做AI提示词这件事我琢磨了很久。刚开始看别人晒出各种花哨的咒语动辄几十上百字结果自己照抄之后AI给出的东西还是没法看。后来我才慢慢明白问题的关键不在话术而在底层的思考框架——你心里有没有一套清晰的逻辑知道该怎么把需求、约束、期待说清楚。这篇内容我结合自己的实操经历把AI提示词这件事从框架到模板到案例完整拆一遍希望能帮你少走点弯路。1. 为什么你收藏了一堆提示词还是写不好AI提示词先说个扎心的现状我见过很多人包括曾经的我收藏了一堆万能提示词模板今天抄一个明天抄一个但换了个场景就完全不好使了。为什么会这样因为那些模板是别人在特定场景、特定模型版本下调出来的你直接拿过来底层需求根本没对齐AI理解不了你真正要什么。还有个常见误区是把提示词工程当成文字游戏觉得只要堆砌更多华丽的形容词、更多限制词AI就会听你的。实际上从我自己和身边朋友的使用体验来看绝大多数情况下你写不好提示词不是因为话术不够多而是因为你没有想清楚问题本身。你让AI写一份周报但你心里根本不知道周报要突出什么重点、给谁看、期望在哪个方向上展开——这种情况下你给再多的提示词框架也没用。所以我一直强调一个观点AI提示词的核心不是调教AI而是梳理自己。你在写提示词之前先逼自己回答三个问题我到底想让AI完成什么任务这个任务的成功标准是什么有哪些坑是AI可能会踩的我需要提前堵住只有这三个问题想明白了提示词才能真正变得优雅——这里的优雅不是指文字上的花哨而是指你能够用最少的字、最清晰的结构让AI一次get到你的意图。另外提醒一点我在实际使用中养成了一个习惯每一条提示词都当成一次沟通而不是一次命令。我会在开头告诉AI它的身份和立场在中间交代背景和约束在结尾说清楚输出的格式和质量要求。这个习惯看起来很简单但它是所有框架、模板、案例的地基。你别小看这个地基后面所有技巧都是在这个基础上长出来的。提示如果你现在还是随手打几个字的水平这篇文章里的框架可能会让你觉得繁琐。但请相信我先刻意练习十次之后再回归简单你会发现自己的简单和以前的简单完全不是一个层级。2. 三大经典框架拆解从结构上理解提示词的底层逻辑现在进入最核心的部分——三大经典框架。网上关于提示词框架的说法很多什么BROKE、CRISPE、CO-STAR、RACE等等但我觉得对于大多数普通人来说先把这三个最经典的吃透就够了。它们分别解决基础表达复杂任务拆解持续对话优化三类典型问题。2.1 框架一CRISPE——把需求说清楚的万能结构CRISPE是我个人最常用、也最推荐新手先练的框架。它的核心思路是让提示词具备完整的沟通闭环。CRISPE是五个单词的缩写CCapacity设定AI的角色身份。比如你是一位有10年经验的资深数据分析师。RInsight提供背景信息和上下文。比如我们是一家做在线教育的公司最近三个月用户流失率上升了15%。SStatement陈述你的核心任务或需求。比如请帮我分析导致用户流失的可能原因。PPersonality定义风格或回应方式。比如用通俗易懂的语言避免堆砌术语最好能用具体案例说明。EExperiment要求AI给出多个方案或尝试方向。比如请从产品功能、运营策略、用户心理三个维度分别给出分析并附上你推荐的优先级排序。这个框架的好处是它天然地帮你想清楚了背景、任务、约束、期望这四件套。你会发现用CRISPE写出来的提示词即使文字再朴素也能让AI的理解准确度提升一个档次。我测试过用同样的需求分别用CRISPE和随口提问AI给出的回复质量差距非常大——随口提问得到的往往泛泛而谈而CRISPE能逼着AI进入承担责任的状态。2.2 框架二BROKE——复杂任务需要先分解再执行CRISPE适合那种把话说清楚的场景但当你面对一个复杂任务比如写一篇包含市场分析、竞品对比、落地建议的完整报告时CRISPE就有局限了。这时候我用BROKE框架。BROKE的五个步骤BBackground先把背景和动机讲清楚。让AI知道你为什么需要这个任务这是很多新手容易忽略的。RRole定义角色这和CRISPE中的C是类似的。OObjectives明确目标尽量拆成可验证的小目标。比如第一梳理行业现状第二列出前三名竞品的核心策略第三给出我们自己的差异化建议。KKey Result定义关键结果。也就是你希望最终交付物长什么样、包含哪些模块、用什么标准衡量质量。EEvolve迭代和演化。