如何写清楚任务目标：先把“做得好”说成可执行的要求

很多人使用 AI 时，第一句话往往是“帮我优化一下”“分析这份资料”或者“写得专业一点”。这些话并不是完全没有意义，但它们把最关键的判断留给了模型：到底优化什么，分析到什么程度，专业是面向谁，最后要交付成什么样。模型只能根据常见经验补全，结果自然会在不同方向之间摇摆。

任务目标不是把愿望说得更大，而是把要完成的动作说得更清楚。一个可执行的目标，至少要交代五件事：做什么，处理什么对象，覆盖多大范围，结果给谁使用，以及怎样才算合格。必要时还要补上输出格式和优先级。这样写出来的 Prompt，模型不需要猜你的工作意图，而是可以沿着明确的路径完成任务。

清华 DeepSeek 职场应用资料中反复强调角色、任务、上下文和输出要求的组合关系。放到实际写作里，任务目标通常是最先需要钉牢的部分。角色可以改变表达视角，却不能代替目标；上下文可以提供判断依据，却不能自动决定交付标准。先把目标写清楚，后面的信息才有落脚点。

任务动词是目标里最有方向感的词。写、改写、压缩、提取、归纳、分类、比较、检查和评估，看起来只是几个普通动词，实际上对应着不同的工作路径。要求“提取”时，重点是保留原文中已有的信息；要求“归纳”时，需要把分散内容合并成更高层次的观点；要求“评估”时，还必须有判断维度或评分标准。

“分析”经常被用得太宽。它可以指找出主题，也可以指解释原因、比较方案、判断风险，甚至只是把内容重新分段。写 Prompt 时，最好把“分析”换成可以观察结果的动作。例如，把“分析客户反馈”改成“从客户反馈中提取高频问题，按产品功能、服务流程和价格因素分类，并为每类问题保留两条原始表述”。模型得到的不是一个宽泛方向，而是一组可以逐项核对的任务。

“优化”也一样。你可以要求修正错别字、压缩重复内容、调整段落顺序、改成面向新手的说明，或者保留原意改得更适合公开发布。每一种“优化”都会牺牲或保留不同内容。把动作拆开，既能减少模型自作主张，也方便你在结果不合格时判断是动作写错了，还是材料本身不够。

目标写清楚之后，还要说明模型处理的对象是什么。对象可以是一篇文章、一组会议记录、一张表格、若干条用户反馈，也可以是你提供的一段代码。不要只写“这份资料”，如果资料里有多个章节或多种信息，最好说明要关注哪些部分。对象越明确，模型越不容易把背景介绍、例子和结论混在一起。

范围包括时间范围、内容范围和处理深度。比如，整理会议记录时，可以限定为“只提取本次会议已经确认的决定、负责人和截止时间”；分析销售数据时，可以限定为“只看第二季度，比较新老客户，不推测表格之外的原因”。范围不是限制模型发挥，而是告诉它哪些内容应当被纳入，哪些内容应当暂时放在门外。

对资料型任务，还可以明确证据边界。常用写法是“仅根据提供的材料回答，材料没有提到的内容标记为待确认，不要补写具体数字、日期和来源”。这类要求来自实际工作中的一个基本原则：完整不等于可靠。模型把空白补得很顺，并不代表补出来的内容真实。

同一个任务，给不同的人看，写法会完全不同。给部门负责人看的汇报，需要先讲结论、风险和需要决策的事项；给一线同事看的操作说明，需要把步骤、条件和异常处理写清楚；给刚入门的读者看的教程，则要少用未经解释的术语，并把前置概念补齐。只说“写得专业”，并不能让模型知道专业应当落在哪个层面。

因此，Prompt 里的读者描述不必很长，但要有场景。可以写“读者是第一次接触这个概念的产品同学，文章用于内部培训”，也可以写“收件人是已经了解项目背景的客户，文本用于解释本次延期原因”。读者和用途一旦明确，模型对语气、详略和例子的选择就会更稳定。

如果结果需要直接发布，还应说明渠道。官网帮助中心、内部周报、客服回复和社交媒体各有自己的长度与语气。把“写一段介绍”改成“写成官网帮助中心的首屏说明，先说能解决什么问题，再给出三步操作，不使用夸张承诺”，往往比追加一段“请更专业”更有效。

“专业、准确、有深度、自然”这些词并非不能用，但它们需要进一步解释。准确可以对应“不改变原文中的数字、日期和专有名词”；有深度可以对应“说明原因、影响和限制条件”；自然可以对应“少用口号式表达，句子长短有变化，避免连续使用相同句式”。标准一旦变成具体动作，就不再只是审美判断。

