AI写提示词增强大模型用魔法击败魔法的方法

51假期闲来无事，琢磨着能不能用Coze手搓一个HR智能人才筛选的场景应用。折腾了几天，发现里面的坑是真不少，踩过来踩过去，汇总成三个核心问题，跟大家掰扯掰扯。

先说第一个坑：向量数据库查询与语义理解的挑战。

现在的智能体用的是向量数据库查询，可问题是，大模型在语义理解和精准查询之间的灵活转化上，实在差了点意思。举个例子，用户说要搜“所有女财务人员的信息”，提示词扔进去，结果检索为空。加了个输出看看它到底写了什么SQL语句，发现它写的是“女性”，而数据库里存的是“女”，自然就匹配不上了。提示词里明明写了让它先了解数据库存储的内容，但实际执行起来完全不听使唤。

后来用ChatGPT优化提示词，AI自己给出的答案是：得写映射矩阵。但这里又有个新问题——映射矩阵有可能无法穷尽所有用户的输入啊。这怎么整？

再次问GPT，给了下面这一套提示词，实测效果还不错：

性别条件处理

• 直接表述：

  • "男"、"男性"、"男生"、"男士"→gender = '男'
  • "女"、"女性"、"女生"、"女士"→gender = '女'

• 隐含表述：

  • "美女"、"姑娘"、"妹子"→gender = '女'
  • "帅哥"、"小伙"、"汉子"→gender = '男'

• 组合表述：

  • "男员工"、"男同事"→gender = '男'
  • "女员工"、"女同事"→gender = '女'

• 否定表述：

  • "非男性"→gender != '男'
  • "非女性"→gender != '女'

实测结果：

输入：找个财务小姑娘

输出：
✅ 找到 3 位符合 “财务小姑娘” 条件的候选人：

1️⃣ 赵萍 (EMP006)：财务分析师，31 岁，所在部门为财务部。
2️⃣ 朱丽 (EMP016)：会计，35 岁，所在部门为财务部。
3️⃣ 高燕 (EMP022)：财务分析师，33 岁，所在部门为财务部。

查看详细分析请输入候选人序号 (1 - 3)。

输入：找个财务老太

输出：
查询未返回结果。这可能意味着：

• 系统中不存在符合 “年龄大于 50 岁的财务人员” 的员工。
• 该员工没有相关数据记录。
• 查询条件可能需要调整。

您可以考虑放宽条件，比如扩大年龄范围至中年（35 - 50 岁），或者提供其他补充条件，我会继续为您查找合适的人员。

说白了，还是得给AI做个示例，有了示例，AI大概率就能理解中间的匹配关系了。

第二个坑：Coze 外层智能体只能挂3张数据库的表，而且Coze不支持SELECT *、JOIN这种语法写SQL语句。

一开始的想法是做工作流，在工作流里挂SQL语句查询。但这里的问题是：工作流的输入是什么？如果就是用户的上下文，在外层的提示词很难抽取出挨个的查询条件；而在里层的工作流上，又不能在LLM上挂数据库表做向量检索。一个思路是设置全局参数，然后传到工作流里，但这样效率极差，系统卡顿明显。最后只能放弃，全部写在了外层大模型的提示词里。

第三个坑：对于没有匹配关系的输入，需要手把手教AI怎么做职务分析和详细步骤。

提示词如下：

## 十一、匹配与分析执行流程

### 11.1 岗位存在性及需求理解

1. 用户需求前置分析

示例：需求前置分析

// 第一步：明确用户真实需求
1. 解析用户查询的目标岗位："海外IT系统实施项目经理"
2. 拆解为核心要素：地域(海外)、部门(IT)、职能(系统实施)、职位(项目经理)
3. 评估每个要素的重要性权重

2. 岗位存在性验证

示例：岗位存在性验证

// 第二步：验证岗位是否存在
SELECT COUNT(*) FROM position_competency 
WHERE position_code LIKE '%IT%' AND position_code LIKE '%PM%'
IF 结果 = 0，执行岗位建模流程

3. 岗位建模（针对不存在岗位）

示例：岗位建模

// 第三步：建立岗位模型
1. 基于行业标准和最佳实践构建岗位特征模型
2. 确定核心能力要求和权重
3. 映射到系统内的相似岗位和能力要求

### 11.2 逐步验证的分析流程

1. 基础存在性验证

示例：基础存在性验证

// 第四步：验证员工ID存在性
SELECT COUNT(*) FROM employee_profile WHERE employee_id = 'EMP123'
如结果为0，立即停止并报告"员工ID不存在"

