什么是提示词（Prompt）？
提示词（Prompt）是与大型语言模型（LLM）或生成式 AI 进行交互的核心指令。它是一段精心设计的文本输入，用于引导 AI 模型生成符合预期的、高质量的文本、代码、图像或其他格式的输出。
简单来说，提示词就是你向 AI 提出的问题或下达的任务描述。它的质量直接决定了 AI 回答的准确性和实用性。
提示词的核心作用
- 定义任务：明确告诉 AI需要做什么（例如：总结、翻译、创作、分析）。
- 提供上下文：给予AI完成任务所需的相关背景信息。
- 约束输出：指定输出的格式、风格、长度、语气等要求。
- 引导思维：通过分步指令（Chain-of-Thought）引导AI进行复杂推理。
一个优秀的提示词工程师（Prompt Engineer）能够通过优化提示词，极大地提升AI模型在特定任务上的表现。
主流提示词框架有哪些？
在AI交互日益频繁的今天，提示词早已不是简单的"我问你答"。它是一套精密的指令系统，决定了AI是给你一个平庸的回复，还是输出一份惊艳的方案。面对ICIO、CRISPE、BROKE、CO-STAR等琳琅满目的框架，很多初学者会陷入选择困难：到底哪个最好？我该用哪个？
本文将为你拆解主流提示词框架的核心逻辑，通过横向对比帮你建立清晰的认知地图，并提供一套可落地的选用决策方法，让你从此告别"随便问问"的低效模式。
一、框架的本质：为什么需要结构化
在进入具体框架之前，先理解一个核心问题：为什么需要框架？
随便写一句"帮我写个方案"得到的回复，和用框架组织过的指令得到的回复，差距往往是指数级的。原因在于，大模型本质上是一个概率预测机器，它需要足够多的约束条件来缩小可能性空间。
框架的价值在于三点：
消除歧义：把模糊的"写得好一点"变成具体的"字数800字，风格参考麦肯锡报告，目标读者是CEO"
稳定输出：同样的框架能保证多次生成的质量一致性，不会忽高忽低
降低迭代成本：一次写对，避免反复修改补充，尤其在API调用场景下能直接省钱
二、主流框架全景图
目前市面上流传的框架不下二十种，但真正高频使用、经得起考验的，可以归纳为以下十个。我们按结构复杂度分为三个梯队。
第一梯队：轻量级三要素框架
这类框架结构极简，通常只有3个核心要素，适合日常快速任务。
1. RTF（Role-Task-Format）
结构：角色 → 任务 → 格式
示例："你是一位资深营养师（角色），为健身人群设计一日食谱（任务），用表格按早中晚分类呈现（格式）"
优势：零学习成本，5秒上手
局限：缺少背景信息，复杂任务容易跑偏
2. TAG（Task-Action-Goal）
结构：任务 → 行动 → 目标
示例："写一份年度报告摘要（任务），提取关键数据并总结核心观点（行动），最终控制在300字内让老板30秒抓住重点（目标）"
优势：目标导向明确，适合分步骤执行
局限：没有角色设定，AI的视角可能不够精准
3. APE（Action-Purpose-Expectation）
结构：行动 → 目的 → 期望
示例："设计一系列社交媒体广告（行动），目的是提高在线销售和品牌知名度（目的），期望下月销售增加30%（期望）"
优势：逻辑链条完整，不仅告诉 AI做什么，还解释为什么做
局限：缺少输出格式约束，结果形式不可控
第二梯队：进阶级流程型框架
这类框架引入了步骤、上下文和示例，能更好地控制AI的思考过程。
4. ICIO（Instruction-Context-Input-Output）
结构：指令 → 上下文 → 输入数据 → 输出指示
示例："将客户反馈转为工单JSON（指令），系统字段包括工单ID、设备类型、故障描述（上下文），输入是原始反馈文本（输入），输出数组结构用蛇形命名（输出）"
优势：执行效率极高，适合数据处理和格式转换
局限：缺少角色和风格设定，生成内容偏机械
5. RACE（Role-Action-Context-Expectation）
结构：角色 → 行动 → 上下文 → 预期
示例："你是一位HR经理（角色），写一封拒绝候选人的邮件（行动），候选人技术强但与团队文化不匹配（上下文），语气专业礼貌且富有同情心（预期）"
优势：兼顾角色、背景和行动，适用性广
局限：缺少示例，对输出风格的把控依赖描述精度
6. CARE（Context-Action-Result-Example）
结构：上下文 → 行动 → 结果 → 示例
示例："受众是新入职运营同学（上下文），讲解AARRR模型并配套练习（行动），要求他们能独立设计增长实验（结果），以校园社群拉新为例讲解（示例）"
优势：示例能极大提升输出准确性，适合教学和培训场景
局限：结构稍长，简单任务用起来有点重
7. RISE（Role-Input-Steps-Expectation）