长度、数量和覆盖范围是最容易检查的标准。例如，要求“控制在 800 到 1000 字”“列出 5 个关键问题”“每个结论后写出对应依据”“表格必须包含问题、影响、负责人和截止时间”。这些约束不会自动带来好文章，但能让结果更接近实际交付，也能让你快速发现缺项。

还要写出不能做什么。对于改写任务，可以要求“不新增原文没有的事实，不改变数字和时间，不把推测写成结论”；对于方案任务，可以要求“区分已知信息和假设，不承诺未经验证的效果”。正面要求负责指方向，边界要求负责防止越界，两者最好同时出现。

同样的内容，输出成段落、表格、清单或 JSON，后续使用方式完全不同。如果结果要粘贴进周报，就应当要求标题、结论和待办事项；如果要交给程序继续处理，就应当明确字段名、数据类型和缺失值写法；如果要交给读者阅读，则需要规定层级、段落和示例。格式越接近下一步工作，Prompt 的价值越高。

格式要求最好写到可以照着验收的程度。与其说“用表格输出”，不如说“输出 Markdown 表格，列为问题、证据、影响、建议和优先级；没有证据的单元格写‘未提供’，不要自行补充”。与其说“写成 JSON”，不如补充“只输出合法 JSON，不要添加说明文字，数组为空时使用 []”。

当格式、长度和内容发生冲突时，要给出优先级。例如“准确保留事实优先于满足字数；如果无法在 500 字内覆盖全部依据，先保留关键依据，再列出被压缩的部分”。模型面对冲突要求时不会替你做出符合业务的取舍，优先级必须由任务发起者说清楚。

下面是一个常见的改写任务。原始要求是“帮我优化一下这段产品介绍，写得专业一点”。它的问题不是太短，而是缺少目标读者、使用渠道、保留范围和判断标准。可以改成：

任务：把下面的产品介绍改写成官网帮助中心的首屏说明。 读者：第一次使用这款工具的新用户，不熟悉技术术语。 处理范围：保留产品名称、核心功能和使用条件；删除重复宣传语；不新增原文没有的功能和效果。 写作要求：先用一句话说明它解决什么问题，再用 3 条要点说明主要能力，最后给出开始使用前需要准备的内容。 标准：表达直接、信息准确，不使用“顶级”“革命性”等夸张词，控制在 500 字以内。 输出格式：使用 Markdown 标题、正文和无序列表，不要附加改写说明。 原文： <<< 在这里粘贴产品介绍 >>>

这个版本并没有使用复杂的框架，却已经把任务、对象、读者、边界、标准和格式交代清楚。它的好处是结果可以直接检查：有没有先说明问题，有没有列出三条能力，有没有添加未经提供的效果，字数和格式是否符合要求。如果不符合，也能定位到具体要求，而不是笼统地说“感觉不对”。

有些工作同时包含提取、判断、写作和校对。把它们塞进一句“根据资料写一份专业报告”，模型很容易顾此失彼。更稳妥的方式是分阶段：第一步只提取事实和数据；第二步按主题归类并标注证据；第三步根据读者和格式写初稿；第四步检查数字、范围和遗漏。每一步都有自己的输入和输出，问题更容易追踪。

拆分并不意味着每次都要手动复制结果。对于简单任务，可以在一个 Prompt 中写清楚处理顺序，并要求用固定的小标题呈现中间结果；对于重要任务，则可以把关键中间结果单独复核后再进入下一步。尤其是涉及方案、数据和对外文本时，先确认事实，再润色表达，通常比一次生成完整成稿更可靠。

步骤之间还要避免互相打架。例如“尽量简短”与“覆盖所有细节”同时出现，却没有优先级；“只根据材料回答”与“补充更多行业背景”同时出现，却没有说明背景是否需要标注来源。拆分任务的同时，把每一步的范围和交付标准写清楚，才是真正减少返工。

一个 Prompt 写完后，可以用五个问题快速检查：动作是否具体，对象是否明确，范围是否有限，标准是否可判断，输出是否能直接交付。如果有一个问题答不上来，模型大概率也要靠猜。这个检查不追求把 Prompt 写得很长，而是确保每个影响结果的关键变量都有去处。

自检还可以帮助你解释失败结果。内容跑题，通常先看对象和范围；语气不合适，先看读者和场景；信息遗漏，先看动作和输出字段；结果看似完整但不可靠，先看证据边界和禁止补写的要求；格式反复变化，则要把示例或固定结构补上。定位到具体缺口后，只改相关部分，迭代会快很多。

Prompt 工程的成熟，不在于记住多少套模板，而在于能否把一次工作说成别人可以执行、检查和复用的要求。先写清目标，再决定是否需要角色、示例、分步处理或自检。目标越清楚，提示词越短也往往越有力量。