AI编程专栏(五)-提示词知识-通用提示结构或框架

AI编程专栏(一)- 评估AI编程工具对编程语言支持情况

AI编程专栏(二)- Cursor 深度使用指南

AI编程专栏(三)- 实战无手写代码,Monorepo结构框架开发

AI编程专栏(四) - 提示词技术,如何写编程提示词

在前面我们已经学习过提示技巧相关内容了,知道合理的使用技巧能让AI给到你的输出更为准确可靠。本篇则是再上一篇的基础上,再次延申,通过模板化的框架结构,来更好的编写提示词。

特别说明,提示框架并不是程序上非对即错 的概念,提示框架的核心是让你的自然语言表达,更具有条理性,逻辑性,结构性以便AI能更好的理解,给出你预期的答案。当前耳熟能详的框架,基本都是业界共识认可,经过实际验证的结构。

基于这些框架结构,你可以自己按照实际需求衍生,更新自己的提示词写法,自然语言特点就是灵活多变,不可预测,打破使用程序语言的模式和约束思维。

一、专业框架(与学术研究联系最紧密)

CRISPE框架的提出与学术界的努力紧密相关,旨在为提示工程提供一个更系统化、更可复现的方法论,也是目前复杂提示项目必不可少的框架。

1.1 CRISPE 提示词框架(荐)

1.1.1 含义说明

CRISPE 框架是一个非常全面和细致的提示词构建方法,它通过五个维度来精确地指导模型,特别适合复杂和要求高的任务。

  • 容量和角色 (Capacity and Role) 指定AI需要扮演的角色或具备的特定能力(方向性刺激)
  • 洞察 (Insight) : 提供背景信息、上下文和关键洞察
  • 陈述 (Statement) : 明确指示AI需要执行的具体任务
  • 个性 (Personality) : 定义AI输出的语气、风格和个性(格式约束)
  • 实验 (Experiment) : 提出一个要求,让AI对指令的不同方面进行评估或提出改进建议,以探索更好的答案(自我一致性)
1.1.2 示例提示
bash 复制代码
# 容量和角色
你是一位资深的品牌战略专家,尤其擅长帮助初创科技企业进行市场定位。

# 洞察
我们是一家新成立的人工智能公司,核心产品是一款面向C端的AI写作助手。目前市场上已有Grammarly, Notion AI等成熟产品,竞争激烈。我们的差异化优势在于更懂中文语境和创意写作辅助。

# 陈述
请为我们的产品进行市场定位分析,并提出3个核心营销口号。

# 个性
请使用专业、自信、富有远见的语气。

# 实验
请在回答的最后,告诉我你认为这个提示在哪些方面还可以改进,以便获得更具操作性的品牌战略建议。
1.1.3 特点&优劣势

优势

  • 高度定制化: CRISPE框架的五个元素几乎涵盖了所有影响输出质量的关键变量,能够实现非常精确的控制。
  • 激发模型潜力: "实验"部分非常独特,能促使模型进行自我反思和优化,有时能带来意想不到的优质答案。
  • 适合复杂任务: 在需要专业知识、特定风格和深度分析的场景下表现出色。

劣势

  • 复杂度最高: 是最复杂的框架之一,编写提示词需要花费大量时间和精力。
  • 学习曲线陡峭: 新手用户需要一定时间来理解和掌握每个元素的精确含义和用法。

二、通用极简框架(简单,业界统一)

2. RACE 提示词框架(荐)

2.1.1 含义说明

RACE 框架是一个直接且高效的指令格式,旨在快速、明确地传达任务需求,特别适合需要特定角色和精确行动的场景。

  • 角色 (Role) : 指定AI的角色(方向性刺激)
  • 行动 (Action) : 明确要求AI执行的具体动作
  • 上下文 (Context) : 提供任务的背景信息
  • 期望 (Expectation) : 阐明对结果的详细要求,如格式、范围等(条件约束)
2.1.2 示例提示
bash 复制代码
# 角色
作为一名经验丰富的人力资源经理。

