Chapter 5　把模糊的需求，拆成AI啃得動的步驟

不是AI不夠聰明，而是需求還不夠清楚

AI 發展到今天，多數時候卡關的地方已經不是「模型夠不夠聰明」，而是「你能不能讓它理解自己真正想要什麼」。同一顆模型，換一個人來問，產出品質可以差很多——差別往往不在提示詞技巧，而在使用者自己有沒有想清楚三件事：

這三件事說起來抽象，接下來用一個大家都熟的場景——業務出報價單——把它們一項一項拆開來看。

需求不是憑空想出來的，是從「我每天都在重複做同一件煩人的事」開始挖出來的。找到那件事，就是你能問 AI 的第一個好問題。不同職務，那件事長得完全不一樣：

你的答案不用跟別人一樣——找到那件「每天都在做、卻沒人喜歡做」的事，就是你的起點。

用業務最常見的痛點——出一份報價單——來練習拆解。表面上這只是「做一份文件」，但拆開來看，裡面其實藏著好幾個獨立的步驟：接收需求、發信比價、整理最佳方案、套公版格式。把它們一步步拆開，才會看到每一步各自能交給 AI 做的部分，也才知道人該在哪裡把關。

每一步都保留了人做最後確認的關卡——寄信前、報價定案前都由業務拍板。AI 幫你把繁瑣的部分做完，決定權還是在你手上。

這裡練的不是「講越多細節越好」，而是「剛好讓 AI 知道要做什麼、做到什麼程度」——講太少跟講太多，其實是同一種問題：沒抓到重點。同樣是「請 AI 出一份報價單」，三種說法會得到完全不同的結果：

說法	內容	結果
✗ 不及格	「幫我出一份報價單」	AI 只能用猜的——猜要買什麼、跟誰比價、要什麼格式，結果只會是一份空殼模板。
✓ 剛剛好	「A客戶要買兩顆 DL380G10 HDD，用代理商清單整理詢價信；收到回覆後核對規格、比較價格和保固，整理成公司公版報價單」	對象、流程、格式都講清楚了——這是 AI 真正需要知道的份量，不多不少。
✗ 鍍金	連每位代理商聯絡人的分機、信件用詞語氣、簽名檔字體大小都鉅細靡遺寫出來	這些 AI 本來就能處理、或根本不影響結果的細節，多講只是浪費你自己先想好的時間。

把需求講清楚之後，AI 能做到的不只是「產出一份文件」。以「A客戶要買兩顆 DL380G10 HDD」這個案例來說，因為一開始就講清楚要買什麼規格、要跟誰比價，AI 收到代理商回覆後，能直接做人工最容易漏看的逐項核對，而不是照單全收：

一開始沒把需求講清楚，AI 連「這兩家代理商講的到底是不是同一個規格」都判斷不了——這正是「表達具體目標」真正的價值：不只換來一份文件，還換來 AI 能幫你把關的細節。

第一次產出不滿意，很多人的直覺是「重寫一次提示詞、重新抽一次」——這是把 AI 當抽獎機。更好的心智模型是雕塑：第一次產出是毛坯，本來就不會完美；接下來不是砍掉重練，而是拿著鑿子跟它說「這裡再修一點」。前面三個能力教你「第一句怎麼問」；真正拉開差距的，是第二句、第三句怎麼接。

用單元 2 那封維護通知信來示範。那封信第一版拿到手，其實也不會一次到位——用三句追問就能把它修成想要的樣子：

三句追問共用同一個結構：指出哪裡＋要它怎樣＋圈出不能動的範圍。這比重寫整段提示詞快得多，也不會把已經對的部分改壞。

把這個結構再拆細一點，常用的「第二句」大致落在四種類型，另外還有一個該放棄接著修、直接重開的時機：

追問是修剪，不是重種。但如果來回五六輪還越修越歪，代表這串對話的上下文已經「髒了」——這時才重開新對話：把目前最好的版本貼進去，從那裡繼續。