我是如何借助 AI 通过 7 天提升我的提示词工程的
最近我想系统提升一下自己的提示词工程（Prompt Engineering）能力。但和大多数人一样，我的问题是：理论看了不少，一到实际写 Prompt 就卡壳。
网上的教程大多在讲「什么是角色扮演」「什么是 few-shot」「什么是思维链」，这些概念我都能看懂，但真到了给 AI 派活的时候，写出来的 Prompt 还是跟白开水一样——要么啰嗦半天抓不住重点，要么信息不全，AI 干出来的活儿完全不是我要的样子。
我意识到，提示词工程本质上是一门**「动手」的活儿**，光看不动手，永远是纸上谈兵。
于是我换了一种思路——不是自己去啃教程，而是让 AI 反过来给我设计一套训练营。
这篇博客记录的，就是我用 7 天时间，借助 AI 把提示词工程从”感觉会了”练到”能独立写出一套完整工作流”的全过程。如果你也觉得自己「懂了但写不出来」，希望我的这段经历能给你一点启发。
让 AI 帮我虚构场景、出题、验收、纠错——它不只是老师，更是陪练。
一、我的起点：让 AI 替我设计训练营
一开始，我只是跟 AI 提了一个朴素的需求：
我想提升提示词工程能力，但实施起来很难。你直接帮我设定一些场景，或者参考你自己的场景，做一份 7 日计划。
重点在于我加了一个关键要求：
每天给我一个情景题 → 让我自己先写一遍 Prompt → 再给标准答案让我对比 → 最后把当天内容总结成一条可以背诵的 Prompt 模板。
这个设计的核心是一日一卡、循序渐进。AI 很快理解了我的意图，并回了这么一段话：
你要的不是”很多理论”，而是一套可以贴身训练的东西。
我给你题目 → 你自己写 Prompt → 再看参考答案 → 找差距 → 自己重写 → 实际丢给 AI 跑一次 → 最后拿到当天模板。
这样难度会从 Day 1 一点点增加，到 Day 7 你能独立组织完整的 Agent 工作流。
为了让训练贴近我的真实场景，AI 特意大量使用我熟悉的领域来出题：Codex 项目开发、AI Agent、GitHub 开发、小程序、Debug、简历落地、数据可视化。
这一点非常重要——场景越熟悉，你越能把注意力放在”怎么写 Prompt”本身，而不是被陌生的业务分心。
也正是因为场景都是我天天在打交道的，这 7 天才没有变成枯燥的理论课，而是真的像「每天处理一个自己会遇到的真实需求」。练到后面我才明白，好的训练营不是把知识灌给你，而是让你在熟悉的环境里，一点点练出「手感」。
二、我的 7 天训练框架
AI 帮我定的训练节奏是：每天严格控制在 60 分钟左右。
7 天总路线
| Day | 核心能力 | 最要记住什么 |
|---|---|---|
| Day 1 | 任务格式化 | 目标 → 背景 → 要求 → 边界 → 验收 |
| Day 2 | Context Engineering | 不知道就让 Agent 去查，不要让它编造 Context |
| Day 3 | 工作流控制 | Investigate → Plan → Execute → Verify |
| Day 4 | Debug Engineering | Symptom → Evidence → Root Cause → Fix → Verification |
| Day 5 | 约束与自主性 | 给自由，但给边界 |
| Day 6 | 多模型协作 | Planner → Builder → Reviewer |
| Day 7 | 完整工作流 | 把模糊意图转成可执行、可验证的任务系统 |
同时有一条贯穿始终的训练原则：
先自己写，再看参考答案；先理解结构，再背模板；每天至少真实执行一次。
我把这套训练计划整理成了一份飞书文档，方便每天打卡学习：
三、每天 1 小时，我具体怎么练
我把每天的 60 分钟拆成了固定的节奏，这也是我觉得这套训练营最有效的地方：
0–5 分钟：只读情景题，不动手
5–15 分钟：独立写第一版 Prompt
15–25 分钟：看参考答案，对照遗漏
25–35 分钟：关掉答案，写第二版
35–50 分钟：交给真实 AI 跑一次
50–60 分钟：背模板 + 写 3 句复盘
关键是 “先自己写，再看答案”。这一步看似简单，却是整个训练的灵魂。
因为只有当我自己憋出第一版、再回头看参考答案时，才会真正意识到：
原来我漏掉了「边界」，原来我根本没写「验收标准」，原来「目标」和「任务」是两回事。
四、Day 1 的实战：一个真实的作业
Day 1 的能力点是「任务格式化」，情景题是这样的：
你已经有一个 AI Agent 项目。现在要让 Codex 增加一个「任务执行历史」页面，让用户能看到每次执行的历史情况。页面至少展示：任务名称、执行状态、调用的工具、开始时间、结束时间、失败原因。
我先自己写了第一版 Prompt（大概就是口语化的需求描述），然后对照参考答案，发现自己缺了很多关键要素。经过自检和重写，我的第三版 Prompt 变成了这样：
我的 Day 1 第三版 Prompt（节选）
为当前 AI Agent 项目增加一个「任务执行历史」页面，让用户能清楚看到每次任务执行的具体情况。
至少要包含如下功能：
- 任务名称
- 执行状态
- 调用了哪些工具
- 任务开始时间
- 完成时间
- 失败原因（如果有）
- 用户评价（好 / 差）
实现要求：
- 优先复用本 Agent 项目现有的解耦架构
- 不为这个历史页面而改变项目本身的架构
- 保留原有的数据模型和 UI 风格
- 交付内容：视觉改变 + 高层架构说明
写完第三版后，我把它扔给 ChatGPT 验收。AI 给出的反馈是：
