很多人把“精通 AI 對話”理解成“會打字、會提問”其實這遠遠不夠。我用 ChatGPT 做了幾百個真實項目之后最深的體會是會不會聊天本質上是你對對話機制的理解深度。上一篇我們解決了“怎么用起來”的問題這篇直接進入第二層——怎么用得好、用得穩(wěn)、用得值。這篇文章會圍繞一個核心目標展開讓你從“AI 說什么我信什么”變成“AI 說什么我能判斷、能引導、能修正”。我會把底層機制、提問心法、配置實操、高頻報錯排查、工作流接入這幾件事一次講透。不管你是剛注冊完賬號的新手還是已經在用 API 和命令行的進階用戶都能在這篇里找到能直接抄走的東西。1. 為什么你總覺得 ChatGPT“不好用”——先搞懂對話背后的三個底層機制1.1 上下文窗口AI 工作臺的大小直接決定對話質量很多人抱怨“ChatGPT 聊著聊著就忘了前面的內容”這其實不是它“記性差”而是**上下文窗口Context Window**有限。你可以把上下文窗口想象成一張工作臺你和 AI 說過的每句話、它回復的每個字都會擺在桌面上。桌子就這么大東西擺滿了后面的內容就只能把前面的東西擠下去。這里有個關鍵點不是只有你發(fā)出去的消息才占空間AI 自己回復的內容同樣占。你讓它寫一篇 2000 字的文章它回復了 2000 字這 2000 字本身就會占據(jù)大量上下文空間。所以如果你想在一個對話里連續(xù)做多輪任務比如先讓它整理資料、再讓它基于資料寫方案、最后讓它檢查方案的漏洞前兩輪的長輸出很可能已經把第三輪需要的“記憶空間”擠掉了。我自己常用的應對方案有三種每個對話只負責一個核心任務任務結束了就開新對話不要“一個對話框用到底”如果必須長對話中途我會明確告訴它“請定期總結前面的核心結論用最簡短的要點形式輸出”這樣能省出大量空間重要的中間結果我會復制到自己的筆記里而不是寄望于 AI 一直記得。這三個方法都不是什么高級技巧但實測下來能避免至少一半的“AI 突然失憶”問題。1.2 溫度與采樣一個好問題里其實藏著“參數(shù)調節(jié)”如果你只用網(wǎng)頁版聊天可能永遠碰不到這個參數(shù)。但一旦你開始用 API或者用支持參數(shù)調整的工具就會看到一個叫temperature的選項。這個參數(shù)通俗點說就是 AI 的“放飛程度”。temperature 低比如 0.1~0.3輸出保守、穩(wěn)定、可預期適合代碼修改、數(shù)據(jù)整理、格式化輸出。temperature 高比如 0.8~1.2輸出更有創(chuàng)意、更跳躍適合頭腦風暴、文案創(chuàng)作、故事生成。默認值通常是 0.7 左右屬于“穩(wěn)中帶皮”的中間狀態(tài)。我在讓 ChatGPT 幫我看代碼 bug、或者讓它把一段文字改寫得更書面化的時候一定會把 temperature 調到 0.3 以下。這不是玄學而是因為調試代碼和修改文案這類任務需要的是“確定性”而不是“想象力”。反過來我讓它幫我想五個公眾號選題方向時會把 temperature 調到 0.9 左右否則它給出來的答案會非常平庸。注意網(wǎng)頁版聊天界面用戶無法直接調整 temperature但你可以通過“措辭”來間接實現(xiàn)同樣的效果。比如在指令里加一句“請給出最保守、最直白的答案”或者“請給出最有創(chuàng)意、突破常規(guī)的答案”效果相當于手動調了參數(shù)。1.3 系統(tǒng)提示詞AI 的崗位說明書比你想的更管用在 API 調用里有一條看不見但影響巨大的設置叫System Prompt系統(tǒng)提示詞。你可以把它理解成 AI 的“崗位說明書”在開始干活之前你先告訴它“你是什么角色、你要遵守什么規(guī)則、你的輸出要符合什么格式”。普通用戶在網(wǎng)頁版里也能設置類似的東西就是“自定義指令”功能。