AWS 这周用一个对比说明了 AI 落地的真问题：让 AI 调研「美国医院落地生成式 AI」，说「帮我调研一下」出来的是百科摘抄；说清楚受众、范围、关注点，出来的就能直接递到老板桌上——差距在人怎么提问，不在模型。
这是什么
AWS 这周在开发者博客发了篇文章，叫「按组件拆解的提示词工程（prompt engineering）」。所谓按组件拆解，是把 Amazon Quick 这套企业 AI 套件里的每个模块——Quick Research 做调研、Quick Flows 做自动化、Quick Sight 做可视化、内部问答 Agent——单独讲一遍：每个模块该怎么问，效果差距有多大。
核心就一句：模糊提问产生浅报告，具体提问才能产出能用的东西。AWS 举例说，让 AI 调研「美国医院落地生成式 AI」，只说「帮我调研」出来的是百科摘抄；说「分析过去 12 个月美国医院系统落地情况，重点看临床决策支持和行政自动化，给准备投资方向的医疗 IT 高管看」，出来的就能直接递到老板桌上。
为了让提问更结构化，AWS 推荐 CRISPE 框架（角色/洞察/陈述/风格/实验），并对每个组件给出对应最佳实践。
行业怎么看
值得关心的不是「CRISPE 这五个字母」，而是 AWS 这个信号本身。
第一个信号：企业 AI 落地的瓶颈可能不在模型能力，而在用户能力。AWS 是全球最大云厂商之一，模型和产品矩阵都强于多数企业，但仍然要花力气教用户「怎么提问」。当 AI 走进真实工作场景，模型智商只是入场券，能不能问出好问题才是分水岭。
第二个信号：提示词工程正在变成正式技能。过去大家觉得这是「跟 ChatGPT 聊天的小技巧」，现在 AWS、Anthropic、OpenAI 都在出系统化方法论。LinkedIn 上 Prompt Engineer 作为独立岗位出现，反映的是供需关系，不是噱头。
但反对意见也值得听。把责任推给「用户不会提问」，本质上是产品不够好的遮羞布——真正的智能助手应该扛得住模糊、能主动追问澄清。亚马逊自家 Alexa 过去十年的弯路已经证明：逼用户学话术的产品，长期都会被更傻瓜的产品替代。另一种风险：企业花预算培训员工学提示词，等下一代更理解自然语言的模型上线，这些投入就沉没了。
对普通人的影响
对企业 IT 和培训部门：「教员工怎么问 AI」会成为 2025-2026 年内部培训的显性科目，预算不大但会成标配，类似十年前的 Excel 进阶课。
对个人职场：结构化表达、信息分层、给受众「画像」的写作能力，在 AI 时代会变值钱——不是 AI 取代你，是「会指挥 AI 的你」取代「不会的你」。中层管理者受益最明显，因为他们的工作本质就是「把模糊需求翻译成清晰指令」。
对消费市场：随着模型变强，AI 助手会越来越扛得住模糊提问。现在学的那套提示词套路，三五年后可能跟今天的 DOS 命令一样——知道就好，不必深耕。