Day 1 通过。评分：72 / 100。
你已经有意识地把”任务执行历史”这种口语需求，转化成了 AI 可以明确执行的任务：目标、功能、交付、约束都有覆盖。
72 分不算高，但它让我第一次清楚地看到：一个好的 Prompt 和一句”口语化需求”之间，差距到底在哪里。
五、我沉淀下来的第一个框架：G-C-S-D-A-V
学习过程中，我会主动把重要的东西记成笔记。Day 1 学完，我手写了一张卡片：
我的手写笔记：G-C-S-D-A-V
- G — Goal — 目标
- C — Context — 背景信息
- S — Scope — 范围 / 不做什么
- D — Deliverables — 交付物
- A — Audience — 给谁看
- V — Verification — 如何验收
这个框架把”任务格式化”具象成了六个字母。之后每天写 Prompt，我都会下意识地用这套框架去自查一遍，看看自己漏了哪一项。
它不是我背下来的死知识，而是我从”72 分作业”里提炼出来的、真正用得上的东西。
六、每天找 GPT 验收，是我坚持下去的关键
7 天里我最大的感受是：如果没有”每天找 GPT 验收”这一步，我大概率坚持不下来。
原因很简单——写完作业没人批改，你根本不知道自己写得对不对。
而有了验收环节，整个学习就变成了一个闭环：
出题 → 自己写 → 对照答案 → 重写 → 交给 AI 验收 → 拿反馈 → 背模板每一次验收，AI 都会像老师一样打分、指出问题、告诉我哪里可以更强。这种即时反馈，是我自己闷头看教程给不了的。
更重要的是，验收让我的每一分努力都「被看见」。以前自学最大的问题是——学了就学了，没有反馈，热情很快就凉了。但这 7 天，每天 60 分钟的练习都能换来一个实实在在的分数和点评，哪怕只有 72 分，也会让我有动力第二天继续。
这也让我重新理解了「坚持」这件事：不是靠意志力硬扛，而是靠反馈回路把每天的行动串起来。
七、第 7 天：我能独立设计一套完整工作流了
到了 Day 7，训练营的题目升级成了「毕业题」：
你准备求职 AI Agent 应用开发工程师。你有一个 Agent Harness 项目，具备 Tool Calling、MCP、Human-in-the-loop、Context Builder 等能力，但现在比较像技术 Demo。
你希望 Coding Agent 自主设计并实现一个更贴近真实业务的 Feature，让它更适合作为求职作品。你不指定具体 Feature，但它必须能 Demo、能说明业务价值、能展示 Agent 能力。
而 Day 7 的任务要求是：
自己写一份完整毕业 Prompt，必须包含：Goal、Context、Context Discovery、Constraints、Autonomy、Plan、Execution、Verification、Review、Deliverable 这十个要素。
对比 Day 1 的”口语化需求”，Day 7 我已经能独立设计一份几百字的完整 Prompt Engineering 工作流——目标、背景、约束、自主性、计划、执行、验证、评审、交付，一个都不少。
这就是 7 天最直观的成果：从 72 分，到能写出一份结构完整的毕业 Prompt。
八、这 7 天里，我真正学到的东西
下面这些不是完整知识点整理，而是我在这 7 天里真正踩过坑、真正问过的问题：
1. 目标 ≠ 任务
“我想做个历史页面”是目标，而”增加一个含任务名称、状态、工具、时间的页面”才是任务。目标要拆成 AI 能执行的具体任务。
2. 不写边界，AI 就会"自由发挥"
Day 5 学「约束与自主性」时我意识到：要给 AI 自由，但必须给边界。比如”不改变原有架构”这种约束，一开始我根本没写。
3. Context 不能靠 AI 编
Day 2 的核心教训：不知道的信息，要让 Agent 去查，而不是让它凭空编造。让 AI 编造 Context，是很多翻车案例的根源。
4. Debug 要讲证据链
Day 4 的 Symptom → Evidence → Root Cause → Fix → Verification，教会我遇到问题不要瞎猜，而是按证据链一步步定位。
5. 验收标准要可验证
Day 7 我才真正理解：一个好的 Prompt，最后一定要有「Verification」，让 AI 知道”做到什么程度算完成”。
九、这种学习方式给我的感受
这 7 天，我最大的感受是：
AI 最适合做的，是一个**”可以出题、可以批改、可以随时追问”的私人教练**。
它不是简单地把答案告诉我，而是在我写得差时指出差距，在我不懂时换一种方式解释，在我偷懒时用”验收”逼我坚持。
和看教程相比，这种方式最大的不同是——我一直在”动手”。
我不只是”看懂了”，而是在不断经历：
出题 → 思考 → 写 Prompt → 对照 → 重写 → 验收 → 复盘 → 背模板这个过程让我对提示词的理解，从”知道有这些东西”，变成了”能亲手写出来”。
十、这套训练营，我认为对新手很有帮助
回顾这 7 天，我认为它最值得推荐的地方有三个：
- 场景贴近自己：AI 用我熟悉的 Codex、Agent、GitHub 出题，上手门槛低。
- 每天有闭环：写 → 对照 → 验收 → 复盘，每一步都有反馈。
- 成果可量化：从 72 分到毕业 Prompt，进步看得见。
如果你也想提升提示词工程，但总觉得”无从下手”，我建议你也试试这个方法——让 AI 给你设计一套训练营，然后每天拿出 1 小时，认真练一遍。
这次实践让我发现，AI 不只是一个答案工具，更可以成为一个帮助我建立训练节奏、发现薄弱点、沉淀方法论的学习教练。
