高效设计AI Prompt:10大框架详细对比与应用

一、引言

1.1 Prompt框架的重要性

随着AI技术的快速发展，如何有效地与AI模型进行交互变得越来越重要。Prompt框架作为一种结构化的交互方法，能够显著提升AI输出的质量和效率。

二、10大框架

ICIO框架

ICIO Prompt框架是一种用于创建清晰、具体提示的方法，旨在提高AI模型的交互效率和准确性。ICIO是一个缩写，代表以下四个基本

指令（Instruction）：明确描述AI模型需要执行的任务，确保简洁、明确，以便模型理解任务的目标和要求。
背景信息（Context）：提供任务的上下文信息，帮助模型更好地理解任务和生成响应。可以包括任务的背景、目的、相关知识等。
输入数据（Input Data）：提供给AI模型处理的数据，可以是文本、图像、音频等，具体类型取决于AI工具的支持程度。
输出指示器（Output Indicator）：定义期望的输出形式，引导AI模型按所需格式生成输出

特征

明确性 ：通过"指令"部分，用户可以明确告诉模型具体任务，减少误解和错误。
上下文敏感性 ："背景信息"部分提供必要的上下文，使模型能够更好地理解任务。
灵活性 ："输入数据"部分允许不同类型的输入，扩展了框架的适用范围。
导向性 ："输出指示器"部分引导模型按所需格式生成输出，增强实用性。

优点

明确性：通过清晰的指令和背景信息减少歧义。
灵活性：适用于多种任务类型，包括文本生成和数据分析。
提高交互效率和准确性。
减少误解和错误。
增强模型的理解和响应质量。
ICIO框架的好处包括明确性、上下文敏感性、数据驱动、定制输出、灵活性和可扩展性，以及减少歧义，这些都有助于提高与AI模型交互时的效率和准确性.

缺点

对复杂任务的支持有限，需用户提供较为详细的上下文信息。
可能对于简单任务显得过于复杂。
需要用户提供较详细的背景信息。

适用场景

数据处理与转换：当用户需要 AI 处理特定的数据并按照特定格式输出时，如数据清洗、文本翻译或图像转换。
内容创作：当用户希望 AI 为其创作特定风格或格式的内容，如撰写报告、创作诗歌或设计图像。
技术任务：例如编码或算法设计，用户可以明确指定输入数据和期望的输出格式。
教育与培训：当用户希望 AI 为其提供特定领域的知识或技能培训时，可以使用 ICIO 框架来明确学习内容和格式。

CRISPE框架

CRISPE框架是一个用于指导用户向大型语言模型（如ChatGPT）提问的方法论框架。它由五个部分组成，分别是：

能力与角色（CR）：定义模型的能力和角色，即希望模型扮演的角色。
洞悉（I）：提供必要的背景或洞悉，使模型了解任务的上下文。
陈述（S）：明确指出希望模型执行的任务。
人格（P）：定义模型输出的风格，如正式、友好等。
实验（E）：要求模型提供多个不同的答案或进行实验。

特征

结构性 ：通过结构化的方式提供所有必要信息，使模型能够更好地理解任务。
角色扮演 ：通过定义角色和人格，使模型能够根据不同情景调整输出。
多样性 ：通过实验部分，鼓励模型提供多样性的答案。

优点

提高交互质量和效率。
优化问题解决过程。
增加输出的创造性和多样性。
支持复杂任务，能生成更贴合需求的内容；适合需要深度上下文理解的场景。

CRISPE框架有助于提高与大型语言模型交互时的效率和准确性，确保模型能够根据用户的具体需求和偏好提供合适的回答。

缺点

设计复杂，对用户的Prompt编写能力要求较高。
需要较多前期准备。

适用场景

角色扮演与模拟：当用户希望 AI 模拟特定的角色进行互动，如医生、律师或教师，为其提供专业建议或解答。
情境模拟：例如模拟商务谈判、心理咨询或角色扮演游戏，用户可以为 AI 提供详细的背景和角色描述。
个性化互动：当用户希望 AI 具有特定的性格或风格进行互动，如幽默、正式或友好。
多样化输出：当用户希望从 AI 那里获得多种不同的答案或建议，可以使用实验部分来请求多个示例。
专业咨询与建议，法律咨询，合同审核等。