这一步是BROKE的灵魂——第一次得到的答案往往不是最终答案你需要追问、修正、增删内容通过多轮对话让结果逼近你的预期。我实际用BROKE的体会是它的价值不在于一次把提示词写得多完美而在于它把迭代这件事显式地变成了流程的一部分。很多人跟AI对话总是一问一答地瞎聊而BROKE告诉我们先给一个结构化指令得到初稿然后基于初稿不断提出进化方向。比如我会说第二部分竞品分析的数据太旧了请换成2023年之后的信息或者最后再加一段风险评估这种连续优化所带来的效果远比第一版提示词就指望一步到位要靠谱得多。2.3 框架三CO-STAR——多轮对话中的上下文管理用ChatGPT、Claude这类对话式AI的时候最大的痛点其实是上下文丢失。聊了二十轮之后AI好像忘了最开始的要求或者你在对话中途突然换了个需求结果AI还在按前面的逻辑执行。CO-STAR框架就是用来管理这种场景的。CO-STAR的构成CContext提供相关背景信息帮助AI理解整个对话的语境。OObjective明确你希望AI完成的具体任务。SStyle设定回复风格比如专业、幽默、简洁、友好等。TTone设定语气态度比如坚定、委婉、鼓励等。AAudience明确受众是谁AI的回复应该针对谁的知识水平和偏好。RResponse明确输出格式比如JSON、表格、列表、段落。看到没有CO-STAR和前面两个框架的区别在于它特别强调风格、语气、受众这些软性维度。为什么因为在多轮对话中AI的语气漂移和受众遗忘是很常见的问题——你一开始让它用专业口吻写报告聊到后面它突然开始卖萌你让它写给领导看的方案它写着写着变成了写给同事的口吻。这些都是因为没有锁定软性参数。而CO-STAR中的S、T、A就是在反复给AI定调。我在做长文档、多轮修改类任务时会直接把这六个要素固化到一条系统提示词里让它始终生效。比如在对话开头我会写清楚你的受众是公司管理层平均阅读时间不超过5分钟风格要求结论先行、数据支撑语气保持客观冷静输出格式为总分总结构。这样即使聊了20轮AI也不会跑偏。2.4 三个框架怎么选场景匹配才是关键经常有人问我这三个框架我应该用哪个我的回答是看任务复杂度、你的熟悉度、以及输出要求的严格度。为了方便你快速决策我整理了一个对照表场景特征推荐框架理由简单任务一次完成比如写一段文案、回复一封邮件CRISPE结构清晰一次把话说清复杂任务三步以上比如写方案、做分析报告BROKE支持迭代演化拆解目标长对话、多轮修改、需要保持风格一致CO-STAR锁定上下文、风格、受众你完全不知道从何下手需求很模糊先用CRISPE梳理需求再转BROKECRISPE帮你理思路BROKE帮你拆任务记住框架是拐杖不是枷锁。等你把这三个框架都用熟了完全可以融合使用——比如取CRISPE的背景定义加上CO-STAR的风格控制再用BROKE的迭代流程收尾。真正优雅的提示词高手从来不死守某一个模板而是按需组合。3. 七类通用模板拿来即用但更重要的是懂背后的套路框架有了接下来就该落到具体的模板上。我把自己实践下来最常用的七类模板整理了一下。这里我想强调一点每一类模板我都会告诉你它的通用套路是什么以及什么时候该用它什么时候不该用它。你只抄模板没用你得知道模板为什么长这样。3.1 角色扮演模板给AI一个人设角色扮演是最基础、也最容易被用歪的模板。用得好AI的输出立刻有代入感用得不好就是中二病发作。一个标准的角色扮演模板包含身份描述 能力边界 说话风格 禁语清单。举一个正面例子你是一位有20年经验的营养师擅长为上班族设计简单易做的健康餐。你会用生活化的语言给出建议避免使用热量表之类的专业数据轰炸。你的建议需要具体到食材、步骤和时间。注意不要推荐需要复杂烹饪工具的食谱。你发现这里的门道了吗除了给身份我还给了能力边界擅长上班族健康餐、说话风格生活化、避免专业数据、具体要求具体到食材步骤时间、禁区不推荐复杂工具。这四个要素缺一不可。很多人写角色扮演只写你是一个营养师AI给你的回复就会非常泛泛因为它只知道职业标签不知道行为准则。3.2 任务分解模板把大目标拆成AI能执行的小指令前面讲BROKE时提到了拆解目标这里给你一个可以直接套用的模板。核心逻辑是大任务容易让AI失去焦点你要主动拆成阶段性指令。我通常的写法是请完成以下三步任务。第一步列出XX领域当前最重要的五个趋势每条用一句话概括第二步针对每个趋势给出一个真实案例说明其应用场景第三步基于这些趋势预测未来12个月的发展方向。