AI时代的魔法咒语：那些被吹爆了的价值百万的AI提示词（二）

本文是全文的第二部分，侧重讲提示词工程实践。前面三个章节则是提示词工程的纯理论和方法论相关知识的介绍，可以点击《AI时代的魔法咒语：那些被吹爆了的价值百万的AI提示词（一）》访问

四、提示词万能公式

在上一章节中，我们系统阐释了提示词工程技术的理论体系与发展脉络。掌握这项技术能够有效提升提示词设计的精准度与逻辑性，其本质是构建提示词的系统性方法论与逻辑推理框架（包括分步思考路径、外部知识整合策略等）。然而，这类学术化理论体系更适用于专业研究领域，普通用户可能难以深入理解或灵活运用。

基于此，面向大众用户的实用化提示词工程技术应用------即提示词框架应运而生。这类框架本质上可视为标准化模板或操作范式 ，通过结构化设计 将复杂理论转化为可复用的方法论。市场上广为流传的"高价值提示词案例"，往往正是基于这类框架生成。这类实用方案更贴切地被称为提示词设计的 "万能公式"，其核心价值在于通过预置的逻辑路径与表达范式，大幅降低提示词设计的专业门槛，使普通用户也能快速构建出符合需求的高质量提示词。

这两类框架并不矛盾，而是相辅相成的。你可以使用本章节的任何提示词框架来描述和应用上一章节18种技术中的任何一种。

1. 角色扮演

角色扮演框架的核心逻辑是：通过赋予AI特定身份（如医生/律师/博主），触发专业知识与语言风格，引导其输出符合该身份和风格的内容。

角色扮演是最直观、最简单，也是普通人最容易入手的一种提示词写法。通常就是你直接告诉大模型应当扮演什么职业或角色，擅长做什么工作，需要它完成什么需求的工作就可以了。

角色扮演最大的优势就是可以快速设定对话基调，让回答更具专业性和情境感，避免通用化的敷衍回应。

举例： 你是一个小红书文案专家，擅长创作爆款小红书文案和标题，请你以"XXX"为主题，帮我撰写爆款文案和标题

2. ICIO框架

ICIO框架 是一个非常经典、结构化的提示词框架，它将提示词分为四个核心的要素：指令(Instruction)、背景(Context)、输入(Input Data)、输出指示器(Output Indicator)。

Instruction（指令）: ICIO 框架的核心要素，用于明确定义 AI 需要执行的任务。编写指令时应该遵循语言简洁清晰、避免歧义和冗杂、保持任务单一的原则。一般使用动词开头的词来指定任务，如：创作xxx、分析xxx。
Context（背景信息、情景）: 提供任务的相关背景信息，辅助AI理解任务，从而执行任务。背景信息通常可以是：目标受众、历史/背景、任务目的。
Input Data（输入数据）: 即为AI提供的执行任务所需的信息、数据等内容。可以是统计数据、相关文档、参考资料、图片、音视频等内容。
Output Indicator（输出指示器、输出引导）:指导AI的输出格式和要求。一般可以指定输出的格式、内容长度限制、语气风格、输出元素等内容。

ICIO框架的最大优势是能够明确任务的边界，灵活配置复杂的需求。同时其结构简单，易于记忆和使用，能覆盖大多数任务场景，确保指令的完整性。

举例：

md 复制代码

指令(Instruction)
制定一份为期三个月的健身计划，目标为减脂10%并增强核心力量。

背景信息(Context)
用户为28岁男性，身高175cm，体重85kg，体脂率28%，办公室久坐族，每周可安排4次训练（每次60分钟），
设备有哑铃和瑜伽垫，无重大伤病史，偏好高强度间歇训练(HIIT)与力量训练结合。

输入数据(Input Data)
身体指标：体重85kg/体脂率28%/基础代谢率1800kcal/日
运动经验：半年健身房经历，能完成标准深蹲/硬拉
饮食偏好：减少精制糖摄入，蛋白质摄入量目标为1.6g/kg体重