# 行动
请根据我提供的岗位描述,撰写一封拒绝未被选中候选人的邮件。

# 上下文
我们招聘的是一个"高级软件工程师"岗位,收到了大量简历。这位候选人技术背景很强,但与我们团队文化不太匹配。我们需要在表示遗憾的同时,也肯定他的能力并鼓励他未来继续关注我们的机会。

# 期望
邮件语气应专业、礼貌且富有同情心。结构清晰,先表达感谢,然后告知结果,最后给出积极的结尾。不要透露具体的内部评估细节。
2.1.3 特点&优劣势

优势

  • 直接高效: 框架简洁明了,能够快速切入主题,沟通效率高。
  • 平衡性好: 兼顾了角色、背景、行动和期望四个核心要素,适用性强。
  • 易于掌握: 逻辑清晰,是新手入门提示工程的一个很好的选择。

劣势

  • 创新性略显不足: 相较于CRISPE或CARE等框架,RACE更侧重于准确执行任务,而非激发深度思考或创意。
  • 对上下文依赖较高: 如果上下文提供不充分,输出质量会受较大影响。

3. CARE 提示词框架

3.1.1 含义说明
  • 上下文 (Context) : 设定对话发生的背景和环境
  • 行动 (Action) : 明确指出希望模型执行的具体动作或生成的内容类型。
  • 推理 (Reasoning) : 要求模型展示其思考过程、逻辑步骤或决策依据。
  • 同理心 (Empathy) : 引导模型在回应中表现出理解、共情或关怀。

其他说法

  • 结果 (Result): : 明确输出要求
  • 示例 (Example) : 提供输出样本范例
3.1.2 示例提示
python 复制代码
# 上下文 
我是一名即将毕业的大学生,最近在找工作上遇到了很多困难,投了很多简历都石沉大海,感到非常焦虑和迷茫。 

# 行动 
请你给我一些建议和鼓励。 

# 推理 
请解释一下为什么在当前就业市场下,毕业生可能会面临这些挑战,并说明你的建议是如何帮助我应对这些挑战的。 

# 同理心 
请用温暖、支持和理解的语气来回答,让我感觉到被倾听和支持。


// 另一种说法提示
# 上下文
用户咨询Python异常处理  

# 行动
解释try-except机制

# 结果
给出3种常见异常处理方案  

# 示例
try:  
x = 1/0  
except ZeroDivisionError:  
print("除数不能为零")
3.1.3 特点&优劣势

优势

  • 增强人性化: "同理心"和"推理"的加入,使得模型的回答不仅仅是信息的堆砌,更富有人情味和深度。
  • 提升信任感: 通过展示推理过程,让用户更能理解和信任模型的答案。
  • 适用于敏感话题: 在处理心理咨询、用户投诉、个人建议等敏感或情感丰富的对话时效果显著。

劣势

  • 可能产生"虚假"共情: AI的同理心是模拟的,过度依赖可能导致用户产生不切实际的情感寄托。
  • 推理过程可能不完全准确: AI解释的推理过程可能存在逻辑谬误或简化,需要用户审慎判断。

4. CHAT 提示词框架

4.1.1 含义说明

CHAT 框架旨在通过提供清晰的上下文、历史、任务和期望,引导大型语言模型(LLM)生成更相关、更连贯的回答。

  • 上下文 (Context) : 提供与问题相关的背景信息,设定对话的场景。
  • 历史 (History) : 给出之前的对话或相关互动信息,帮助模型理解语境的演变。
  • 任务 (Assignment) : 明确指出需要模型完成的具体任务。
  • 期望 (Expectation) : 详细说明对输出结果的格式、风格、长度等具体要求。

其他说法

scss 复制代码
上下文 (Context) => 假设 (Hypothesis) => 行动 (Action) => 测试 (Test)

角色 (Character) => 背景 (History) => 目标 (Ambition) => 任务 (Task)
4.1.2 示例提示
markdown 复制代码
# 上下文
我正在为一家科技公司的社交媒体账号策划一期关于"人工智能在日常生活中的应用"的科普帖子。目标受众是对科技感兴趣但非专业背景的普通大众。

