多数候选人是等 offer 到手才开始谈，这时候已经晚了。真正能谈出钱的准备发生在前几天：把目标区间锚到可验证的数据上，定一条你真守得住的底线，再把 recruiter 初筛演练到位，让你报出的数字听起来是被职业经历打磨过的，而不是临场慌乱挤出来的。
这件事的回报是实打实的。Pew Research 2025 年的调查显示，谈过起薪的美国候选人里约有三分之二拿到了更高的 offer；对近年谈判研究的综合分析则把一次成功谈判的平均涨幅放在 18.8% 左右。不谈的人，留在桌上的钱是实打实的——而且往后每一次涨薪都按这个起薪数字往上叠，一辈子累计下来的损失轻松到六位数。下面 12 个准备 Prompt 能把 AI 助手变成你的薪资研究分析师加陪练，让你走进通话时心里早有定数。
一句话总结
- 谈判赢在准备，不在通话里。任何 recruiter 对话之前先定好三个数字：锚点、目标、底线。
- 锚到可验证数据：levels.fyi 的 “actuals”（近 6 个月内签下的真实 offer）、目前美国 16 个州加华盛顿特区依法必须公示的薪资区间，再加 2-3 个同行或 recruiter 的数据点。
- 推理用 thinking 档模型，脚本用快档模型。Claude Opus 4.7、GPT-5.5 Thinking、Gemini 3.1 Pro 都能搞定区间计算；改写交给任意免费档即可。
- 永远别让模型替你编造经历或市场数字。先喂它真实数据，再让它审你的草稿，揪出道歉腔和含糊措辞。
适合哪些人
正在准备 offer 对话的候选人、转行校准期望的人，以及第一次拿到 offer 没还过一次价就接受的人。如果你谈过价，直接跳到反 offer 和多 offer 脚本。
什么时候这些 Prompt 帮不上忙
- 你手里没有任何真实数据。AI 凭空变不出可信区间，先把对标薪资查出来再写 Prompt。
- 你没有替代选项，还有硬截止日。筹码决定结果，BATNA 弱意味着锚点要往低放，而不是嗓门往高喊。
- 你让模型”诚实评估我的胜算”却不给真实履历。它会编一个你根本没挣到的自信度出来。
该用哪个 AI 工具
这套流程不需要付费套餐，但模型档位会直接影响推理质量。
| 任务 | 推荐模型（2026 年 6 月） | 原因 |
|---|---|---|
| 区间计算、BATNA 分析、级别映射 | Claude Opus 4.7、GPT-5.5 Thinking 或 Gemini 3.1 Pro | 多步推理强，能装下你完整的数据集 |
| 脚本草稿、语气审计、改写 | 任意免费档（GPT-5.5、Sonnet 4.6、Gemini 3.1 Pro） | 快、低风险的起草 |
| 长 offer letter 或一大段薪酬文档 | Claude（1M token 上下文）或 Gemini 3.1 Pro（1M） | 大段粘贴不被截断 |
免费档（ChatGPT Free、Claude Free，重度使用可上 19.99 美元/月的 Google AI Pro）足够应付一次完整谈判。把推理步骤留给 thinking 模式，其余在哪都能跑。
Prompt 结构公式
每个薪资准备 Prompt 都要带上这六个要素，缺一个输出就开始变泛。
- 角色：候选人、HM 还是 recruiter——指明 AI 扮演谁。
- 上下文：目标岗位、公司、级别、你的背景、地点。
- 目标：一个交付物——分析、脚本、答案或计划。
- 限制：字数、禁用短语、必含事实。
- 语气：自信 / 好奇 / 克制——挑 2-3 个锚定。
- 示例：贴 1-2 段你过往的答案，让它学你的语气。
这套覆盖什么
- 投递前的薪资区间研究
- 目标 / 锚点 / 底线的计算
- recruiter 初筛脚本
- 反 offer 与多 offer 脚本
- “我们不议价”的回应，以及内部晋升的论证
12 个可直接复制的 Prompt 模板
发送前把每个 [占位符] 换成你自己的内容。
1. 三数目标
Role: [role]. Geography: [city/metro]. Years experience: [years].
Build my 3-number framework: (a) aspirational anchor (top of the
plausible range), (b) target (most likely outcome), (c) walk-away
(minimum I'd accept). For each, state the data it rests on. I'll
paste comps next; flag where you're guessing vs. citing my data.2. 区间研究汇总
Here are my data points: [paste levels.fyi actuals, posted range,
peer numbers]. Synthesise one base / equity / bonus range. Flag
outliers. Tell me which level (IC4 / IC5 / Staff) my profile maps
to and why. Don't take the median blindly — weight recent, verified
offers higher.3. BATNA 锐化
My best alternative if this offer falls through: [batna]. Pressure-
test it: (1) Is it a concrete offer or a hope? (2) What specifically
does it give me in cash, equity, and timeline? (3) How much deadline
pressure am I under? Be blunt — a weak BATNA means I anchor lower.4. recruiter”你的期望是多少”脚本
A recruiter asks: "What are you targeting?" Write a 3-sentence reply
that (a) gives a range anchored at the high end of market, (b) ties
to my expertise, not "I deserve", and (c) leaves room to flex. Do
not commit to a single number. My context: [role, level, comps].5. 锚点解释
I want to anchor at [anchor]. Write a 2-sentence justification built
on my track record plus market data — never "I researched salaries".
