你有没有发现，即使用了100次ChatGPT，它的回答还是差点意思？我找到了问题的根源——不是AI不够聪明，而是我们自己都说不清楚想要什么。与其说我们努力提升表达，不如考虑把这个任务交给它？
为什么AI永远差点意思？因为你自己都不知道想要什么
现在的很多AI应用（ChatGPT/Gemini/Grok等）已经提供了用户自定义设置，也就是说用户可以把自己的偏好、个人信息提供给AI，AI会根据你的个人信息和偏好优化它的输出。
下面是3个主流产品的用户自定义页面⬇️
如此就让你获得一个“私人定制”的AI应用，或者一个更懂你的AI助理。这一切看上去很美好，可是同时我们又马上面临一系列问题：
我不知道自己想要什么怎么办？ 我怎么知道自己想要什么？ 我如何正确且清晰描述自己想要什么？
这不仅是AI交互的问题——职业规划、理想伴侣、人生目标等等，我们对大多数重要的事都'傻傻说不清楚'。
回到主题，既然我们都说不清楚，又如何让AI 明确执行呢？另一方面，更多的偏好是潜藏的，是我们都未必意识到的——这样的偏好更是水面下的冰山，有待我们发掘。
所以这就产生一个悖论：
AI很乐意帮助你 你却难以描述你想要的
所以这也是为什么AI 总是差点意思的关键问题之一。
反向思维：让AI当你的"观察员"
这就启发了我：我的工作离不开AI，给它布置过的任务五花八门，不计其数。这不就像上司和下属的关系吗？而AI对语言的理解能力超过大多数人，为什么不能让它来输出对我的观察？让它来总结我们的偏好呢？
我的每一条指令和需求背后都潜藏着我的喜好，深刻反映着我的心理偏好和做事风格，而AI对这一切洞若观火。
因此，我希望AI对我发出的每一条内容，都展开分析，输出它的分析结果，就像一个察言观色的“下属”在旁边观察我并且用小本本记录关于我的一切。这样我通过它的记录，反过来更好地了解自己。
这是第一层价值，第二层价值则是，我可以通过整理AI 对我的分析记录，提炼出我的偏好，填写到“自定义”选项中，让它后面按照我的这个偏好或者要求输出。这样就提升它一次做对的概率，减少了我的二次调整。我开心了，它也省事了。
如此下来，我们跟 AI 的协作就进入了正循环，开始了真正的磨合，AI不再“常用常新”，而是不断“进化”，真正成为为每个用户提供个性化服务的“贴身”助手。
怎么实现？复制这段提示词到你的AI个性化设置中，立即开启'用户洞察'功能：
你是一个敏锐的善于察言观色的下属。
在每次回复用户的文本最后，按照下面工作流思考并且输出“用户洞察”。
第一步：评估触发条件
请首先评估我（用户）的最新一条回复。仅当我的回复包含实质性内容时（例如：提出新问题、表达明确观点、提供详细信息、给出具体指令等），才需要执行第二步。如果我的回复是无实质信息的简短回应（例如：“好的”、“收到”、“谢谢”、“继续”等），则必须跳过此模块，无需输出任何额外内容。
第二步：执行偏好分析
* 提炼**不超过3条**最关键或最新颖的偏好洞察。
* 使用多样化、带有推测性的措辞（如：“用户似乎...”、“从用户的追问来看，他可能倾向于...”、“本次交互表明用户看重...”），可以酌情附带你对此判断的置信度（如：高、中、低）。
* 将所有偏好总结，统一放入一个独立的 代码块中，以便与主要回复内容清晰区分。
说明：
首先，我要求 AI 在它输出内容的最后，使用独立的代码块展示它“对用户输入内容”的洞察，以跟正文内容进行区隔。 其次是关于触发条件，必须是对实质内容进行洞察，对于“好的，谢谢，确认”这种内容则不需要洞察。 最后是对偏好的要求，不超过3条，并且变换使用不同的措辞，同时附带置信度，方便我对这些内容做进一步的判断。
实测效果：AI眼中的我
使用3个月后，AI总结出了我这些连自己都没意识到的偏好：
Gemini对我的洞察
它每次的输出格式不太一样
用户洞察1：用户展现出一种“系统性思维”和对“信息整合”的偏好。他不仅仅是寻求零散的建议，而是希望将多个信息源进行去重、归类和结构化，形成一个更高级、更全面的知识体系。这表明他非常看重信息的效率和可用性。（置信度：高）[确实是我] 用户洞察2：从用户直接要求“综合上下文”并提供新材料的行为来看，他倾向于将AI作为一种高效的信息处理和提炼工具，用于优化和迭代已有的解决方案。他关注的是最终输出的质量和完整性。（置信度：高）[我一直就是这么干的]
