这基本上就是我所说的 AI 需要上下文的意思。 将一个混乱的问题转化为清晰的清单的同样原则，使得某人在使用 AI 时变得有效，而这归结于具体性。 我与一些团队交谈，他们发誓他们给模型提供了“非常扎实的上下文”，但读起来就像是有人通过说“朝山的方向走，当感觉对的时候左转”来给出指示。 这在实践中看起来是这样的： “我们是一家服装品牌，拥有大约 10 个 SKU，重复购买率不如我们所希望的那样，我们该怎么办？” 这听起来很具体，直到你将其拆解。 什么类型的服装？ 哪些 SKU 表现不佳？ 当前的重复购买率是多少？ 你们已经尝试过什么？ 当你强迫自己回答这些问题时，你最终得到的是： “我们是一家年收入七位数的服装品牌，经营 7 个 SKU，涵盖 2 个尺码类别，全部专注于短袖和长袖衬衫。我们的重复购买率为 18%，其中大部分来自一条产品线（短袖衬衫），而我们上个季度表现最佳的电子邮件为在 90 天内购买两次的客户带来了 X 收入。” 现在 AI 有了可以利用的东西。老实说，你也是，因为花时间拆解这些问题会在模型甚至回应之前揭示答案。