一、打开「高级语音模式」

在 ChatGPT 中开启 advanced voice mode（高级语音模式），用说话代替打字，让对话更自然，也更容易把零散想法倒出来。

二、先定一条规则

开口前先告诉它：「接下来我会想到什么说什么，中途不打断，等我明确说停你再回应。」这样它不会抢话，也不会在你还没想清楚时急着给答案。

三、把脑子里的都倒出来

不要设主题。度假安排、要不要换电视、几岁带孩子看动作片、送什么生日礼物、某本喜欢的书，想到哪说哪，前后矛盾也没关系。TechRadar 撰稿人一次就聊了约十分钟，话题跳来跳去，但 ChatGPT 几秒后就给出了归纳。即便用文字聊天，先把念头一股脑写下来、再让它整理，同样比反复打磨提示词更有效。

四、让它帮你收拢

说完后，请它把零散内容归纳成几条主线，点出你反复回到的话题，再决定要不要就某一条深入。AI 能从你反复提及、中途放弃、突然兴奋的细节里，拼出你没说出口的真实目标。

注意事项

这一招更适合「理不清自己到底要什么」的场景，比如做选择、梳理优先级。遇到目标明确的任务（写代码、查资料、改文案），精心写提示词依然更高效。语音模式会处理你说的全部内容，涉及隐私的话题要当心。它本质是借 AI 做「思维外化」，不必神话它的判断，最终拿主意的还是你自己。

来源：TechRadar

同一个问题，交给不同的大模型，得到的答案可能天差地别。Netlify 产品经理 Elad Rosenheim 做了一组有趣的实验：把同一段建站提示词，分别丢给 11 个主流大模型，每个模型跑三次，记录它们消耗的积分和产出的差异。结论很直观——选对模型，成本和效果能差出两百倍。

实验怎么做的

实验场景设定为「社区咖啡馆单页网站」：要求包含营业时间、地址、简短菜单和一张照片，并且「除非我自己修改，否则内容不应变动」。这段文字没有给任何真实素材，只用一个「社区」来暗示方向。

参与测试的 11 个模型分别是：Claude Opus 5、Claude Sonnet 5、GPT 5.6 Sol、Gemini 3.6 Flash、Kimi K3、Gemini 3.1 Pro、GPT 5.6 Terra、DeepSeek V4 Pro、GLM 5.2、Kimi K2.7 Code，以及 DeepSeek V4 Flash（0731 最新版）。每个模型都独立运行三次。

成本差距触目惊心

按每次运行的平均积分消耗排序，差距相当惊人：

• Claude Opus 5：平均 519（其中一次飙到 1055）
• Claude Sonnet 5：平均 143
• GPT 5.6 Sol：平均 141
• Gemini 3.6 Flash：平均 103
• Kimi K3：平均 102
• Gemini 3.1 Pro：平均 53
• GPT 5.6 Terra：平均 39
• DeepSeek V4 Pro：平均 37
• GLM 5.2：平均 27
• Kimi K2.7 Code：平均 19
• DeepSeek V4 Flash（0731）：平均仅 2.4

最贵的 Claude Opus 5 与最便宜的 DeepSeek V4 Flash，平均成本相差超过两百倍。值得注意的是，Opus 5 那次 1055 积分的运行「细节满满、令人惊喜」，自带可动画的印章式文字、自定义地图和开箱即用的深色模式；而两次 253、249 积分的运行「也不差」，但矢量图形仍显露出大模型能力的边界。

贵的未必更好，便宜的也未必差

成本高低并不直接等于质量高低。文章观察到几个有意思的现象：

GPT 5.6 Sol 虽然是「低强度」档位，却在基础设计直觉上胜过了 Anthropic 的中端模型，内容更丰富，只是配图偏通用。DeepSeek V4 Flash 虽然最便宜，某次运行却「最像中端闭源模型」，且消耗的积分最少。

反过来，被寄予厚望的 Kimi K3 在本轮设计任务里「并不出彩」——它本是为长程智能体任务打造的前沿模型，需要换一种提示方式才能公平评判。GLM 5.2 三次运行风格差异大到「像来自几个不同的模型」，且当前版本是纯文本模型，无法接收图片输入。

