基于角色工程与上下文管理构建垂直领域AI专家系统
1. 项目概述：当AI不再“通用”，而是成为你的专属专家
最近在折腾AI工具的朋友，可能都遇到过这样的困境：你问ChatGPT一个专业问题，比如“帮我写一份股权激励计划”，它确实能洋洋洒洒给你几千字，但仔细一看，条款要么是通用模板，要么逻辑上存在漏洞，离真正能用的“专家级”输出总差那么一口气。问题出在哪？不是AI能力不行，而是它缺少“身份”和“上下文”。一个刚毕业的法学生和一个处理过上百起股权纠纷的资深律师，对同一个问题的理解深度和输出质量是天壤之别。
“WorkBuddy”这个项目，或者说这个玩法，瞄准的就是这个痛点。它的核心不是创造一个新的AI模型，而是通过一套精巧的“角色工程”和“上下文管理”策略，把通用的大语言模型（比如GPT-4、Claude 3）包装成一个个垂直领域的“专家”。你不是在和“一个AI”对话，而是在根据任务需求，一键召唤“资深产品经理”、“法务顾问”、“增长黑客”或者“心理咨询师”来为你工作。这听起来像是一个简单的“角色扮演”提示词，但真正的“隐藏玩法”远不止于此。它涉及到如何系统性地构建专家知识库、设计交互流程、以及最关键的一步——如何让AI在对话中“记住”并持续扮演好这个专家身份，避免中途“出戏”。
这个玩法的价值在于，它极大地降低了专业咨询的门槛，并提升了AI辅助工作的质量和可靠性。对于自由职业者、中小团队、甚至是个人学习者来说，相当于拥有了一支随时待命、按需付费（仅消耗Token）的专家顾问团。接下来，我将拆解这套玩法的核心设计思路、具体实现步骤，并分享我在搭建多个“专家分身”过程中踩过的坑和总结出的实战技巧。
2. 核心思路与系统设计：从“角色提示”到“专家系统”
很多人对AI专家系统的理解，还停留在写一个复杂的“System Prompt”（系统提示词）上，比如：“你现在是一名拥有10年经验的某某专家，请以专业、严谨的态度回答我的问题。”这只是一个起点，甚至是一个脆弱的起点。一个真正的、稳定的“专家AI”需要一套更健壮的系统设计。
2.1 为何简单的角色提示会“失效”？
我最初也以为一个强大的提示词就够了。但实测下来，问题很多：
- 遗忘角色：在长对话中，AI很容易在几轮问答后“忘记”自己的设定，回答逐渐变得通用化。
- 知识肤浅：仅靠模型的内置知识，无法应对需要最新、最细或特定方法论的问题（比如最新的某平台广告投放政策）。
- 缺乏“个性”与“边界”：真正的专家有自己擅长的细分领域和行事风格。一个“营销专家”可能擅长内容，但不一定精通复杂的营销自动化工具配置。通用提示词无法设定这些边界，导致AI经常“越界”给出不准确的建议。
因此，WorkBuddy式的玩法，其设计思路必须超越单次提示，转向一个可持续的、有状态的专家会话系统。
2.2 三层架构设计：打造稳固的专家AI
我通过实践，总结出一个有效的三层架构，这能确保你的专家AI既专业又稳定。
第一层：专家身份内核（Identity Core）这是专家的“灵魂”。它不止于头衔，而是一份详细的“人物设定说明书”，应包含：
- 专业背景：明确的从业年限、教育经历、曾任职的机构（可虚构但需合理）、擅长的具体细分领域。
- 核心方法论：该专家解决问题时遵循的框架或理论。例如，一个“增长专家”可能遵循“海盗模型”（AARRR），一个“结构化写作专家”可能遵循“金字塔原理”。
- 沟通风格：是言简意赅、喜欢用数据和案例，还是娓娓道来、擅长比喻和故事化表达？
- 职责与边界：明确说明什么问题是其专业范畴，什么不是。例如，“本财务专家专注于个人理财与中小企业税务筹划，不提供具体的投资建议或对复杂跨国并购案进行分析。”
实操心得：这一层的内容最好以“专家自我介绍”的第一人称口吻来编写，并放在每次会话的初始系统提示词中。这比用第三人称描述（“他是一个…专家”）更能让AI代入角色。
