结构化提示词设计实战（CRISPE框架+分类任务落地案例）
一、Prompt工程基础概念
1.1 定义
Prompt Engineering（提示词工程），是通过精心设计、迭代优化输入给大模型的文本指令，约束大语言模型的思考逻辑、输出内容、排版格式、语气风格，从而精准完成业务需求的一套方法论。
大模型不存在固有意志，用户输入的提示词就是模型执行任务的唯一依据；同一需求，提示词撰写方式不同，输出准确率、规范性、可用性差距巨大。
1.2 学习Prompt工程的价值
- 低成本优化效果：无需对大模型进行微调训练，仅依靠文字编排即可显著提升7B、8B等轻量化本地开源模型的听话能力；
- 便于程序对接：强制固定输出结构，方便Python等后端代码解析、提取数据，实现AI能力自动化落地；
- 规避模型通病：有效解决大模型幻觉、答非所问、随意闲聊、逻辑跑偏、内容冗长杂乱等问题；
- 模板可复用：标准化提示词框架能够套用在文本分类、数据抽取、文案创作、角色扮演、AI问答等几乎所有大模型场景。
1.3 主流适用场景
文本规则分类、结构化信息提取、总结润色、角色扮演对话、AI智能判定、报告生成等落地场景。
1.4 LLM 基础应用模块（Agent 的前置基础）
本模块不属于智能 Agent，属于大模型结构化规则推理模块 ，是搭建生活类 AI Agent 的核心前置能力：负责标准化行为识别、属性判定、数值增减，为后续高阶 Agent 的自主规划、自我复盘提供底层数据支撑。
- 当前代码：不是 Agent，是 LLM 规则推理分类模块
- 技术定位：Prompt 工程落地 + 结构化输出解析 + 工程容错
- 项目地位：LifeCraft AI Agent 的底层核心前置模块
二、Prompt工程通用编写原则与常用技巧
2.1 三大基础编写原则
- 角色前置：开篇为模型设定专属身份与岗位职责，划定能力边界，避免模型自由发散；
- 规则详尽：完整罗列业务判定标准、场景边界、例外情况，不要让模型自主揣测需求；
- 格式锁定：硬性规定返回内容结构，拒绝无限制自由文本输出。
2.2 高频实用技巧
- Few-Shot 少样本学习：给模型提供多组「输入内容+标准答案」成对案例，模仿输出逻辑，对7B小模型提升效果最显著；
- 零样本提示：不提供参考案例，仅依靠文字规则下发指令，适合极简简单任务；
- 负向约束：明确写明禁止行为（禁止写汉字、禁止添加解释、禁止换行），剔除无效冗余内容；
- 分层结构化排版：利用分段、模块标题拆分提示词，层级清晰，模型更容易阅读理解规则。
2.3 万能结构化框架：CRISPE（本次实战核心）
新手入门最友好、通用性最强的提示词撰写模板，分为6个固定模块，按顺序填充内容即可产出规范提示词：
| 缩写 | 英文全称 | 模块作用 |
|---|---|---|
| C | Capacity | 能力设定：赋予模型专属身份，说明具备的专业能力 |
| R | Role | 岗位职责：限定本次任务唯一工作，剔除无关操作 |
| I | Insight | 业务背景与完整规则：提示词核心主体，罗列所有判定细则、场景边界 |
| S | Statement | 核心指令：一句话交代最终需要完成的任务 |
| P | Personality | 输出约束：规定返回格式、字符要求、语气，锁死输出样式 |
| E | Examples | 少样本案例：输入+输出成对示例，强化模型模仿能力 |
三、实战案例：RPG生活养成系统 行为属性双向判定任务
3.1 项目需求背景
自研 LifeCraft 游戏化个人打卡工具，用户记录日常行为，本地大模型自动完成两项工作：
- 将行为匹配五大RPG角色属性；
- 区分正向增益行为（属性增加）、负面损耗行为（属性下降）；
统一输出固定格式文本，由Python代码读取解析，实现人物数值养成闭环。
3.2 前期无规范提示词带来的各类问题
- 维度划分混乱：最初设计4大分类边界模糊，休闲娱乐行为无归属，只能强行归入健康类目，数值统计失去意义；
- 逻辑不完整：仅支持属性加分，熬夜、精神内耗、整日摆烂等伤身内耗行为无法扣除属性；
- 输出不可控：模型随意添加前缀、文字、换行，代码数字转换频繁抛出异常；
- 判定准确率低下：开放式文本分类极易出现语义理解跑偏。
3.3 前置准备：梳理完整业务规则（写Prompt必备步骤）
重构5维RPG角色属性体系，无兜底冗余类目，正向、负面行为全覆盖：
| 编号 | 属性名称 | RPG角色定位 | 正向行为（属性+） | 负面行为（属性-） |
|---|---|---|---|---|
| 1 | 体魄值 | 生命值HP | 运动、早睡、规律三餐、散步养生 | 熬夜、睡眠不足、暴饮暴食、过度劳累 |
| 2 | 心智值 | 脑力蓝量MP | 读书、听课、钻研技术、观看科普内容 | 无脑刷短视频、精神内耗、思虑过度 |
| 3 | 行动力 | 耐力值 | 上班工作、做家务、记账、规划日程 | 整日拖延摆烂、逃避所有事务 |
| 4 | 人缘值 | 魅力值 | 朋友聚餐、线下约会、线上维系亲友 | 和人吵架、刻意疏远、拒绝社交 |
| 5 | 愉悦值 | 心情快乐度 | 追剧、听歌、逛街、休闲放空 | 心情压抑、烦心事堆积、情绪低落 |
约定全局标准输出格式：数字,符号
示例：1,+ = 体魄值增加；1,- = 体魄值下降
3.4 套用CRISPE框架编写完整提示词
