芯耀
与非AI
428
做嵌入式这些年，AI工具从可有可无变成了离不开。最近在库拉c.kulaai.cn上对比了一圈主流模型之后，把Gemini调成了技术文档和方案设计的主力。但用下来最深的感受是：决定输出质量的不是模型参数量，是你怎么提问。
同一个Gemini，问法不同，答案质量可以差一个数量级。今天从工程师视角聊聊怎么把问题问对。
一、模糊提问是效率的头号杀手
最常见的错误场景。
你打开Gemini输入："帮我写个嵌入式方案。"
然后它给你输出一段泛泛的内容，你看了觉得没用，关掉窗口，得出结论"AI不行"。
问题出在哪？它不知道你做什么产品、用什么芯片、面向什么应用场景、有什么约束条件。你让它猜，它只能给你一个"正确但无用"的通用答案。
一条合格的工程类提问至少包含四层信息：
任务定义："写一份智能门锁的低功耗设计方案。" 技术上下文："主控用STM32L4系列，电池供电，续航目标12个月。" 输出格式："按以下结构输出——1.功耗分析（分工作模式列表）；2.硬件优化建议（表格，列含模块、当前功耗、优化方案、预期功耗）；3.固件策略（休眠模式调度方案）。" 约束条件："BOM成本增量不超过5元，不增加外部器件。"
从一句"帮我写个方案"到上面这条完整提示词，Gemini的输出质量差距是本质性的。这就是"最佳Prompt"的核心——不是写得多花哨，而是把需求边界画到模型不用猜的程度。
搜"Gemini提示词模板"能找到很多资源，但模板只是起点。真正拉开差距的是你对自己工程需求的理解深度。
二、芯片选型这种复杂任务必须拆步问
芯片选型是我用Gemini最多的场景之一，也是最容易踩坑的场景。
很多人一上来就问："帮我选一颗适合做工业传感器网关的MCU。"
这种问题Gemini不是不能答，但答出来一定不痛不痒。因为芯片选型至少涉及十几个决策维度——算力、功耗、外设资源、封装、价格、供货周期、开发生态、长期可用性——一次性全塞给模型，每个维度它只能蜻蜓点水。
正确的做法是拆成多轮对话，每轮聚焦一个决策层。
第一轮："做工业传感器网关MCU选型，先帮我列一下关键决策维度和优先级排序。"
第二轮："从功耗和外设资源两个维度，对比STM32L4、ESP32-S3和nRF5340，输出表格。"
第三轮："我的场景是4路SPI传感器+1路LoRa通信，电池供电，待机功耗要求低于10μA，综合推荐哪颗？"
每一轮Gemini的注意力锁在一个具体问题上，输出深度完全不同。这跟Gemini的技术架构有关——它在聚焦任务上的表现明显优于开放式大问题。
ChatGPT在同样的拆步场景下偶尔会出现"前后矛盾"的问题，前一轮的结论后一轮忘掉。Gemini在这方面更稳定一些，这可能跟它的训练数据中技术文档占比更高有关。
拆步问还有一层好处：每一轮的输出都是可直接用的结论，不需要你自己从一堆文字里挑重点。总用时反而比一次性扔个大问题更短。
三、角色和受众设定决定输出形态
这条技巧在工程场景下特别有用。
不设角色的Gemini回答像一本教科书——正确、全面、但没什么实战参考价值。加了角色设定之后，产出立刻从"百科条目"变成"工程师笔记"。
对比一下。
结果就是教科书式定义，你看了跟没看一样。
进阶提问："你是一个有十年STM32开发经验的嵌入式工程师，正在带一个刚入行的新人做项目。用实际项目中的例子解释DMA怎么用，重点讲什么时候该用、什么时候不该用、常见的坑有哪些。"
产出完全不一样。有场景、有经验、有避坑指南，直接就能拿去指导工作。
这个技巧的底层逻辑是：Gemini的训练数据里既有技术手册也有工程师论坛帖子，角色设定帮它把输出风格锁定在"实战经验"那一端，而不是"知识百科"这一端。
对企业团队来说这个技巧价值更大。给Gemini设定"面向硬件工程师的固件接口文档"和"面向产品经理的技术可行性说明"，同一个技术问题能快速变形成两个完全不同风格的输出。Gemini企业案例里不少团队已经在用这种方式做文档分发。
四、追问是暴露幻觉和提升深度的关键工具
大部分人在Gemini给出第一轮答案后就停了。但工程领域里，首次输出只是起点，追问才是真正拉开质量差距的地方。
四种追问模式，在嵌入式开发场景下特别有效：
第一种：逼它暴露风险。"你推荐的这个方案，在量产阶段最容易出什么问题？"Gemini首次回答倾向于给正面内容，追问能把隐藏的风险挖出来。
第二种：逼它做取舍。"如果这颗芯片停产了，你的备选方案是什么？切换成本有多高？"这能测试方案的可替代性。
第三种：追问数据来源。"你提到STM32L4的待机功耗是200nA，这个数据出自哪份数据手册？具体是哪个工作模式？"这条极其重要，因为所有大模型都有幻觉问题，Gemini引用芯片具体参数时可能编造看似合理的内容。涉及精确参数，必须回数据手册验证——这不是建议，是底线。
第四种：要求反面论证。"你推荐了方案A，那用方案B的好处是什么？什么情况下选B更合理？"打破首次输出的思维定式，看看有没有被忽略的可能性。
追问还有一个副作用：它能帮你校准Gemini对你的需求理解是否到位。有时候你觉得Gemini答偏了，其实是因为你的原始问题它理解成了另一个意思，追问能快速暴露这种偏差。
五、提问能力正在成为工程师的新技能树
说一个判断：2026年，会用AI的工程师和不会用的工程师，效率差距会进一步拉大。
但这个差距不是体现在"谁的模型更好"上。通过Amazon Bedrock做多模型调度、用Google Vertex AI做深度集成，工具层面的选择已经越来越简单。Gemini接入方式也越来越便利，Google Cloud生态内的集成相当顺畅。
真正的分水岭在提问质量上。ChatGPT和Gemini和Claude，模型之间的能力差距在缩小，但会提问的人和不会提问的人之间的差距在拉大。好模型对好问题的回报率更高——这是一个正反馈循环。
行业趋势也在印证这一点。Gemini企业案例中，落地效果最好的团队往往有一个共同做法：把经过验证的最佳Prompt整理成内部模板库，按场景分类，新人入职直接套用。这比任何培训都高效。
写在今天
四条建议，全是实战中磨出来的：需求说清楚、复杂任务拆步问、加角色和受众、追问深挖。
不需要额外工具，不需要付费课程，就是把跟资深同事讨论问题的方式用到跟Gemini对话上。
Gemini的参数量和技术架构决定了它的能力上限在那里。能不能用出来，取决于你的提问下限在哪里。先花30秒想清楚自己要什么，再开口问——这30秒的投入回报率比换任何模型都高。