启示：先想清楚要什么

作者给出的阶段性结论是：当任务超出「做个简单网站」，真正的问题变成——模型是否懂得调用平台能力（数据库、AI、鉴权），是否能严格自检并做前端校验（图片输入是关键）。在仅做设计与文案的测试里，Opus 5 最巧妙，却并非必需；预算有限时，选用开箱即用或迭代式简单模型更划算。

Netlify 与 OpenRouter 合作，通过 AI Gateway 和 Agent Runners 提供多种模型接入。Agent Runners 内置完整的编码智能体，支持 Claude Agent、OpenAI Codex、Gemini CLI，并新增 OpenCode 以接入 Kimi K3、GLM 5.2、DeepSeek V4 等开源模型。

来源：Netlify 博客（作者 Elad Rosenheim，Principal Product Manager），原文发布于 2026 年 8 月 12 日。

一、先定一句话消息

生成前用一句话说清海报要传达什么、想让人做什么。Adobe 叫它”3 秒信息”：标题和主视觉须让人 3 秒看懂。用填空逼自己聚焦：”这张图给 __ 看，要让他们去 __”，这句话就是提示词的核心。

二、上传参考图学风格

收集几张喜欢的专业海报，上传给 ChatGPT 或 Gemini 让它描述版式、配色、留白与字体层级，把分析写进提示词照着原创。只传自己有权或公有领域的图，敏感素材用临时对话上传，避免被拿去训练。

三、定格式、上限制

明确是竖版社媒图还是打印页，再给硬约束：一个焦点、一至两种字体、两三种颜色、统一行距、充足留白，少特效。Canva 的排版指南反复强调留白，塞太满只会让画面混乱。

四、命令它”别像 AI”

提示词里明说”不要像 AI 生成”，并把破绽点名：不要发光字、假 3D 字、过多图标、花边边框、杂乱渐变、变形物体，小字别用花体；正向给”干净极简、平涂色块、清晰字体、多留白”。

五、自带图片和文案

别让 AI 编细节。用自己拍的或公有领域照片（如美国国会图书馆的免版权图），校徽用真的；给图起明确文件名并在提示词里点名引用。文案整理成一段指令一字不改照抄，注意大小写与顺序。

六、图与字分开生成

先让 AI 只出背景和插画、不带任何文字，再用 Canva、Affinity、Figma 把文案加进去，名字日期始终可改，也防止它为了改一行字把整张图重画坏。不用编辑器的话，可在另一个对话里上传成品图让它补加文案。

七、提示词按”场景→主体→细节→约束”

OpenAI 建议按这个顺序写；复杂需求拆成带小标题的几行。第一轮几乎一定是草稿，反复追几句：”少点图、多留白、主视觉放大、行动号召更清楚”。每轮只动一两个变量，定稿前逐字核对，并在手机和电脑上各看一遍。

八、找真人把关

定稿前请设计师朋友看一眼，没有就上 Fiverr 找收费不高的专业人士。AI 再强也替代不了真人的审美与版权判断。

来源：ZDNET

这九项能力的共同点是，既不需要复杂的提示词，也不必开通付费订阅，绝大多数几秒钟就能出结果。

输出效果：字体、色板与图表解读

一、写出特殊字体。 示范提示词是：「用五种不同的 Unicode 字体样式写出『Happy Birthday!』，包括手写体、气泡体、哥特体和小型大写体。」很多人默认 ChatGPT 只能输出纯文本，实际上它可以生成手写体、哥特花体、气泡文字、上标小字、双线体等一系列 Unicode 字符，用在社交平台发帖、请柬或短信里都合适。卡斯韦尔提到，正是有一次随口让它「用手写体回复」并得到响应，才促使她开始系统摸索这些功能。

二、从图片中提取专业配色。 提示词示范：「分析这张图片，生成一套五色的专业配色方案，给出十六进制色号，并解释这些颜色为什么搭配得当。」上传一张房间、标志、风景或穿搭照片，模型会识别主色调、给出色号，还能推荐互补色。装修配色、做演示文稿时相当实用。

三、讲清楚看不懂的图表。 提示词示范：「解释这张图表到底说明了什么，指出最大的趋势、任何异常之处，以及看完之后应该记住的结论。」与其对着复杂曲线发呆，不如直接上传，让模型说明趋势、找出离群值、用大白话总结要点。卡斯韦尔甚至把排得密密麻麻的日历当成「图表」上传，追问「七月有多大比例的时间花在了聚会和亲子活动上」。