# 历史
上一期的帖子我们介绍了"什么是人工智能",反响不错,但有用户留言希望了解更具体的应用实例。

# 任务
请为这期帖子撰写一段文案。

# 期望
1.  风格生动有趣,避免使用过多专业术语。
2.  列举至少3个普通人能直接感受到的AI应用案例(如智能推荐、语音助手等)。
3.  文案长度在300字左右,并配上一个吸引人的标题。
4.  结尾可以带一个互动问题,鼓励用户留言。
4.1.3 特点&优劣势

优势

  • 结构清晰: CHAT提供了一个全面的对话背景,特别适合连续性、有上下文依赖的对话任务。
  • 提升连贯性: 通过引入"历史"环节,能有效帮助模型理解对话的来龙去脉,生成逻辑更连-贯的回答。
  • 应用场景广泛: 适用于内容创作、客服对话、教育辅导等多种需要深度交互的场景。

劣势

  • 构建稍显复杂: 相比简单的单轮提问,需要用户投入更多精力来构建完整的上下文和历史信息。
  • 不适用于简单任务: 对于一些事实查询类的简单任务,使用CHAT框架会显得有些繁琐。

5. RISE 提示词框架(荐)

5.1.1 含义说明

RISE 框架强调通过提供资源和范例来提升模型输出的准确性和专业性,适用于需要基于特定知识进行回答的场景。

  • 角色 (Role) : 定义AI的身份或专业领域。
  • 输入 (Input/Instructions) : 给出具体的指令和任务描述,有时也包含原始数据或文本。
  • 步骤 (Steps) : 要求AI按照特定的步骤或逻辑顺序进行思考和操作。
  • 评估 (Evaluation/Example) : 提供评估标准或一个高质量的范例,让AI知道"好"的答案是什么样的。
5.1.2 示例提示
markdown 复制代码
# 角色
你是一名专业的财经分析师。

# 输入
这是XX公司2024年年度财报的核心数据:[营收: 100亿, 同比增长15%; 净利润: 10亿, 同比增长5%; 研发投入: 20亿, 同比增长30%]。

# 步骤
1.  首先,总结财报的关键亮点和不足。
2.  然后,分析研发投入大幅增长可能对公司未来的影响。
3.  最后,给出一个综合性的投资评级建议(如:增持、中性、减持)。

# 评估/范例
你的分析需要像顶级券商的投研报告一样,数据驱动、逻辑严密、结论明确。例如,在分析研发投入时,应结合行业趋势和公司战略进行阐述。
5.1.3 特点&优劣势

优势

  • 提升专业度: 通过提供明确的输入数据和评估标准/范例,能显著提升输出内容的专业水准和准确性。
  • 可控性强: "步骤"要求使得复杂的分析任务被拆解,AI的思考过程更加透明和可控。
  • 适合数据处理与分析: 在处理和解释数据、生成报告等任务上表现出色。

劣势

  • 准备工作繁重: 用户需要提前准备好高质量的输入数据、清晰的步骤和有代表性的范例。
  • 对用户专业能力有要求: 用户自身需要对该领域有一定了解,才能给出有效的评估标准和范例。

6. RTF 提示词框架(荐)

6.1.1 含义说明

RTF 是一个非常简洁的模型,强调以最直接的方式传达核心三要素,适合快速、日常的指令下达。

  • 角色 (Role) : 指定AI扮演的角色。
  • 任务 (Task) : 明确需要完成的具体任务。
  • 格式 (Format) : 指明输出结果需要遵循的格式。
6.1.2 示例提示
bash 复制代码
# 角色
作为一名社交媒体运营专家。

# 任务
为一款新上市的降噪耳机写5个推广文案标题。

# 格式
使用一个无序列表来呈现这5个标题。
6.1.3 特点&优劣势

优势

  • 极其简洁: 只有三个核心元素,非常容易记忆和使用。
  • 执行效率高: 适用于那些目标明确、无需复杂背景介绍的日常任务。
  • 通用性强: 几乎可以应用于任何需要结构化输出的简单请求。

劣势

  • 处理复杂任务能力有限: 由于缺少上下文、目标、示例等元素,难以应对需要深度分析和创意的复杂需求。
  • 输出质量不稳定: 对于同样的任务,输出的质量可能不如使用更复杂框架时稳定。