在整个过程中请保持客观中立不要为凑数而编造案例。这个模板的底层逻辑是AI在回答大而模糊的问题时会选择它最熟悉的路径回答但这未必是你想要的路径。而当你拆成三步实际上是在帮AI规划思考路径让它的输出在结构上更接近你的预期。拆解的颗粒度也有讲究三步到五步比较合适。太细了AI容易机械执行缺少灵活性太粗了AI还是会泛泛而谈。3.3 数据与分析模板让AI用结构化方式处理信息处理数据类任务时我一般会用指令前置的方式把分析和输出格式一起交代清楚。语言模型不是计算器它更适合做模式提取和信息重组。这个模板适用于让AI从一段文章里提取要点或对一组数据进行解读。模板示例请阅读以下文本提取出所有提到的问题、对应的解决措施以及最终效果。输出格式为三栏表格第一栏问题第二栏措施第三栏效果。如果原文没有明确提到的信息请标注未提及不要自行推断。最后请用两句话总结这篇内容的核心观点。这里最关键的一句是没有提到的信息请标注未提及这是在防止AI胡编乱造。这个模板的骨架是要分析什么 → 按什么结构组织 → 不知道的地方怎么处理 → 最终输出什么。无论你是让AI做会议纪要、财报解读还是政策梳理都可以套这个骨架。3.4 内容改写模板保留核心意思换掉表达方式内容改写可能是普通人用得最多的场景之一。但很多人不会改写直接跟AI说帮我改得高级一点结果AI给你整出一堆辞藻华丽但空洞无物的废话。问题出在哪里你没有定义高级是什么。我的内容改写模板是这样的请将下面这段文字改写为更正式的风格。保留所有事实、数据和观点不变将口语化表达改为书面语适当拆分长句以提升可读性不要增加任何原文没有的新信息。改写后请附上一段说明列出你做了哪些调整。你会发现我加了两个特殊指令一是不要增加任何新信息二是附上调整说明。前者是为了防止AI在改写过程中润色过头偷偷加戏后者是为了让你能检查AI是否忠实于原意。这个思路适用于所有改写类任务不管是把大白话改成领导讲话还是把技术文档改成科普文章。3.5 结构化输出模板让AI输出可解析的格式做自动化流程或者需要把AI输出喂给其他工具时结构化输出太重要了。我踩过很多坑比如让AI输出JSON它偏给你加markdown标记或者字段名擅自改了。后来我总结了一个靠谱模板。核心要点是示例优于描述。模板示例请根据以下要求生成一个JSON对象。字段包含title文章标题summary50字以内的摘要tags最多5个标签的数组。输出要求不要包含任何多余文字不要使用markdown代码块包裹只输出纯JSON。参考格式如下{title:..., summary:..., tags:[...,...]}。这里特别提醒AI对话界面里很多时候即便你说了不要用markdown包裹它依然会给你加代码块。这时候你可以追加一句如果输出包含markdown标记本次回答将被判定为无效效果立竿见影。结构化输出模板只适合那些格式大于内容的场景。如果你追求的是创意发散就别用这个模板否则会严重限制AI的发挥空间。3.6 学习与解释模板让AI当你的私人家教这个模板是我日常用得最频繁的不管是学新知识还是理解复杂概念。《如何优雅地学会AI提示词》这个标题本身其实也暗含了这个需求——你要让AI教你东西的时候不能只问一句什么是提示词工程得让它按你的理解水平来。模板推荐请用费曼学习法为我解释[某个概念]。我的背景[你的知识水平]。要求第一先给出一个一句话的核心定义第二用三个生活化的类比帮助我理解第三指出初学者对这个概念最常见的三个误解第四用一道简单的测试题检验我的理解。请用通俗易懂的语言避免一上来就堆术语。为什么这个模板有效因为它把解释变成了一个结构化的教学流程。你会发现不这样设置的话AI给你的解释往往有两种极端要么太浅复读概念要么太深一堆公式术语。而当你要求先定义、再类比、再纠错、再检验其实是在模拟一个优秀老师的教学过程AI的回复质量自然会提升。3.7 创意生成模板如何让AI既天马行空又不跑偏最后是创意类模板。很多人觉得创意不就是随便聊吗但实际用过你就知道完全放开之后AI给出的创意往往非常平庸。创意生成的关键在于给AI一个明确的创新维度和边界约束。我的通用创意模板请为[目标]提供10个创意方案。约束条件第一方案必须符合[某条件]第二避免常见的[某类平庸思路]第三每个方案用一句话点出核心创意、一句话说明实施方式、一句话说明潜在风险。