输出指示器(Output Indicator)
以表格的形式输出以下内容：
训练计划：每周3次力量训练（上下肢分化）+1次HIIT，需具体到动作名称/组数/次数/间歇时间
饮食方案：每日三餐示例及热量控制目标，配合训练周期调整碳水/蛋白质比例
恢复策略：睡眠时长建议（7-9小时）、主动拉伸动作库及每周1次泡沫轴放松方案
进度追踪：每周体重/体脂率记录表、训练容量变化曲线及RPE主观疲劳量表

3. CO-STAR框架

CO-STAR框架 是由新加坡政府科技局数据科学与AI团队创立，是一个非常实用且易于上手的提示构建工具。它是一个结构化的六维模型：背景(Context)、目标(Objective)、风格(Style)、语调(Tone)、受众(Audience)、回应(Response)。使用CO-STAR能够构建出更加完整、有效的提示词，改善AI生成内容的相关性和效果。

背景(Context)： 为模型提供足够的背景信息，能够帮助AI理解任务的上下文、环境、条件
目标（Objective）： 明确地说明期望AI完成的具体任务或目标
风格（Style）： 指定AI生成内容的整体风格，包括词汇选择、句子结构等，例如正式、小红书风格等。
语调（Tone）： 确定AI生成内容的整体情感基调，如礼貌、说服性、激励性等。
受众（Audience）： 描述目标受众的特征，如年龄、兴趣、职业、专业等。
回应（Response）： 指定AI回应的格式，如表格、段落、列表等，以及回应的具体要求。

举例：

md 复制代码

根据CO-STAR框架调整生成的西藏旅游攻略提示词如下，已全面修正文化元素适配性并强化高原特色：

**Context（上下文）**  
用户计划进行西藏拉萨/日喀则/林芝5日深度文化之旅，预算中等（日均600-900元，含高原反应预防药物及氧气瓶租赁），偏好宗教圣地朝圣、藏族民俗体验及高原特色美食推荐，需避开7-8月雨季泥石流高发期及国庆黄金周人流高峰，设备配备单反相机、便携充电宝及防晒装备。

**Objective（目标）**  
生成包含每日行程路线、特色体验项目（如布达拉宫朝圣仪式、藏式辩经观摩、煨桑祈福）、交通接驳方案（越野车包车/青藏铁路班次）及餐饮推荐（酥油茶、牦牛肉火锅、青稞酒）的完整攻略，重点突出非游客密集型景点（如色拉寺后山徒步道、扎叶巴寺修行洞）及地道文化体验点（如藏历新年体验馆、唐卡绘制工坊）。

**Style（风格）**  
采用"游记+攻略"混合体裁，每部分配🏔️🌄🍂等emoji符号区分模块，关键信息用加粗标注，历史背景部分穿插松赞干布典故、文成公主进藏传说等典故小故事增强可读性，如"大昭寺的释迦牟尼等身像在晨光中闪耀，见证着1300年藏汉和亲的传奇"。

**Tone（语气）**  
保持专业严谨与亲切自然平衡，景点描述采用诗意化表达（如"南迦巴瓦峰在云雾中时隐时现，宛若神山显圣"），实用信息部分保持清晰指令式表述（如"包车需提前预约藏AL牌照越野车，日均费用约800元"）。

**Audience（受众）**  
目标读者为25-40岁高原生态与宗教文化深度体验爱好者，具备基础藏语问候语（如"扎西德勒"）学习能力，追求行程节奏合理性（每日海拔梯度上升≤500米）与体验独特性，注重高原适应性准备（如提前1周服用红景天）。

**Response（响应形式）**  
输出结构化攻略文档，包含：
- 分日行程表（时间/地点/交通方式/海拔/活动内容），如Day1：拉萨市区（海拔3650米）-布达拉宫晨拍-药王山观景台-八廓街转经
- 景点背景卡片（历史渊源/宗教意义/摄影提示），如大昭寺：1300年历史，藏传佛教黄教中心，最佳拍摄时间为清晨顺光
- 餐饮推荐地图（店铺坐标/特色菜/预约信息），如"雪域餐厅"推荐酥油糌粑，需提前2小时预约
- 应急预案包（高原反应对策/医疗点/天气预警），如携带葡萄糖口服液，就近医疗点为自治区人民医院