7.1 APE

7.1.1 含义说明

将请求分为: 行动-目的-期望

  • 行动 (Action): 要完成的特定任务,动作,行动
  • 目的 (Purpose): 执行上述任务的目标,目的
  • 期望 (Expect): 明确表述通过执行特定任务期望实现的结果
7.1.2 示例提示
makefile 复制代码
Action: 分析新能源汽车市场竞品动态  
Purpose: 为产品定价策略提供依据  
Expect: 
  1. 对比3家头部品牌价格区间  
  2. 指出价格战中的机会点  
  3. 用表格呈现核心数据
7.1.3 特点&优劣势

优势

  • 明确任务意图,显著降低结果偏差

劣势

  • 创意类任务易僵化

推荐

任务满足 目标清晰+交付标准明确 时(如报告生成/数据分析),优先使用 APE。

这是一种书写提示的结构,在这基础上,可以组合"角色设定/条件约束/自我审查"等其他内容组合使用。

8 TAG提示词框架

8.1.1 含义说明

输出框架单词解释,附带中英文

  • Task (任务) - 明确要完成的具体任务
  • Action (行动) - 详细描述执行步骤
  • Goal (目标) - 说明最终要达成的目标
8.1.2 示例提示
markdown 复制代码
Task: 优化公司网站的SEO表现
Action: 
1. 分析当前网站的SEO现状
2. 识别关键词优化机会
3. 提出页面结构优化建议
4. 制定内容策略计划
Goal: 在3个月内将网站在搜索引擎的排名提升到前三页,增加30%的自然流量
8.1.3 特点&优劣势

优势

  • 目标导向明确,结果可衡量
  • 行动步骤清晰,执行性强
  • 适合项目管理和执行类任务

劣势

  • 缺乏角色定位和背景信息
  • 对创意类任务可能约束过强

三、通用复杂框架(源于行业内的实践、专家总结和社区共识)

9. COAST 提示词框架

9.1.1 含义说明

COAST 框架通过逐层递进的方式,从宏观背景到具体格式,全方位地定义任务,确保输出结果的准确性和可用性。

  • 上下文 (Context) : 提供必要的背景信息,让模型理解任务的"大图景"。
  • 目标 (Objective) : 清晰地陈述本次提示希望达成的最终目的。
  • 行动 (Actions) : 列出为达成目标所需要执行的一系列具体步骤或动作。
  • 场景 (Scenario) : 描述一个具体的应用场景,帮助模型更好地理解和模拟。
  • 任务 (Task) : 给出最终需要交付的具体任务或产出物,并明确格式要求。

其他说法

scss 复制代码
背景 (Context) => 目标 (Objectives) => 行动 (Action) => 必要支持 (Support) => 技术应用 (Technology)

明确清晰目标(Clarify) => 大纲轮廓 (Outline) => 动作(Action)** => 必要支持 (Support) => 测试(Test) 
9.1.2 示例提示
markdown 复制代码
# 上下文
我是一家健身房的市场经理,我们计划在夏季推出一项针对减脂塑形的新课程。

# 目标
吸引潜在客户报名参加这个新课程。

# 行动
1.  设计一个吸引人的课程名称。
2.  撰写一篇社交媒体宣传文案。
3.  设计一个早鸟优惠活动。

# 场景
想象一下,一个对健身感兴趣但有些犹豫的年轻白领,在刷手机时看到了这篇帖子。

# 任务
请完成上述"行动"中的三项内容,并将宣传文案以适合发布在朋友圈的格式呈现,包含表情符号。
9.1.3 特点&优劣势

优势

  • 逻辑链条清晰: 从目标到行动再到具体任务,层层分解,使得复杂任务的指令变得清晰有序。
  • 场景化代入感强: "场景"的设定能极大帮助模型代入角色,生成更贴合实际应用情境的内容。
  • 任务导向明确: 最终的"任务"环节聚焦于交付物,确保了输出的实用性。

劣势

  • 元素间可能重叠: 在某些简单任务中,"目标"、"行动"和"任务"的界限可能不那么清晰,容易造成混淆。
  • 构建相对耗时: 需要对任务进行细致的分解和规划。

