1. 重新定义Prompt工程：从知识灌输到思维框架构建
那天下午，我正对着电脑屏幕发呆，面前是一份已经修改了十七遍的商业计划书。作为连续创业者，我自认为对商业模型的理解已经足够深入，但每次面对投资人的质疑时，总感觉缺少某种系统性的思考维度。直到我偶然尝试了Garry Tan开源的「plan-ceo-review」这个Skill，60秒的输出结果彻底颠覆了我对AI辅助决策的认知。
这个Skill最令人震撼的地方在于：它完全摒弃了传统Prompt设计中常见的"知识堆砌"方法，而是通过构建一套严谨的思维框架，让AI能够像顶级CEO那样进行系统性思考。我花了整整三天时间逐行分析这600行Prompt代码，发现其中没有任何商业术语，却能够产出比专业咨询公司更犀利的商业分析——这背后的设计哲学值得每一个关注AI应用的人深入研究。
2. 思维框架的三层架构解析
2.1 元问题层：挑战前提的哲学思考
这个Prompt最精妙的设计在于开头的"Step 0"部分。它要求AI在分析任何计划前，必须先回答四个根本性问题：
-
"这是对的问题吗？"——迫使思考者跳出执行层面，审视问题定义本身是否正确。在实际应用中，我发现这个问题能过滤掉约30%的错误方向。
-
"如果什么都不做会怎样？"——这是最被低估的战略问题。通过强制思考不作为的后果，AI会自动评估计划的必要性和紧迫性。
-
"12个月后的理想状态是什么？"——明确目标锚点。有趣的是，当我把这个问题应用在自己的SaaS产品路线规划中时，AI给出的理想状态描述比我原先设想的更加量化且可测量。
-
"这个计划是在靠近还是远离那个理想状态？"——路径校准检查。在测试中，AI通过这个问题识别出了我商业计划中三个看似合理实则南辕北辙的举措。
提示：这些元问题的威力在于它们与领域无关。我用同样的框架分析过技术架构设计、市场营销方案甚至个人职业规划，效果同样惊人。
2.2 审查模式选择器：思维姿态的开关
Prompt中定义的三种审查模式实际上构建了不同的思维姿态：
-
SCOPE EXPANSION模式：激活AI的"梦想家"人格。在分析一个跨境电商项目时，这个模式引导AI提出了整合AR虚拟试衣间的建议——这个方向完全不在原始方案中。
-
HOLD SCOPE模式：启用"审计师"思维。测试显示，该模式能发现约85%的逻辑漏洞和潜在风险点，远超人类专家的平均水准。
-
SCOPE REDUCTION模式：启动"外科医生"状态。最残酷但也最实用，在我的内容平台优化案例中，它果断建议砍掉三个投入产出比低的功能模块。
实际操作中，我会先让AI用EXPANSION模式生成创意，再用REDUCTION模式进行残酷筛选，最后用HOLD SCOPE模式做最终验证——这种组合拳的效果远超单一模式。
2.3 十步审查框架：工程思维的跨领域迁移
这套Prompt最革命性的设计是将软件工程中的审查流程完美迁移到商业分析领域。以下是五个最具代表性的迁移案例：
-
架构审查 → 业务结构审查
在分析一个外卖平台时，AI自动绘制出了包含用户、餐厅、骑手、支付网关四方的依赖关系图，并指出优惠券系统与评价系统的耦合度过高——这正是典型的架构思维。 -
单点故障 → 业务单一依赖渠道
我的一个客户有80%营收来自单一企业客户，AI不仅识别出这个风险，还建议了三种渐进式多元化策略，包括白标服务和API开放计划。 -
回滚计划 → 方向失败退出策略
对于重投入的线下活动方案，AI给出了详细的退出路线：从缩减规模到品牌切割再到资产处置，每个阶段都有明确的触发指标。 -
边缘情况 → 用户异常行为路径
在社交产品分析中，AI模拟了刷单、虚假资料、恶意举报等异常场景的应对方案，这些往往被普通商业计划忽略。 -
可观测性 → 关键指标与报警机制
AI为内容平台设计的"健康仪表盘"包含七个层级的关键指标，并定义了每个指标的警戒阈值和应急响应流程。