处理杂事：手写稿、表格与公式

四、把手写笔记整理成文档。 提示词示范：「把这些手写笔记整理成带标题、要点和待办事项的会议纪要。」拍下笔记本或会议记录的照片，模型能把内容归整为结构清晰的文本，识别出其中的待办项，潦草字迹也能辨认。

五、把表格照片变成可编辑的电子表格。 提示词示范：「把这张表格转换成可编辑的电子表格，保持所有行列完全一致。」别人发来一张打印表格、报销单或排班表的照片，模型可以还原成能直接粘贴进 Excel 或 Google Sheets 的表格；手绘的表格同样有效。

六、用大白话生成 Excel 公式。 提示词示范：「A 列是姓名，B 列是销售额，写一个公式，当销售额超过 5000 美元时返回『Bonus』。」不必再去记 VLOOKUP、XLOOKUP 或者层层嵌套的 IF，把需求描述清楚即可。

生成成品：游戏、二维码与清单

七、生成可打印的谜题和游戏。 提示词示范：「为 8 岁孩子制作一份夏日主题的可打印单词搜索题，并附上答案。」模型能生成单词搜索、填字、数独、寻宝游戏和知识问答，直接打印就能用。

八、生成二维码。 提示词示范：「生成一个指向 https://www.tomsguide.com 的二维码，确保容易扫描。」很多人不知道 ChatGPT 能生成指向网址、联系方式甚至 Wi-Fi 凭据的二维码，用在请柬、课堂和小微商户场景上都方便，放进简历里也能让对方一扫即联系。

九、在对话里生成可勾选的清单。 提示词示范：「为设置一台新的 Windows 笔记本电脑制作一份交互式清单，让我完成一项就能勾掉一项。」出行打包、跟着多步骤教程操作、或者应付事情特别多的工作日，都可以让模型生成能逐项打勾的清单，把长流程拆成可控的小步骤。

值得留意的一点

这份清单的价值不在于展示某个新模型有多强，而在于提醒一件常被忽略的事：产品能力的更新速度，往往快过用户习惯的更新速度。卡斯韦尔在文末的判断是，ChatGPT 一直在增加新能力，但并非每一项都摆在显眼位置。

需要说明的是，上述九项大多依赖的是多模态识别与格式化输出这类通用能力，并非某一款产品独有，换成其他主流对话式人工智能工具，同类提示词通常也能得到接近的结果。

来源：Tom’s Guide，作者 Amanda Caswell

原因藏在一个容易被忽略的机制里：每次发消息，系统并不是只把这一句话送给模型，而是把整段对话历史一起打包送过去，好让模型知道你说的「这个」到底指什么。对话越长，每次消耗的词元就越多，额度自然掉得越快。更麻烦的是，会话大到一定程度，平台会自动压缩摘要，一旦压得不准，回答就开始跑偏。

他的解法是把长对话「固化」成技能（可复用的固定指令包）。关键一步是别自己动手写——直接让工具读完那段长对话，自己总结成一个技能文件；以后每次都在全新会话里调用它，送出去的只有必要指令。作者说，改用这种方式之后词元用量降了三到四成，套餐不用升了。

说白了，长对话给人的「连贯感」是错觉，真正稳定输出的是那套固定指令。为一致性付的钱，其实一直花在反复运输旧内容上。这也解释了一个常见困惑：为什么用得越久，同一个对话反而越不听话。

建议照着做一次：翻出你用得最顺的那个长对话，让 AI 把它整理成一个技能，凡是要做第二遍的事都这么处理。你手上有哪个流程最值得先固化下来？

来源：How-To Geek，作者 Patrick Campanale，2026 年 8 月 3 日

一、把 AI 当家教，不当答题机

与其让 AI 直接写代码或写文章，不如让它教人写。原文作者不懂编程，采用的流程是：告诉 AI 想学什么，让它生成项目式课程并布置练习，自己动手完成，把进度截图发回去，卡住再提问。关键是一条硬性设定：要求 AI 任何情况下都不直接给答案，只做提示引导，直到自己想明白，掌握一个概念后再进入下一个。