结构：角色 → 输入 → 步骤 → 预期
示例："你是策略分析师（角色），输入是目标用户和竞品信息（输入），按收集信息→对比分析→洞察提炼→给出建议的步骤执行（步骤），输出Markdown表格和5条核心洞察（预期）"
优势：通过明确步骤让AI按流程处理，稳定性极高
局限：步骤设计需要使用者对任务本身有清晰认知
第三梯队：综合级全要素框架
这类框架要素最全，能进行多维度控制，适合深度分析、创意生成和高风险决策。
8. CRISPE（Capacity-Insight-Statement-Personality-Experiment）
结构：能力与角色 → 洞察 → 陈述 → 个性 → 实验
示例："你是品牌战略专家（能力），我们是一家AI写作工具公司，市场已有竞品但我们更懂中文创意（洞察），请做市场定位分析并提出3个口号（陈述），语气专业自信富有远见（个性），最后请告诉我这个提示词本身可以如何改进（实验）"
优势：全面细致，甚至能激发AI的自我反思
局限：学习成本高，简单任务显得大材小用
9. BROKE（Background-Role-Objective-Key Results-Evolve）
结构：背景 → 角色 → 目标 → 关键结果 → 演变
示例："某电商Q3销售额下降15%（背景），你担任商业数据分析师（角色），定位核心衰退原因并给出提升方案（目标），关键结果包括识别TOP3流失环节和提出3项改进策略（关键结果），先用Python分析数据，我们再讨论迭代（演变）"
优势：融合OKR思想，强调可衡量结果和持续优化
局限：结构复杂，适合项目级任务而非日常问答
10. CO-STAR（Context-Objective-Style-Tone-Audience-Response）
结构：上下文 → 目标 → 风格 → 语气 → 受众 → 回复格式
示例："为智能家居新品撰写新闻稿（上下文），突出节能特性吸引科技媒体（目标），风格参考科技媒体深度报道（风格），语气专业客观充满科技感（语气），受众是科技编辑和极客（受众），输出完整新闻稿含标题导语正文（回复格式）"
优势：新加坡政府科技局使用，对风格和受众的控制力极强
局限：六要素全填满需要一定时间，不适合即时性需求
三、横向对比：一张表看清十个框架
为了更直观地对比这十个框架，下表汇总了它们的核心信息，帮助你快速决策：
| 框架 | 要素数量 | 核心特点 | 最适合场景 | 学习成本 | 输出稳定性 |
|---|---|---|---|---|---|
| RTF | 3 | 极简铁三角（角色-任务-格式） | 快速问答、简单生成 | ★☆☆☆☆ | ★★★☆☆ |
| TAG | 3 | 目标导向（任务-行动-目标） | 分步骤执行的任务 | ★☆☆☆☆ | ★★★☆☆ |
| APE | 3 | 逻辑链条完整（行动-目的-期望） | 需要解释目的的任务 | ★☆☆☆☆ | ★★★☆☆ |
| ICIO | 4 | 执行效率高（指令-上下文-输入-输出） | 数据处理、格式转换 | ★★☆☆☆ | ★★★★☆ |
| RACE | 4 | 适用性广（角色-行动-上下文-预期） | 通用写作、邮件沟通 | ★★☆☆☆ | ★★★★☆ |
| CARE | 4 | 示例驱动（上下文-行动-结果-示例） | 教学、培训、文档 | ★★☆☆☆ | ★★★★★ |
| RISE | 4 | 步骤控制（角色-输入-步骤-预期） | 分析报告、策略制定 | ★★★☆☆ | ★★★★★ |
| CRISPE | 5 | 全面细致，能激发AI自我反思 | 深度分析、创意生成 | ★★★★☆ | ★★★★★ |
| BROKE | 5 | 融合OKR思想，强调可衡量结果 | 项目级任务、商业分析 | ★★★★☆ | ★★★★★ |
| CO-STAR | 6 | 对风格和受众的控制力极强 | 品牌文案、公关稿件 | ★★★☆☆ | ★★★★★ |
说明：
- 学习成本：★越多，表示掌握该框架所需的学习和理解时间越长。
- 输出稳定性：★越多，表示使用该框架时，AI生成结果的质量和一致性越高。
通过这张表，你可以快速定位到符合你当前任务复杂度、风险等级和输出要求的框架。
四、如何选用：三步决策法
面对十个框架，选择的关键不在于"哪个最好"，而在于"哪个最匹配当前任务"。以下是可落地的三步决策流程。
第一步：判断任务类型
把你的任务放进以下三个分类中：
执行型任务：有明确输入和输出格式要求，如数据转换、代码生成、格式整理 → 优先考虑 ICIO、RTF
创作型任务：需要生成内容，对风格、语气、受众有要求，如文案、新闻稿、营销内容 → 优先考虑 CO-STAR、CARE