我剛用 ChatGPT 的時候完全忽略這個入口后來才意識到設置系統(tǒng)提示詞是在“批量優(yōu)化每一次對話”。你只需要花十分鐘把要求寫清楚之后每一輪對話都會自動帶上這些約束不需要每次重復說。舉個例子。我最常寫的一條系統(tǒng)提示詞是“你是一名資深技術博客編輯寫作風格要口語化、有實操細節(jié)、禁止空話套話每一段都要給出真實可驗證的操作建議?！痹O置完之后不管我問什么它輸出的風格都會貼近我的需求。這比每次在問題開頭加一大段“請用某某風格”高效得多。2. “精通 AI 對話”的核心心法從“提問”到“下指令”的思維轉換2.1 告別模糊提問一個改寫案例看懂結構化表達絕大多數(shù)人和 AI 聊不出好結果問題不在 AI而在提問方式。我之前帶過一個新人他讓 ChatGPT“幫我寫一份營銷方案”結果得到了一份放之四海而皆準的廢話模板。后來我教他把需求拆成結構化指令效果立刻不一樣。模糊提問是這樣的幫我寫一份營銷方案。結構化提問是這樣的你是一家本地連鎖咖啡店的營銷顧問。我們店的定位是“上班族的第三空間”本月新開了一家門店希望吸引周邊 3 公里內的寫字樓白領到店。預算共 3 萬元周期 30 天。請輸出一份包含線上社交平臺投放、線下地推、異業(yè)合作三個板塊的方案每個板塊寫明具體動作、預算分配、預期效果和關鍵衡量指標。同樣是在讓 AI 做一件事第二種問法多花了 30 秒但結果質量完全不是一個級別的。為什么因為第二種問法解決了 AI 最頭疼的問題意圖不明確、背景缺失、驗收標準模糊。結構化表達其實就四個要素記不住的時候就用這四個詞自查角色、目標、背景、約束。2.2 示例驅動給 AI“抄作業(yè)”的機會結果立刻不同很多人不知道ChatGPT 是少見的“給例子比給描述更有效”的工具。你花 200 個字描述你想要的風格不如直接給它一段示例文本。一圖勝千言在提示詞工程里應該改成“一例勝千言”。我在做小紅書文案的時候深有體會。第一次讓 AI 寫種草文案我描述了半天“要活潑、要真實、要像閨蜜推薦”出來的東西還是有一股 AI 味。后來我直接丟進一段我自己寫的爆款文案然后說參考這篇的語氣、斷句節(jié)奏、emoji 的使用頻率和角度切入方式重新寫一篇關于以下產品的文案。效果完全是質變。原理其實不復雜AI 是基于模式學習的你給了它一段高質量模式它就是在做“有參考的仿寫”而不是“憑空猜測你想要什么”。一個小技巧示例最好給兩個一個正向示例、一個反例。比如“語氣參考這篇正向示例但不要出現(xiàn)這篇里那種過度夸張的表述反例說明”。雙示例可以大幅壓縮 AI 的試錯空間。2.3 迭代式打磨把一次大問題拆成多輪小對話我觀察過很多新手用 ChatGPT 的方式最常見的問題是“想一口氣吃成胖子”——希望一次提問就能拿到完美結果。但精通的人都在用迭代式打磨先讓它出一個粗糙的版本然后逐輪提出修改意見一點一點逼近自己想要的成品。這個方法有三個明顯的好處每輪反饋都是基于具體可見的內容AI 不會“盲改”你也更容易發(fā)現(xiàn)自己真正想要什么上下文窗口的壓力更小每輪任務邊界清晰AI 不容易把內容搞混你擁有最終判斷權不會出現(xiàn)“AI 寫什么就是什么”的失控感。我自己寫文章時通常會這樣做第一輪讓它列大綱第二輪讓它按大綱寫一版完整初稿第三輪我挑出幾個段落讓它重寫第四輪我讓它自己找邏輯漏洞然后再補一輪。四輪下來輸出質量和直接讓它一次寫完是天壤之別。3. 把配置弄明白config.toml、模型選型與 Codex 類工具的正確打開方式3.1 為什么會出現(xiàn)“無法加載 config.toml”這類報錯最近在社區(qū)里看到不少人在折騰 ChatGPT 相關的命令行工具遇到最多的報錯之一就是“無法加載 config.toml因此此對話串無法繼續(xù)”。這算是典型的配置文件讀取失敗問題。