1. 从“指令”到“对话”为什么你需要提示词框架如果你还在用“帮我写一篇关于春天的文章”这样的指令与大模型对话然后抱怨AI生成的内容空洞、跑题或者完全不是你想要的那么你正站在一个巨大的效率分水岭上。过去一年我深度参与了多个AI应用从原型到落地的全过程一个最深刻的体会是决定项目成败的往往不是模型本身而是与模型“对话”的方式。这背后就是提示词工程。提示词工程远不止是“把话说清楚”那么简单。它是一门融合了心理学、逻辑学、语言学和特定领域知识的交叉学科。一个好的提示词就像给一位极其聪明但缺乏背景知识的实习生下达的一份完美的工作简报它定义了任务边界、提供了思考框架、设定了输出格式甚至预判了可能的歧义。而“框架”正是将这种“完美简报”的撰写过程从艺术变为可复制、可迭代的科学方法。网络上充斥着“100个万能提示词模板”但生搬硬套的结果往往是水土不服。CRISPER、BROKE、CHAT这些框架之所以被广泛讨论是因为它们提供了结构化的思维模型帮助我们系统性地拆解与大模型的交互过程。例如当我们需要AI分析一份复杂的市场报告时一个简单的指令会得到泛泛而谈的总结而运用框架后我们可以引导AI先识别核心论点再提取支撑数据接着评估论证逻辑最后用特定格式输出洞察。这其中的差异是天壤之别。本文将深入拆解当前最实用、最受认可的五大提示词框架CRISPER、BROKE、CHAT、AGENT四阶段论以及RTF。我不会仅仅罗列它们的定义而是会结合我实际在内容创作、代码生成、数据分析等场景中踩过的坑告诉你每个框架最适合解决什么问题核心的“开关”参数在哪里以及如何根据你的具体任务进行组合和变通。我们的目标不是记住一堆缩写而是让你掌握一套“以不变应万变”的与AI高效协作的心法。2. CRISPER框架像激光一样聚焦任务目标CRISPER框架得名于其六个核心要素的首字母缩写Context背景、Role角色、Intent意图、Step-by-Step步骤、Example示例、Refinement精炼。它是我在处理复杂、多步骤任务时的首选框架其核心思想是通过层层递进的信息约束将AI的“发散思维”收敛到我们期望的精确输出上。2.1 核心六要素的实战解析Context背景这是最容易被忽视却最能提升结果质量的部分。背景不是简单地说“我要写代码”而是提供任务所处的“宇宙”信息。例如低效提示“写一个Python函数处理用户数据。”CRISPER式提示“背景我们正在开发一个电商平台的用户画像模块数据来源于MySQL数据库的user_behavior表表结构包含user_id,event_type浏览、收藏、购买,product_category,timestamp字段。当前服务器环境是Python 3.9主要使用pandas和sqlalchemy库。”这个背景信息让AI瞬间理解了数据来源、业务场景和技术栈避免了它生成一个使用MongoDB或TensorFlow的不相关方案。Role角色为AI赋予一个专业身份能极大改变其输出的语调和知识侧重点。让AI扮演“一位有10年经验的资深全栈工程师”和扮演“一个编程新手”对于同一个技术问题的解答深度和表述方式会截然不同。在商业分析中让AI扮演“一位苛刻的风险投资分析师”和“一位乐观的市场推广经理”得出的结论也会大相径庭。Intent意图用清晰、无歧义的语言定义你究竟想要什么。避免使用“更好”、“更优”这类模糊词。应该使用可衡量的目标例如“生成一段代码其时间复杂度应低于O(n²)”或“总结的核心观点不得超过3个每个观点需用不超过20字概括”。Step-by-Step步骤这是将复杂任务拆解的关键。强制AI展示其思考过程不仅能得到更可靠的结果还能帮助我们理解其逻辑链便于后续验证和调整。例如在让AI进行竞品分析时可以要求“请按以下步骤分析1. 识别并列出竞品A、B、C的核心功能。2. 以表格形式对比这三款产品在定价策略、目标用户、技术实现上的差异。3. 基于对比提出我们产品可以借鉴的两个具体改进点。”Example示例Few-Shot Learning少样本学习是大模型的强项。