Confident, not entitled. My strongest proof points: [2-3 results].6. 反 offer 脚本
Offer: [offer]. My target: [target]. Write a written counter that
(1) thanks them, (2) reiterates genuine interest, (3) presents the
counter with a one-line rationale, (4) leaves room for back-and-forth.
Six sentences or fewer. Warm, specific, not apologetic.7. 多 offer 杠杆
I hold offer A: [offerA] and competing offer B: [offerB]. Write a
script to raise B without sounding mercenary: a factual mention, a
direct ask whether A can match or improve, and a clear decision
deadline. Keep it under 5 sentences.8. 非现金杠杆
Beyond base salary, what should I negotiate? List 8 non-cash levers
(sign-on bonus, equity refresh, vacation, remote allowance, learning
budget, title, start date, role scope). For each: one line on how to
ask and what's realistic to get at a [company size/stage].9. “我们不议价”反驳
The recruiter says "we have a fixed salary band". Script a reply that
(1) accepts the band exists, (2) explores non-band levers (sign-on,
start date, review timing), and (3) verifies the band actually maps
to my level. Don't accept the first "no" — stay warm.10. 内部晋升谈判
I'm negotiating an internal promotion to [target level]. Build a case
doc: (1) impact stories with metrics, (2) market peer comp for the new
level, (3) what I'll own next, (4) the cost to the team if I leave.
This is case-building, not a hard ask — keep the tone collaborative.11. 语气审计
My draft counter: [draft]. Audit it for (a) apology language ("I hate
to ask"), (b) hedging ("if possible", "just"), (c) over-explaining.
Rewrite it tighter — confident but warm — and show me the before/after
on each fix.12. 决策日检查清单
I have an offer due in 48 hours: [offer details]. Walk me through
(1) sleeping on it before deciding, (2) comparing to my BATNA, (3)
comparing to my walk-away, (4) any open data I need before signing,
(5) one final ask to make before I accept. Output as a checklist.2026 年该把数字锚在哪
Prompt 再好，也只取决于你喂进去的数据。三个来源，按这个顺序加权：
- levels.fyi actuals。 它呈现的是近 6 个月内、针对特定公司特定级别签下的真实 offer，还能按城市筛选。技术岗位把它当主锚点。
- 依法公示的薪资区间。 截至 2026 年 6 月，美国 16 个州加华盛顿特区要求雇主提供善意（good-faith）薪资区间，或写在招聘信息里，或在求职者询问时提供（加州、科罗拉多、纽约、华盛顿、伊利诺伊、马萨诸塞、明尼苏达、新泽西、马里兰、夏威夷、缅因、佛蒙特等）。公示区间是你的下限，不是目标。
- 2-3 个同行或 recruiter 数据点。 拿它交叉验证上面两项。Glassdoor 和自报聚合数据偏低又过时，只能当 sanity check，绝不能当锚点。
把这三类一起喂进 Prompt 2，让模型去调和。然后核对它引用的任何数字：如果它说不出来源，就当作猜测处理。
容易踩的坑
- 不给具体上下文（公司、岗位、级别、地点）就写 Prompt——输出泛泛，进了房间没法用。
- 不给真实履历却让模型”诚实评估胜算”，它会编一个结论给你。
- 同一套答案套所有公司。同一市场的 recruiter 会互通消息。
- 没有语气锚，脚本要么平淡，要么听着像有恃无恐。
- 不核对就信它引用的数字。AI 编级别、日期、薪酬数字时一脸笃定。
- 直接交初稿。初稿读着就是一股 AI 味，第三稿才不是。
把结果再推一步
- 贴两段你自己写的真实文字，让模型学你的语气，而不是套模板。
- 先让 AI 扮 recruiter。一追问，弱答案就自己暴露了。
- 写三稿，发第三稿。每稿都念出声——凡是念着卡壳的，删掉。
- 把谈成过的表达存成个人语料库，临场复用胜过现编。
- 找一个当下就在这个岗位上的人，在通话前帮你过一遍区间。
FAQ
- recruiter 看得出答案是 AI 写的吗？：泛泛的就看得出。具体的故事、真实的数字、你自己的节奏才是解药。用 AI 来起草和审稿，别让它替你思考。
- 研究做到多深算够？：重要 offer，专注查薪资 60-90 分钟。再往后回报骤减——数据不会更准，只是你更焦虑。
- 什么时候开始查薪资？：投简历之前。Offer 之后才开始谈，已经处于下风。
- levels.fyi 和 Glassdoor 的数字能信吗？：把 levels.fyi 的 actuals（新、经验证、按级别）当锚点信。Glassdoor 这类聚合只当低置信度的 sanity check——它们偏旧又偏低。
- 公司说有固定薪资带怎么办？：用 Prompt 9。先确认这个带对应到你的级别，再去谈带外的杠杆——sign-on、入职日期、股票 refresh、调薪时点。第一个”不行”很少是定论。
- AI 会编薪资数字吗？：会，而且很笃定。任何数字都让它给出来源，进房间引用前先用你自己的数据核一遍。