首先解釋一下背景很多 AI 開發(fā)工具包括 OpenAI 官方的 Codex 命令行工具都采用TOML 格式做配置文件。TOML 是一種刻意設計得簡單、易讀的配置文件格式里面用鍵值對存放模型名稱、API 端點、密鑰路徑、temperature 默認值這些參數(shù)。可以把 config.toml 理解成這輛車的“行車電腦設置”每次啟動時工具都要先讀取它讀不到或者讀錯了車就不讓開。踩過幾次坑之后我把這類問題的排查順序整理成了固定的三步檢查路徑配置文件放錯位置是最高頻的錯誤。很多時候工具默認去用戶目錄下找 config.toml但你把它放在項目目錄里或者反過來系統(tǒng)自然找不到。檢查格式TOML 語法對縮進和引號很敏感。少一個引號、多了個 Tab 鍵、數(shù)組括號沒閉合都會導致解析失敗。一個很隱蔽的問題是鍵名重復同一個參數(shù)寫了兩遍TOML 解析器會直接報錯。檢查模型名配置里寫了一個不存在的模型標識工具啟動時能讀到文件但連接后端時發(fā)現(xiàn)模型不受支持也會報出跟配置相關的錯誤。注意修改配置前先把原文件備份一份。這個建議聽起來多余但我真的見過有人把配置改壞了之后連“恢復默認值”都做不了最后只能刪掉重裝。備份一次一勞永逸。3.2 模型標識與能力邊界不支持的模型是怎么來的社區(qū)里有個很有意思的報錯是“the gpt-6.1-sol model is not supported when using codex with a chatgpt acc”以及類似的模型不支持提示?？吹竭@類報錯第一反應不是去糾結這個模型名而是回頭檢查配置的模型字段是否填寫正確。這里需要解釋一個關鍵概念模型標識Model ID是嚴格的字符串匹配。每個模型在后臺都有一個固定的編號比如某些大型模型的編號長什么樣、某些輕量模型編號是什么都是一一對應的。你在配置里寫的標識稍有出入比如多了一個空格、寫錯了一個后綴后端就會判定“不支持”。還有一種情況某些第三方工具允許你“自定義模型端點”把請求轉發(fā)到其他兼容接口。這時候會出現(xiàn)一種現(xiàn)象——某個配置的模型標識能執(zhí)行代碼調整但無法執(zhí)行其他任務。原因通常是目標引擎支持基本的文本生成但不支持工具調用function calling和結構化輸出。代碼調整本質上只是“根據(jù)已有代碼生成修改建議”屬于文本生成能力但執(zhí)行更復雜的任務往往需要模型具備調用外部工具的能力如果后端引擎沒有開放這個接口能力自然就受限。所以遇到“這個模型能做這個、不能做那個”的情況先不要急著罵工具先確認兩件事模型標識是否準確對應你實際想用的模型該模型是否支持你所需的功能特性比如工具調用、長上下文、結構化輸出。3.3 參數(shù)、密鑰與權限命令行工具接入的成熟姿勢命令行工具比如 Codex這類東西看起來門檻高其實只要理清楚三件事一點都不難密鑰放哪、參數(shù)填哪、權限管哪。密鑰的問題最容易被忽略。無論你用的是 API Key 還是 ChatGPT 賬號登錄方式密鑰都屬于敏感信息絕對不要寫進 config.toml 的明文里更不要提交到代碼倉庫。標準的做法是通過環(huán)境變量注入工具運行時會自動讀取。很多新手直接把密鑰貼在配置文件里結果上傳代碼庫時被爬蟲抓走最后收到一大筆賬單這種教訓我見得太多了。參數(shù)方面除了模型名最值得關注的是 temperature 和 max tokens。max tokens 是這個模型單次回復的最大輸出長度很多人寫完代碼讓 AI 繼續(xù)生成結果輸出被截斷以為模型出 bug 了其實只是這個值沒設夠。權限管理則要關注的是你給工具開放了哪些目錄的讀寫權限。命令行代理工具通常要在本地跑命令如果權限范圍過大工具可能在你沒注意的地方改動文件。安全起見建議給工具單獨建一個工作目錄只允許它在這個目錄里操作。4. 