让 AI 先列标准再动手：一个可复制的高阶元提示套路

一个被低估的套路：让 AI 先列「评判标准」，再动手

很多人用 AI 写东西，习惯直接下指令："帮我写一份产品介绍"。结果要么太泛，要么方向跑偏，改两三轮才勉强能用。问题不在模型，而在于你让它「边想标准边干活」，两步挤在一条提示里，它只能猜你的偏好。

高阶一点的做法是把任务拆成两拍：先让 AI 自己列出"做好这件事要看哪些标准"，你确认或调整后，再让它照着标准产出。这一步相当于把模糊需求逼成可执行的验收清单。

可直接复制的元提示（Meta-Prompt）

• 你是一位资深[你的领域，如：B 端 SaaS 文案]审稿人。
• 我不会直接给你最终要求，请你先基于任务"[一句话描述任务，如：写一份新功能的上线公告]"，列出 6–8 条"好公告"应该满足的标准，每条标准写清"为什么重要"和"怎么算达标"。
• 列完之后，指出普通人最容易踩的 3 个坑。
• 等我确认或补充后，你再正式产出。

真实场景

我在写一封给客户的功能变更通知时用了这个套路。第一拍 AI 列出了"先说影响再给方案""给出明确的生效时间""提供降级/回滚入口"等 7 条标准，还点出"容易堆术语、客户看不懂"这个坑。我补了一条"必须给出客服联系方式"，再让它正式写，一遍就过了，没返工。

为什么有效

这本质是 Chain-of-Thought 的变体：先推理"什么是好"，再执行"怎么做"。它把你的隐性偏好外显成清单，既约束了输出，也给了你一个低成本纠偏的抓手。关键是别跳过第一拍——直接要结果，你就失去了校准的机会。

适用面很广：写邮件、做方案、出代码评审意见、拟面试题目，都可以先让 AI 出"评分表"再干活。把"标准"和"产出"分开，是日常提示工程里性价比最高的一招。