python
import ollama
import re
prompt = """
【C Capacity 身份能力】
你是LifeCraft RPG人生养成游戏专属数值判定官，能够根据用户日常行为，精准判断对应属性以及数值变化方向，严格遵守规则，判定零失误。
【R Role 岗位职责】
仅做属性+增减方向判定，严格按照固定格式输出，不写多余解释、不闲聊、不推演思考过程。
【I Insight 5项属性完整增减规则】
编号对应属性：
1=体魄值（身体健康）
2=心智值（学识脑力）
3=行动力（事务执行力）
4=人缘值（人际魅力）
5=愉悦值（心情快乐度）
正向行为（数值上涨 标记+）：
1体魄+：健身运动、早睡休养、规律吃饭、散步养生
2心智+：读书学习、上网课、钻研技能、观看科普纪录片
3行动力+：上班办公、家务打扫、记账办事、规划待办日程
4人缘+：朋友聚餐、线下约会、线上和亲友谈心维系关系
5愉悦+：看娱乐影片、听歌、逛街游玩、发呆休闲放松
负面行为（数值下降 标记-）：
1体魄-：熬夜通宵、睡眠不足、暴饮暴食、过度劳累透支身体
2心智-：长时间无脑刷短视频、精神内耗、过度思虑损耗脑力
3行动力-：整日拖延摆烂、逃避所有事务、什么事情都不去做
4人缘-：刻意疏远亲友、与人争吵、拒绝一切社交往来
5愉悦-：心情压抑、遭遇烦心事、人际矛盾带来负面情绪
【S Statement 执行指令】
读懂用户描述的日常行为，匹配对应属性，判定数值是增加还是降低。
【P Personality 强制固定输出格式】
格式必须严格：数字,符号
符号只有两种：+ 或者 -
例子参照：1,+ / 1,- / 5,+
禁止汉字、换行、标点、多余文字、前缀后缀，只输出这三个字符内容。
【E Examples 参考范例】
行为：晨跑锻炼30分钟 → 1,+
行为：通宵熬夜凌晨三点才睡 → 1,-
行为：研读编程技术书籍 → 2,+
行为：一整天无脑刷短视频消磨时间 → 2,-
行为：居家打扫全屋卫生 → 3,+
行为：整日躺平拖延什么都不干 → 3,-
行为：周末约闺蜜出门聚餐 → 4,+
行为：和朋友吵架刻意断绝来往 → 4,-
行为：闲暇追剧看电影放松 → 5,+
行为：诸事不顺整日心情低落 → 5,-
用户行为：{user_task}
"""
attr_map = {
1: "体魄值",
2: "心智值",
3: "行动力",
4: "人缘值",
5: "愉悦值"
}
def parse_result(text):
# 正则提取 数字 + +/- 符号
res = re.search(r"([1-5]),([+-])", text)
if res:
num = int(res.group(1))
op = res.group(2)
return num, op
# 兜底容错：默认体魄值增加
return 1, "+"
test_cases = [
"今晚通宵熬夜没有睡觉",
"早起慢跑锻炼身体",
"一整天不停刷短视频",
"学习AI大模型相关知识",
"周末在家大扫除洗衣服",
"这几天摆烂拖延啥活都不干",
"和好朋友出门逛街吃饭",
"跟伴侣闹矛盾刻意冷战疏远",
"睡前听歌追剧放松心情",
"压力太大整日情绪低落难受"
]
for action in test_cases:
resp = ollama.generate(
model="qwen2:7b",
prompt=prompt.format(user_task=action),
options={"temperature": 0, "seed": 666}
)
raw = resp["response"].strip()
attr_num, operate = parse_result(raw)
tip = f"{operate}{attr_map[attr_num]}"
print(f"行为：{action} ===> 数值变动：{tip}")3.5 本地小模型专属调优方案
- 关闭生成随机性：推理参数设置 temperature=0，固定随机种子 seed，相同输入每次输出结果完全一致，方便规则调试；
- 多次叠加负向约束：反复强调禁止冗余文字、禁止照搬示例前缀，从源头规避格式错乱；
- 输出越简短越好：极简字符格式，轻量化模型指令遵循度最高。
3.6 工程落地双层防护体系：提示词层 + 代码层
只依靠提示词无法彻底杜绝模型乱输出，可商用 AI 功能必须搭建双层容错机制：
- 上层防护：提示词强约束：依托 CRISPE 结构化框架 + 少样本案例 + 严苛格式限制，最大限度规范模型生成内容；
- 下层防护：Python 代码容错解析：利用正则表达式提取有效数字与正负符号，自动过滤所有多余文本，设置兜底默认值，保证程序永不崩溃。
四、整体学习总结
- CRISPE 结构化框架是新手学习提示词工程最优起点，无需凭空构思，模块化填充即可写出高质量提示词；
- 本地 7B轻量化开源模型做分类判定任务，固定输出格式 + Few-shot 少样本示例缺一不可；
- 提示词标准开发流程：梳理业务场景边界 →划分维度规则 → 套用结构化框架编写 Prompt → 锁定输出格式 → 代码增加容错兜底；
- 工程落地切忌完全信任大模型输出，后端校验、异常捕获是稳定性保障； 一套结构化模板可无限复用在文本分类、信息抽取、规则判定各类 AI任务中。