刚做完一个医药行业市场分析报告自动生成项目，扒开给大家看看。
这个项目金额过百万，周期三个月，客户是国内一家头部药企。他们的痛点非常明确：每月需要为八个产品线生成竞品动态、政策影响、学术进展三份分析报告。传统方式是一个五人团队，耗费整整两周，从海量信息里人工筛选、整理、撰写。成本高不说，时效性也差，等报告出来，有些市场机会窗口已经关上了。
我们接到的目标就一句话：把两周的活儿，压缩到两天内，质量不能降。
第一个误区，我们和大家一样踩进去了。一开始，我们雄心勃勃，想用一套“万能提示词”让AI直接吐出完美的报告。我们写了非常详细的指令，比如“请分析XX竞品在Q3的学术推广策略，并评估其对我司产品A的市场份额潜在影响”。结果呢？生成的初版报告，信息碎片化，逻辑断层，关键数据缺失，更像是一堆相关信息的堆砌，离“分析报告”差得太远。准确率评估下来，核心观点和数据的可用性还不到40%。
那两周，团队气氛有点闷。我们意识到，把复杂任务一股脑扔给AI，就像让一个新兵直接指挥一场战役，它无法理解背后的战略地图和指挥链。
关键转折发生在我们决定“拆”。我们不再追求一步到位，而是把生成一份合格报告这个宏大任务，拆解成三个逻辑严密的层级，就像搭建一条由AI驱动的、有质检环节的流水线。
第一层：情报侦察与分类。 这一层不追求“分析”，只追求“准确抓取和初步归位”。我们设计的提示词核心是“定位”和“标签化”。比如，面对一篇新的行业新闻，提示词会要求AI执行以下动作：1. 判断是否属于目标竞品/政策/学术范畴；2. 提取核心事件主体、时间、数据；3. 打上预设标签，如“竞品-价格调整”、“政策-医保目录”、“学术-临床试验III期”。这一层的目标很单纯：把原始信息泥沙，筛成不同类别的原料矿石。这一步完成后，信息的覆盖率和抓取准确率提升到了85%以上，为后续步骤奠定了干净的数据基础。
第二层：信息组装与脉络初现。 第一层产出的，是分好类的“原料”。第二层的任务，是把同一类别的原料，按照时间线、重要性或逻辑关系，初步组装起来。提示词的重点变成了“关联”与“排序”。例如，针对某个竞品过去一个季度的所有动态，提示词会指令AI：“将上述事件按时间顺序排列，识别其市场策略的主线（是积极扩张还是防守？），并标注出对客户产品最具威胁性的2-3个关键动作。” 这一层，AI开始扮演“初级分析师”的角色，它不再只是罗列事实，而是尝试建立事实之间的联系，呈现出初步的脉络。到了这一步，报告的骨架和主要肌肉已经隐约可见。
第三层：洞察生成与报告成型。 这是最考验策略的一层，也是AI真正发挥“放大器”价值的地方。经过前两层的处理，我们得到的是脉络清晰、重点突出的分类信息块。第三层的提示词，我们放弃了让AI“无中生有”创造宏大洞察，而是引导它进行“模式识别”和“框架化表达”。我们会给它一个非常具体的思考框架，比如：“基于第二层输出的竞品扩张脉络，请遵循以下结构进行总结：1. 核心策略归纳（不超过两句话）；2. 已观察到的市场反应（引用具体数据）；3. 对我方的三点启示（分别从风险、机遇、应对建议角度）。”
这个过程，人的核心工作从“埋头苦写”变成了“框架设计”和“质量把关”。我们提供了思考的脚手架，AI则在脚手架内高效地填充砖瓦，并且因为它“阅读”了远超人类速度的资料，其归纳的全面性常常能带来我们未曾留意的视角。
数据结果说话：项目最终交付后，客户团队（现调整为2人）的操作流程变为：每日用第一层提示词自动化抓取信息；每周初运行第二、三层提示词，生成报告初稿；人工介入进行最后的逻辑润色、深度洞察补充和风险校准。整体耗时从人均80小时/月，压缩至人均16小时/月，报告产出周期从两周稳定在36小时以内。最关键的质量评估，由客户内部专家盲评，新报告在信息全面性、时效性上得分远超旧模式，在深度洞察层面与原先人工报告持平，综合评分提升22%。
最后是我们的反思清单，这几点可能比具体技术更有用：
- 复杂任务面前，“拆解”比“提示”更重要。 你的思考深度，决定了AI执行的精度。不要问AI“怎么写报告”，要问自己“一份好报告是如何从信息变成见解的”，然后把每一步拆给AI。
- 接受“半成品”的完美。 总想一步到位拿到最终成果，往往事倍功半。让AI先交出合格的“零件”（分类信息）、再组装成“部件”（信息块）、最后总装成“产品”（报告），每一层都有明确的验收标准，可控性大大增强。
- 人的价值位移：从执行到架构与评判。 这个项目后，客户团队那位最资深的分析师说，他现在感觉更像一个“策略教练”和“质量总监”，他的行业经验用于设计分析框架和做最终的风险拍板，而重复性极高的信息搜集整理初筛工作被解放了。这或许才是人机协作最舒服的状态：人负责定义问题、设计流程、做关键判断；AI负责在流程中极致执行、扩展广度、提升速度。
这个三层提示词结构，已经成为一个我们内部可复用的框架。它的核心思想不是魔法，而是流程再造。面对任何复杂任务，不妨都问自己：这个任务可以拆成几个有先后顺序、输入输出明确的子模块？哪些模块AI擅长（处理海量信息、遵循规则），哪些必须由人把控（战略决策、价值判断、情感共鸣）？
找到那个“人机咬合点”，效率的提升会比你想象得更扎实。
下一期拆解：我们如何用类似的“拆解”思路，帮一个法律团队将合同审查效率提升300%。
