上下文优于提示词

Context Over Prompts · context-over-prompts--tal-raviv

AI 与新工作方式思维模型 AI 时代 2025-07 Tal Raviv ✓ 已核验出处

解决什么问题

觉得 AI 输出"像互联网的平均值"、对战略性/创新性工作失望时，判断问题出在哪、往哪个方向修——是换模型、学 prompt 技巧，还是别的。

核心内容

根因诊断：LLM 显得平庸通常不是模型不行，也不是你不会"魔法咒语"式 prompt，而是你没给它做这份工作所需的背景知识——任何人类同事缺这些背景也做不好。作者观察：无论公司规模、行业、AI 熟练度，大量科技从业者错失 AI 价值的原因是同一个——不给足 context。
用法定位：我们用 LLM 用的是它的 intelligence（推理）而非 knowledge（记忆），所以"喂什么上下文"是使用者的责任。上下文足够时，会话式一句话 prompt 就能得到惊喜结果，不需要花哨技巧。
修复循环：对输出不满时自问"AI 需要什么 context 才能做好这件事？它有足够的 guidance 吗？"用"编辑上一条消息重发"（各大 LLM 都有 ✏️ 按钮）补一点信息再提交，而不是在后面追问；同一个 gap 反复出现，就把该信息沉淀进 project knowledge。
Gossiping 习惯：事情一有变化（stakeholder 变卦、新数据、一次走廊对话）就用语音随口向 copilot 倾倒更新，像跟邻座同事吐槽一样，无需结构化格式，甚至可以说"我现在不要解决方案，只要你听着，回个'yes'就行"。持续 gossip 让上下文保持新鲜，copilot 之后会记得并引用这些更新。
复利机制：initiative 结束时把结果（无论好坏）、团队 retro、个人反思讲给它，让它产出 lessons learned 文档回填 project knowledge——这是一种透明、可策展、完全受你控制的"专业版记忆"。
心态：把 AI 当思考伙伴而非神谕——取其好、弃其坏（类比：车道辅助在空旷高速上误响也不关掉它）。即使它错了，也常能激发你明确自己真正的判断；不必纠结"它会不会替代我的思考"。

适用边界

copilot 不会总是对的，必须用自己的品味和产品直觉过滤（作者引 David Lieb："你的 gut 是世界上最复杂的 ML 模型"）
上下文的价值前提是质量和相关性；作者也承认今天人是"human API"，手动维护 context 有真实成本

关键引述 · 原话

"If you're frequently getting outputs you're not happy with, ask yourself, 'What context does the AI need to succeed here?' or 'Does it have enough guidance to deliver results?'" — Tal Raviv

"When we give AI the context it needs—and treat it like a partner sitting next to us rather than a magic oracle—we don't lose our edge; we sharpen it." — Tal Raviv

— Tal Raviv

关联卡片

AI思考伙伴四步配置法上下文囤积与骨架模板面向AI上下文PRD文件系统对话与产品级提示词

- `ai-copilot-four-step-setup--tal-raviv` 是该心智模型的落地流程 - 与 `context-hoarding-and-skeleton-templates--simon-willison`、`prd-file-system-for-ai-context--lazar-jovanovic` 同属"context 是第一杠杆"谱系 - 与 `conversational-vs-product-prompting--sander-schulhoff` 互补：会话场景下 context > prompt 技巧

出处：Tal Raviv (资深 PM，AI 工作坊讲师，教过 20,000+ 科技从业者) · 02-newsletters/build-your-personal-ai-copilot.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2