很多人把写 prompt 当魔法，觉得会写就了不起了。但写 prompt 最难的部分是把一句模糊的需求拆成精确的指令。比如反例是「做个客服机器人」，没了。正例长这样：

> 处理密码重置、订单查询和退货请求。生气的客户转人工。不要自己编政策。每次升级记录原因。只用已批准的客服内容。

这种精确度，AI 工程、AI 产品管理、AI 咨询、AI 策略这些岗位都认。你能用几句话说清楚「做成啥样算成功」，就已经跑赢大多数应聘者了。面试的时候直接拿个案例说事儿，展示你怎么把模糊需求拆成精确指令，比嘴上说「擅长 prompt engineering」管用。

AI 有个毛病，它经常在说对之前听起来就很对。一页漂亮的摘要可能漏了法律风险。发票提取器看起来准，税额可能算错。推荐理由听着合理，推的东西可能完全不对路。

所以光秀 demo 不够，得秀你怎么检查的。作品集不止说「我做了个 AI 应用」，还得讲清楚任务是什么，成功怎么衡量，系统在哪些地方翻过车，改了什么，哪个环节还需要人盯着。整理作品集的时候，每个项目带一小段你怎么验证输出质量的说明。说实话，这比堆十个 demo 链接管用得多。

大型工作流能不能拆成 AI 能独立处理的小步骤，这是一个很实际的差距。

拿产品目录丰富来说。一般的做法是「我建了个产品内容生成器」。更好的做法是先给产品分类，再拉可信属性，起草文案，验证事实一致性，不确定的转人工。每一步都说得清。面试被问「做过什么 AI 项目」的时候，不光讲功能，也要把拆步骤的思考过程摊开来说。拆解思路本身就很说明水平，不比只看最终结果差。

步骤分解这事不是机器学习研究员专属的。架构师、产品经理、QA 负责人、技术写手、分析师都在用这套思路。很多人离 AI 岗位比他们自己想的要近。

AI 出错了的代价可不一般。草稿写烂了能改，转账转错了可改不了，医疗或金融建议错了更可能出大事。

企业自然需要考虑，出错的代价有多大，系统多久崩一次，结果能不能验证，哪些情况必须人工审批，模型的自主性要怎么约束。能回答出这些的应聘者，说明他理解的是生产级 AI，不是实验室里玩玩的那种。面试的时候主动聊聊你怎么管理 AI 风险，不用等技术问题问到才开口。这种话题聊出来，面试官心里就有数了——你对生产环境是真正有感觉的。

不是所有工作流都值得上最贵的模型，也不是每个 AI 功能都非上线不可。

具体来说，任务简单就用便宜的模型，风险高就砸钱上强的。工作流要大规模跑，上线前先算成本。有些功能省了时间，但省不出投产的价值。做项目方案的时候顺手附一段成本分析，粗一点也没关系。别人一看就知道，你不光懂技术，也有商业判断力。