10. CREATE 框架

10.1.1 含义说明

CREATE 框架主要用于激发创意和生成多样化的内容,它通过定义角色、请求、示例等元素来引导模型进行创造性工作。

  • 角色 (Character/Role) : 定义AI需要扮演的角色。
  • 请求 (Request) : 明确提出具体的需求或问题。
  • 示例 (Examples) : 提供一个或多个参考示例,帮助模型理解期望的风格、格式或内容方向。
  • 调整 (Adjustments/Tone) : 提出对输出的风格、语气、长度等进行调整的具体要求。
  • 额外信息 (Extra Info) : 提供任何有助于完成任务的附加背景信息。
10.1.2 示例提示
bash 复制代码
# 角色
你是一位知名的美食博主。

# 请求
为一道家常菜"番茄炒蛋"写一篇食谱介绍。

# 示例
参考风格:"大家好,我是你们的老朋友小美。今天我要分享一道我外婆的拿手好菜------金沙银边番茄炒蛋!这道菜的秘诀在于......"

# 调整
请用热情、亲切的语气,让读者感觉就像在和一位朋友聊天。步骤要清晰,并加上一些让菜肴更好吃的小窍门。

# 额外信息
这道菜的特点是鸡蛋要炒得嫩滑,番茄要出汁但不能太烂。
10.1.3 特点&优劣势

优势

  • 创意导向: "示例"和"调整"的结合非常适合内容创作,能够有效地引导模型模仿并创新。
  • 直观易懂: 通过提供范例,降低了用户描述复杂风格要求的难度。
  • 灵活性高: 各个元素可以根据具体需求灵活组合使用。

劣劣势

  • 依赖于示例质量: 提供的示例质量直接决定了输出结果的上限。
  • 可能限制创新: 如果示例过于具体或死板,可能会限制模型跳出框架进行更自由的创作。

11. ROSES 提示词框架(荐)

11.1.1 含义说明

ROSES 框架是一个结构化的方法,旨在通过定义角色、目标、场景、预期解决方案和步骤,来引导模型解决复杂问题或完成规划任务。

  • 角色 (Role) : 定义AI需要扮演的角色。
  • 目标 (Objective) : 阐明需要达成的总体目标。
  • 场景 (Scenario) : 描述问题发生的具体情境或背景。
  • 预期解决方案 (Expected Solution) : 描述期望得到的解决方案的形态、关键组成部分或需要满足的条件。
  • 步骤 (Steps) : 列出达成解决方案所需的具体执行步骤或需要考虑的因素。
11.1.2 示例提示
markdown 复制代码
# 角色
你是一名专业的活动策划师。

# 目标
为公司策划一场以"团队凝聚力"为主题的年度团建活动。

# 场景
公司有约100名员工,来自不同部门,年龄跨度从20岁到50岁。预算为5万元人民币。活动时间为一天。

# 预期解决方案
我需要一个包含主题、地点建议、详细流程安排、趣味性团队游戏以及预算分配的完整活动方案。

# 步骤
1.  提出3个不同的活动主题供选择。
2.  为每个主题推荐一个合适的地点(室内或室外)。
3.  设计详细的时间表(从上午9点到下午5点)。
4.  策划至少3个能促进跨部门交流的团队游戏。
5.  制作一个清晰的预算明细表。
11.1.3 特点&优劣势

优势

  • 强规划性: 非常适合用于生成方案、计划、报告等需要清晰结构和详细步骤的内容。
  • 目标导向: 从目标出发,层层分解至具体步骤,确保所有产出都服务于最终目的。
  • 全面细致: "预期解决方案"这一环节能帮助用户更精确地描述自己想要的东西,减少沟通偏差。

劣势

  • 结构较为固定: 框架的线性结构可能不适合需要更多发散性思维的创意任务。
  • 前期思考成本高: 用户在提问前需要对自己的需求有一个非常清晰和系统的规划。

12 BROKE(荐)

12.1.1 含义说明

业界上比较流行的说法是,下面这种。

  • 背景 (Background): 提供足够的背景信息
  • 角色 (Role): 设定特定的角色
  • 目标 (Objectives): 明确任务目标
  • 关键结果 (Key Results): 定义关键的、可衡量的结果
  • 演变 (Evolve): 迭代优化,通过试验和调整来测试结果,并根据需要进行优化。

