提示词工程6要素深度拆解系列 · 第3篇本文要点上下文管理的三层模型 信息优先级排序 避免「信息过载」的黄金法则一、同样的任务不同的背景天壤之别假设你让AI「写一封道歉邮件」。不提供任何背景AI会写一封万能模板——礼貌、得体、毫无灵魂。可以发给任何人但也打动不了任何人。现在加上背景「收件人是我们的年付客户张总因为我们的系统在上周三17:00-19:00宕机了2个小时导致他们公司的客服团队无法工作。张总已经连续续费3年上个月还在行业群里夸过我们。客服主管小李已经电话道歉过一次但张总说’要一个正式说法’。」同样的「写道歉邮件」任务现在AI会写出什么它会写出明确的时间节点、承认影响的具体业务场景、感谢老客户的支持、提供具体补救措施——一封有血有肉、能重建信任的道歉信。这就是背景Context的力量。背景不是「锦上添花」而是决定AI输出质量的杠杆要素。二、背景提示词的「原料仓库」在6要素体系中角色 谁在做任务 做什么背景 在什么情况下做、为谁做、有什么已知条件如果说角色和任务决定了AI的「思维框架」背景就是放进去的「原材料」。原材料越优质产出物越有价值。2.1 背景的「三层模型」好的背景不是一股脑把所有信息堆上去而是分三层组织┌────────────────────────────────────────┐ │ 背景信息的三层模型 │ ├──────────┬─────────────────────────────┤ │ 场景层 │ 时间、地点、事件、业务环境 │ │ (Situation)│ 「什么时候、在哪、发生了什么」 │ ├──────────┼─────────────────────────────┤ │ 受众层 │ 谁会看什么角色什么诉求 │ │ (Audience) │ 「写给谁看、他们关心什么」 │ ├──────────┼─────────────────────────────┤ │ 知识层 │ 已知信息、相关数据、已有成果 │ │ (Knowledge)│ 「我们手里有什么料」 │ └──────────┴─────────────────────────────┘三层都覆盖 vs 只覆盖一层的效果对比以「写一份项目周报」为例——只有场景层「这是我们团队的周报本周主要推进了用户增长项目。」→ AI输出一段笼统的工作总结没有针对性。三层齐全【场景层】这是发给CTO的周报公司正在推动「增长黑客」战略转型CEO两周前在全公司大会上强调「用数据驱动决策」。【受众层】CTO关注技术实现和ROI不喜欢纯PPT汇报。他习惯先看数据结论再看方法细节。最近他对「用户留存率下降」非常敏感。【知识层】本周数据新用户注册增长12%但7日留存从35%下降到31%。A/B测试了3版注册流程B版转化率最高23%但留存率最低。团队下周计划聚焦留存优化。→ AI输出突出「注册增长 vs 留存下降」的矛盾用CTO能懂的语言解释A/B测试发现标题可能直接写「增长12%背后一个值得警惕的信号」。三层背景就是三道光每一层都让AI的「视线」更清晰。三、背景信息的四大来源很多人说「我不知道要提供什么背景」。其实背景信息有四个固定来源按图索骥就行来源一业务上下文你要提供的信息为什么重要公司/项目所处的阶段早期需要探索方向成熟期需要优化效率已有的决策和方向避免AI推倒重来在已有基础上迭代竞品/对标信息提供参照系AI能给出有对比的建议历史背景和演变路径理解「为什么现在是这个样子」来源二受众画像这是最被低估的背景信息。很多AI输出「不够好」的原因就是受众信息缺失。看这个例子没有受众背景「写一篇关于微信视频号运营的文章。」AI可能输出一篇通识文章10个人看可能只有1个人觉得有用。有受众背景「你的读者是传统零售品牌的市场总监他们做了10年线下渠道最近才开始做视频号粉丝不到5000。他们最大的痛点是’不知道发什么内容能涨粉’。」AI会改变文章的结构、语言、案例选择——从通识变成精准打击。来源三既有素材「这是我们上次活动的复盘文档附链接/文本请基于其中的数据和分析输出一份给管理层看的精简版汇报。」既有的文档、聊天记录、会议纪要、数据报告——这些都是最优质的背景「燃料」。你不需要重新描述直接喂给AI效率最高。来源四偏好与风格「我们团队的沟通风格是直接、数据优先。报告不要写空话每个结论后面必须跟数据。格式上不要用PPT画大饼式的结构用1-2-3条列式。」AI没有读心术。你不说偏好它就按自己的默认风格输出。说出来你省去了大量后续的修改时间。四、信息优先级不是越多越好4.1 「信息过载」的真实危害很多人理解「要给AI背景」后走向了另一个极端——把所有信息一股脑倒进去。这会导致两个严重问题问题一注意力稀释。大模型的注意力机制有局限性。当你倒进去5000字背景AI很难判断哪些是关键信息最终输出会变得「面面俱到但毫无重点」。