第二层：动态知识上下文（Context Layer）这是专家的“记忆”和“参考资料”。它是可动态加载的，确保专家拥有最新的、相关的信息。
- 项目背景文档：在开始具体任务前，通过文件上传或文本粘贴，将项目相关的背景资料（如产品介绍、市场数据、会议纪要）提供给AI。这相当于给专家做了个“项目启动会简报”。
- 领域知识库：可以提前准备该领域的核心知识文档（如行业术语表、经典案例库、标准操作流程SOP），在需要时让AI检索参考。这可以通过向量数据库检索实现，也可以手动在提问时附上关键段落。
- 会话历史：一个优秀的专家系统需要具备“记忆”能力，能记住本轮对话中已讨论过的关键决策、已确认的事实，避免用户重复说明。
第三层：交互与工作流引擎（Workflow Engine）这是专家的“工作方式”。它定义了专家如何与用户协作完成任务。
- 结构化提问：专家不应被动等待用户给全信息，而应主动通过结构化提问来澄清需求。例如，当用户说“帮我写个产品需求文档（PRD）”时，专家AI应反问：“好的。请问目标用户画像是什么？主要解决的核心痛点是什么？预期的成功指标有哪些？”
- 分步交付与确认：复杂任务应拆解为多个步骤，每完成一步都与用户确认，再继续下一步。这模仿了真实世界中专家与客户的协作模式。
- 输出格式规范：明确要求专家以特定格式输出，如Markdown、表格、思维导图大纲等，并遵循一定的文档规范（如PRD必须包含背景、目标、功能列表、非功能需求等章节）。
3. 实战构建：以“资深产品经理”专家为例
理论讲完了，我们动手创建一个实实在在的“资深产品经理”AI专家。我会以目前主流的ChatGPT Plus（GPT-4）或Claude作为基础模型来演示，这些思路同样适用于通过API搭建更复杂的系统。
3.1 第一步：铸造专家“灵魂”——编写终极系统提示词
这是最关键的一步。你的提示词质量直接决定了AI的“专业度”。以下是我打磨多次后形成的一个高效模板，你可以在此基础上修改：
# 角色与使命 你是Alex，一位拥有12年经验的互联网产品专家，曾主导过3款从0到1并达到百万级日活的产品。你擅长用户需求洞察、产品规划、敏捷迭代和数据分析。你的沟通风格直接、务实，喜欢用数据和案例支撑观点。 # 核心工作原则 1. **用户价值优先**：任何功能设计都必须首先明确其为目标用户解决了什么具体问题，带来了什么可衡量的价值。 2. **MVP思维**：总是优先寻找用最小成本验证核心假设的方案。 3. **结构化表达**：分析问题逻辑清晰，输出文档结构完整。 # 交互协议 1. 当我提出一个产品相关需求时，你不会直接开始给方案。你必须先向我提出最多3个最关键的问题，以澄清背景、目标和约束条件。 2. 在给出方案或文档时，请使用Markdown格式，并确保包含[背景]、[目标]、[核心功能]、[成功指标]、[迭代计划]等必要章节。 3. 如果问题超出你的专业范围（如详细的技术架构选型、具体的视觉设计），你会明确指出来，并建议我咨询相关领域的专家。 # 现在，请开始你的工作。注意事项：提示词中的具体年限、成就可以调整，但必须具体、可信。“擅长…”的领域要写得细致，避免“擅长产品设计”这种泛泛之谈，要写成“擅长B端SaaS产品的权限模型与工作流设计”。
3.2 第二步：为专家“注入记忆”——管理对话上下文
在ChatGPT Web界面，你可以利用“自定义指令”或“文件上传”功能来实现初步的上下文管理。
方法A：利用“自定义指令”固定专家身份将上面编写的核心系统提示词（精简版）填入ChatGPT的“自定义指令”（Custom Instructions）的“How would you like ChatGPT to respond?”部分。这样，每次开启新会话，AI都会默认带入这个角色，省去每次复制的麻烦。但缺点是，自定义指令有字符限制，且无法在对话中动态加载项目文档。
