Claude用户平均只用到7%功能：我改了7个提示词

去年Anthropic的Claude（克劳德）刚突破100万token上下文窗口时，我像个拿到新玩具的孩子——然后迅速把它用成了高级版百度。单句提问，单句回答，循环往复。直到某天我发现，同样的问题，同事用Claude能跑出我三倍的信息量。

差距不在工具，在对话方式。

从"搜索框"到"协作伙伴"：我的第一个转变

最初我的提示词长这样："总结这篇论文。"Claude确实总结了，但是那种放之四海皆准的废话，和我自己扫一眼摘要没区别。

现在我会写："你是这篇论文的审稿人，找出3个方法论缺陷，并说明如果2024年重做这项研究该怎么改。"

角色扮演（Role-playing）不是花哨技巧，是给AI一个思考坐标系。当你说"你是资深产品经理"，Claude调用的不是人设皮肤，而是一整套决策权重——它会自动优先用户留存而非技术炫技，会警惕需求文档里的伪需求。

这个改动 alone 让我的行业分析报告深度翻倍。以前我需要手动追问"还有吗"，现在Claude会主动列出"你可能遗漏的3个视角"。

把"怎么做"换成"为什么不做"

人类有个坏习惯：问AI"怎么写爆款标题"，得到10个平庸答案，再挑一个勉强用。

我反过来用：先让Claude当反对者。"给我5个不做X的理由，每个理由配一个真实案例。"等它把坑都挖完了，我再问"基于这些风险，设计一个规避方案"。

这套"反向提示"（Negative Prompting）帮我避过至少两次重大失误。一次是策划线下活动，Claude列出的"场地不可抗力"条款里有一条"暴雨导致地铁停运"——我查了历史天气数据，确实在雨季，最终加了线上备选方案。活动当天北京暴雨红色预警，备用方案启动。

普通用户把AI当答案机，高手把AI当压力测试员。

上下文窗口：百万token不是让你存小说

Claude的100万token上下文窗口（Context Window）常被误解为"能扔进去整本书"。确实能，但这么用的人都在抱怨"AI后面忘了前面"。

我的用法是结构化投喂：先扔框架，再填血肉，最后要交叉验证。

具体操作：第一轮只给目录和核心论点，让Claude生成"如果我是作者，我会怎么展开每一章"；第二轮把完整内容分段放入，让它对比"实际写法 vs 预期写法"的差异；第三轮针对差异点追问设计意图。

三轮回合下来，我对一本300页技术手册的理解深度，超过之前通读两遍。时间从6小时压缩到90分钟。

Anthropic的产品文档里其实埋了线索：上下文窗口的设计初衷不是存储，是维持长程一致性（Long-term Coherence）。你得帮AI建立记忆锚点，而不是考验它的记忆力。

用"格式暴力"打破AI的敷衍

Claude有个隐秘特性：它对输出格式极度敏感。你说"分析一下"，它给你段落；你说"用表格对比A和B的5个维度"，它立刻进入结构化模式。

我发展出一套格式组合拳：

• 强制编号：每个观点必须带序号，防止AI合并相似项偷懒

• 字数锚定："每个点不超过20字"比"简洁点"有效10倍

• 视觉标记：用→、vs、⚠️等符号强制建立逻辑关系

最狠的一招是自我评分：让Claude给每个回答质量打1-10分，低于8分的自动重写。这个设计逼它进入元认知（Metacognition）模式——不是机械输出，而是先判断"这个答案我满意吗"。

有个细节很有意思：当我要求评分时，Claude偶尔会写"这个回答我打7分，因为第三点论据不够扎实，建议补充2023年后的行业数据"。它开始自我修正了。

链式提示：把一次对话拆成生产线

新手追求"一句话解决所有问题"，结果得到面面俱到的平庸。我把复杂任务拆成5-7个连续提示，每个只解决一个子问题。

以写产品需求文档为例：

提示1：定义用户画像，只输出3个核心标签

提示2：基于标签，列出5个未被满足的需求，按痛点强度排序

提示3：针对 top 2 需求，各设计一个功能假设

提示4：评估两个假设的开发成本 vs 用户价值

提示5：选择胜出方案，输出PRD框架

提示6：为PRD写一段"如果失败，最可能是因为什么"的复盘

提示7：把以上所有内容整合成一份文档，保留决策痕迹

链式提示（Chain Prompting）的核心不是分步，是建立可追溯的决策链。第7步的整合文档里，你能看到"为什么选A而不是B"的完整逻辑——这比直接生成PRD有价值得多，因为三个月后你自己都忘了当初怎么想的。

我的时间节省主要来自这里：以前写PRD要反复推翻重来，现在决策质量 upfront 就高，返工率从60%降到10%。

让AI"说人话"的隐藏开关

Claude默认输出有种"好学生作文"腔——结构工整，用词谨慎，读完留不下印象。我花了两周调试，找到两个破解方法。

第一，指定具体的人。"解释给产品经理听"太虚，"解释给刚被裁员、正在考虑转行的35岁互联网运营听"——Claude立刻切换语气和案例库。

第二，强制使用原始素材。我会在提示里塞一段目标用户的真实聊天记录或访谈原话，要求"模仿这个说话风格，但把技术概念讲清楚"。

有个案例：我要写一份AI工具的用户教育文案。先给了Claude 20条用户反馈截图，有骂的、有困惑的、有惊喜的。然后要求"用用户B的吐槽风格，回应用户C的困惑"。

成品读起来像社区里的真实对话，而不是官方FAQ。上线后这个板块的跳出率下降了34%。

最后一个转变：从"问问题"到"设计对话"

这7个技巧里，最反直觉的是这个——最高效的AI使用，发生在提问之前。

我现在花15分钟设计提示词结构，再开始对话。这15分钟包括：定义成功标准（"好的输出应该让我能直接发邮件"）、预判AI的偷懒模式（它可能会漏掉X，我要在提示里堵上）、设计验证环节（如何让输出可检查）。

这种前置设计让单次对话时间变长，但总任务时间大幅缩短。因为减少了"不对，重来"的循环。

我的周度数据：以前和Claude对话约40次，每次3-5分钟，总产出零散；现在对话12-15次，每次15-20分钟，直接产出可用文档。净节省时间约10小时——主要来自减少返工和后期编辑。

有个产品经理同行问我：这些技巧迁移到ChatGPT或Gemini（谷歌的AI模型）有效吗？部分有效，但Claude的"思考深度"对提示设计更敏感。同样的角色扮演提示，Claude会主动追问边界条件，其他模型往往直接给答案。

这或许是Anthropic刻意的设计选择：不优化"首次回答满意度"，而是奖励"愿意投入时间调教的用户"。

你现在的Claude使用方式，是更接近"高级搜索框"，还是已经摸索出自己的协作模式？如果每周能多省出5小时，你会优先投入在哪个环节的前置设计上？