本提示词通过CO-STAR六要素协同，确保攻略既符合西藏地理文化特性，又具备专业执行细节。例如在Context中植入雨季限制条件后，攻略会自动规避泥石流高发路线；在Audience设定中明确高原适应性要求后，内容会强化海拔梯度控制、红景天服用等关键提示；通过Response形式规定，最终输出将呈现可直接打印使用的结构化文档，包含包车司机联系方式、寺庙开放时间表等实用组件，实现从信息收集到行程落地的全流程指导。

以上提示词是使用markdown格式编写，markdown是结构化提示词最常使用的格式。如果你没有markdown基础，可以简单理解为通过"#、-、*"等标记分段分点的内容。

4. CRISPE框架

CRISPE框架也是一种结构化的提示词设计方法，旨在通过明确任务的多个维度，帮助AI生成更精准、贴合需求的内容。其核心思想是通过角色设定 、背景信息 、任务描述 、风格要求 和实验性改进等要素，系统化地指导AI输出。以下是CRISPE框架的五个组成部分：

能力和角色（Capacity and Role）
- 作用：定义AI需要扮演的角色或具备的专业能力。
- 示例：指定AI为"资深财务顾问"，专注于为理财小白提供基础规划。
洞察（Insight）
- 作用：提供背景信息和上下文，帮助AI理解用户的实际需求和限制条件。
- 示例：用户是理财小白，收入有限，风险承受能力低，目标是实现财务自由。
声明（Statement）
- 作用：明确具体任务和要求，告诉AI需要完成什么。
- 示例：为用户制定一份包含储蓄、投资、保险等模块的理财规划方案。
个性（Personality）
- 作用：定义输出的语气、风格和格式，确保内容符合用户偏好。
- 示例：使用通俗易懂的语言，避免专业术语，以分步骤的形式呈现。
实验（Experiment）
- 作用：要求AI对提示词本身进行反思，提出改进建议，优化输出效果。
- 示例：在规划方案末尾，让AI分析如何调整提示词以获得更实用的建议。

举例： 为理财小白指定一份理财规划

md 复制代码

1. **能力和角色**  
你是一位资深财务顾问，擅长为理财小白提供简单易行的理财规划。

2. **洞察**  
用户是理财新手，收入稳定但储蓄较少，风险承受能力较低，目标是通过储蓄、低风险投资和保险配置，逐步实现财务自由。

3. **声明**  
为用户制定一份详细的理财规划方案，包括以下模块：  
  - 强制储蓄策略（如"先存后花"）；  
  - 低风险投资建议（如货币基金、指数基金定投）；  
  - 基础保险配置（如意外险、医疗险）；  
  - 短期与长期目标的拆解（如3年购房计划、10年退休储备）。

4. **个性**  
  - **语气**：亲切、鼓励，避免复杂术语。  
  - **格式**：分步骤说明，每部分附带操作示例（如"每月自动转账500元至货币基金"）。

5. **实验**  
按照风险等级提供三种方案，并给出选择的建议

CRISPE框架通过系统化设计提示词，能帮助AI精准捕捉用户需求，并生成结构化、可操作的内容。对于理财小白，框架中的"实验"部分尤其重要，因为它鼓励AI主动优化输出逻辑，确保规划方案既简单易懂又贴合实际。

5.BROKE框架

BROKE 提示词框架是一种融合了 **OKR（目标与关键结果）**理念的提示词构造方法，旨在帮助用户更清晰、系统地表达需求，从而提高 AI 输出内容的质量和效率。其包含以下五个要素：

Background（背景）： 提供任务的上下文信息，让 AI 理解问题的情境，避免答非所问
Role（角色）： 设定 AI 扮演的角色，引导 AI 从特定视角或身份出发作答
Objectives（目标）： 明确任务的核心目标，告诉 AI 你希望达成什么
Key Results（关键结果）： 列出衡量目标达成的具体标准，让 AI 知道什么样的输出是"合格"的
Evolve（演进/改进）： 后续优化与迭代机制，根据反馈不断改进提示词和输出质量