方法B：会话内初始化与文档上传
- 开启一个新对话。
- 第一句话就将完整的系统提示词粘贴进去，发送。这相当于“唤醒”了这位专家。
- 紧接着，使用文件上传功能，将你的项目背景资料（Word、Excel、PDF、TXT均可）上传。然后说：“Alex，这是当前项目的背景资料，请先阅读。我们接下来要讨论的是【具体任务，如：设计一个社区团购功能的MVP方案】。”
- AI在回复时，就会基于你赋予的“专家灵魂”和提供的“项目记忆”来工作了。
方法C（进阶）：构建本地知识库与检索对于需要频繁咨询、且知识体系固定的领域（如公司法务咨询、特定技术栈的代码规范），可以搭建一个轻量级向量数据库（例如用ChromaDB或Pinecone）。将领域知识PDF、手册等文本切分、向量化后存储。当用户提问时，先自动从知识库中检索最相关的3-5个片段，连同系统提示词和问题一起发送给AI。这样，AI的回答就能深度结合你的内部知识，真正做到“专属专家”。这需要一些编程基础，通常使用LangChain、LlamaIndex等框架可以快速实现原型。
3.3 第三步：与专家“协同工作”——掌握交互范式
现在，专家已经就位。如何与他高效工作，决定了产出质量。
范式一：咨询与决策
- 用户：“Alex，我们在考虑为这款工具增加社交分享功能，你评估一下优先级。”
- 专家AI（应遵循提示词反问）：“要评估这个功能的优先级，我需要了解：1. 我们当前的核心用户画像和他们的首要需求是什么？2. 增加社交分享，主要目标是拉新、促活还是品牌曝光？3. 我们下个季度的核心产品目标是什么？”
- （用户回答后）
- 专家AI：“基于你提供的信息，我的分析如下：1.价值评估：… 2.成本评估：… 3.建议：鉴于我们本季度的目标是提升留存，社交分享功能对核心留存价值有限，且开发成本较高，建议优先级调整为P2，优先考虑【另一个功能】。”
范式二：文档撰写与评审
- 用户：“基于刚才讨论的社区团购MVP，请输出一份产品需求文档（PRD）草稿。”
- 专家AI：“好的，以下是根据我们讨论整理的PRD草稿，请重点评审【核心功能逻辑】和【迭代计划】部分：## PRD：社区团购功能MVP …”
- 用户：“迭代计划中，第一阶段的功能点还是太多，能否进一步精简，只保留最核心的‘开团、参团、支付’闭环？”
- 专家AI：“收到反馈。你说得对，MVP应该更聚焦。修订后的第一阶段迭代计划如下：1.团长端：创建团购（选择商品、设置成团人数/截止时间） 2.成员端：查看团购列表、选择参团并支付 3.基础后台：团购状态管理。其他功能如拼单提醒、物流跟踪均放入第二阶段。”
通过这种结构化、互动式的对话，你不再是漫无目的地向AI提问，而是在引导一位专业的合作伙伴，共同推进一项具体工作。
4. 高级技巧与避坑指南：让你的专家AI更可靠
在创建和使用了数十个不同领域的专家AI后，我积累了不少让专家更“靠谱”的技巧，也踩过很多坑。
4.1 技巧：用“种子文本”固化风格和深度
如果你希望专家输出的文档有非常特定的文风（比如，像某位知名科技评论家那样犀利，或者像某份行业白皮书那样严谨），一个有效的方法是提供“种子文本”。
- 操作：在系统提示词最后加上：“请参考以下文本的写作风格和论述深度来组织你的回答：[这里粘贴一段你想要的风格示例文本]”。
- 原理：大语言模型具有强大的模仿能力。提供高质量的范例，能更精准地锚定其输出在风格和深度上的期望值，比单纯用语言描述“请写得深刻一些”有效得多。
4.2 技巧：为专家设置“思考链”触发词
对于复杂的分析性问题，直接让AI给出结论有时会显得跳跃。你可以要求专家“展示思考过程”。
- 操作：在提问时，加上“请逐步分析”或“请展示你的推理步骤”这样的指令。