以下是CRISPE框架和ICIO框架的对比：

对比维度	CRISPE框架	ICIO框架
角色定义	强调AI的角色和背景，如扮演特定角色进行互动或模拟	不直接强调角色定义，更多关注任务的明确性和输出格式
背景信息	包含洞察力部分，提供背景信息和上下文，帮助模型更好地理解任务	包含上下文信息，但更侧重于提供任务相关的背景
任务指令	明确的任务或陈述部分，告诉模型具体要执行的任务	指令部分明确描述AI模型需要执行的具体任务
个性风格	包含个性部分，指导AI以特定风格或方式回答	不直接包含个性风格的指导，但可以通过输出指示器来指定输出格式
多样性输出	实验部分允许请求AI提供多种不同的答案或建议	不直接包含实验或多样性输出的指导，但可以通过指令和上下文来间接实现
适用场景	适用于角色扮演、情境模拟、个性化互动等场景	适用于数据处理、内容创作、技术任务、教育与培训等场景
结构组成	包含能力与角色、洞察、声明、个性和实验五个部分	包含指令、背景信息、输入数据和输出指示器四个部分

综合来看，CRISPE框架更侧重于AI的角色扮演和个性化交互，适合需要AI模拟特定身份或提供多样化输出的场景。而ICIO框架则更注重任务的明确性和输出格式，适用于需要明确指导AI完成特定任务的场景。我们可以根据具体的应用需求和交互目标选择合适的框架来构建提示词

BROKE框架

BROKE 框架强调了任务的背景、角色、目标、关键输出和持续改进。它特别适用于那些需要 AI 在明确的背景和角色下，为用户提供目标导向的输出并持续优化的场景。

Background 背景：提供充足的背景信息。
Role 角色：明确扮演的角色
Objectives 目标：描述需要实现的目标。
Key Result 关键结果：期望的具体效果，以便对输出进行试验和调整，具体、可衡量的结果指标。
Evolve 试验并改进：利用【a.改进输入；b.改进答案；c.重新生成。】三种自由组合的改进，来优化回答

特征

全面性 ：涵盖背景、角色、目标和结果等多个方面，使任务定义更为全面。
动态性 ：通过演化的部分，使框架具备动态调整的能力。

优点

结构化和全面性提高任务成功率。
动态调整优化结果。
目标导向性强，适合需要明确行动步骤和结果的任务。

缺点

较为复杂，不适合简单任务。
需要较多前期准备和后期调整。
对背景信息的依赖较高，可能需要多次迭代以达到最佳效果

适用场景

项目管理与协作：当用户需要 AI 帮助管理项目、分配任务或协调团队合作时，BROKE 框架可以提供明确的背景、角色和目标，确保项目的成功执行。
创意与设计：当用户希望 AI 为其提供创意建议、设计方案或艺术创作时，BROKE 框架可以确保 AI 的输出满足用户的关键要求，并根据反馈进行持续改进。
研究与分析：当用户需要 AI 进行数据分析、市场研究或学术研究时，BROKE 框架可以为 AI 提供明确的研究背景和目标，确保研究结果的准确性和可靠性。
市场营销，广告策划，产品推广

RASCEF 框架

RASCEF 框架提供了一个全面的结构，涵盖了角色、行动、步骤、上下文、示例和格式，使其成为多种场景下与 AI 互动的理想选择。

Role (角色)：这就是 AI 需要扮演的人，他可以是电子邮件营销人员、项目经理、厨师或您能想到的任何其他角色
Action (行动)：说明需要采取的行动，这是人工智能需要做的，例如编写项目执行计划
Steps (步骤)：详细列出执行任务的步骤。
Content (上下文)：这是背景信息或情况
Example (示例)：这些是说明这一点的特定实例，它们帮助人工智能理解语气和思维/写作风格，提供具体示例帮助模型理解任务。
Format (格式)：这是 AI 应该呈现其答案的方式，它可以是段落、列表、对话或任何其他格式

特征

全面性 ：涵盖角色、行动、步骤、上下文、示例和格式，提供全方位指导。
细致性 ：通过详细步骤和示例，使任务执行更为明确。

优点

提供全面和细致的指导。
提高任务执行的准确性和一致性。
适合复杂环境下的分析与决策。

缺点

可能较为繁琐，不适合简单任务。
需要较多前期准备工作。具体实现细节较少，需用户根据实际需求灵活调整[

适用场景

专业咨询与建议：当用户需要 AI 为其提供专业的建议或策略，如营销策略、财务规划或法律咨询，RASCEF 框架可以确保 AI 提供的建议是基于明确的上下文和角色。
任务执行与流程管理：当用户希望 AI 帮助其执行特定的任务或管理工作流程，如项目管理、事件策划或销售流程，RASCEF 框架可以为 AI 提供明确的执行步骤和格式。
项目管理，任务执行，流程管理，需要详细指导的任务，商业决策。

