北京
去年有個數據挺有意思：用對大模型提示詞的人，工作效率平均提升34%。但多數人還在用"幫我寫個郵件"這種幼兒園水平的問法。
Medium博主Waheb統計了自己高頻使用的50條Gemini指令，每條都經過實戰檢驗。我把它們按場景重新分類，挑了最有用的給你。
一、把Gemini變成你的專職秘書
寫郵件是職場高頻痛點。但別再說"寫封正式的辭職信"了，試試這個結構：
「扮演一位有10年經驗的HR總監，用專業但不過于冰冷的語氣，寫一封因職業發展原因離職的郵件。收件人是直屬領導，需包含：感謝具體項目經歷、30天交接期承諾、保持聯系的意愿。」
關鍵不是讓它寫，是讓它代入角色。Waheb發現，加上具體年限和身份，輸出質量提升明顯。
會議紀要同理。粘貼錄音轉文字后，用這個指令：
「提取以下會議記錄中的行動項，按負責人分組，標注截止日期。用表格輸出，優先級列放最前。」
比你自己逐行掃快10倍。
二、代碼相關：別讓AI替你寫，讓它幫你讀
Waheb是開發者出身，他的用法和新手完全不同。
遇到報錯信息，直接粘貼完整Traceback，然后問：
「解釋這個錯誤的根本原因，給出3種修復方案，按實施難度排序。每種方案說明可能引入的新風險。」
這比"幫我修bug"強在哪？它逼AI做風險評估，而不是給出一個看似能跑、實則埋雷的解法。
讀 legacy 代碼（遺留代碼）時更有用：
「這段代碼實現了什么功能？用自然語言描述輸入輸出。標出3個最可能出問題的邊界條件，以及原作者可能省略的注釋意圖。」
Waheb說，最后那個"省略的注釋意圖"經常能猜中——老代碼里的魔法數字、奇怪變量名，AI反而比人更容易還原上下文。
三、學習與研究：對抗信息過載
讀論文是科技從業者的日常。但摘要往往寫得像天書。
Waheb的解法：
「用初中生能聽懂的話解釋這篇論文的核心貢獻。限制在3句話內，每句話對應一個具體問題：解決了什么、怎么解決的、為什么重要。」
三句話是硬約束。AI會被迫砍掉冗余術語，留下真正關鍵的信息。
做競品分析時，這個指令被Waheb標記為"每周必用"：
「對比A產品和B產品的[具體功能]，列出5個差異點。每個差異點說明：對用戶意味著什么、對技術架構意味著什么、哪一方更可能在未來6個月擴大這個差距。」
最后那個"未來6個月"的預測，Waheb承認準確率一般，但強迫自己做時間維度的思考，比單純羅列功能點有價值得多。
四、創意與決策：把模糊變具體
產品經理常陷入"我覺得用戶需要"的陷阱。Waheb用Gemini做壓力測試：
「我要設計一個[功能]，目標用戶是[畫像]。列出這個功能可能失敗的5種方式，每種方式給出早期預警信號和最低成本的驗證方法。」
不是讓它夸你的想法，是讓它找死法。這個思維翻轉，省了他至少兩次方向性錯誤。
做決策時，這個指令結構被多次復用：
「我在A和B之間選擇，核心考量是[列出3個]。為每個選項生成決策矩陣，權重我自己填。然后模擬一個反對者，用最強論據攻擊我的傾向性選擇。」
那個"反對者"角色是精髓。Waheb發現，人對自己偏愛的選項會主動弱化反面證據，AI沒有這個問題。
五、Waheb的3條元規則
50條指令背后，有3個共通原則。
第一，永遠給格式。 "用表格""限制3句話""按難度排序"——格式約束逼AI結構化輸出，也逼你自己想清楚要什么。
第二，角色扮演要具體。 "專家"太泛，"有10年SaaS經驗的客戶成功總監"才好用。年限、領域、具體場景，缺一不可。
第三，要求它質疑你。 多數指令里都有"列出風險""模擬反對者""可能失敗的方式"這類表述。Waheb的原話是：「讓AI當你的杠精，比當它當你的粉絲有用。」
最后提一個細節。Waheb在原文評論區回復讀者時提到，他每周會花15分鐘回顧哪些指令失效了——不是AI變笨了，是他的需求變精確了，舊指令需要迭代。
這50條里，你目前能直接用的有多少條？還是多數都需要先改三遍才能跑通？
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