實戰(zhàn)演示一次高質量 AI 對話的完整配置流程4.1 場景用 ChatGPT 輔助做一個項目方案光講概念容易飄我直接用一個完整案例把前面的方法串起來。假設現(xiàn)在要做的事情是為一款面向大學生的效率筆記 App 寫一份新品發(fā)布策劃案需要包含定位、傳播策略、預算分配和時間表。先說大多數(shù)人會怎么做打開 ChatGPT輸入“幫我寫一份效率筆記 App 的發(fā)布策劃案”然后得到的是一篇四平八穩(wěn)、沒有任何針對性、放之四海而皆準的官樣文章。再看我實際的操作整個過程分四步先在系統(tǒng)提示詞或對話開頭定義角色“你是一名服務過互聯(lián)網(wǎng)消費產品的品牌策劃熟悉大學生群體的內容消費習慣?！毖a充背景“產品主打多人實時協(xié)作筆記目標用戶是大一到大四的學生核心場景是小組作業(yè)和考前復習。”給出約束“預算 20 萬推廣周期 6 周需要覆蓋校園社團渠道、社交平臺內容和應用商店榜單優(yōu)化?！泵鞔_輸出格式“請按‘核心定位、傳播主題、三大渠道策略、時間節(jié)奏表、預算分配表、風險預案’六個板塊輸出。”4.2 從糟糕對話到高質量對話的逐輪優(yōu)化實錄上面是“一次到位”的做法但實際工作中我更常用迭代的方式。下面是一段真實的逐輪優(yōu)化過程你可以感受一下每一輪的價值。第一輪我先不追求完整只讓它出一個骨架請先給這個方案列一個詳細大綱不要展開內容控制在 15 個大綱點以內。這個階段的目的很明確先對齊框架。如果框架方向不對后面寫再多都是白費。第二輪我讓它按大綱寫初稿但加了一個限制按剛才的大綱展開每個板塊控制在 200 字以內先輸出第一版不用追求完美。這一步是為了快速獲得一個可修改的“毛坯房”而不是一步到位的“精裝房”。毛坯出來之后我才進入真正的打磨階段。第三輪我挑出最不滿意的一塊比如傳播策略那塊傳播策略這部分寫得太常規(guī)了我想要的是一個有話題爭議點、能引發(fā)大學生主動討論的傳播事件請重新構思三個方向每個方向用 50 字說明核心思路。第四輪我讓它自我審視整體方案里有哪些地方存在執(zhí)行風險比如預算分配不合理、渠道選擇與目標用戶不匹配、時間節(jié)奏太緊張請列出 5 個風險點并給出修正建議。四輪下來最終版本和第一輪直出的版本相比完全不是一個量級的產物。核心區(qū)別在于每一輪我都在給它新的、具體的輸入而它每輪只需要專注解決一個小問題。4.3 把常用配置保存下來變成你自己的“對話模板”反復寫同樣結構的提示詞很累所以我會把高頻使用的結構化指令存成模板下次直接調用。具體做法很簡單在本地筆記里建一個“提示詞模板”文件夾把指令按用途分類。舉個例子我常駐的兩個模板技術方案評審模板角色資深架構師 輸入方案文檔/代碼片段 要求從可用性、性能、安全、擴展性四個維度評審 輸出問題清單嚴重級別修改建議文案潤色模板輸入原始文案 角色公眾號主編 要求保留原意、縮短 20%、增加細節(jié)鉤子、去除 AI 腔 輸出潤色版修改說明。這樣做的意義不只是省時間更重要的是保證每次對話的下限。模板是經過多次驗證的至少能確保 AI 理解你的基本意圖不會跑偏得太離譜。哪怕某次場景不完全匹配在模板基礎上改也比從零開始寫強得多。5. 高頻問題排查速查表安裝、訪問、驗證碼、限額與報錯5.1 安裝與啟動失敗窗口打不開、下載不了怎么辦“ChatGPT 打不開”“Windows 10 無法下載”這類問題在社區(qū)里幾乎天天有人問。關于安裝問題我的建議只有一條通過官方渠道獲取安裝包。不要用來路不明的第三方打包版本因為你無法知道里面被塞進了什么。下載不了的問題先排查三個點磁盤空間是否充足桌面客戶端安裝包通常不小系統(tǒng)版本是否滿足要求老版本 Windows 可能不被新客戶端支持下載過程是否被安全軟件攔截部分軟件會把 AI 客戶端誤判為風險程序需要在安全軟件里查看隔離記錄。