先说几个核心判断。利用天工AI搜索辅助选题可行性判断，本身是可行的，但实际操作中，生成的内容常常陷入一个典型困境：逻辑层次混乱。具体表现为，本该分层论述的要点被揉杂在一起，该深入展开的部分草草收场，该收束总结时又突然跳到另一个维度。这种结构上的失控，导致判断依据根本无法与真实的研究条件对齐。举一个常见例子——“政策支持度”和“样本获取难度”被塞进同一句话里，你无法逐项评估，那么这项判断也就失去了实际意义。

要破解这一难题，关键在于提示词的设计。不是简单地给出指令，而是要像搭建脚手架一样，将AI的思考路径牢牢锁定在预设的框架内。

明确指定段落结构与逻辑顺序

最直接的做法，是在提示词开头用中文数字标定出清晰的层级框架。强制AI按照“总—分—判”三级逻辑推进：第一句话给出可行性总评（可行、暂缓或不可行）；第二层，固定拆成3个维度展开——市场空白度、执行可控性、资源匹配度。每个维度独立成段，彼此不交叉。最后一层，必须写明“关键卡点”，且只列出1个最硬性的否决项，例如“无公开竞品数据源支撑验证”。

这一步的关键，是不能只笼统地说“分三部分说明”，必须给出每部分的名称和具体用途。否则AI会自行定义维度，很可能冒出“用户兴趣强度”这类无法量化的虚指标，导致整体分析失去意义。

用分隔符锁死输出模块边界

另一个非常有效的技巧，是在提示词中插入三短横线—作为模块分隔符。每个分隔符前后都空一行，形成清晰的视觉边界：

【可行性总评】
—
【维度一：市场空白度】
—
【维度二：执行可控性】
—
【维度三：资源匹配度】
—
【关键卡点】

这里有个细节需要注意：分隔符必须使用英文短横线，不能用中文顿号或破折号。另外，【关键卡点】前的分隔符如果遗漏，AI很容易将卡点内容混入上一维度段落中，导致最关键的判断依据失效。

方法一：用JSON Schema约束字段层级

如果希望AI的输出结果更加精准、便于解析，可以直接要求它输出JSON格式。而且Schema必须包含嵌套结构，例如：

```json
{"feasibility": "可行", "analysis": {"market_gap": {"score": 7, "evidence": "近6个月行业报告均未覆盖该细分场景"}, "execution_control": {"score": 5, "evidence": "需协调3家医院伦理审批，周期预估超90天"}, "resource_match": {"score": 8, "evidence": "团队已有同类项目数据库权限"}}, "critical_bottleneck": "伦理审批无绿色通道"}
```

这种方法比纯文本更稳定。因为一旦JSON解析失败，AI通常会重试，而不是自行发挥，这相当于给输出加了一道保险。

方法二：用角色+任务双锚点压制发散

这个方法的核心，是给AI设定一个非常具体的“人格”和“任务边界”。第一句话锁定身份：“你是一名科技项目评审专家，专注教育信息化领域，手头有3份同类课题结题报告可交叉验证。” 第二句话锁定动作：“仅基于可验证的客观条件（政策文件编号、平台接口文档、已签约合作方名单）判断可行性，禁止使用‘可能’‘预计’‘大概’等模糊表述。” 第三句话给出输出指令：“输出严格遵循：总评句→换行→三个带编号标题的段落→换行→‘卡点’二字加冒号后接具体障碍。”

这样一来，AI的发散空间就被大大压缩了。它知道自己是一位严谨的专家，只能依靠客观证据说话，并且输出格式也被规定得清清楚楚。

方法三：用反向禁令压缩无效层级

最后一种方法，是用“不允许”来划定边界。在提示词末尾，直接添加三条硬性禁令：

① 不得出现“综上所述”“由此可见”等总结性过渡句；
② 每个维度段落内禁止出现分号，所有判断依据必须用句号切分；
③ “关键卡点”段落不得超过25字，超出则自动截断——这是唯一允许AI删减内容的位置。

这些禁令看似简单，但效果非常显著。它们直接切断了AI习惯性的连接和总结行为，迫使它在有限的框架内做出最直接、最清晰的判断。

掌握了这几种方法，再搭配前文提到的分隔符和结构指定，就能有效解决AI输出层级混乱的问题。从市场空白度到执行可控性，再到资源匹配度，每一个维度都能得到清晰、可验证的评估，最终的可行性判断也会更具参考价值。