在大语言模型（LLM）能力呈指数级跃迁的今天，许多人仍陷于一种误区：认为模型"不够聪明"，或者必须掌握某种神秘的咒语语法才能驯服 AI。OpenAI 负责 Codex 开发者体验的 Eric Provencher 在官方发布的 Prompting 指南中，用极其平实的语态戳破了这层迷雾------Prompt 不需要技术黑话，也不需要僵硬的填空模板，它本质上是一场清晰、有边界、可迭代的人类与智能体的沟通。
这份指南不仅覆盖了日常 Chat 对话，还延展到了 Work 复杂任务协作与 Codex 代码工程领域。与其把它当作一份说明书，不如将其视为一套**"数字同事管理学"**。以下将基于原文精髓进行深度重构与延展，带你建立从思维框架到落地执行的完整 Prompt 工程体系。
一、重新定义 Prompt：从"提问"到"委托"
原文开宗明义：Prompting is how you tell ChatGPT what you want to know, make, or change. （Prompt 就是你告诉 ChatGPT 你想知道什么、想做什么、想改什么。）
很多人把 Prompt 写成搜索引擎的关键词堆砌，或者写成碎碎念。但高效的 Prompt 其实更接近职场中对一位能力极强但缺乏上下文的同事进行"任务委派"。你不需要手把手教他呼吸，但要说清目标、底线和交付标准。
对于轻量级任务，一句大白话足矣；但当任务涉及多方利益、复杂源材料或代码变更时，必须补齐四个核心维度（GCOB 框架）：
- Goal（目标）：TA 到底要产出什么？是总结、对比、生成文件还是重构代码？
- Context（上下文）：哪些背景信息、附件、数据源能帮 TA 缩小猜测范围？
- Output（输出）：格式（Markdown/表格/代码）、长度（一页纸/500字）、详略程度。
- Boundaries（边界）：什么绝对不能动？什么需要先请示再执行？哪些来源不可用？
关键心法：只用对你有帮助的部分，无需填满每一项，更无需遵循僵化格式。
二、结果导向思维：别教 TA 走路，只告诉 TA 终点
指南中极具颠覆性的一点在于：Start with the result, not a detailed list of steps.（从结果说起，不要从一长串步骤说起。）
人类管理者常犯的错是"微操"：告诉 AI "先打开 A 文件，再提取第三段，然后对比 B 表格的第二列......"这种做法剥夺了模型的规划能力。现代大模型具备搜索、推理与自适应调整路径的能力，除非流程本身（Process） 就是你的交付物（如 SOP 文档），否则请只描述状态：
- 坏示例："先读取附件，找出所有金额，算出总和，做个表格。"
- 好示例："把这些季度报告做成一张计划与实际支出对照表，差异超过 10% 的高亮标红，受众是高管团队，决策项放最前。"
当你定义了"对照表+高亮+决策前置"，模型会自动规划如何解析附件、如何计算差异、如何渲染格式。这种**结果驱动（Outcome-based）**的指令，往往能激发模型选择最优执行路径。
三、上下文工程：给得对，比给得多更重要
补充有用的上下文是防止幻觉与偏题的第一道防线。原文强调：只加真正相关的来源，并说明每个来源里模型该取什么。
- 文件输入：总结、比对、转换时，直接附上 Doc/PDF/Excel，而非复制一堆乱码文本。
- 视觉输入 ：投喂截图或架构图时，必须指出关键区域（"关注右下角的报错栈"），不要只丢一张图让模型盲猜。
- 实时信息：涉及时效（股价、政策、新版本 API），明确指令"使用网页搜索并附来源"。
- 数据源连接：当 Workspace 已连 Drive/Slack/GitHub，直接点名"用 Drive 里最新项目计划 + Slack #project-x 频道的决策记录"，无需描述检索细节，让插件自行调度。
个性化与边界防线 ：全局偏好（如"我习惯用简体中文专业语气"）放进 Settings > Personalization；当前任务的敏感约束（如"已批预算数字不动""缺信息就标出来别瞎编""先存草稿别发送"）则必须写进 Prompt 的 Boundaries 里。边界不需要多，盯住最要命的一两条即可，过度控制每一步反而会诱发模型叛逆或混乱。
四、让结果"拿来就能用"的交付意识
很多 AI 输出被弃用，是因为脱离使用场景。你在 Prompt 里交代一句"这摘要是给总监开会前扫一眼用的"，模型就会自动压缩篇幅、前置结论、用分层标题；你说"转成跟进邮件，含决策、负责人、截止日"，它就不会漏掉行动项。
对于重要交付物，建议追加一道终检指令：