CREATE框架

CREATE框架基于清晰度、相关信息、示例、避免含糊不清和迭代修补五个原则，用于创建和优化Prompt。

Clarity 清晰度：明确界定提示的任务或意图。
Relevant info 相关信息：提供相关细节，包括具体的关键词和事实、语气、受众、格式和结构。
Examples 实例：使用提示中的示例为输出提供背景和方向。
Avoid ambiguity 避免含糊不清：重点关注关键信息，删除提示中不必要的细节。
Tinker 迭代、修补：通过多次迭代测试和完善提示。

优点：

清晰性：通过明确的任务描述和示例减少误解。
可迭代：支持多次修正和优化。

缺点：

对于非结构化数据处理能力有限。

适用场景

适用于数据分析和报告生成，如市场调研或用户行为分析。
特别适合需要精确输出的科学或技术领域，如数据分析、报告生成等。

TAG框架

TAG框架是一种任务规划和执行方法，其中"TAG"代表任务(Task)、行动(Action)、目标(Goal)。这个框架指导用户首先明确具体任务，然后规划所需采取的行动，并最终设定清晰的目标。通过这种方式，TAG框架有助于将复杂的项目或问题分解为更易于管理和执行的部分。

Task 任务：定义具体任务。
Action 行动：描述需要采取的行动。
Goal 目标：解释最终目标。

特征

简洁性 ：通过任务、行动和目标三个部分，提供简洁高效的指导。
明确性 ：明确界定任务和目标，提高执行力。

优点

明确性：通过任务和目标设定减少执行误差。
灵活性：适用于多种商业应用场景。
简洁高效，容易理解。
提高任务执行的准确性。
支持复杂查询，适合数据密集型任务。

缺点

不适合复杂任务，对于复杂决策支持可能不够全面。
缺乏详细步骤指导。
对技术实现的依赖较高，需结合具体应用场景

适用场景

快速决策支持
任务指导
需要简洁指导的任务
商业智能。数据分析与客户服务
适用于市场营销策略制定或用户反馈收集。
特别适合需要明确目标和行动的商业场景。
TAG框架适用于各种需要规划和执行任务的场景，无论是在个人生活还是职业环境中。例如，项目管理、学习计划、市场营销活动等都可以使用这个框架来辅助规划和执行。

RTF框架

RTF框架由角色、任务和格式三个元素构成，用于明确设定与聊天生成模型的交互。通过指定角色、定义任务和要求特定格式的输出，RTF框架提高了与聊天机器人交流的效率和准确性。

角色：指定 ChatGPT 的角色。
任务：具体任务的描述。
格式：设定输出的格式要求

特征

简洁性 ：通过角色、任务和格式三个部分，提供简洁的指导。
格式控制 ：通过格式部分，严格控制输出形式。

优点

简洁明了，容易理解。对上下文依赖性较低。
通过格式控制提高一致性。

缺点

不适合复杂任务。
缺乏详细步骤指导。

适用场景

市场营销
广告策划
任务执行
快速问答。
信息查询与简单任务
适用于需要特定格式输出的场合，如报告撰写、信息汇总等。

ROSES框架

ROSES框架细分为角色、目标、场景、预期解决方案和步骤五个核心部分，确保清晰、有目的的交流。

通过指定角色、描述目标、提供场景信息、定义预期解决方案和询问具体步骤，ROSES框架帮助ChatGPT更好地理解用户需求。

Role 角色：指定 ChatGPT 的角色。
Objective 目标：说明目的或目标。
Scenario 场景：描述情况。
Solution 解决方案：定义期望的结果。
Steps 步骤：询问达成解决方案所需的行动。

特征

全面性 ：涵盖角色、目标、步骤、示例和风格，提供全方位指导。
细致性 ：通过详细步骤和示例，使任务执行更为明确。

优点

系统化，提供全面和细致的指导。
提高任务执行的准确性和一致性。

缺点

可能较为繁琐，不适合简单任务。
需要较多前期准备工作。

适用场景

咨询服务。
问题解决与任务规划
产品研发
项目管理
需要详细指导的任务
适合于需要深入分析和解决方案的场合，如商业咨询、策略制定等。

APE框架

APE框架由行动(Action)、目的(Purpose)和期望(Expectation)三个核心元素组成，旨在帮助明确任务，讨论目标，并设定期望，从而使与人工智能模型的交流更加高效。