提供一个甚至多个输入-输出对的例子是校准AI理解的最快方式。例如如果你想让AI用特定的幽默风格写邮件最好的方法就是先给它看一封你写过的、符合要求的邮件样例。Refinement精炼首次输出很少是完美的。这一要素鼓励我们进行迭代。但“精炼”不是简单地说“重写”或“不够好”而是基于首次输出给出更具体的反馈如“将第二个步骤中的‘数据清洗’部分展开具体说明如何处理timestamp字段中的空值和非标准格式。”2.2 避坑指南CRISPER的常见误用与修正在实际使用中我见过最多的两个误区要素堆砌而非融合把六个要素像填空一样生硬地堆在一起导致提示词冗长且不自然。正确的做法是将其融合成一段流畅的“任务简报”。例如将角色和背景结合“假设你是一位精通数据安全的资深后端工程师我们正在为一个金融科技初创公司设计用户认证系统...”忽略“步骤”的验证性当要求AI分步思考时一定要检查其中间步骤的逻辑是否合理。有时AI会跳过或合并关键推理步骤。此时需要在精炼阶段明确指出“请详细解释你是如何从第一步的原始数据得出第二步的统计特征的。”一个我常用的CRISPER模板变体是在复杂任务开始时先让AI基于我提供的背景和意图自己提出一个执行计划步骤我确认后再让它执行。这相当于让AI先交出一份方案草稿极大地提高了首次输出的成功率。3. BROKE框架解决模糊与开放式问题的利器当你的问题没有标准答案或者你需要AI进行创意发散、头脑风暴时CRISPER的强结构约束有时会限制思维的广度。这时BROKE框架就显示出其独特价值。BROKE代表Background背景、Response回应、Objective目标、Key Constraints关键约束、Examples范例。它更像是在为一场创意研讨会设定议程。3.1 框架拆解从混沌中建立秩序Background Response (背景与回应)BROKE巧妙地将“背景”和“你期望的回应格式”前置并关联。这直接告诉AI“在这个情境下我需要你这样类型的回答。”例如“背景我们团队正在为一款新型智能水杯构思社交媒体推广文案。期望的回应格式请提供5个不同角度的文案创意每个创意包含一个核心标语和一段不超过100字的阐述。”这种设定让AI从一开始就瞄准了“创意列表”这个输出形态而不是一篇长篇大论的分析报告。Objective目标这里的目标更侧重于希望达成的“效果”或“感受”而非具体任务。例如是“引发年轻父母的情感共鸣”还是“突出产品的极客科技感”。它为创意指明了方向。Key Constraints关键约束这是创意的边界。没有约束的创意是空中楼阁。约束可以包括字数限制、禁用词汇、必须包含的元素如品牌口号、特定关键词、风格要求如“轻松诙谐”、“专业权威”以及任何技术或政策限制。明确约束反而能激发更有针对性的创意。Examples范例在创意领域范例比指令更有效。展示一个你喜欢的、或符合品牌调性的类似案例如一个优秀的广告视频链接、一段出色的文案能让AI迅速捕捉到那种“感觉”。3.2 实战应用从品牌Slogan到产品功能脑暴我曾用BROKE框架为一个AI工具设计应用商店介绍。我的提示词如下背景与回应我们有一款面向内容创作者的AI辅助写作工具“灵感引擎”请为它的应用商店页面构思介绍文案。目标让用户一眼就感受到它能极大提升写作效率和质量而不是又一个复杂的AI玩具。关键约束文案需分为两段。第一段是吸引人的开场不超过80字第二段是三个核心功能亮点每个亮点用一句话描述强调省时、提质、易用。避免使用“革命性”、“颠覆”等过度宣传的词汇。范例参考Notion或Grammarly应用商店描述那种清晰、专业、直击痛点的风格。通过这个框架AI生成的文案立刻就有了商业文案的雏形我只需要在它的基础上进行微调和品牌化润色效率提升了数倍。BROKE框架特别适合产品经理、市场人员和创作者用于快速生成高质量的创意备选方案将AI从一个“执行者”转变为“创意合作伙伴”。4. CHAT与AGENT面向复杂工作流的系统工程当任务从单次问答升级为需要多轮交互、甚至具备自主能力的复杂工作流时CHAT原则和AGENT四阶段论提供了更高维度的指导。