二、审计自己把什么外包了出去

主流大模型如今都能回看历史对话，这个能力可以反过来用于自查，看清哪些思维肌肉正在停练。可直接复制以下指令：

「请回看用户最近与你的对话，找出每一处用户把认知工作外包给你的情况：本可自己读完却让你总结的内容、本可自己写却让你写的东西、本可自己推理却让你决定的问题、本可自己形成却让你给出的观点。整理成三列表格：任务、对应锻炼的能力、外包发生的频率。再标出哪些能力在持续外包下可能退化，结论不要为照顾情绪而软化。」

作者也提醒，并非所有外包都不好：重命名图片、加标签、排版这类机械活儿交出去毫无负担，但选题、找角度、搭论证结构属于不愿放手的部分。

三、让 AI 站到对立面辩论

多数模型天然带有迎合倾向，上下文积累越多越擅长说用户爱听的话，久而久之形成信息茧房。破解方法是不问 AI 怎么看，而是先说出立场，再指派它站到对立面：

「想用结构化辩论探讨一个话题。用户的立场是：〔填入立场〕。你的任务是为对立观点给出最强论证，不要立稻草人，使用该立场支持者真正会用的论据与推理。全程理性克制，但不要为迎合用户而弱化论点，也不要因为用户反驳就轻易让步；如果用户的反驳站不住脚，请直接指出。每交锋几轮，简要总结双方立场与尚未解决的分歧。任何时候都不要跳出角色来肯定用户。」

作者建议把这段指令存成 Claude 的 Project、ChatGPT 的自定义 GPT 或 Gemini 的 Gem，命名为「辩手」单独使用，不要在日常对话里随手粘贴——否则模型会记住这种偏好，在需要它配合工作时也跟人抬杠。

需要注意的地方

三招的共同点，是把 AI 从「给结论的人」变成「陪练的人」，落地时最容易被忽略的，恰恰是那条「不要直接给答案」的硬性要求。

来源：How-To Geek

她的判断是：Claude 给出的回答”更有想法、更有条理，也更不像 AI 写的”，而且往往不需要反复追问，”它就是能领会你的意思”。

卡斯韦尔本人是认证提示词工程师，长期测试各类 AI 工具。她在文章中列出了五类如今只交给 Claude 处理的任务，并附上了可以直接套用的提示词模板。

一、头脑风暴：要的是想不到，不是凑数量

提示词：“我需要围绕【某个主题、产品或项目】做头脑风暴。能否给出 10 个独特的想法或思路，并简要说明每一个？”

卡斯韦尔指出，任何聊天机器人都能列出一张清单，区别在于这张清单能不能真的启发你。她的体感是，Claude 明显没那么机械和套路化，一次次给出她此前没考虑过的角度，且每条都附有简短理由；重复和废话也比 ChatGPT 少。

“ChatGPT 倾向于给你同一个安全答案的十种变体，”她写道，”Claude 则会往不那么显眼的方向推进。”如果曾经对着一份头脑风暴清单心想”这些不都是一回事吗”，差别会立刻显现。

二、学复杂知识：肯说”这事确实难”

提示词：“请把【某个主题】讲给我听，假设我是【初学者／大学生／专家】。请提供例子或类比帮助我理解。”

这是她认为 Claude 拉开差距最明显的场景。Claude 很擅长根据指定水平调整语气和深度——面向初学者时不居高临下，面向专家时也不含糊其辞。

更关键的是态度：Claude 更愿意直说某件事确实复杂，或者某个说法根本就是错的，而不是把一切都抹平成一段听起来很笃定的话。”在学习的时候，这种诚实很重要。”

三、梳理工作流：把约束当回事

提示词：“帮我优化【某项任务或项目】的工作流程。请建议能节省时间或提升质量的工具、策略或分步骤流程。”

卡斯韦尔举了个生活化的例子：她用这条提示词问 Claude，如何让三个年幼的孩子每天早上 8 点前出门。Claude 没有泛泛地讲”任务打包””设定意图”，而是给了一套分阶段的实操方案，拆成时间块，还准备了计划泡汤时的备用方案。

“Claude 把工作流问题当成有真实约束的真实问题，而不是借机罗列市面上所有效率类应用。”她补充了一个反差细节：Claude 的记忆能力其实不如 ChatGPT，ChatGPT 显然更”了解”她，但 Claude 给出的建议反而更像人话。她还提到，这类场景很适合搭配 Claude 的技能（Skills）与连接器（Connectors）功能。

四、写作与编辑：只让它搭骨架

提示词：“我需要写【内容类型，例如博客文章、劝说性邮件或个人简介】。主题／目标是：【具体描述】。能帮我列一个提纲吗？”

