用SMART法则向AI描述你的目标

AI 跑偏时，很多时候不是模型能力不够，而是目标没有被描述成一个可以完成的任务。

我最早在营销管理中接触 SMART。它原本用来处理“提升品牌影响力”这类正确却无法推进的愿望：把它拆成有对象、有边界、有验收方式的任务。放到和 AI 的对话里，道理一样。

AI 不负责猜中我的真实意图。它负责推进我已经说清楚的目标。

这里说的 AI，不只是一类 Agent。ChatGPT、编码助手、学习或旅行规划工具都一样：人先定义目标，AI 再参与执行。

先分清：我是在提问，还是在交付一个任务

“帮我做个旅行计划。”“帮我学好英语。”“帮我分析这份报告。”“把这个功能做好。”

这些话都不算错。但它们没有告诉 AI：我最在乎什么，最后要拿到什么，哪些条件不能碰，什么状态才叫完成。

如果把 AI 当作一个很能干、但不了解我处境的协作者，这件事就容易理解了。它会根据有限信息补全答案；补得越多，偏离真实意图的可能性也越大。

所以问题不在于把 Prompt 写得更长，而在于先把目标管理做好。

SMART 提供了一个很实用的切口：Specific、Measurable、Achievable、Relevant、Time-bound。它们不是必须逐字填完的提示词模板，而是五个值得先回答的问题。

S：把“我要什么”说到不容易被误会

Specific 是具体。

和 AI 对话时，具体不是堆背景资料，而是说清任务对象、当前场景、预期交付物，以及不希望它做什么。

比如“帮我准备一次面试”，可以先换成：

我下周要参加一场产品经理面试，岗位强调用户研究和跨团队协作。请先根据我的简历生成 10 个高概率追问，并给出每个问题的回答结构；不要替我编造没有做过的项目，回答要保留我可以自行补充的事实位置。

这段任务里，场景、对象、交付和边界都出现了。

同样的写法也适用于日常生活。不是“帮我安排周末”，而是“我周六下午有四小时，想完成一次低预算的室内亲子活动；两位孩子分别是 6 岁和 10 岁；给我三个方案，每个方案写清准备物品、总预算和雨天替代方案。”

具体，不是控制 AI 的每一步；是避免让 AI 替我做本该由我做的选择。

M：不要只说“做好”，要先写清什么算完成

Measurable 是可衡量。

它不一定意味着 KPI，也不一定非要用数字。它的重点是：我如何判断这次输出能不能进入下一步？

例如，请 AI 帮我解释一份行业报告时，验收条件可以是：

• 用不超过 500 字讲清报告的三个核心结论；
• 每条结论都标出对应页码或原文依据；
• 把“报告明确说明的事实”和“根据事实做出的推断”分开；
• 最后列出三个仍然不能从报告得出的结论。

这样，任务就不再是“总结一下”，而是一次可以检查的交付。

当完成标准不存在时，AI 往往会优先产出看起来流畅、完整的东西；当完成标准存在时，它才知道什么比辞藻、篇幅和信息量更重要。

我会把 M 理解为：先定义验收，再开始生成。

A：把大愿望切成这一轮做得完的范围

Achievable 是可实现。

AI 很容易让人误以为，大目标也可以一次性解决。比如“帮我做一份创业计划”“帮我重构整个系统”“帮我规划未来三年的职业路径”。它当然可以给出一份长答案，但长答案不等于一个可推进的任务。

更稳的做法，是先为这一轮对话划出边界：

我正在考虑要不要转向数据分析岗位。请先根据我现有经历，列出需要补齐的能力项，并设计一个 30 天的验证计划。计划只覆盖入门项目、学习资料和每周复盘问题；不要替我判断是否应该离职，也不要假设我已经具备相关技能。

这不是降低目标，而是把不确定性放回它该在的位置。信息不足的地方，不要伪装成结论；还没做的决定，也不要伪装成计划。

AI 在清楚的范围内可以推进得很快。范围失控时，它同样会生成很多内容，只是那些内容会伪装成进展。

R：让这件事回到我真正要做的决定

Relevant 是相关。

它问的不是“这件事听起来有没有价值”，而是“它现在为什么值得做，它服务哪个决定”。这是 SMART 从营销管理带来的一个很重要的提醒：所有动作都要和真实目标发生关系。

比如，“整理这份合同”可以改为：

请从这份合同中提取所有会影响我是否签约的条款，按费用、交付、责任、退出机制四类整理。我的目标不是得到合同摘要，而是准备明天和对方确认的谈判问题。

又比如，“帮我学 Python”可以改为：

我想用 Python 自动整理每周的销售 CSV。请为这个具体任务设计学习路径，并从读取、清洗、汇总三个环节开始；不要给我泛泛的语言学习目录。

同样一份输出，和“下一步我需要作什么判断”连在一起，AI 的取舍就会不同。

这也是人不能外包给 AI 的部分。AI 可以归纳、比较、起草和检查，但“什么对我现在最重要”仍然来自人的处境、责任和选择。

T：给任务设一个结束点，也设一个反馈点

Time-bound 是时间边界。

很多人只在任务末尾补一句“今天给我”。但和 AI 协作时，更有用的是规定这轮对话在哪里停下来，等我确认什么，再继续什么。

例如：

先在 20 分钟内给我三种信息架构方案，每种不超过 8 个一级模块。我确认一种方向后，你再展开页面内容和字段设计；今天只完成结构选择，不进入视觉设计。

这是一种时间盒：它既限制了当下的工作范围，也把人的判断放在正确的节点上。

我会把 T 看成一个小型反馈回路：先产出什么，谁来判断，判断后再进入什么。

有了它，对话就不再是“生成—失望—重来”，而是有节奏地推进。

一张可以用于任何 AI 对话的目标卡片

下一次要把一件事交给 AI 时，可以先在脑中或对话框里补齐这几行：

目标：我这一轮真正想推进什么？
场景：这件事发生在什么背景下，服务谁或影响谁？
交付：这一轮要拿到什么具体结果？
验收：满足哪些条件，才算可以进入下一步？
边界：哪些事实不能编造，哪些范围、表达或动作不能越过？
相关性：它支持我正在做的哪个决定？
时间：这一轮何时停下，由谁确认什么？
资料：我已经提供了什么；缺失的信息应当追问、标注，还是暂不处理？

它不必严格排成 SMART 的五个字母。真实任务里，“交付”“边界”“资料”往往也需要单独写出来。但它保留了 SMART 的核心：让一个愿望从一句口号，变成可执行、可验收、可复盘的任务。

写在最后

营销经验让我学到的，并不是怎样把目标写得更漂亮。

而是先把“我到底要达成什么”说清楚。

今天和 AI 对话，这个原则变得更重要了。AI 可以把清楚的目标推进得很快，也可以把模糊的目标放大成一大段看似专业的答案。

所以，在下一次打开对话框之前，我会先问自己：我要 AI 帮我完成什么？什么算完成？哪些判断仍然必须由我负责？

答案越清楚，协作才越有可能真正开始。