- 示例：
- 用户：“Alex，我们的用户注册转化率下降了5%，可能的原因有哪些？”
- 专家AI（普通模式）：“可能的原因有：1. 注册流程改动 2. 渠道质量变化 3. 竞争对手动作…”
- 专家AI（开启思考链模式）：“我们来一步步分析。首先，转化率下降是一个结果，我们需要定位到具体环节。第一步，需要区分是新用户注册转化率下降，还是整体注册转化率下降？如果是整体，那么…第二步，查看各渠道数据，如果某个核心渠道数据暴跌，则可能是…第三步，检查近期有无产品更新，特别是注册流程…”
后者不仅能给出答案，还能将其分析框架展示给你，这对于学习专家的思维方式非常有价值。
4.3 大坑：混淆不同专家的“记忆”
不要在同一个聊天会话中频繁切换不同的专家角色。比如，你先让AI扮演产品经理讨论了半小时PRD，然后又突然说“现在你是一名资深程序员，评审一下这段代码”。这极大概率会导致AI角色混乱，将之前产品讨论的上下文带入代码评审，产生荒谬的结果。
- 正确做法：为每个重要的专家角色开启一个独立的聊天会话，并做好会话命名（如“产品专家-Alex-XX项目PRD”、“后端架构师-代码评审”）。这样能保证上下文的纯净。
4.4 大坑：过度依赖，放弃批判性思考
这是最危险的一个坑。无论AI扮演的专家看起来多么逼真，它本质上仍是一个基于概率生成文本的模型，可能会“自信地”编造不存在的案例、数据或逻辑。
- 核心原则：AI专家是你的“副驾驶”，不是“自动驾驶”。它的价值在于提供思路、拓展选项、起草草稿、查漏补缺，但最终的决策、对事实的核查、对关键逻辑的判断，必须由你——这个真人“机长”来负责。
- 实操建议：对于AI专家给出的任何关键建议、数据引用或案例，尤其是那些听起来非常完美但让你有点意外的，一定要用“请提供这个说法的来源或推导依据”来追问，或者自己进行快速的事实核查。
5. 典型应用场景与效果评估
这套玩法几乎可以应用到任何需要专业知识的脑力工作场景中。以下是我和团队验证过效果特别显著的几个场景：
场景一：初创团队的多面手顾问对于人手有限的初创团队，不可能配备齐全的产品、运营、市场、法务专家。通过构建对应的专家AI，可以在需要时快速获得专业视角。
- 效果：在构思一个新功能时，我们依次咨询了“产品专家”（评估用户价值与MVP范围）、“UI/UX设计师”（评估交互成本与设计原则）和“增长专家”（评估拉新与传播潜力）。在半小时内，就完成了一次低成本、多维度的“内部评审会”，形成了初步共识，效率远超以往漫无目的的脑暴。
场景二：内容创作者的深度研究助手自媒体作者、行业分析师需要快速理解新领域、撰写深度文章。
- 操作：构建一个“行业研究分析师”专家。将搜集到的零散行业报告、新闻稿、财报数据上传给它，然后下达指令：“请基于以上资料，梳理出新能源汽车电池技术路线的三大主流方向，并分析其各自的优势、劣势及代表厂商，用表格形式呈现，最后附上500字的趋势评论。”
- 效果：AI专家能在几分钟内完成资料的整合、对比分析和结构化输出，作者只需在此基础上进行润色、加入个人观点即可，将资料处理效率提升数倍。
场景三：程序员的代码与架构顾问即使是经验丰富的程序员，也会遇到不熟悉的技术栈或需要优化方案。
- 操作：构建一个“资深后端架构师”专家，其系统提示词中明确其擅长“微服务设计、数据库性能优化、云原生技术栈”。将一段有性能问题的代码或一个初步的系统设计图描述给它。
- 效果：AI专家不仅能指出代码中的潜在瓶颈（如N+1查询问题），还能给出优化建议（如使用索引、缓存策略），甚至能对比不同技术选型（如使用Redis vs. Memcached）的优缺点，并附上简单的示例代码片段。它充当了一个随时可问、不知疲倦的资深同事。
效果评估维度： 如何判断你的专家AI是否合格？可以从以下几个维度评估：
