大模型技术的浪潮下，提示工程（Prompt Engineering）不再仅仅是一项技能，而是业务分析师（Business Analyst, BA）实现战略思考的关键。如何将AI工具从简单的机器转变为“人类智囊团”？本文将深入探讨在利用大模型时，如何跳出传统的提示思维，构建更具战略性的框架思维，从而更好地服务于业务价值。

框架先行：明确目标与价值

在进行任何AI提示之前，首先需要明确目标。与其盲目地向ChatGPT等工具提问，不如先进行“框架”（Framing）。明确以下问题：

• 我希望从AI互动中获得什么结果？
• 谁将使用这些输出？（产品经理？开发人员？客户？）
• 什么格式或语气是合适的？
• 在产品或业务的上下文中，这项工作服务于什么价值？

这个“框架”步骤至关重要，它将AI的智能与人类的意图对齐，避免AI工具沦为“垃圾进，垃圾出”的无用之物。例如，一个电商平台的业务分析师希望利用AI分析用户流失的原因。如果直接提示：“为什么用户流失？” 可能会得到泛泛而谈的答案。但如果事先框架好问题：

• 目标：识别导致用户流失的关键因素，并为降低流失率提供具体建议。
• 受众：产品经理和营销团队。
• 格式：一份包含数据分析、用户行为模式和建议的报告。
• 价值：降低用户流失率，提高用户留存，增加营收。

那么，接下来的提示将更有针对性，例如，可以提供近期的用户行为数据、竞争对手的营销策略等信息，让AI进行更深入的分析。

八大提示工程技巧：业务分析师的AI工具箱

文章中提到了八种高效的提示工程技巧，这些技巧可以帮助业务分析师更好地利用大模型：

1. 零样本提示 (Zero-shot Prompting)：直接提问，不提供任何示例。适用于简单的任务，例如定义、列表查询等。例如：“列出编写商业需求文档（BRD）的主要组成部分。”

   • 案例: 快速生成标准化的文档结构，节省时间。
   • 优势: 快速、直接，无需额外准备。
   • 局限: 结果可能过于泛化，缺乏针对性。

2. 少样本提示 (Few-shot Prompting)：提供少量Q&A或任务输出示例，让模型模仿你的风格、格式或逻辑。适用于FAQ、保持一致的语气、文档模板等。例如：

   • Q: ABC银行如何进行用户注册？

   • A: 通过移动KYC、文件上传和电子邮件验证逐步进行。

   • Q: XYZ如何处理客户支持票证？

   • A: …

   • 案例: 创建风格统一的客服回复模板，提升用户体验。

   • 优势: 保证输出的一致性，减少人工校对。

   • 局限: 需要准备高质量的示例，否则会误导模型。

3. 思维链提示 (Chain-of-Thought Prompting)：要求模型逐步推理任务，而不是直接给出答案。适用于问题解决、因果分析、根本原因分解。例如：“为什么用户放弃付款页面？请逐步思考后再回答。”

   • 案例: 深入分析用户行为，找出影响转化率的关键因素。
   • 优势: 提供更详细、更可解释的分析过程，方便沟通。
   • 局限: 可能需要更长的处理时间，并消耗更多计算资源。

4. 生成知识提示 (Generated Knowledge Prompting)：先让AI生成示例或内部“知识”，然后在此基础上进行分析、总结或规划。适用于头脑风暴、角色创建、路线图草拟。例如：“为我们的雅思学习应用生成3个用户角色，然后为每个人物提出一个他们期望的新功能。”

   • 案例: 快速生成用户画像，为产品设计提供灵感。
   • 优势: 激发创造力，拓展思路。
   • 局限: 需要人工评估生成的知识的有效性。

5. 深呼吸与逐步提示 (Take-a-Breath & Step-by-Step Prompting)：明确指示AI暂停、分解事物并清晰地解释。适用于教学、利益相关者解释、内部培训指南。例如：“深吸一口气，逐步解释我们的系统中通过移动OTP进行身份验证的工作原理——就像教一位新开发人员一样。”