举例： 撰写一篇关于"如何提升职场沟通能力"的文章

md 复制代码

## 背景
我是一名刚入职一年的职场新人，发现自己在与同事和上级沟通时常常表达不清，影响了工作效率和团队协作。我希望通过提升沟通能力，更好地融入团队并推动项目进展。

## 角色
你是一位资深职场沟通培训师，拥有10年以上的企业培训经验，擅长帮助年轻人提升表达与沟通技巧。

## 目标
1. 提供一套系统、可执行的职场沟通提升方案；
2. 内容要适合初学者，通俗易懂；
3. 包含实际案例或练习建议，便于我日常实践。

## 关键结果
1. 至少包含3种常见职场沟通场景（如汇报、反馈、跨部门协作）；
2. 每个场景提供1个具体话术模板或练习方法；
3. 输出内容不少于800字，逻辑清晰，结构完整；
4. 提供1个自我评估工具，帮助我持续跟踪进步。

## 改进
1. 每周记录一次沟通实践情况，并根据反馈调整学习方法；
2. 若发现某些技巧不适用，及时替换为更适合的策略；
3. 每月复盘一次进步情况，必要时更新学习计划。

BROKE 框架通过结构化的方式，将模糊的需求转化为清晰的指令，显著提升 AI 输出内容的针对性和实用性。它特别适合用于内容创作、学习规划、职场培训、项目策划等场景。通过不断"演进"（Evolve），用户还能持续优化提示词，形成正向循环，逐步提升 AI 协作效率。

6. APE框架

APE 提示词框架是一种更为简洁高效的 AI 提示设计方法，仅由三个核心部分组成：行动（Action）、目的（Purpose）、期望（Expectation），通过清晰表达任务需求，也能提升AI输出质量。

Action（行动）： 明确要完成的任务或操作，告诉 AI 要"做什么"
Purpose（目的）： 解释执行该任务的原因或背景，让 AI 理解"为什么做"
Expectation（期望）： 明确输出结果的标准或形式，告诉 AI "做成什么样"

举例： 你是市场部经理，需要让 AI 帮你写一封邮件，通知客户公司品牌升级的事情。

任务：撰写一篇关于"人工智能在教育中的应用"的文章

md 复制代码

## 行动
请撰写一封正式的客户邮件，通知他们我们公司即将进行品牌升级，包括更换新的品牌名称、Logo 和视觉识别系统（VI），并保证服务质量不变。

## 目的
让客户第一时间了解我们的品牌变化，避免误解或不安，同时传达我们对持续合作关系的重视，增强客户信任感。

## 期望
1. 邮件语气正式、真诚，避免营销腔；
2. 包含三要素：品牌升级原因、升级内容、对客户的影响；
3. 提供一个固定的过渡联系人邮箱，方便客户有疑问时联系；
4. 字数控制在250字以内，适合直接发送；
5. 邮件结尾附上"感谢您的理解与支持"字样。

APE框架结构简介、逻辑清晰，适合需要快速、清晰表达任务意图的场景，尤其适合对AI输出有明确格式或内容要求的任务（如内容创作、营销规划、项目汇报）。它通过 "行动---目的---期望" 三步法，帮助用户高效构建高质量提示词，是日常AI使用中的实用工具。

7. LangGPT框架

LangGPT 框架（Language For GPT） 是一套结构化、模块化、可复用 的提示词设计方法，由云中江树等人于2023年开源提出。它借鉴了面向对象编程思想，将提示词拆成"双层结构"：

模块层（像"类"）------规定提示的"方面"（角色、背景、目标、约束、技能、工作流等）。
元素层（像"属性/方法"）------在每个模块里再填具体指令或示例，分为"赋值型"（给信息）和"方法型"（给步骤）。

这样做的好处：

结构清晰，AI 一眼看懂；
可像乐高一样复用、拼接；
新人直接"填空"即可，门槛低；
方便团队协作与版本迭代。

LangGPT 框架几个核心模块：

Background（背景）： 交代任务发生的大环境或前因后果，让 AI "知道自己在哪儿"。
Profile（角色简介），对大模型所扮演角色的人物背景介绍
Rules（规则）： 列出 AI 必须绝对服从的硬性规定，相当于"法律"。
Goals（目标）： 用可衡量的语句描述最终要拿到什么结果
Constraints（约束）： 明确资源、格式、时间、字数、风格等限制，防止 AI 跑偏。
Skills（技能）： 告诉 AI 需要"具备"哪些知识、工具或能力，等同于给角色加点。
Workflows（工作流）： 按顺序列出完成任务的步骤，像伪代码一样可执行。
Examples（示例）： 给出一组输入-输出示范，让 AI 用"照葫芦画瓢"的方式对齐风格。
Initialization（初始化）： 初始化准备，如设定 AI 启动时跟用户打招呼的第一句话，降低使用门槛。