这已经进入了“AI工程实践”的范畴。4.1 CHAT原则维持高质量对话的基石CHAT是一个用于评估和优化多轮对话质量的原则性清单Clear (清晰)每次提问或指令是否清晰、无歧义Helpful (有帮助)AI的回复是否直接针对问题提供了有价值的信息或行动Accurate (准确)回复中的事实、数据、引用是否准确对于创意任务则指是否符合设定风格和约束Thorough (透彻)回复是否完整地解决了当前子问题无需你反复追问细节在多轮对话中我们很容易陷入“话题漂移”或“信息衰减”。我的经验是在开启一个复杂对话前先用一个简短的CRISPER提示设定好全局角色和背景。在每一轮对话后心里快速过一遍CHAT清单如果AI的回复不够“透彻”我下一句就应该要求它“展开第三步的细节”如果不够“准确”我就需要提供纠正信息或要求它给出置信度。这能保证对话始终朝着目标高效推进。4.2 AGENT四阶段论构建自主AI智能体的蓝图“AI Agent”是当下的热点其核心是让AI能够自主理解目标、规划任务、执行工具调用并循环迭代。一个成熟的Agent工作流通常包含四个工程化阶段提示词在其中扮演着“大脑”的编程语言角色提示词工程 (Prompt Engineering)这是定义Agent“人格”与“核心能力”的阶段。即为Agent设定初始指令告诉它“你是谁”、“你的终极目标是什么”、“你拥有哪些工具如搜索、计算、读写文件”、“你应遵循什么原则”。这个初始提示词的质量直接决定了Agent的基线表现。上下文工程 (Context Engineering)Agent需要记忆。此阶段关乎如何为Agent管理和提供上下文信息。包括对话历史如何保存和摘要外部知识库如公司文档、产品手册如何被检索和注入如何有效利用长上下文窗口如128K/200K避免关键信息被淹没这里涉及到RAG检索增强生成等技术的应用。驾驭工程 (Orchestration Engineering)当单个Agent搞不定时就需要多个Agent协作或者让Agent学会调用复杂的工具链。驾驭工程解决的是工作流问题如何设计多个Agent之间的通信协议如何规划任务分解与分配如何管理工具调用的顺序、错误处理和结果传递这类似于编写一个异步协作的程序。循环工程 (Cycling Engineering)这是赋予Agent“反思”和“进化”能力的关键。Agent如何评估自己行动的结果是简单对比预设目标还是能进行更复杂的价值判断当结果不理想时它如何自主调整策略修改计划、尝试不同工具、甚至重构问题如何设置安全护栏防止其在循环中陷入死胡同或产生有害输出在实际开发中我们往往从一个强大的“提示词工程”阶段开始构建一个功能单一的Agent。随着需求复杂化再逐步引入上下文管理、多工具调用驾驭最后为其添加自我评估和迭代的循环能力。理解这四个阶段能帮助我们在构建AI应用时清晰地定位当前瓶颈所在并知道该向哪个方向进行技术投入。5. RTF框架追求极致可靠性的“三重验证”法在需要极高准确性的场景如生成法律文件、财务报告或关键代码时单一的输出再精美也不足以让人放心。RTF框架应运而生它代表Role角色、Task任务、Format格式。其精髓在于通过角色扮演和结构化输出实现过程的透明化和结果的可验证性。5.1 “角色扮演”的深层应用模拟评审会RTF中的“角色”玩法更加高级。它不是简单地让AI扮演一个角色而是让AI同时或依次扮演多个角色进行自我辩论或评审。例如在生成一份技术方案后第一步生成以“首席系统架构师”的角色起草方案A。第二步挑战以“资深安全工程师”的角色评审方案A重点指出其可能存在的安全漏洞和性能瓶颈。第三步优化以“首席架构师”的角色结合“安全工程师”的评审意见输出修订后的方案B。第四步终审以“项目技术负责人”的角色对比方案A和方案B给出最终采纳建议及理由。这种方法将人类的“同行评审”流程自动化能显著暴露单一视角下的盲点。