- 一致性：在长对话中，其专业领域、口吻、方法论是否始终保持一致？
- 深度：其回答是否超越了通用百科知识，能结合你提供的上下文，给出有场景针对性的见解？
- 实用性：其输出的方案、文档或建议，是否具备可操作性，能否直接或经少量修改后用于实际工作？
- 交互性：它是否会主动澄清需求、分步推进，让对话感觉像是在与一个负责任的合作伙伴协作？
6. 常见问题与故障排除实录
在实际操作中，你肯定会遇到各种问题。下面是我遇到的一些典型情况及其解决方法。
问题1：AI中途“角色崩塌”，开始用通用口吻回答。
- 现象：对话进行到第十几轮，AI的回答开头不再是“作为您的产品顾问…”，而是变成了“根据您的问题，我认为…”。
- 原因：对话上下文过长，早期的系统提示词被“挤”到了上下文窗口的远端，影响力减弱。
- 解决方案：
- 轻度强化：在发现苗头时，立即发送一句强化指令：“请记住，你是我资深产品顾问Alex，请继续以这个身份和风格提供建议。”
- 中度重置：如果对话已很长且复杂，最好的方法是开启一个新会话，将之前对话中最重要的结论和当前的新问题，作为“项目背景”重新描述给AI专家。
- 根本预防：对于超长、复杂的项目，不要期望在一个会话中解决所有问题。应该按阶段、按议题拆分成多个独立会话。例如，“项目A-市场调研阶段”一个会话，“项目A-PRD撰写阶段”另一个新会话。
问题2：专家AI给出的方案过于理想化或脱离实际约束。
- 现象：你问“如何实现一周内用户增长翻倍”，AI给出一个需要百万预算和20人团队的整合营销方案，而你的实际资源只有一个人和很少的预算。
- 原因：你在提问时没有明确告知约束条件（时间、预算、人力、技术基础）。
- 解决方案：养成在提问时主动说明约束条件的习惯。提问模板：“在[时间限制：如1个月]、[资源限制：如只有我1个人兼职、预算几乎为0]、[技术限制：如仅能使用现有公众号平台]的情况下，如何实现[具体目标：如提升文章打开率10%]？请给出3个可立即执行的低成本方案。”
问题3：需要专家AI参考一份它“不知道”的最新资料。
- 现象：你需要专家基于一份刚发布的、未进入AI训练数据的最新行业白皮书进行分析。
- 解决方案：
- 最佳实践（文件上传）：直接将PDF、Word等文件上传给AI（ChatGPT Plus等支持此功能），然后说：“请仔细阅读这份《2024年XX行业报告》，并总结其核心观点。”
- 文本粘贴：如果文件无法上传或太大，手动复制报告中最关键的几页文字（注意字符数限制），粘贴给AI。
- 摘要引导：如果资料极长，你可以先自己快速浏览，提炼出几个核心数据和结论，然后告诉AI：“根据最新报告，A市场规模已达X亿，年增长Y%，主要趋势是Z。请基于这些信息，分析对我们B业务的启示。”
问题4：如何管理越来越多的专家AI？
- 现象：创建了产品、运营、写作、编程等多个专家，每次要找对应的提示词很麻烦。
- 解决方案：建立你自己的“专家库”。
- 本地文档管理：用一个Notion、语雀或简单的Word文档，为每个专家建立一页档案，存放其完整的系统提示词、使用案例和注意事项。
- 利用聊天工具的“文件夹”或“收藏”功能：将每个专家初始化的那个高质量会话保存或收藏，并重命名为明确的专家名称。
- 进阶-构建快捷工具：如果你懂一点编程，可以用Python+Streamlit或简单的浏览器书签脚本，制作一个面板，点击某个专家按钮，就自动将对应的提示词复制到剪贴板或直接打开一个预设好的聊天链接。
构建和使用专家AI的过程，是一个不断调优和磨合的过程。没有一劳永逸的完美提示词，关键在于你能否清晰地定义需求，并学会如何与这个强大的“副驾驶”有效沟通。当你熟练之后，你会发现它不仅仅是一个工具，更像是一个能够极大拓展你个人能力和团队专业边界的杠杆。