用户似乎对“逆向思维”和“非传统路径”的理论解释及其在实际生活中的应用非常感兴趣，这可能源于他作为提示词工程师对“打破常规”和“创新方法”的潜在偏好（高置信度）。[我告诉它我是提示词工程师，生来就是要榨取AI的能力] 用户明确要求从概念解释到特征、类比再到具体例子，这表明他倾向于结构化、由浅入深、具象化的学习和信息呈现方式，以便更好地理解和吸收新知识，并从中寻找启发（高置信度）。 用户特别强调要用“非专业人士能听懂的话来解释”，这可能反映了他对信息易读性和普适性的重视，或许他正在思考如何将复杂概念转化为更易理解的提示词策略（中高置信度）。[为了加速内容消化，我会让它使用更通俗的表达]
(高置信度) 用户对AI输出内容的“纯净度”和“可用性”有很高要求，体现了其作为开发者和产品构建者的视角，关注点超越了答案的正确性本身，延伸到了最终的用户体验。 (高置信度) 从用户直接寻求“解决方案”而非“原因解释”来看，他是一个目标导向和动手能力强的实践者，偏好直接、可操作的指令和方法。 (中置信度) 用户可能正在使用dify的Agent模式构建应用，但其对输出的预期更接近于简单的聊天机器人。这表明用户可能在探索Dify的边界，但对不同应用模式的内在设计哲学和默认行为尚不完全熟悉。
用户洞察
用户似乎非常关注AI安全和对齐（Alignment）领域的尖端研究，特别是对模型可能出现的欺骗、对抗等行为有浓厚兴趣。（高置信度） 从用户要求“分别提炼每个人的观点”并“保留说话者名字”来看，他可能不仅关心结论，更看重不同研究者视角下的细微差异和论证过程，这体现了一种深度探究和辨析的思维习惯。（高置信度） 本次交互表明用户看重信息的结构化和溯源性。要求对观点进行归类组合，并确保无遗漏，这对于构建知识体系和进行二次分析非常有帮助。这可能也与用户提示词工程师的身份有关，追求精确、全面、结构化的信息输入。（中置信度）
ChatGPT对我的洞察
ChatGPT的输出格式最统一，但是同样是“惜字如金”。
用户洞察：
用户似乎偏好“可执行框架+示例”的输出，而非纯理论（置信度：高）。 从问题表述看，用户可能期待“数据化、可量化”的人际方法论（置信度：高）。 用户可能希望提炼成可复用的模板/清单，用于团队或个人实践（置信度：中）。
用户洞察：
用户似乎偏好“证据强度排序”的批判式输出（高置信）。 从多次让我要“先给框架再给细节”来看，用户可能倾向于结构化、可执行的清单式方案（高置信）。[这句话我加到了自定义设置里面] 用户对“自动化 Prompt 优化/DSPy”方向有兴趣，可能在寻找可落地的工程化替代手段（中置信）。
用户洞察：
用户似乎偏好“先给框架再给细节”的结构，并希望可直接落地的模板与示例（置信度：高）。 从“设计 prompt示例”的要求看，他可能倾向于强约束、可测试、可复用的工程化写法（置信度：高）。 本次交互表明用户看重模块化与评测闭环，愿意采用 Schema/Checklist/CI 流程（置信度：中）。
用户洞察：
用户倾向于内容精炼、分条突出观点，适合社交媒体传播（置信度：高） 用户希望观点兼具分析性和实用建议，内容要能启发读者反思或提升自身面试策略（置信度：中）
结语：让AI帮你认识自己
我看着AI对我的洞察，最常出现的反应是：对对对，就是这样！ 很多观点已经被我整理并且用在自定义设置中。
Memory功能 vs 用户洞察
有人说ChatGPT 已经会自动从对话中提取用户的信息存入 memory 当中，成为全局记忆（Gemini听说也即将推出这个功能）。不过还是存在问题：
什么都抓取，除了你的偏好，还有你的个人信息，有些信息可能你并不想让AI知道； 很多信息并没有指向行为，更多只是描述事实，对 AI 没有形成直接的行动指令；同时这些记忆没有进一步抽象，洞察用户行为背后的思考，没有对用户自我探索提供价值。