问题二上下文窗口浪费。每一次对话的上下文窗口是有限的。你用大量冗余背景信息填满窗口留给任务执行和迭代优化的空间就少了。4.2 背景信息的「二八法则」用20%的篇幅传达80%的关键信息。如何做到第一刀去掉「你能自己推理出来的信息」❌ 冗余背景「我是一家科技公司的创始人公司成立于2020年总部在北京有50名员工。我们做的是企业级SaaS产品客户是B2B企业。我们的竞争对手有A、B、C公司……」✅ 精简背景「B2B SaaS创业公司50人北京。主要竞品A/B/C。我们比A便宜、比B产品好、C是巨头我们打差异化。」第二刀用结构化替代叙述❌ 叙述式背景「张总是我们最重要的客户之一他2021年开始和我们合作这三年续费金额累计超过200万。上周我们的系统给他造成了困扰具体是……」✅ 结构化背景客户张总合作3年累计续费200万 事件系统宕机周三17:00-19:00影响他司客服团队 此前沟通电话道歉1次张总回应「要正式说法」 风险等级高可能影响续费决策结构化信息的优势AI能快速索引、交叉关联、准确引用。第三刀相关性过滤问自己三个问题这个信息和AI要执行的任务有直接关联吗如果没有这条信息AI的输出质量会明显下降吗这条信息是我独有的、AI训练数据中不可能包含的吗三个问题至少有两个「是」才值得放入背景。五、实战背景信息注入的三个时机背景不一定要在对话一开始就全部给完。有三个关键时机时机一任务开始前预制背景最常见的做法。一次性给出所有背景然后下达任务。适用场景任务目标明确你能预判AI需要什么信息。「以下是项目背景请消化后再回答我的问题 【项目】内部知识库搭建 【阶段】已完成需求调研进入技术选型 【技术栈】现有系统用PythonPostgreSQL团队5人3人有向量数据库经验 【预算】首年不超过20万 【约束】数据安全要求高不能使用SaaS方案 现在请帮我对比Milvus、Weaviate、Qdrant三个方案。」时机二任务进行中增量补全AI输出后你发现某个结论不够精准——此时不是重新提示而是补一条背景信息。你「分析结果偏保守了补充一个背景CEO最近在公开场合说明年增长目标翻倍。」 AI调整分析框架从「稳健增长」切换到「激进扩张」策略。这种方法效率极高——像给同事补充一个关键信息一样自然。时机三错误纠正时反例背景当AI输出有明显问题时用「背景纠正」替代「重新来过」AI建议用短视频做获客。 你「补充背景我们的目标客户是50岁以上的制造业企业主 他们几乎不看短视频。请基于这个背景重新给方案。」把错误反馈包装成背景信息比直接说「你错了」效果好100倍。AI不会防御性地解释而是自然地将新信息纳入推理。六、一个「背景驱动」的完整案例最后看一个完整的实战案例体会背景如何从「打酱油」变成「核心驱动力」**任务**为一家新开的社区咖啡馆写开业推广文案。版本一无背景「写一篇社区咖啡馆的开业推广文案。」→ AI输出千篇一律的「温馨环境手冲咖啡开业大酬宾」。版本二完整背景【场景层】 - 店铺位置北京望京某大型小区的底商小区3200户以25-40岁互联网从业者为主 - 开业时间下周六1月15日 - 特色老板是Q-Grader认证咖啡品鉴师所有豆子自烘 - 竞争环境小区周边500米内已有星巴克商务型和瑞幸快取型 - 开业活动前100杯免费首周全部饮品8折 【受众层】 - 主要受众小区居民通勤族周末遛娃的年轻父母 - 他们关心品质咖啡好不好喝、便利离家近不近、社交有没有适合带孩子的地方 - 传播渠道小区业主微信群、社区公告栏、朋友圈 【知识层】 - 品牌名慢半拍咖啡 - 品牌理念「不必追赶时间你在这里时间就慢下来」 - 已有物料logo图、店内实拍图3张→ AI输出针对「通勤族早上需要快」「年轻父母周末需要遛娃空间」「咖啡爱好者品质背书」三个细分受众的差异化文案分别设计微信群话术、朋友圈海报文案、门店小卡片文案。这就是背景的力量。它不只是给AI更多信息而是让AI真正「代入」了你的商业场景。七、背景要素的自我检查清单受众清楚吗AI知道是谁在看这个输出吗场景完整吗时间、地点、业务上下文是否交代有数据/事实支撑吗不是纯主观描述信息经过优先级过滤吗不是什么都往里塞有没有AI无法推理的独有信息这些是最有价值的背景八、本篇小结要点一句话总结背景的本质给AI提供「思考的原材料」质量决定输出质量三层模型场景层在什么情况下 受众层给谁看 知识层有什么料四大来源业务上下文、受众画像、既有素材、偏好风格信息优先级不是越多越好用二八法则精简三个时机任务前预制、任务中补全、错误时纠正一句话心法好背景让AI「代入场景」坏背景让AI「盲人摸象」下一篇预告【提示词6要素之格式】让输出精准可控——我们将讲解如何用格式约束让AI的输出「所见即所得」包括Markdown模板、结构化输出、以及多模态格式的组合设计。本系列共6篇第3篇完。带着上下文你才能和AI真正对话。