但一段时间下来你会发现——AI 很勤奋，但产出不稳定：有时候像专家，有时候像实习生。
我后来把效率真正拉起来的关键，不是换更强的模型，而是——认真写 System Prompt。
System Prompt 本质上是 AI 的「岗位说明书」：
你希望它扮演什么角色、按什么流程思考、输出到什么颗粒度，都在这里一次讲清楚。
1）System Prompt 决定了 AI 的工作方式上限
同样一句“我有个模糊需求”，两种结果：
- 没有 System Prompt
：AI 往往给一个单点答案，你需要反复追问、补充、纠错 - 有 System Prompt
：AI 会先做现状分析、指出痛点、给多个方案对比、列风险与确认点，最后再输出执行计划
你会明显感觉到：
AI 不再是“搜索框”，而更像一个能带你走完整流程的顾问。
2）我给 AI 灌输了一条规则：当顾问，不当老板
我在 Kiro 里给 AI 写了一段 System Prompt，核心只有一句话：
你可以替我想方案、替我做分析，但最终决策权必须留给我；需求足够清晰时，直接给可执行计划。
它帮我解决了几个常见痛点：
-
我经常只有一个方向，但需求还很模糊 -
需要多个方案的对比，而不是“唯一正确答案” -
希望 AI 在执行前先让我确认，避免盲目推进
3）实战过程：同样的需求，AI 真的“变了一个人”（配合 4 张截图）
下面是我在 Kiro 里的真实使用流程：
第一步：设置 System Prompt 后第一次提问
设置 system prompt 后提问，AI 的回复
你会看到它不是急着给结论，而是先输出：
-
明确需求 -
拓展建议
第二步：AI 给出方案，并让我“批准执行”（附拓展建议）
AI 给我构思并确定了计划，让我批准执行（还有拓展建议）
这一段最关键：
AI 不是把结果甩给你，而是明确告诉你：
-
方案是什么 -
具体怎么做 -
下一步要不要执行（等你拍板）
第三步：我采纳部分拓展建议，让它继续研究
AI 指出潜在问题、不明确点，并列出大量确认点
这一步 AI 做了两件很像“资深同事”的事：
-
主动暴露风险与潜在坑 -
把不确定点列成清单，反过来向我确认
本质价值是：提前避免返工。
第四步：我确认后，AI 输出执行级计划
详细执行计划：表结构、要修改的文件、预计新增的文件
当确认完成后，AI 进入“执行模式”，输出能直接落地的内容：
-
表结构 -
修改点 -
新增文件 -
实施步骤与顺序
4）结论：写对 System Prompt，AI 才能稳定变成你的“高效同事”
我现在越来越确信：
不用 System Prompt，你是在“用 AI”；
用好 System Prompt，你是在“管理 AI”。
当你把角色、流程、输出标准定义清楚，AI 才会稳定交付高质量成果。
6）Kiro 使用小技巧：把 Prompt 写进工程，让 AI 自动读取
如果你在用 Kiro，我推荐把常用规则沉淀到项目里。
在工程项目下创建文件：
.kiro\steering\code-conventions.md
把你的 Prompt（规则/约束/偏好）写进去。
之后 AI 会自动读取这份约定，形成更稳定、更一致的输出。
这一步做完，你会明显感觉：
同一个项目里，AI 的回答更“懂你”，也更像团队成员在协作。
7）其他 AI 工具怎么用这套方法？
这套思路并 不只适用于 Kiro。
-
通用 AI 聊天工具（如 ChatGPT / Claude 等）
👉 直接把 System Prompt 在对话一开始发送给 AI 即可 -
支持自定义 Prompt 的工具
👉 在它们的「System Prompt / 自定义指令 / 角色设置」位置填写
核心不是工具本身，而是这件事：
你有没有先告诉 AI：
你希望它“扮演谁”，
“按什么流程工作”，
“产出到什么程度”。
只要这些说清楚，换任何 AI，效率都会立刻上一个台阶。