"收尾前自检：确认每个 Next Step 都有 Owner 和 Due Date，无法核实的信息标 待确认。最后我来人工复核。"
这相当于给 AI 设了一个 QA 岗，能显著降低漏项风险。
五、迭代优于完美：Steer、Queue 与追问艺术
第一条 Prompt 永远不需要完美。**用追问改进结果（Follow-ups）**才是生产力：
- 看完初稿："开头再直接点，证据保留，把建议挪到背景前。"
- 发现缺料：直接补一个来源或纠正方向，无需删掉重来。
在使用 Codex 等异步执行智能体时，指南提出了两个精妙的交互模式：
- Steer（转向）：Codex 正在跑任务时，把新消息并入当前轮，用来中途改方向、补细节。桌面端直接输，CLI 里按 Enter。
- Queue（排队）：消息暂存，等当前任务跑完再作为下一轮输入。CLI 里按 Tab。
这种"边跑边调"的能力，把 Prompt 从静态文本变成了动态协作流。
六、场景分化：Chat、Work 与 Codex 的写法差异
1. Chat：轻量探索与脑力辅助
适合提问、灵感、草稿、日常决策。核心仍是先说结果，再补细节。
- 理解话题 ："用一个没投资过的人能懂的例子解释复利，金融术语必须定义。"（加了受众与约束）
- 起草文字 ："婉拒邀请的邮件，120 词内，留未来合作口子。"
- 比较选项 ："每年出国两次的人比两个手机套餐，表格列差异，再推荐并说清代价。"
2. Work：多源协作与交付级任务
当任务需要跨工具、多步骤、改文件、产成品时用 Work。重点是：
- 描述结果 + 给源材料 + 点名受众 + 说明你如何审稿。
- 让模型先出计划（Plan），经你批准再执行发送/发布/更改。
- 复杂活先从小范围试跑，审第一版 → 打磨指令 → 固化复用。
实战示例拼接（原文经典案例）：
"为周一管理层会准备一页纸项目状态通报 。用 Drive 最新计划 + Slack 相关决策更新。决策与下一步放最前 ，总结进度/风险/负责人/截止日。已批日期与预算不动 ，冲突或缺失标出，任何东西别发别发。收尾前检查每项下一步皆有 Owner 和 Due Date。"
这条 Prompt 完整覆盖了 Goal、Context、Output、Bound数，却毫无填表感。
3. Codex：代码库级的精准指令
Codex 面向代码、Repo 与开发工具，Prompt 必须包含：期望行为 + 相关代码/复现步骤 + 重要约束 + 验证方式。
- 解释代码库：选文件 → "解释请求流，含各模块职责、校验点、改代码时的坑。"
- 修 Bug：给复现步骤（npm run dev → /settings → toggle → save → refresh）→ 约束（不改 API Shape，最小改动，加回归测试）→ 验证（跑 lint + 相关测试集报命令与结果）。
- 截图转原型 ：拖入 UI 截图 + 约束（React/Vite/Tailwind/TS，间距字体贴近原图）+ 产出（新路由、小组件、README）。图里看不出的行为（悬停、校验、键盘交互）必须用文字补。
- 云端重构 ：本地 IDE 用
/plan出分步迁移计划（拆责、去循环引用、保 API 稳定、回滚策略）→ 审计划 → 云端环境跑 Milestone 1 → 审 Diff → 建 PR。
Codex 的 IDE 插件自动带打开文件上下文，CLI 则需显式 @path 或 /mention，沙箱默认断网，跨边界需审批策略------这些工程细节，是指令之外决定成败的隐形地基。
七、从指南到本能：构建你的 Prompt 思维模型
通读 OpenAI 这份指南，最深的感触是：它不在教你"骗"模型出力，而在教你如何成为一个清晰的表达者。
我们可以把全文提炼为三条底层原则：
- 结果 > 过程：除非过程本身是交付物，否则永远先定义"做成什么样"，把"怎么做"留给模型的推理能力。
- 上下文 > 指令堆砌：精准投喂相关源材料并说明取用规则，好过写满十行模糊约束；全局习惯放个性化，临场红线放 Prompt。
- 协作 > 一次性交付 ：第一条 Prompt 是握手，Steer/Queue/追问是磨合，终检与人工复核是责任闭环。尤其代码与跨工具 Work 场景，人要把好最后一关。
当你可以自然地对着 AI 说："用 Drive 里的最新计划加 Slack 的决策更新，给我一页纸高管通报，决策放前，预算日期不动，缺的就标出来别猜，写完自己先查一遍行动项有没有人认领------我待会审。"你就已经不是在"写 Prompt"，而是在管理一个数字员工。
这，正是 Eric Provencher 与 OpenAI 想传递的那个临界点：模型越强，越不需要咒语；你越清晰，AI 越接近答案。