举例： 让AI扮演"跨境电商客服质检员"

md 复制代码

# Role
跨境电商客服质检员

## Profile
- Author: 你的团队
- Language: 中文 & 英文
- Description: 自动审查 Shopee / Amazon 店铺客服聊天记录，输出质检报告

## Background
店铺每天产生上百条客服对话，人工抽检效率低且标准不一。需要统一质检规范，快速找出服务短板。

## Goals
1. 根据既定 5 维评分体系给每条对话打分  
2. 指出具体违规点并给出改进建议  
3. 生成每日质检汇总，方便主管复盘

## Constraints
- 只依据提供的对话文本，不额外检索  
- 评分保留 1 位小数，满分 10 分  
- 禁止输出客户隐私信息（姓名、电话、地址）

## Skills
- 熟悉电商平台客服 KPI  
- 掌握礼貌用语、售后流程、纠纷处理规范  
- 中英双语敏感词识别

## Workflows
1. 阅读对话 →  
2. 逐句标注问题类型（响应速度/礼貌度/解决率/合规性/追加销售） →  
3. 按维度 0-10 打分 →  
4. 输出 JSON：{"维度":"得分","违规摘要":"...","改进建议":"..."} →  
5. 汇总当日所有对话，计算平均分与TOP3问题

## Examples
### 输入片段
客服A：hello  
客户：where is my order？  
客服A：pls wait  
### 输出
{"响应速度":7.0,"礼貌度":6.0,"解决率":3.0,"合规性":8.0,"追加销售":0.0,"违规摘要":"未提供订单号查询步骤","改进建议":"主动提供物流追踪链接并致歉"}

## Initialization
Hi！我是你的跨境电商客服质检员。请一次性粘贴需要质检的对话记录（支持 CSV/纯文本），我将按上述流程处理。准备好后发送「开始质检」即可。

8. 小结

以上就是常见的几种提示词构建的框架，除此之外还有 RTF、TAG、TRACE 等框架。无论是何种框架，本质上都是为了更清晰的表达用户意图，从而提高模型生成结果的质量。它们有各自的优点和适应的场景，本文提到的框架汇总对比如下。

框架	核心特点（一句话概括）	优点	适用场景
角色扮演（Role-Play）	先定"是谁"，再说"做什么"。	一开口就进入角色，语气/知识/立场高度一致；交互沉浸感强。	虚拟客服、游戏 NPC、品牌 IP 互动、培训模拟。
ICIO 框架	指令-背景-输入-输出四件套。	结构极简，新手 30 秒写完；避免遗漏关键信息。	单次问答、轻量脚本、日报/周报生成。
CO-STAR 框架	背景-目标-风格-受众-响应五连问。	把"品牌调性"一次性锁死，输出即合规。	营销文案、社媒帖子、广告脚本、PR 通稿。
CRISPE 框架	角色-洞察-声明-个性-实验五步曲。	同时控制"内容+风格+多样性"，一次给出多方案。	头脑风暴、创意写作、品牌 slogan、广告 headline。
BROKE 框架	背景-角色-目标-关键结果-演进五段式。	自带 OKR 与复盘逻辑，方便迭代优化。	复杂项目策划、产品需求文档、培训大纲。
APE 框架	行动-目的-期望三步法。	极简却直指结果，适合"快问快答"。	日常办公、邮件撰写、数据摘要、会议纪要。
LangGPT 框架	模块化模板（背景/规则/技能/工作流...），像写"类"一样写 Prompt。	可插拔、可复用、可版本管理；长对话不遗忘。	智能体开发、企业级助手、SaaS 产品内嵌 AI、团队协作。

