在上一篇文章中，笔者已经介绍过 Google 提出的 TCREI 提示词框架 。
这是一套结构严谨、逻辑完整的方法，特别适合复杂任务、自动化流程以及需要评估和迭代的应用场景。
但在实际使用中，很多刚开始接触 AI 的读者会遇到一个现实问题：
框架本身没有问题，但在日常使用时，步骤偏多、记忆成本较高。
如果当前目标是尽快把 AI 用起来，而不是一开始就进行完整的工程化设计，那么本篇要介绍的 RACE 框架，会是一个更合适的起点。
01 | 先明确：TCREI 的定位与适用场景
在展开 RACE 之前，有必要先把 TCREI 的概念说清楚。
TCREI = Task · Context · References · Evaluate · Iterate
TCREI 的核心特点是「完整」：
- 从任务定义开始
- 支持引入参考资料
- 提供评估与迭代机制
- 适用于高复杂度、可复用、可持续优化的场景
需要注意的是：
- TCREI 并不要求每一步都必须使用
在大多数普通场景中，只使用 Task + Context 就已经足够 - Task 本身通常隐含了多层信息
包括角色设定、目标描述以及输出要求
这也是不少初学者觉得 TCREI 不太好上手的原因：
并非框架复杂，而是多个概念集中在同一个步骤中，不利于拆解和记忆。
02 | RACE 是什么？它解决的是什么问题？
RACE = Role · Action · Context · Execute
这是一个最初由 Trust Insights 提出的提示词框架，设计目标非常明确：
- 降低学习和使用门槛
- 减少一次需要考虑的要素数量
- 覆盖绝大多数日常 AI 使用场景
与 TCREI 相比，RACE 并不强调流程完整性，而是强调：
- 需求是否表达清楚
- 提示词是否可以快速复用
- 是否能在一次对话中得到可用结果
可以理解为：
- TCREI 更偏向规范化和工程化
- RACE 更偏向日常实践和快速落地
03 | RACE 四个步骤详解
① Role：明确 AI 的角色定位
Role 用来说明：
AI 应该以什么身份、什么专业背景来完成任务。
例如：
你是一名有多年经验的 AI 工程师，擅长向初学者讲解技术概念。
明确 Role 之后，AI 在以下方面会更贴近预期：
- 知识深度
- 表达方式
- 内容组织结构
这一步的核心价值在于：
为输出设定一个清晰的专业边界。
② Action：说明要完成的具体事情
Action 是对任务本身的直接描述。
常见的 Action 包括：
- 写一篇介绍性文章
- 总结一个概念的关键要点
- 给出一个可以直接使用的示例
例如：
请介绍 RACE 提示词框架的核心思路，并给出使用示例。
Action 描述得越明确，输出范围就越可控，也越不容易偏离预期。
③ Context：补充必要的背景信息
Context 用来告诉 AI：
哪些信息是当前任务中不可忽略的背景条件。
常见的 Context 包括：
- 目标读者是谁
- 读者已经具备哪些基础
- 使用场景或限制条件
例如：
读者是刚接触 AI 的用户，希望优先掌握简单、容易记忆的提示词结构。
Context 是否充分，直接决定结果是否"对题"。
④ Execute：约定输出形式与要求
Execute 用来明确结果的呈现方式。
例如：
- 使用 Markdown 格式输出
- 结构清晰，适合直接发布
- 控制专业术语的使用频率
通过提前说明这些要求，可以显著减少反复修改的成本。
04 | RACE 与 TCREI 的使用建议
RACE 和 TCREI 并不存在取代关系，而是适用于不同阶段和需求。
| 使用场景 | 更适合的框架 |
|---|---|
| 日常学习、写作、总结 | RACE |
| 初次接触提示词框架 | RACE |
| 复杂任务、自动化流程 | TCREI |
| 需要评估与持续优化 | TCREI |
简单来说：
- RACE 更强调快速可用
- TCREI 更强调稳定性和可扩展性
05 | 实践建议与使用顺序
对于刚开始系统性使用 AI 的读者，笔者更建议：
- 先使用 RACE
重点练习如何把需求拆解并表达清楚 - 当开始遇到以下情况时，再引入 TCREI ：
- 输出结果不稳定
- 提示词需要复用
- 需要对结果进行评估和优化
这种使用路径，更符合多数人的实际学习节奏。
06 | 结语
提示词框架的意义，不在于形式本身，而在于帮助使用者更准确地表达需求。
- TCREI 提供了一套完整、工程化的思路
- RACE 提供了一种更轻量、更容易实践的方式
如果当前目标是：
尽快把 AI 融入到日常工作和学习中 ，
从 RACE 开始，会是一个更加稳妥的选择。