卡斯韦尔明确表示，让 AI 代笔在她这里是禁区。但”和 AI 一起写”可以有很多种形态——比如面对空白页面、脑子里一堆碎片想法却无从下手时，把杂乱的笔记丢给 Claude，让它整理成提纲或要点，就能有效缓解卡壳。

她认为 Claude 在长篇写作中不容易跑偏，博客、邮件、个人陈述这类内容都能写得不注水。”如果你曾经花 20 分钟从草稿里删掉 AI 生成的空话，Claude 能帮你省下这段时间。”

五、个性化推荐：听懂了才推荐

提示词：“基于我的【处境、偏好或需求】，能否推荐【书籍、影视、策略、工具等】，并说明为什么适合我？”

这一条连她自己都觉得意外——毕竟在记忆层面 ChatGPT 更懂她。但她发现 Claude 的推荐结果是真正经过筛选的，会说明每一项为什么契合需求，并且会混入一些她此前没听说过的选项，而不是把当下最热门的内容堆过来。

“Claude 的推荐不像搜索结果，”她总结道，”更像来自一个真的听进去了你在说什么的人。它抓的是你话里的细微差别，而不是关键词匹配。”

结论：不是取代，而是分工

卡斯韦尔在文末强调，她并非认为 ChatGPT 没用，”远非如此，我现在也经常用它”。她的结论是：当任务需要更接近人类的思考质感时，Claude 更胜一筹。

而她给所有 AI 用户的通用建议只有一条——把需求说清楚。”用任何 AI 的关键都是具体。只不过在 Claude 这里，具体这件事得到的回报更稳定。”

来源：Tom’s Guide《I stopped using ChatGPT for everything — here are 5 prompts I only run in Claude》，作者 Amanda Caswell

原因不难理解。大语言模型擅长识别常见模式，它知道大多数人通常怎么做、什么建议被广泛接受，于是把”最显而易见的合理答案”抛出来就停手了。TechRadar 撰稿人 Eric Hal Schwartz 分享了一个提示词技巧：只要在提问时多加一句要求，输出质量会立刻不同。

核心做法：一次要三个答案

他的做法是，让 ChatGPT 针对同一个问题给出三种答案——一个常规方案、一个稍显大胆的非常规方案，再加一个融合两者优点的折中方案。具体操作：

1. 把问题按平时的方式描述清楚；
2. 在提问末尾加上要求：请分别给出常规方案、非常规方案，以及结合两者优点的混合方案；
3. 补充一句”并说明每个方案的取舍”，让它解释各方案的利弊；
4. 阅读三份答案，重点看解释部分，而不是直接挑一个用。

这样做的价值在于，对话从”选出一个赢家”变成了”比较不同路径”。模型不再把第一个合理答案当作终点，而是必须横向对照，用户得到的也不再是单一推荐，而是一组带取舍说明的可能性。

让答案更贴身的两个补充动作

1. 先给背景再提要求。 在索要三个方案之前，先说明自身的实际情况，比如预算、时间、同行人数。基于真实条件生成的常规方案更实用，非常规方案也因为有了边界而更有意思。
2. 拿混合方案再跑一轮。 如果折中方案接近满意但仍有偏差，可以让 ChatGPT 以这一版为新起点重复上述流程。经过两三轮迭代，想法通常会明显变得独特，又不至于跑偏成天马行空。

以周末出行为例：常规提示词往往只给出一份塞满高分景点的行程；三方案提示词则会先列出常见的博物馆和餐厅，再建议租辆自行车去逛冷门街区，或者干脆围绕独立书店和本地市集安排整个周末；混合版本则把几个著名景点与一些不寻常的停留点搭在一起。

注意事项

这个技巧并不保证每次都能问出绝妙点子。非常规方案有时确实不切实际，混合方案偶尔也会显得生硬。真正有效的提示词，与其说是逼模型变聪明，不如说是引导它换角度思考问题——而”常规 + 非常规 + 两者结合”，恰好是最容易上手的一种引导方式。

来源：TechRadar

较真的代价：额度烧一半

更糟的是连锁反应：让一个模型审查另一个模型提出的问题，审查方总能挑出一堆新毛病，又引出更多的多步修复。该撰稿人同时订阅了 Claude Pro 和 ChatGPT Plus（各 20 美元/月），近来每周一半的用量额度都耗在了追这些 AI 发现的 bug 上。