2. 基础数据获取

示例：基础数据获取

// 第五步：获取基础信息
SELECT * FROM employee_profile WHERE employee_id = 'EMP123'
验证返回行数，确保数据存在

3. 相关数据获取

示例：相关数据获取

// 第六步：获取相关数据
SELECT * FROM employee_competency WHERE employee_id = 'EMP123'
明确说明是否找到数据："找到5条能力评估记录"或"未找到能力评估记录"

4. 数据整合与分析

示例：数据整合与分析

// 第七步：基于实际获取的数据执行分析
只分析实际存在的数据
明确标示数据缺失情况
不对缺失数据进行猜测

效果验证：

输入：我要找个海外做过工程项目的包工头

输出：
基于执行结果，未找到完全符合 “海外做过工程项目的包工头” 条件的候选人。

? 数据诊断结果:

• 目前未能找到有明确 “海外” 和 “工程项目” 相关技能标签且职位类似包工头的人员。

? 推荐扩展方向:

1. 优先考虑放宽地域要求，从 “海外” 放宽到 “有外语能力且有工程项目经验”（预计匹配度：中）。
2. 考虑放宽职位范围，从 “包工头” 放宽到 “工程相关项目经理或负责人”（预计匹配度：中低）。

请问您是否接受放宽条件继续搜索？若接受，您希望优先放宽哪个条件？

输入：全部放开

输出：
即便放宽了地域和职位范围条件，仍未找到符合要求的候选人。

? 这可能是一个机会，表明：

1. 该岗位在组织中是一个新兴需求。
2. 可能需要外部招聘或内部培养来填补这一人才缺口。
3. 考虑将职责分解给现有团队成员。

? 我可以帮您：

1. 找出最接近要求的现有人才。
2. 设计内部培养方案。
3. 分析外部招聘的关键要点。

您希望我接下来提供哪方面的帮助呢？

输入：1

输出：
在尝试找出最接近要求的现有人才时，仍然没有找到符合一定相关条件的人员。目前数据库中可能缺乏与海外工程项目有一定关联的工程类人员数据。

鉴于这种情况，建议可以考虑从外部招聘合适的人才，我可以为您分析外部招聘的关键要点；或者设计内部培养方案，挖掘内部员工潜力使其向该岗位发展。您希望我接下来为您提供外部招聘要点分析，还是设计内部培养方案呢？

输入：内部方案

输出：
由于目前没有合适的内部人员数据作为参考，我将先为您构建 “海外工程项目包工头” 的岗位能力模型，以此为基础设计内部培养方案。

“海外工程项目包工头” 岗位能力模型

{
  "core_responsibilities": [
    "负责海外工程项目的整体规划与统筹",
    "管理海外工程项目团队，协调各方资源",
    "确保工程项目符合当地法规、标准和文化要求",
    "控制工程项目的进度、质量和成本",
    "与海外客户、供应商等利益相关者进行有效沟通"
  ],
  "key_abilities": {
    "项目管理": ["项目规划", "进度控制", "质量管理", "成本管理", "风险管理"],
    "技术能力": ["工程技术知识", "施工工艺掌握", "图纸解读能力"],
    "跨文化能力": ["文化敏感性", "跨文化沟通技巧", "国际商务礼仪"],
    "团队管理": ["人员招聘", "团队激励", "冲突解决"]
  },
  "skill_requirements": [
    {"skill": "项目管理", "level": "高级", "weight": 30},
    {"skill": "工程技术", "level": "中高级", "weight": 25},
    {"skill": "跨文化沟通", "level": "熟练", "weight": 20},
    {"skill": "团队管理", "level": "高级", "weight": 15},
    {"skill": "外语能力", "level": "良好", "weight": 10}
  ]
}

内部培养方案

人才筛选

在公司内部发布 “海外工程项目包工头” 岗位的培养计划招募通知，吸引对该岗位有兴趣且具备一定潜力的员工报名。从报名员工中筛选出符合以下基本条件的人员：

• 有工程相关项目经验。
• 具备一定的学习能力和适应能力。
• 对海外工作有兴趣和意愿。

培训计划

1. 项目管理培训

• 邀请专业的项目管理讲师进行线下授课，课程内容包括项目管理知识体系（如 PMBOK）、项目规划、进度控制、质量管理、成本管理等。
• 组织学员参与实际工程项目的管理，在实践中应用所学知识，并安排导师进行指导。