通过定义要完成的任务（行动），讨论意图或目标（目的），以及阐明所期待的结果或成功的标准（期望），APE框架为用户提供了一种结构化的方法来清晰地传达他们的需求和期望。

Action 行动：定义要完成的工作或活动。
Purpose 目的：讨论意图或目标。
Expectation 期望：说明期望的结果。

特征

简洁性 ：通过行动、目的和期望三个部分，提供简洁的指导。
明确性 ：明确界定行动和期望，提高执行力。

优点：

明确性：通过行动和目的减少执行误差。
灵活性：适用于多种商业应用场景。

缺点：

对于复杂决策支持可能不够全面。

适用场景

广告投放
品牌推广
需要简洁指导的任务
数字营销。
用户旅程规划
适用于需要向人工智能模型明确传达任务和期望的场景，如求职信撰写、产品推荐、内容创作等。

RACE框架

RACE框架通过定义角色、行动、结果和示例四个步骤来创建结构化的Prompt。

帮助用户明确自己在交互中的角色、想要执行的行动、期望的结果和提供示例，以便大模型更准确地回应。

角色（Role）：定义模型需要扮演的角色。
行动（Action）：需要采取的行动。
内容（Content）：任务的具体内容。
期望（Expectation）：期望的结果。

特征

全面性 ：涵盖角色、行动、内容和期望，提供全面指导。
明确性 ：通过明确界定各部分，提高任务执行的准确性。

优点：

细节化：通过角色、背景和期望确保任务完成。提高任务执行的准确性。
创新性：支持泡芙提示词以增加创意元素。

缺点：

实施复杂，需要较多的前期准备。不适合简单任务。

适用场景

适用于内容创作或文案撰写，适尤其是在需要模型提供结构化和目标导向的输出时。
特别适合需要详细背景信息和期望结果的创意领域。

TRACE框架

TRACE框架在Prompt设计中，代表一种结构化提问方法，它包括了任务(Task)、请求(Request)、行动(Action)、上下文(Context)和示例(Example)五个关键部分。这一框架有助于用户清晰、具体地表达自己的需求，引导AI模型更准确地执行任务。

TRACE框架通过明确任务的具体内容、所需帮助或资源、将要执行的行动、相关的背景信息以及具体示例，帮助用户构建一个完整、明确的指令。这样可以大大提高AI模型理解和执行任务的效率和准确性。

Task 任务：定义具体任务。
Request 请求：描述您的请求。
Action 行动：说明您需要采取的行动。
Context 背景：提供背景或情况。
Example 示例：提供具体示例帮助模型理解任务。

特征

全面性 ：涵盖任务、请求、行动、背景和示例，提供全方位指导。
背景辅助 ：通过背景信息增强任务理解。

优点：

上下文敏感性：通过上下文信息确保任务理解。通过背景和示例增强理解。
易用性：结构简单，易于理解和应用。

缺点：

对于复杂决策支持可能不够全面。

适用场景

应用开发
用户参与度提升
需要背景和示例辅助的任务
适用于提升用户参与度或定制化健康计划。
特别适合需要上下文支持的用户交互场景。
当需要向AI模型提出明确、具体的任务请求时，可以使用TRACE框架来构建Prompt。例如，在内容生成、智能问答、数据分析等场景中，TRACE框架都能帮助用户更有效地与AI模型进行交互。

三、框架选择指南

3.1 选择标准

任务复杂度
角色定义需求
输出类型要求
交互深度需求

3.2 应用场景匹配

简单任务：TAG、RTF框架
复杂任务：CRISPE、BROKE框架
创意任务：ROSES、RACE框架
技术任务：ICIO框架

四、实践建议

4.1 框架使用技巧

根据任务特点选择合适框架
注意提供充分的上下文信息
保持指令的清晰和具体
适时调整和优化提示词

4.2 常见误区避免

过度复杂化简单任务
忽视背景信息的重要性
框架使用不够灵活

五、结论

随着AI技术的发展，选择合适的Prompt框架对于提高交互效率至关重要。CRISPE、ICIO、BROKE等框架各具特色，个人应根据具体任务需求来选择最适合的框架。