AI 输出不好用时，很多人第一反应是换模型。模型确实重要，但在换模型之前，先检查下面七个更常见的问题。
1. 只有主题，没有任务
“写一篇关于效率的文章”只有主题。补上读者、发布渠道、目标和完成标准，模型才知道要做什么。
2. 要求事实，却不给材料
让模型总结内部会议，却不提供会议记录；让它写产品卖点，却不给产品信息。缺少材料时，它只能依赖常识或猜测。
3. 一次要求完成所有步骤
研究、判断、写作、排版和校对全部塞进一句话，任何一步出错都难以定位。复杂任务拆成“提取—规划—生成—检查”。
4. 只说“更好一点”
“专业、自然、高级”无法验收。改成句长、术语数量、结构、禁用词和读者能采取的行动。
5. 把流畅当成正确
模型最容易让人放松警惕的地方，就是错误内容也能写得很顺。所有人名、数字、日期、引用和关键结论都要回到来源核验。
6. 每次都整篇重写
整篇重写会让正确部分也发生变化。指出具体段落和问题，要求局部修改，并列出改动。
7. 不保存成功模板
一次输出满意，下次又从空白开始。保存提示词、示例、检查清单和最终格式，才能把偶然成功变成稳定流程。
最简单的修正公式是：明确任务，提供材料，指定格式，加入限制，最后核验。遇到复杂任务再升级模型，而不是用更贵的模型替代清晰需求。
常见问题
提示词是不是越长越好？
不是。长度应该服务于任务边界、输入材料、输出格式和验收标准。重复要求和无关背景反而会降低重点。