9. 自己创造万能公式

除直接运用成熟框架外，其实我们自己也可借鉴其底层逻辑与方法论，提炼形成个性化的"提示词万能公式"。通过构建固定化的模板结构，使用者仅需在预留的模块化空位中填充具体任务要素，即可快速生成逻辑清晰、表述规范的提示词。例如，一种可行的万能公式模板可设计如下：

md 复制代码

## 角色设定
此处描述AI扮演的角色，具备的能力和技能

## 目标和任务
此处描述核心目标，这个是真正应该下达给AI的指令

## 背景信息
此处为AI提供上下文信息，如背景信息、受众、相关数据等

## 要求
此处列举具体的要求，包括需要包含的内容、思考的路径或解决问题的步骤、语言的风格等

## 输出格式
此处列举出输出的格式，包括输出结构、类型、长度限制、输出格式等

## 示例
为AI提供一些示例，辅助AI理解，减少可能产生的幻觉和输出偏差，能够提高AI输出的稳定性

按照以上模板，比如想生成一份"小红书风格的露营攻略"

md 复制代码

## 角色设定
你是「野派生活」主理人，5年露营 KOL，擅长把专业装备知识翻译成"小姐姐能看懂"的人话，表情符号随手拈来。

## 目标和任务
给 0 基础女生写一份《周末 2 天 1 夜精致露营最全清单》，让她照着打包就能直接出发。

## 背景信息
- 受众：18-30 岁城市女生，预算 500 元以内，第一次露营
- 地点：城市近郊商业化营地（可洗车、有洗手间）
- 季节：初秋 15-25 ℃，多云可能小雨

## 要求
1. 用"小红书种草"口吻，每句≤25 字，段落前加 emoji
2. 必须包含"便宜替代方案"：用家里现有物品代替专业装备
3. 先列清单再给出打包顺序，逻辑按"下车 5 分钟能搭完"设计
4. 禁止出现专业英文缩写（如 DCF、R-value）

## 输出格式
- 标题：≤20 字，带 2 个爆款 emoji
- 正文：分 3 栏 → 【必带】【可租】【家里薅】
- 每栏用无序列表，每条≤15 字
- 结尾附 1 句互动话术，引导收藏 + 关注

## 示例
标题：🌿🌙 女生首次露营！500 元搞定全套装备

- 🏕️ 必带
  - 天幕：六角涂银 159 元
  - 折叠小推车：闲鱼 80 元
- 🧺 可租
  - 卡式炉：营地租 20 元/次
- 🏠 家里薅
  - 羽绒被＝睡袋替代
  - 收纳箱＝露营箱

此类结构化模板通过标准化框架与个性化内容的有机融合，适应性非常强（可以直接用来提问，也可以用于智能体搭建），既能保证提示词的规范性，又能适配多样化的具体需求，实现高效、精准的AI交互。

五、常见的提示词构建工具

在提示词框架与理论的驱动下，业界涌现出众多提示词生成与优化工具。这些工具旨在将复杂的理论转化为高效的实践，通过自动化或半自动化的方式，辅助用户构建结构更优、意图更明的提示词，从而显著提升工作效率与输出质量。

为避免涉嫌推广引流相关问题，此处不提供相关工具的推荐，读者可以自行上网搜索。

总结

提示词工程不是什么奇技淫巧，但它确实是目前使用 AI 工具的核心能力。同样一个问题，换一种问法，结果可以相差极大------这不是夸张，自己实验一次就知道了。

这个领域的边界比多数人想象的要宽。现在流行的 RAG、MCP、Skill 这些技术，底层逻辑都没有脱离提示词工程的范畴------怎么组织上下文、怎么传递指令、怎么让模型在约束条件下稳定输出，这些问题贯穿始终。换句话说，提示词工程不只是"怎么问问题"，它是整个 AI 应用层的基础语言。

而这项能力的门槛偏低，上限却很高。不需要编程背景，任何人都能学；但真正学透的人，能用它做到很多写代码也未必做得到的事。把需求拆清楚、给模型足够的上下文、知道什么时候追问、怎么检验输出------这些习惯一旦养成，效率提升是实实在在的。

AI当前还处于发展初期（尽管生态是一天一个样），但多数人还停留在用 AI 聊天、偶尔帮忙改改文案。但随着 AI 工具越来越深入地嵌入工作流，"能不能用好它"这个问题的分量会越来越重。提示词工程的核心逻辑是如何把模糊意图转化成可执行的指令，在发展大语言模型的背景下，这个能力的价值只会涨，不会跌。