用AI做职业规划总得到空话？把提问拆成五层的4个做法

一、那个让人失望的对话框

工作三五年，你想过转岗、想过跳槽、也想过要不要考个证换个赛道。你打开AI对话框，敲下一行字：「帮我做个职业规划。」

几秒之后，屏幕上出现一段结构完整、语气诚恳的文字：建议你明确长期目标、提升核心竞争力、保持持续学习、拓展人脉资源、定期复盘调整。

你盯着这段话看了半分钟，意识到一个尴尬的事实：把「你」换成任何一个同事的名字，这段话都成立。它没说错什么，但也没告诉你能做什么。

这不是你一个人的体验。在知乎整理的职场Prompt讨论里，被反复提到的两大崩溃场景，一个是「让AI写活动方案，出来的全是空话」，另一个是「用AI总结报表，只列数据没分析」。同样的毛病，放到职业规划上只会更明显——因为职业规划比一份方案更依赖「你是谁」这个前提。

二、卡住的原因：你在让AI当算命先生

AI给出的答案之所以泛化，通常不是因为模型不行，而是因为三件事没做。

第一，你没给它约束条件。 你的城市、行业、工作年限、学历、现有技能存量、每月能挤出的学习时间、房贷和家庭带来的现金流压力、明确不想再做的事——这些全部是规划的必要输入。你一个都没说，它只能按平均水平回答。

第二，你让它同时扮演了所有角色。 没有角色设定时，AI默认用「通用职场导师」的口径说话，而通用口径天然中庸。它不知道你需要的是行业内部视角、HR筛选视角，还是过来人的劝退视角。

第三，任务颗粒度太大。 「职业规划」是一个项目，不是一次问答。它至少包含自我盘点、目标还原、差距分析、行动计划、复盘机制这几个环节。你把它压缩成一句话，等于要求对方一次性输出整个项目。

OpenClaw 的 Prompt 模板库在这一点上给出了一个可迁移的思路，它的核心主张是「Prompt不是一句话，是一套系统」，并用五层架构来组织：SOUL 性格层（7个模板）、USER 背景层（6个）、TASK 指令层（10个）、SKILL 配置层（6个）、COMBO 场景合集（5套开箱方案），合计 200+ 实战模板（来源：OpenClaw Prompt 模板库）。这套分层逻辑搬到职业规划场景，同样成立。

三、做法一：先写一份「个人背景档案」，每次对话都带上

对应上面说的 USER 背景层。找一个文本文件，写清楚下面这些条目，越具体越好：

基本信息：所在城市、行业、岗位、工作年限、学历背景
硬约束：每月可投入学习的时间、经济压力、家庭安排、不能接受的工作形态（比如不能长期出差）
技能存量：已经会什么、到什么程度、有哪些可验证的产出
明确排除项：不想再做的岗位类型、不想再进的行业
本次要解决的具体问题：是三个月内换工作，还是两年内完成转型，还是先判断要不要转

写完存好。以后每次向AI提问职业相关的问题，开头都贴一遍。这一步看起来笨，但它决定的是一次对话产出的是套话还是有信息量的建议。

四、做法二：给AI一个具体角色，而不是「职场导师」

对应 SOUL 性格层。角色设定要落到具体身份和说话方式上，比如：

知乎整理的 30 个万能 Prompt 模板按岗位分类（行政、运营等）的做法，本质上就是这个逻辑——不同岗位、不同行业需要不同口径，通用口径只会输出通用答案。

一个实用的技巧是：同一个问题，换三个不同角色各问一遍（行业从业者、招聘方、已经转型成功的人），然后对比三份答案的分歧点。分歧最大的地方，往往就是你需要亲自去验证的关键假设。

五、做法三：把「职业规划」拆成五个可执行子任务

对应 TASK 指令层。不要一次问完，按顺序分五轮：

现状盘点：把背景档案交给AI，让它列出你目前的位置、可迁移能力、明显短板，并追问它需要的补充信息。
目标还原：让它基于若干条真实招聘JD，还原目标岗位对能力、经验、证书的具体要求清单。
差距分析：把现状清单和目标要求清单对照，标出「已有」「部分具备」「完全缺失」三档。
12周行动计划：只针对差距里的前两项，排出每周要做的具体动作，颗粒度到「本周完成什么、产出什么」。
复盘问题清单：让它准备一份每月自问的问题列表，用于判断计划是否需要调整。

分层提问的好处是，每一轮都有明确产出，你可以逐轮检查AI是不是在说空话。GitHub 上的 dalingdao/awesome-ai-prompts-zh 收录了 100+ 精选模板，声明可直接复制到 ChatGPT / Claude / Gemini 使用；perlinson/ai-agent-prompt-library 则定位为帮助 AI Agent 更高效工作的模板集合。这些库的价值不在于模板本身多神，而在于它们示范了「分层提问」这个结构。

六、做法四：把每轮结论沉淀下来，形成个人职业档案

职业规划不是一次性输出。行业在变、岗位要求在变、你自己的偏好也在变。

所以每完成一轮对话，把结论存进一个固定文档：这一轮我确认了什么、否定了什么、下一步要验证什么。三个月后回头翻，你会看到自己的判断是怎么变化的——这个过程本身就是最有价值的职业规划材料。

七、如果有一个AI助理来承接这套流程

上面四个做法，手动执行是可行的，但摩擦不小：背景档案要反复粘贴，五轮子任务的产出散在不同对话里，几个月后想回看当时的判断依据，可能已经找不到了。

时踪(DeepPath) 的思路正好对着这些摩擦点。它把「第二大脑」作为定位，通过对话帮你把目标探索清楚，再将目标拆解成可执行的计划；对话过程中产生的信息和上下文会被沉淀下来，形成属于你自己的知识库，后续再聊相关话题时不必从头交代背景。它的「自进化」特性也体现在这里——随着你输入的信息变多，它对你处境的理解会跟着更新，而不是每次从零开始。

比如一个常见的用法：你先和它把「两年内从技术支持转向产品岗」这个方向聊清楚，它会追问你的约束条件和已有能力，然后给出一份分解到具体步骤的计划。之后你每完成一步，回来同步一次进展，方案可以随时调整，这些记录也留在同一条脉络里，不用再翻聊天记录找当初为什么这么定。

八、下一步，从一段话开始

如果你现在就想试，不用等工具，先做一件事：花二十分钟，把第三部分那份个人背景档案写出来。不用写得漂亮，写清楚就行。

然后复制下面这段模板，把你写的档案填进第一段，去和任意一个AI对话跑一轮：

跑完这一轮，你会明显感觉到和「帮我做职业规划」的差别。等你习惯了这种分层提问的方式，再考虑用时踪(DeepPath) 这类工具把档案和结论长期沉淀下来，会順得多。想先了解它怎么承接这套流程，可以从 deeppath.cc 开始看看。