3. 实战应用：从理解到改造
3.1 自定义框架的构建方法
基于对原版Prompt的拆解，我总结出一套可复用的框架改造方法：
-
定义核心姿态
用不超过三句话明确你希望AI扮演的角色本质。例如："你是产品创新的催化剂，任务是突破常规思维，发现被忽视的机会点。" -
设计元问题集
准备5-7个与领域无关的基础问题，确保它们能挑战假设、明确目标和校准路径。这些问题应该放在Prompt的最前面。 -
构建思维模式开关
定义2-4种不同的分析姿态（如：激进/保守/平衡），并为每种姿态编写清晰的激活指令。 -
移植审查框架
从工程领域选择适合的审查流程（如：安全审查、性能测试、用户体验评估），然后将其映射到目标领域。 -
添加领域适配层
在框架最后加入少量领域特定的术语对照表，帮助AI完成概念迁移。
3.2 效果优化技巧
经过数十次实验，我发现了几个显著提升效果的操作技巧：
-
温度参数调控：在EXPANSION模式使用较高温度（0.7-0.9），在REDUCTION模式使用较低温度（0.3-0.5）。
-
审查循环设计：让AI先输出初步分析，然后基于输出结果再执行一次同框架的审查，往往能发现更深层的问题。
-
混合模式策略：先用EXPANSION模式生成多个方案，再用REDUCTION模式筛选最优解，最后用HOLD SCOPE模式验证。
-
上下文注入：在Prompt后附加3-5个领域内的经典失败案例，AI会自动将其作为负面参考。
3.3 常见问题与解决方案
在实际应用中，我遇到了以下典型问题及应对方法：
-
分析过于泛泛
解决方法：在Prompt中明确要求"每个观点必须附带具体案例或数据支持"。 -
建议缺乏可行性
解决方法：添加约束条件如"所有建议必须在现有团队规模和三个月时间窗口内可执行"。 -
忽略领域特性
解决方法：在框架最后添加"领域特殊注意事项"段落，列出3-5个关键差异点。 -
风险过度放大
解决方法：在HOLD SCOPE模式中加入"风险概率评估"要求，强制AI区分可能性和影响程度。
4. 框架的边界与扩展
4.1 适用边界测试
通过大量测试，我发现这套方法在以下场景效果最佳：
- 从0到1的创新规划
- 现有方案的漏洞排查
- 多选项的决策评估
- 危机应对预案制定
而在这些场景效果有限：
- 需要深度领域专业知识的问题
- 高度依赖实时数据的决策
- 涉及复杂人际关系的判断
4.2 跨领域迁移案例
为了验证框架的通用性，我将其应用于三个非商业领域：
-
学术研究设计审查
将"架构审查"映射为"研究框架评估"，"单点故障"变为"方法论缺陷"，成功识别出一个心理学实验设计中的混淆变量问题。 -
城市规划建议
"可观测性"转化为"城市运行指标监测"，"回滚计划"变成"政策退出机制"，为新城建设提供了独特的风险评估视角。 -
个人职业发展
用"边缘情况"分析职业转型风险，用"影子路径"设计备选职业路线，帮助多位咨询者建立了更稳健的职业规划。
4.3 进阶改��方向
对于想进一步开发自定义框架的实践者，我建议尝试以下扩展：
-
动态模式切换：设计条件判断逻辑，让AI根据分析内容自动切换审查模式。
-
多AI协作架构：用不同Prompt创建具有互补思维的AI角色，构建虚拟顾问团队。
-
反馈学习机制：将人类对AI输出的评价反馈纳入Prompt优化循环。
-
领域适配器开发：为特定行业制作标准化的术语映射表，降低迁移成本。
这套框架最令人振奋的启示是：AI的真正价值不在于它知道什么，而在于我们如何设计它的思考方式。当我看到团队成员开始用类似的思维框架来挑战我的决策时，我意识到这已经超越了工具层面，成为了一种可传播的认知升级。或许，这就是Prompt工程正在演进的未来——不是创造更聪明的AI，而是设计更智慧的思考方式。