啟動后打不開的情況多數(shù)是本地運行環(huán)境或緩存出問題。通用的處理順序是徹底退出客戶端確認沒有殘留在后臺的進程→ 清理客戶端的緩存目錄 → 重啟客戶端。如果重啟后還打不開再考慮卸載重裝。有一個很坑的細節(jié)卸載客戶端后配置文件不一定會被刪掉舊配置可能會導致重裝后依然報同樣的錯所以重裝前最好把配置目錄也手動清理一遍。5.2 驗證碼收不到、一直重新連接網(wǎng)絡與賬號的通用排查“郵箱收不到驗證碼”是注冊和登錄時最高頻的問題沒有之一。先說結論大部分情況下不是系統(tǒng) bug而是郵件被攔截或延遲了。按照這個順序排查基本能解決檢查垃圾郵件箱這個最簡單但真的有很多人忽略確認郵箱域名部分免費郵箱服務商對來自境外的自動郵件有更強的過濾機制換一個主流郵箱商往往立刻解決檢查地址是否拼對注冊時手滑把 qq.com 寫成 qq.con驗證碼自然收不到隔一段時間再點重發(fā)如果連續(xù)點了七八次反而容易觸發(fā)風控會收到更嚴格的驗證頻率限制?！耙恢痹谥匦逻B接”的問題通常和本地網(wǎng)絡環(huán)境有關。我自己會按這個順序嘗試先檢查同一網(wǎng)絡下其他聯(lián)網(wǎng)應用是否正常確認不是整體網(wǎng)絡故障然后關閉再重新打開客戶端強制它重新建立連接如果還不行檢查系統(tǒng)防火墻是否攔截了客戶端進程。這里提醒一句如果你正在使用某些系統(tǒng)級網(wǎng)絡工具可以先暫停它們再測試排除干擾后記得恢復正常設置。5.3 限額提示與模型不支持理解限制背后的邏輯很多用戶會碰到“5 小時限額”“消息達到上限”這樣的提示第一反應是“是不是我賬號出問題了”。其實這是官方為了控制服務器負載而設置的動態(tài)限制機制當某一時段使用人數(shù)激增時免費用戶會優(yōu)先收到限流提示。這是正常機制不是賬號異常。應對思路不是去“破解”限制而是提高每一次對話的含金量。我平時會這樣做復雜任務先在本地用文檔把思路整理清楚再一次性發(fā)給 AI減少無意義的來回試探開啟新對話前先想好這輪到底要解決什么問題避免在同一個對話框里東拉西扯浪費次數(shù)把重要的系統(tǒng)性配置自定義指令、常用模板提前寫好這樣即使某輪對話被截斷下一輪也可以快速續(xù)上。至于“模型不支持”的報錯前面已經講過絕大多數(shù)是模型標識配置錯誤、版本不匹配、或者目標模型不支持所需功能。排查時把配置里的 model 字段拿出來和官方文檔里的模型列表逐一核對通常都能找到答案。5.4 10013 這類錯誤碼從系統(tǒng)層面找原因如果你用的是某些 AI 客戶端或命令行工具偶爾會看到類似“10013”的錯誤碼。這類型的錯誤碼一般不是 AI 服務本身報的而是操作系統(tǒng)或網(wǎng)絡安全策略層面的錯誤。以 10013 為例在 Windows 平臺上通常和網(wǎng)絡權限有關常見誘因包括防火墻規(guī)則禁止了該程序訪問網(wǎng)絡、某個安全軟件攔截了進程的聯(lián)網(wǎng)請求、或者系統(tǒng)服務權限不足導致端口訪問被拒絕。排查思路建議從簡到繁以管理員身份重新運行程序在防火墻里手動添加該程序的放行規(guī)則暫時退出安全軟件測試問題是否消失檢查系統(tǒng)網(wǎng)絡服務是否正常運行必要時重啟網(wǎng)絡相關服務。如果以上都試過還是不行去社區(qū)搜對應工具的 issue 列表看看是不是已知問題。很多報錯都是工具版本的 bug升級或回退版本就能解決。5.5 平臺內容規(guī)則的邊界合規(guī)表達反而更高效經常會看到有人在問“怎么和 AI 對話卻不觸發(fā)內容限制”。說實話這一類問題問錯了方向。任何成熟的 AI 服務都會有一套內容準則它的作用是劃定邊界而不是刻意刁難用戶。試圖繞過準則的做法既不穩(wěn)定也不安全輕則對話被中斷重則賬號被限制。