我曾在设计一个数据管道时使用此法让AI先后扮演“数据工程师”、“数据科学家”和“运维工程师”成功提前识别出了一个在数据一致性校验和作业调度上的设计缺陷避免了后续的重大返工。5.2 任务与格式的刚性约束让输出“机器可读”Task任务在RTF中任务描述必须极端精确最好能形式化。例如不是“分析数据”而是“对数据集D依次进行以下操作1. 删除缺失率大于30%的列。2. 对数值型列进行Z-score标准化。3. 输出处理后的数据前5行以及每列处理前的缺失率、处理后的均值和标准差。”Format格式这是保证结果可直接被下游程序使用的关键。必须明确指定输出格式如JSON、YAML、XML甚至是一个具有特定列名的Markdown表格。例如“请以JSON格式输出包含code_snippet、time_complexity、space_complexity、potential_bug四个字段。” 结构化输出极大地减少了后续人工解析和信息提取的成本。RTF框架的本质是将AI交互视为一种“特殊编程”。你通过精确的“角色-任务-格式”指令编写了一段让AI执行的“确定性程序”从而在非确定性的AI世界中尽可能追求确定性和可靠性。它特别适用于需要集成到自动化流程中的AI任务。6. 框架的组合与进阶应对真实世界的混合挑战在实际工作中尤其是开发“AI应用”或进行“AI编程”时我们面对的任务很少是教科书式的单一问题。一个完整的AI功能可能需要先后处理创意构思、逻辑推理、代码生成和结果验证。因此灵活组合运用上述框架才是高阶玩法。6.1 组合策略串联与并联串联式组合将一个复杂项目的不同阶段交给不同的框架。例如在开发一个AI助手功能时需求澄清阶段用BROKE用BROKE框架进行头脑风暴收集用户可能需要的多种功能点和交互方式。系统设计阶段用CRISPER选定一个具体功能后用CRISPER框架详细定义技术规格、输入输出和算法步骤生成设计文档。代码实现阶段用RTF用RTF框架让AI扮演“代码审查员”和“测试工程师”生成高可靠性的代码片段和单元测试。迭代优化阶段用CHATAGENT思想基于测试反馈与AI进行多轮CHAT对话精修代码并考虑是否需要引入循环工程让AI自动运行测试并修复简单bug。并联式组合在同一任务中融入多个框架的要素。例如一个用于生成季度财报分析的超级提示词可能同时包含CRISPER的背景公司业务、数据时间段、角色资深财务分析师。BROKE的关键约束必须包含同比/环比增长、毛利率变化、三大费用分析禁用过度乐观词汇。RTF的格式要求输出必须包含“摘要”、“亮点”、“风险点”、“建议”四个Markdown章节。AGENT思想中的步骤“请先计算关键财务比率然后进行趋势分析最后总结洞察”。6.2 从提示词到AI应用工程化实践当我们谈论“AI应用开发”或“Spring AI”集成时提示词工程就从一个交互技巧上升为一项系统工程。你需要考虑提示词模板化与参数化将验证有效的提示词框架如CRISPER抽象成模板其中的背景、意图等变为可注入的变量。这便于在代码中批量调用和管理。上下文管理如何为每次对话高效地组装上下文是使用向量数据库进行语义检索RAG还是设计巧妙的摘要策略这直接关系到AI对历史对话和私有知识的利用效率。评估与迭代如何自动化评估AI输出的质量可以定义一些自动化指标如包含特定关键词、符合JSON Schema、通过代码语法检查结合人工评分建立提示词的迭代优化闭环。成本与延迟优化复杂的提示词和长上下文意味着更高的API调用成本和更长的响应时间。需要权衡效果与效率有时需要将一个大提示词拆解为多个顺序调用的小提示词Agent工作流并缓存中间结果。我个人的经验是从一个具体的、高价值的单点任务开始深入运用一个框架如用CRISPER彻底解决周报生成问题积累成功模式。然后再尝试将这些模式串联起来解决更复杂的问题如自动化的项目进度管理并逐步引入工程化的管理和优化手段。记住框架是地图和工具箱而不是枷锁。最终目标是解决问题而不是机械地套用公式。当你能够根据任务特性下意识地选择和融合这些框架中的思想时你就真正做到了“让AI更懂你”。