✅ 明确技术栈
- ✅ 功能需求列表化
- ✅ 验证逻辑说清楚了
- ✅ 样式具象化(数值都给出了)
- ✅ 说明了API交互逻辑
结果:
AI 能生成基本可用的代码,改几个细节就能上线。
案例 2:数据表格组件
❌ 差 Prompt
1 | 生成一个表格,显示用户数据。 |
问题:
- 用户数据有哪些字段?
- 要支持什么功能?(排序?筛选?分页?)
- 用什么 UI 库?
✅ 好 Prompt
1 | 使用 React + TypeScript + Ant Design 创建用户管理表格组件 |
改进点:
- ✅ 明确数据结构(AI 不用猜)
- ✅ 功能列表详细(搜索、筛选、分页都说清楚了)
- ✅ 样式有依据(用 Ant Design 组件)
- ✅ 交互逻辑完整
案例 3:Dashboard 布局
❌ 差 Prompt
1 | Make a dashboard. |
(英文也一样,模糊就是模糊)
✅ 好 Prompt
1 | Create a React admin dashboard layout |
改进点:
- ✅ 布局拆解清晰(左中右、上中下)
- ✅ 每个区域的内容都列出来了
- ✅ 响应式行为说明白了(不同屏幕宽度怎么显示)
- ✅ 有配色方案
实战模板:拿来就用的 Prompt 公式
把上面的方法提炼成模板,复制粘贴改改就能用。
UI 组件生成通用模板
1 | 使用 [React/Vue] + [TypeScript/JavaScript] 创建 [组件名称] 组件 |
前端页面生成模板
1 | 创建 [页面名称] 页面 |
使用技巧:
-
先填模板,再微调
- 不要一上来就自己写,先用模板结构化你的需求
- 填完模板再根据具体情况删减或补充
-
迭代优化,不要期望一次完美
- 第一次生成的代码不满意?没关系
- 看看哪里不符合预期,补充具体要求,让 AI 再生成一次
-
保存你的常用模板
- 把团队常用的技术栈、设计规范固化到模板里
- 每次用的时候只需要改具体需求部分
-
建立团队 Prompt 库
- 好用的 prompt 分享给团队
- 就像你们有组件库一样,也可以有 Prompt 库
环境配置:让 Copilot 更懂你
除了每次写完整的 prompt,还有个更高效的办法:配置 Custom Instructions(自定义指令)。
这就像给 AI 配了一个"记忆芯片",让它永远记住你的技术栈和偏好。
什么是 Custom Instructions?
说白了,就是一段固定配置,告诉 AI:
- 我们用什么技术
- 代码规范是啥
- 我希望你怎么输出
配置一次,以后 AI 都记得。
怎么设置?
GitHub Copilot 设置路径(以 VS Code 为例):
- 打开 VS Code
- 左下角齿轮图标 → Settings
- 搜索 “Copilot Instructions”
- 在文本框里填入你的配置
Cursor 设置路径:
- Cmd/Ctrl + Shift + P → 输入 “Cursor Settings”
- 找到 “Rules for AI” 或 “Custom Instructions”
- 填入配置
配置模板示例
1 | # 团队技术栈 |
配置后的效果
配置前:
1 | 你:"创建一个按钮组件" |
配置后:
1 | 你:"创建一个按钮组件" |
一次配置,终身受益。
常见问题 Q&A
Q1:Custom Instructions 和每次写 prompt 有啥区别?
A:Custom Instructions 是"全局规则",适合放技术栈、代码规范这种不变的东西。具体的功能需求还是要每次单独写 prompt。
Q2:配置太长会不会影响性能?
A:会占用一些 token,但影响不大。建议控制在 500-1000 字以内。
Q3:团队成员的配置能统一吗?
A:可以。把配置文件存到项目的 .github/copilot-instructions.md,然后让大家复制粘贴到自己的设置里。
(注:有些工具支持项目级配置,但 GitHub Copilot 目前还不支持,需要手动同步)
3 个认知转变 + 4 个落地关键点
3 个认知转变
1. 从"模糊表达"到"结构化描述"
以前:
- “帮我做个好看的登录页”
- “优化一下这个功能”
- “改改样式”
现在:
- 用五要素框架拆解需求
- 功能列表化、样式数值化
- 技术栈明确、交互逻辑完整
就像从"我想吃好吃的"变成"我要一份麻辣小龙虾(中辣、去虾线、配米饭)"。
2. 从"期望完美"到"迭代优化"
以前:
- 写一次 prompt,期望 AI 生成完美代码
- 结果不满意就觉得 AI 不行
现在:
- 第一次生成 60 分,正常
- 看看哪里不对,补充需求,让 AI 再改
- 几轮迭代后达到 90 分
就像测试软件一样测试 prompt。没有一次过的产品,也没有一次过的 prompt。
3. 从"工具使用"到"战略思维"
以前:
- 把 Copilot 当"代码补全工具"
- 遇到问题就问 AI,随机应变
现在:
- Prompt Engineering 是产品方法论的延伸
- 把需求结构化本身就是产品能力
- 能指挥 AI 干活 = 能指挥团队干活
罗振宇那句话说得对:AI 就像是一群无限数量的大学生,真正挑战的是你能指挥多少这样的大学生做事,把事情分解下去并得到可控结果的能力。
4 个落地关键点
1. 结构化 > 随意描述
- ✅ 使用模板和框架(五要素)
- ✅ 分点列举而非大段文字
- ✅ 功能、样式、交互分开描述
2. 具体 > 抽象
- ✅ 用数据、案例、示例
- ✅ 避免"优化"、“改进”、"好看"等模糊词
- ✅ 给出具体数值(宽度、颜色、字号)
对比:
- ❌ “这个按钮要大一点”
- ✅ “按钮宽度 120px,高度 40px”
3. 拆分 > 一次完成
- ✅ 复杂任务拆成小步骤
- ✅ 每步验证后再继续
- ✅ 先要结构,再要细节
示例:
不要说:“帮我做一个完整的电商网站”
应该拆分成:
- 先做首页布局(header + 商品列表 + footer)
- 再做商品卡片组件
- 再做购物车功能
- …
4. 配置 > 每次重复
- ✅ 设置 Custom Instructions(技术栈、代码规范)
- ✅ 建立团队 Prompt 模板库
- ✅ 常用需求固化成可复用模板
类比:
就像你不会每次做菜都从买锅买碗开始,工具和调料要常备。Prompt 模板也是一样。
回到开头那个问题
还记得文章开头说的场景吗?
产品经理:“帮我做个登录页面。”
AI:“好的。”(然后生成一堆不对的代码)
现在你知道问题出在哪了:不是 AI 不行,是你没说清楚。
掌握 Prompt Engineering,本质是掌握"需求结构化"的能力。
这能力你本来就有,只是没用对地方。
从明天开始,用五要素框架重写一个需求。
你会发现,AI 突然"变聪明"了。
其实不是 AI 变了,是你学会了和它说话。
参考资源
官方文档
社区资源
- awesome-copilot - 社区贡献的 prompt 和配置集合
- 11 Prompting Tips for Building UIs