   • 案例: 生成清晰易懂的系统文档，降低学习成本。
   • 优势: 输出详细、易于理解，适合新手入门。
   • 局限: 可能过于冗长，需要进行精简。

6. 思维树提示 (Tree-of-Thought Prompting)：模拟多个专家或观点并行处理同一任务。帮助AI“通过比较进行推理”。适用于权衡、跨职能协作、优先级排序。例如：“充当产品负责人、UX设计师和数据分析师。每个人都提供您对如何改善移动端登录体验的看法。”

   • 案例: 模拟不同角色的视角，进行更全面的决策。
   • 优势: 提供多样化的见解，减少决策偏差。
   • 局限: 需要协调不同的观点，找到最佳方案。

7. 定向刺激提示 (Directional Stimulus Prompting)：引导模型强调内容的某些部分或给出重点摘要。适用于会议记录、反馈摘要、情感提取。例如：“总结此用户反馈线程，但仅关注有关付款失败和建议修复的问题。”

   • 案例: 快速提取关键信息，节省阅读时间。
   • 优势: 聚焦重点，减少信息噪音。
   • 局限: 可能忽略重要信息，需要谨慎使用。

8. 密度链提示 (Chain-of-Density Prompting)：要求AI生成具有不同详细程度的分层摘要，例如短/中/全格式。适用于高管简报+团队深度讨论。例如：“以 50 字、150 字和 400 字总结这份 8 页的审计文档。”

   • 案例: 为不同受众准备不同版本的报告，提高沟通效率。
   • 优势: 灵活适应不同需求，方便信息传递。
   • 局限: 需要确保不同版本的摘要内容一致。

通过掌握这些提示工程技巧，业务分析师可以更有效地利用大模型，提高工作效率和质量。然而，这些技巧的有效性高度依赖于分析师的自身能力。

人类智慧：AI无法取代的领域知识

提示工程技巧只有在人类分析师的清晰驱动下才能发挥作用。AI无法独立生成以下内容：

• 领域理解 (Domain understanding)：金融、教育科技、医疗保健等领域的专业知识。
• 业务价值意识 (Business value awareness)：了解什么对最终结果至关重要。
• 逻辑翻译 (Logical translation)：如何将用户需求转化为开发任务。
• 系统思维 (System thinking)：了解事物如何相互连接并相互影响。
• 产品愿景对齐 (Product vision alignment)：确保所有工作都支持路线图背后的“原因”。

例如，一个金融领域的业务分析师在使用AI进行信用风险评估时，需要具备扎实的金融知识，了解各种信用评估模型和风险指标的含义。否则，即使使用了最先进的提示工程技巧，也可能得到错误的结论。数据表明，领域专家在使用AI工具时的表现比非领域专家高出30%以上（来源：麦肯锡报告）。

战略协同：将AI打造成战略伙伴

在大模型时代，业务分析师的角色正在发生转变。他们不再仅仅是需求收集者或协调者，而是AI工具和策略的智能编排者。关键在于将AI视为战略合作伙伴，而不是简单的工具。

这意味着，业务分析师需要：

• 构建框架：清晰地定义问题，明确目标和价值。
• 驱动逻辑：运用系统思维，将复杂问题分解为可执行的步骤。
• 注入人类洞察：结合领域知识和业务经验，对AI的输出进行评估和优化。
• 转化业务需求：将业务需求转化为清晰、有价值、可用的AI输出。

通过这种战略协同，AI可以帮助业务分析师更快地识别趋势、预测风险、发现机会，并做出更明智的决策。

结语：与AI共舞，共创未来

在大模型时代，业务分析师的优势不在于使用ChatGPT，而在于如何：

• 构建框架 (Frame problems)
• 驱动逻辑 (Drive logic)
• 增加人类洞察 (Add human insight)
• 将业务需求转化为可用、有价值、清晰的AI输出 (Translate business need into usable, valuable, clear AI output)

因此，从提示工程到框架思维的转变是必然趋势。让AI成为你的战略副驾驶，而不仅仅是一个聊天机器人。