这种过度较真好比汽修店的师傅：看到引擎盖上一个小掉漆点，就非要给整个引擎盖换新。而且受影响的不只是写代码的人——凡是在额度限制下用 AI 修改工作方案、检查 Excel 表格、处理日常任务的用户，都可能被这种”用力过猛”拖累。

让 AI 自己写”省钱条款”

解决办法颇有戏剧性：直接让 Claude Opus 5 写一段”预算优先”的提示词，要求 AI 尊重用户的额度限制，把真问题和无关痛痒的小毛病分开，把工作量压缩到值得的范围。Opus 5 起初给出了冗长的六点方案；请 GPT-5.6 Sol 审查时，后者一口气提了十几条意见——在被要求”按原始提示词的要求来”之后，它立刻改口”你说得对，我把审查镀金了”，将清单砍到三条。

两个模型最终商定的提示词浓缩为四条，大意如下：

• 用能彻底解决问题的最小改动：不扩大范围、不顺手重构、不镀金。打算给出复杂方案前，先想想三行代码能不能拿到九成价值。
• 分清主次：说明哪些值得现在做、哪些是小问题、哪些干脆别碰。建议做得更少反而是加分项，不要为了显得全面而凑数。
• 按性价比排序：给每项标注大致工作量（小/中/大），便宜又见效的排前面，修复成本超过问题本身的要明确标出。
• 低成本验证：只核实会影响方案的关键点，不要事无巨细全面审计。

结尾再加一句：除非明确要求执行，否则只给一份简短的排序清单就停下。

实测效果立竿见影

该撰稿人把这段提示词用在一个 Claude Code 项目上（整理本地 HomeBridge 智能家居服务的配置）。此前 Opus 5 曾提出四项详细的代码修改；用上新提示词后，它的回答变成了：”这个约束条件很好——它改变了我之前的答案。我提出的四步方案里，大部分是求全，不是价值……四个问题中只有一个真正在产生实际损耗。”

对经常感觉 AI”没事找事”的用户来说，这段提示词值得抄走一试。

来源：PCWorld

官方数据：短提示词全面占优

据 OpenAI 内部测试，精简后的提示词可以让评估得分提升 10%–15%，总 token 消耗减少 41%–66%，成本降低 33%–67%。另有关于简洁性约束的研究论文指出，大语言模型在被限制输出简短回答时，往往给出更准确的响应。

五个精简提示词的习惯

OpenAI 给出了五条具体建议：

1. 逐步做减法：通过反复试验，逐项删除提示词中的细节，找出哪些内容真正影响结果、哪些只是废话。
2. 指令只说一遍：不要用不同措辞重复同一条规则。比如「回答要简短扼要，避免任何无关信息」完全可以压缩成「回答要简洁」。
3. 只暴露相关工具：不需要的工具就不要挂载，比如文件编辑任务不需要天气 API。
4. 示例仅在必要时提供：模型多数情况下不需要示例，堆例子只会白白消耗 token。只有在需要引导模型走向特定方向时才给示例。
5. 对话别拖太长：对话越长，上下文窗口越大，重复指令和工具调用会消耗更多 token。

值得注意的是，ChatGPT 5.6 本身已比前代更简洁，「说短点」这类指令未必总有效。OpenAI 建议改用 text.verbosity 参数直接设定回复详细程度（低、中、高三档）。这位编辑还分享了一个控制对话长度的技巧：把多条必要指令合并成一次提问，或让 ChatGPT 总结当前对话，再把总结贴进新对话继续。

另外两个容易忽视的细节

一是提前划定 AI 的行动边界。例如让 ChatGPT 检查作业中的语法和文笔问题时，应明确要求它「只指出错误并给出反馈，不要直接改」，否则它可能越俎代庖。反过来，如果要求它每次修改前都先询问，它会连最微小的改动也来确认，同样影响效率。

二是描述语气时给具体指令而非抽象形容词。让模型「友好一点」「专业一点」容易翻车——它可能讲冷笑话或在不合时宜的场合过度共情。更好的做法是给出可执行的描述，比如写文案时不说「要专业」，而是「用紧迫的语气展现你对这个领域的专业度」。

一句话总结这份指南：少说废话，说清重点，答案自然更好。

来源：MakeUseOf