• 工程技术培训

• 针对不同工程领域，安排内部技术专家进行技术培训，包括工程技术知识、施工工艺、图纸解读等。
• 组织学员到施工现场进行实地学习，了解工程施工的实际情况。

• 跨文化能力培训

• 开展跨文化沟通培训课程，邀请有海外工作经验的人员分享经验，内容包括文化敏感性、跨文化沟通技巧、国际商务礼仪等。
• 安排学员与海外团队进行交流合作，提高跨文化沟通能力。

• 外语培训

• 根据岗位需求，为学员安排相应的外语培训课程，如英语、当地语言等。
• 组织外语交流活动，提高学员的外语应用能力。

实践锻炼

1. 安排学员参与公司内部的海外工程项目，从项目助理开始做起，逐步积累海外项目经验。
2. 在项目实施过程中，为学员分配具体的任务和职责，让他们在实践中锻炼项目管理、团队管理和跨文化沟通能力。

评估与反馈

1. 定期对学员的学习和实践情况进行评估，包括理论知识考核、实践项目评估等。
2. 根据评估结果，为学员提供个性化的反馈和建议，帮助他们改进和提高。

晋升机制

1. 对于在培养过程中表现优秀的学员，给予晋升机会，担任 “海外工程项目包工头” 或相关管理岗位。
2. 建立长期的职业发展规划，为学员提供持续的发展空间和支持。

这个内部培养方案是基于岗位能力模型设计的，您可以根据公司的实际情况进行调整和完善。如果您还有其他需求，欢迎随时告诉我。

输入：根据这个内部培养方案有没有合适的人呢

输出：
抱歉，刚刚的查询语句使用了JOIN，违反了规则。接下来我会分别查询两个表。
在员工画像表中未找到与工程相关的员工。由于没有可用于内部培养的人员基础，暂时无法确定符合内部培养方案的合适人选。

接下来，您可以考虑外部招聘的方式来满足 “海外工程项目包工头” 岗位的需求，我可以为您分析外部招聘的关键要点；或者您也可以进一步放宽内部筛选的条件，看看是否能找到有潜力的员工。您希望我接下来为您做什么呢？

输入：放宽内部筛选的条件

输出：
根据放宽后的筛选条件，在内部找到了 2 位可能有潜力参与 “海外工程项目包工头” 培养计划的员工，以下是这些员工的信息：
1️⃣ 杨帆 (EMP007)：运营总监，来自运营部，技能包括供应链管理、流程优化、项目管理、资源规划和风险管理，具备英语 4/5、德语 3/5 的语言能力。
2️⃣ 薛梅 (EMP020)：IT 总监，来自 IT 部，技能涵盖 IT 战略、系统架构、项目管理、信息安全和数字化转型，英语能力达到 5/5。

接下来我将对这两位员工进一步分析其与 “海外工程项目包工头” 岗位能力模型的匹配情况，以确定是否适合纳入培养方案。
很遗憾，在员工能力评估表中没有找到这两位员工（EMP007、EMP020）关于项目管理、工程技术、跨文化沟通、团队管理这些关键能力域的评估数据。根据现有数据，只能提供有限的分析。

从员工画像表中的信息来看，杨帆具备项目管理技能和一定的语言能力，在运营管理方面有经验；薛梅有项目管理技能且英语能力出色，在 IT 领域有丰富经验。但由于缺少关键能力的评估数据，难以准确判断他们是否适合 “海外工程项目包工头” 的培养方案。

您可以考虑提供更多关于这两位员工的信息，或者继续放宽筛选条件，我会尽力为您找到更合适的内部培养人选。您接下来希望怎么做呢？

整套提示词，每做一次就出一次问题，然后用Claude 3.7再优化，最后生成了长达14章节的提示词，基本上能应对大部分用户的输入了。正好最近看到新闻说“Prompt工程师”的需求在下降，但这番折腾下来，才真正理解Prompt在AI使用中到底有多重要。搭AI确实是个费力活，得不断地从各个角度测试，太耗时间了。AI现在顶多算个刚毕业的大学生，什么都不会，得一步一步教，一步一步学。也许再过几年，这个技术才能不那么费劲吧。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AI写提示词增强大模型用魔法击败魔法的方法要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题