用Nova AI自动写周报做PPT大纲提示词大全职场必备
利用NovaAI生成周报和PPT大纲时,需将原始素材按事实、进展、阻塞、计划四类整理,搭配固化提示词;PPT大纲通过角色约束和反向校验防止虚构;同时清除聊天截图、表情符号等杂质,统一时间格式,提升AI输出质量。
周五下午四点,周报截止时间开始倒计时,你手头却只有几条会议记录、几项待办进度和两份还没整理的客户反馈。更棘手的是,下周部门汇报的PPT大纲也等着同步交上去。整套流程要是全靠手动整理,别说下班,周末都得搭进去。
其实用Nova AI就能搞定。关键不在于多复杂的技巧,而在于怎么把手头的“毛坯素材”变成AI能理解的“精炼输入”,然后配上一条明确、不跑偏的提示词指令。
搞定周报:素材分类+固化提示词
先做一步预处理,把原始素材按四类分好:事实类(已确定的事件、数据)、进展类(任务完成到什么程度)、阻塞类(当前遇到什么问题)、计划类(下一步要做什么)。整理成纯文本,每类之间用空行隔开。注意,不要加任何标题或编号——Nova AI对于带格式的输入反而不太容易准确判断段落层级。
分好类之后,在对话框里粘贴下面这条提示词。这里有一个细节必须记住:中文顿号一定要保留,不要顺手换成英文逗号。否则AI会把“需求评审、开发联调、UAT测试”看成三个独立名词,而不是一系列并列动作。
你是一位有5年互联网项目管理经验的职场写作者。请基于我提供的四类信息,输出一份面向技术总监的周报正文。要求:① 用“本周聚焦”“当前卡点”“下周重点”三段式结构;② 每段开头用【】标出小标题;③ “本周聚焦”中所有进展必须标注具体完成百分比(如“支付模块联调完成85%”);④ 避免出现“已推进”“持续跟进”等模糊表述。
提示词贴好,直接换行,把刚才整理好的四类素材粘贴进去,点击发送。这个流程其实是把“向AI描述任务”这件事标准化了,不用反复调整措辞,每次用同一套指令就行。
PPT大纲:角色约束+反向校验防AI虚构
周报搞定之后,下一步是PPT大纲。这里最怕的就是AI自己发挥,编出一些你根本没做过的进展。两种方法可以并行使用。
方法一:角色+约束+输出格式,三要素把结构锁死。在Nova AI中输入提示词:
你是一名资深产品汇报设计师。请将以下工作内容转化为12页以内、面向高管层的PPT大纲。要求:第1页是核心结论(用1句话概括本周最大价值),第2页是3个关键数据指标(只写数值+单位,如“用户留存率↑12.3%”),第3–10页每页对应一个业务模块,标题必须含动词(如“重构订单履约链路”),页内仅列3个要点且全部以‘已’或‘将’开头(如“已上线灰度分流策略”);最后2页分别是资源缺口与下一步动作。
方法二:追加一条反向校验指令。在提示词末尾加一句:“如果某项内容无法判断归属模块,请标注【待确认】并单独归入第11页,不得自行归类或删除。”这是防止AI虚构进展的一道关键防线——它处理不了的内容,宁愿让它标注出来,也不能让它自行编造。
治理“信息熵”:多源杂乱的预处理技巧
以上所有流程,前提都是输入信息干净、准确。但实际工作中拿到的原始素材往往不忍直视——微信聊天截图里掺杂着表情包、语音条转文字后标点符号满天飞、客户反馈里塞满了问号和感叹号。开始正式处理前,必须做几道清洁工序。
第一,把微信聊天截图里的文字复制进记事本,用查找替换一键删掉所有“[图片]”“[文件]”“@张三”这类字段。Nova AI看到这些符号会试图去解析一个不存在的附件,白白浪费上下文窗口。
第二,客户反馈原文里夹杂的感叹号、问号和emoji,统一替换成句号。AI对情绪符号很敏感,它可能把“太棒了!?”误判为优先级最高的事项,直接打乱你的周报逻辑。
第三,所有待办事项中的时间节点,统一改成“X月X日(星期X)”格式。比如把“后天上线”写成“6月12日(星期三)”。这样可以避免AI把“明天”错解为它自己的模型本地时间,导致你在周报里看到一个莫名其妙的历史日期。
真正用好Nova AI,不是跟它聊天,而是给它一套清晰的“工作语言”——从输入治理到提示词约束,每一步都是为了让AI产出可用的成品,而不是你还要重新改一遍的半成品。

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:用Nova AI自动写周报做PPT大纲提示词大全职场必备要求:
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
游乐网为非赢利性网站,所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系youleyoucom@outlook.com。
相关热点传统企业RAG项目最难的骨头是数据处理,包括数据整合、清洗和知识提取,沟通与技术成本极高。其次检索模块要求精细打磨分块策略、Embedding选择及混合检索,生成部分需控制上下文长度、防止幻觉并固定输出格式。
二零二五年五月,人工智能公司Anthropic发布Claude4系列(Opus4与Sonnet4),在SWE-bench编程测试中超越Gemini2 5Pro。其智能体基础设施四大改进:扩展思维与工具使用、记忆能力、指令遵循,奖励黑客行为减少百分之八十。Sonnet4成本仅为Opus4的五分之一,是日常编程首选模型。
SLAM技术主流采用传统特征提取方法,因其算力成本低、可在CPU实时运行,且多数场景下精度已满足需求。深度学习特征在长时定位、光照剧变等极端场景更具优势,但受限于GPU成本和泛化性,目前落地较少。两者将在不同场景中并行发展。
基于深度学习的边缘检测技术可在OpenCV中通过DNN模块实现,采用整体嵌套边缘检测(HED)模型,利用卷积神经网络融合多尺度特征,比经典Canny检测器更精确,需OpenCV3 4 3及以上版本,并正确配置blobFromImage参数与均值。
- 日榜
- 周榜
- 月榜
热点快看