我自己的經驗是把意圖表達得合規(guī)、清晰、具體AI 反而能給你更有價值的回答。比如你想讓它幫你分析某個社會現(xiàn)象不要用情緒化的標簽去問而是描述清楚“現(xiàn)象是什么、涉及哪些群體、有哪些典型的公開案例”然后請它基于這些事實做理性分析。合規(guī)表達和高情商提問本質上是一件事讓 AI 在一個相對安全的話題空間里發(fā)揮能力而不是逼它在規(guī)則邊緣反復試探。6. 把 ChatGPT 嵌進你的工作流API、擴展與跨工具協(xié)同6.1 API 與訂閱怎么選按需付費的成本賬聊到“精通”就不能回避一個現(xiàn)實問題要用得更深你得決定用網(wǎng)頁版訂閱還是 API。二者不是替代關系而是分工不同。網(wǎng)頁版訂閱比如 Plus 這類檔位的核心優(yōu)勢是省心界面友好、會話管理方便、圖片上傳和聯(lián)網(wǎng)等功能開箱即用適合日常對話、寫文檔、做研究、頭腦風暴。缺點是可編程性差——你很難把網(wǎng)頁對話框自動化地接進自己的業(yè)務流程里。API 的核心優(yōu)勢是可編程、可控、可集成你可以寫腳本批量處理文本、在應用里嵌入 AI 能力、通過參數(shù)精確控制溫度、模型、上下文長度。缺點是需要自己處理成本管理。API 按 token 計費一次長對話產生的費用是實時變化的如果不加控制月底賬單可能會嚇你一跳。我的建議是日常高頻交互用網(wǎng)頁版開發(fā)集成和批量處理用 API千萬別用 API 做本來網(wǎng)頁版十分鐘就能搞定的事。6.2 從“網(wǎng)頁對話框”到“代碼工作流”API 調用與命令行工具的配合當你開始處理重復性任務時自然會把目光轉向命令行工具和代碼工作流。一個典型場景是你手上有一批產品文案需要按統(tǒng)一風格改寫。在網(wǎng)頁版里一條條粘貼、復制效率太低用 API 寫一個簡單的腳本循環(huán)調用模型接口就能批量處理還能自動保存結果。再比如有些數(shù)據(jù)分析工具和計算軟件可以通過調用 API 接口接入 AI 能力實現(xiàn)“本地工具負責計算、AI 負責解釋和生成報告”的分工。這一類集成不需要多復雜的技巧核心就三步拿到 API 密鑰、知道目標模型的調用格式、寫一個最基礎的請求函數(shù)。命令行工具比如 Codex 這類編碼代理更進一步——它不只是調用模型還能把自然語言指令轉成代碼執(zhí)行動作。你讓它修改某個文件的某段代碼它會自己定位文件、應用修改、返回 diff。這種工作方式把“對話”和“操作”打通了但副作用是更需要你關注權限和確認機制。用這類工具時每一步重要操作都要留意提示確認信息避免 AI 在你不注意時改動不打算改的文件。6.3 我的經驗哪些場景值得接入 API哪些場景用網(wǎng)頁版就夠了最后說點個人取舍。我平時大概 70% 的對話發(fā)生在網(wǎng)頁版里比如快速查資料、寫初稿、整理思路剩下 30% 會走 API 或命令行工具主要集中在需要重復執(zhí)行的任務上比如批量潤色通知、批量總結會議紀要、定期抓取信息并生成摘要。具體到場景我的判斷標準只有一句話這件事是否值得搭一條自動化流水線。如果只是偶爾要做一次就算耗時二十分鐘也直接在網(wǎng)頁版里完成。如果每周都要做三次以上、而且流程固定、輸入輸出格式明確那就有必要寫腳本接 API。千萬不要一上來就把所有東西“工程化”你會發(fā)現(xiàn)搭流水線的時間比手工操作還長這就本末倒置了。我自己在實際使用中還有一個感觸AI 對話的“精通”不體現(xiàn)在某一次提問有多驚艷而是體現(xiàn)在你能不能穩(wěn)定地、可預期地拿到想要的結果。把所有方法固化成本能之前最好的修煉方式就是多開幾輪對話、多試幾種提問法、多在報錯里增長見識。希望這篇能給你提供一個值得不斷復用的起點。