另一种说法

  • 背景 (Background): 提供足够的背景信息
  • 请求/任务 (Request): 明确要求或任务
  • 期望结果 (Outcome): 期望得到的结果
  • 关键信息 (Key Information): 必要的信息,样本示例
  • 排除/避免事项 (Exceptions): 无关项,边界case排除
12.1.2 示例提示
bash 复制代码
# 背景
市场正经历通胀

# 角色
你是一位专业的投资顾问

# 目标
分析未来6个月的投资机会

# 关键结果
提供三种投资组合建议,附上风险评估

# 演变
随着市场数据变化,动态调整投资建议
12.1.3 特点&优劣势

优势

  • 逻辑闭环,强目标导向:适合商业分析、项目管理等复杂决策任务
  • Key Results量化输出:明确要求具体交付物,显著降低结果偏差率
  • 降低沟通与试错成本:强制提供业务上下文,避免AI因信息缺失产生偏离
  • 减少无效对话轮次:结构化设计平均节省50%的交互次数,提升效率

劣势

  • 过度约束创意类任务:结果导向抑制开放性输出,生成小说、诗歌时易僵化
  • 依赖精准的初始设定:若目标或关键结果定义模糊,可能导致全面偏离预期

四、其他框架说法

13.1.1 SCOPE
scss 复制代码
情境(Scenario) => 阻碍(Complications) => 目标(Objective) => 计划(Plan) => 评估(Evaluation)

示例

bash 复制代码
# 情境
新茶饮品牌市场份额连续3季度下滑 

# 阻碍
竞品低价策略+Z世代偏好变化  

# 目标
Q4市场份额回升至15%   

# 计划
联名IP产品线+社交媒体盲盒营销  

# 评估
周度GMV监测+TikTok话题热度榜
13.1.2 TRACE(RACE升级)
scss 复制代码
任务 (Task) => 角色 (Role) => 行动 (Action) => 上下文 (Context) => 期望 (Expectation)

示例

bash 复制代码
# 任务
用户画像分析  

# 角色
你是一名数据分析师

# 行动
按消费习惯分层描述  

#上下文
取材2024年Steam数据  

# 期望
生成数据分析报告
13.1.3 ICIO
scss 复制代码
指令(Instruction) => 背景(Context) => 输入(Input) => 输出(Output)

示例

yaml 复制代码
# 指令
分析TOP5品牌的市场份额变化,指出增长最快的品牌及其成功因素

# 背景
公司计划在Q3推出新款旗舰机,需要了解竞争对手的市场表现

# 输入
2024年第一季度智能手机市场销售数据报告

# 输出
包含数据对比表格的详细分析报告,并附3条战略建议
相关推荐
阿里云大数据AI技术1 分钟前
数据 + 模型 驱动 AI Native 应用发展
大数据·数据库·人工智能
大明哥_40 分钟前
100 个 Coze 精品案例:Coze 全自动情感治愈视频混剪。用 Coze 工作流帮您节约 99% 的时间,从此告别手动!!
人工智能·agent
杨浦老苏42 分钟前
IntelliSSH:AI驱动的远程服务器管理软件
人工智能·docker·ai·ssh·群晖
昵称是6硬币1 小时前
(DETR)End-to-End Object Detection with Transformers论文精读(逐段解析)
人工智能·深度学习·目标检测·计算机视觉·transformer
PyAIExplorer1 小时前
图像处理中的凸包检测:原理与实现
图像处理·人工智能
AndrewHZ1 小时前
【图像处理基石】如何检测到画面中的ppt并对其进行增强?
图像处理·人工智能·pytorch·opencv·目标检测·计算机视觉·图像增强
奇舞精选1 小时前
用 AI 提效的新方式:全面体验 Google Gemini CLI
前端·google·ai编程
机器之心1 小时前
「Tokens是胡扯」,Mamba作者抛出颠覆性观点,揭露Transformer深层缺陷
人工智能
量子位2 小时前
马斯克 Grok-4 碾压所有大模型!“比所有领域博士都聪明”,AIME25 拿满分
ai编程·grok
机器之心2 小时前
刚刚,马斯克发布Grok 4!全榜第一,年费飚到2万+
人工智能·grok