分析型任务：需要深度思考、多步骤推理、策略建议，如商业分析、方案策划 → 优先考虑 RISE、BROKE、CRISPE
第二步：评估风险等级
低风险：错了也没关系，可以重来 → 用轻量级框架（RTF、TAG、APE），快速出结果
中风险：需要一定的准确性和稳定性 → 用进阶级框架（ICIO、RACE、CARE），加入上下文和示例
高风险：决策后果严重，需要深度分析和验证 → 用综合级框架（BROKE、CRISPE、CO-STAR），必要时组合使用
第三步：按需组合
不存在单一的最佳框架。实际使用中，框架组合往往比单一框架更有效。例如：
写一份商业计划书（高风险+创作型）：用 BROKE 定大框架（背景、目标、关键结果），再用 CO-STAR 补充风格和受众要求
做一份竞品分析报告（中风险+分析型）：用 RISE 控制分析步骤，再用 ICIO 规范输出格式
快速生成一封邮件（低风险+执行型）：直接用 RTF 或 RACE，三要素搞定
五、实战演示：同一任务，不同框架的效果差异
以"为一家新开的社区咖啡店写小红书推广文案"为例，看看不同框架的指令差异。
用RTF（轻量级）：
"你是小红书博主（角色），为社区咖啡店写推广文案（任务），用emoji分段呈现（格式）"
用CO-STAR（综合级）：
"新开了一家社区咖啡店，主打手冲精品豆和宠物友好空间（上下文），目标是吸引周边3公里内的年轻白领和自由职业者到店打卡（目标），风格参考小红书探店博主的真实分享感（风格），语气亲切温暖带一点小确幸（语气），受众是25-35岁注重生活品质的都市青年（受众），输出包含标题、正文、5个话题标签的完整笔记（回复格式）"
两者的差距一目了然：前者AI可能输出任何风格的文案，后者则精准锁定了目标人群、内容调性和传播要素。
六、一个建议：从简到繁，逐步进阶
如果你是初学者，不要试图一次性掌握所有框架。建议的学习路径是：
第一周：只用 RTF，养成"先定角色、再派任务、最后规定格式"的习惯
第二周：升级到 RACE 或 ICIO，开始加入上下文和输出约束
一个月后：尝试 CO-STAR 或 CRISPE，感受多维度控制带来的质量飞跃
框架是工具，不是枷锁。当你熟练到一定程度，就会发现自己已经不再需要刻意套用某个框架------因为结构化思维已经内化成了你的本能。到那时，你写的每一句提示词，都是最适合当下任务的那个"框架"。
提示词相关认证（考证）有哪些？
随着提示词工程成为热门技能，一些机构和平台推出了相关的认证课程，以系统化地培训和评估从业者的能力。
1. 国际知名认证
-
Vanderbilt University (Coursera): 《Prompt Engineering for ChatGPT》
- 平台：Coursera
- 内容：由范德堡大学开设，涵盖提示词基础、高级技巧及在 ChatGPT 中的应用。
- 形式：在线课程，完成可获得结业证书。
-
DeepLearning.AI: 《ChatGPT Prompt Engineering for Developers》
- 平台：Coursera / DeepLearning.AI
- 内容：由吴恩达（Andrew Ng）和 OpenAI 合作推出，面向开发者，聚焦 API 调用和最佳实践。
- 形式：短期课程，免费学习，可获得证书。
2. 国内相关培训与认证
- 百度： 文心一言插件开发及提示词工程相关培训。
- 阿里云： 通义千问模型应用开发及优化课程。
- 腾讯云： TI-ONE平台上的AI模型调优及提示词设计工作坊。
- 一些职业培训机构和在线教育平台也推出了"AI 提示词工程师"培训课程及认证。
3. 企业级认证
- Microsoft： 与Azure OpenAI服务相关的AI解决方案认证中，包含提示词设计和优化内容。
- Google Cloud： 在生成式AI学习路径中，涉及Prompt设计的最佳实践。
如何选择认证？
- 目标导向： 明确你是想提升通用技能，还是针对特定平台（如 OpenAI、文心一言）。
- 实践比重： 优先选择包含大量实战练习和案例分析的课程。
- 社区与更新： 选择那些有活跃社区、课程内容随AI发展快速更新的认证。
- 成本与时间： 考虑免费课程、微认证与付费系统培训之间的平衡。
总结
掌握提示词是高效利用生成式 AI 的关键。从理解基本概念开始，运用CRISPE、RTF、BORE 等框架来结构化你的思考，并通过Chain-of-Thought 等技巧引导复杂推理。对于希望职业化发展的朋友，可以考虑参加 DeepLearning.AI、Vanderbilt University 等机构的权威课程获取认证。
未来，随着多模态模型的发展，提示词工程将不仅限于文本，还会涵盖图像、音频等多种交互形式，其重要性只会日益凸显。