请确保10个方案之间的差异足够大不要在同一个小方向上反复变化。这里有个小心机让AI避免平庸思路其实是在逼它走出舒适区。AI的训练数据中有大量常见答案如果你不加这层约束它就会给你那些典中典的建议。加了约束之后你会发现它开始尝试一些反常识的路径而这些路径往往才是真正的创意火花。现在七类模板我都放在这了。但光有模板还不够你需要知道什么时候模板会失效——比如当你的任务跨越多个模板类型时就要组合使用当AI反复听不懂时说明你少了关键背景信息不是模板的问题。这些经验我们放到实战案例里一起看。4. 实战案例逐帧拆解从翻车到出彩的完整过程理论说了一堆不上手实操都是白搭。我选了六个我自己做过的真实案例每一个都包含了最初的烂提示词和优化后的好提示词以及背后的思路调整过程。我建议你边看边想如果是你会怎么改。4.1 案例一让AI写一封不尴尬的跟进邮件背景我朋友是一家公司的销售要给一位意向客户发跟进邮件。他最开始在AI里输入的是帮我写一封跟进邮件提醒客户上次聊的合作。AI回了一封非常通用、非常模板化的邮件大概意思是您好上次我们聊过合作事宜请问贵方考虑得怎么样了——放在任何场景都行但也正因为如此毫无针对性。我的优化思路是给AI足够的背景信息逼它站在我的角度而不是AI的角度写。你是一位销售顾问负责跟进一位在展会上表示对你们数据中台产品感兴趣但预算尚未获批的客户。客户姓李是IT部门负责人。请帮我写一封跟进邮件要求1. 用温和的提醒语气不要显得催促2. 附上一个5分钟的产品Demo视频链接3. 给客户一个低承诺的下一步选择——回复是否方便约下周简单聊15分钟4. 整封邮件控制在150字以内结尾不要用期待您的回复这种话。你看这里我做了三件事给了具体背景展会、产品、预算未批、锁定了行动路径发视频链接、低承诺下一步、禁止了AI的默认套路不要用期待您的回复。结果是这封邮件回得非常像一个真的人在跟进而不是AI群发。4.2 案例二用AI做竞品分析报告背景一个做跨境电商的朋友需要一份竞品分析报告他直接跟AI说帮我分析一下Amazon、eBay、Temu这三个平台的优劣势。AI给的回答是什么是三段网文风格的产品简介每个平台两三百字读完之后什么决策都做不了。我用BROKE框架重新设计了提示词背景我们是一家做家居小件的新品牌预算有限计划三个月内只选择一个平台作为主阵地。角色你是一位跨境电商策略顾问。目标请对比Amazon、eBay、Temu三个平台重点分析它们的费用结构、目标客群、竞争激烈程度、对我们这类低价家居品的适配性。关键结果输出一个对比表格最后给一个明确的推荐平台和理由并列出风险。后续要求我会根据你的回答继续追问细节请记住你的推荐立场不要前后矛盾。这个提示词的效果立竿见影关键在于我传达了三个信息我们是谁、我们面临什么决策、我们期望什么产出。AI不再泛泛地评价平台而是直接站在一个预算有限的家居新品牌的角度输出内容。这里也体现出BROKE框架的迭代特性——如果你觉得第一版报告不够深入可以继续追问请针对推荐平台展开分析我们的定价策略。4.3 案例三从零学Python数据分析背景我教过一个刚入行的朋友学Python他直接问AI我想学Python数据分析该怎么学结果AI给了一份洋洋洒洒的学习路线图——从变量、循环到Pandas、Matplotlib堪称完美但他看完更焦虑了因为完全不知道从哪下手。我教他把问题改成了可执行的小任务用了学习与解释模板我完全没有编程基础但需要在一个月内学会用Python做Excel级别的数据处理。请不要给我完整的学习路线只告诉我今天的第一个学习任务应该做什么。要求1. 任务时长控制在30分钟内2. 先教我安装运行环境3. 用一个具体案例比如计算部门平均工资作为练习4. 完成后告诉我下一步该做什么。这个提示词的巧妙之处在于它把学Python这个大目标压缩成了今天30分钟的小任务。AI给出的回答不再是空洞的路线图而是一个可以立刻行动的清单。学完今天的任务他又回来问下一步AI会基于他刚完成的内容继续递进。这种自适应学习的效果比看十篇学习路线图都强。4.4 案例四用AI生成小红书爆款文案背景一个做手工饰品的朋友让我帮忙调教AI写小红书文案。他原版的提示词是帮我在小红书发一篇推广手工耳环的笔记写出来的内容比白开水还淡连他自己都不想看。我这边的改法重点是用CO-STAR锁定风格和受众再加一点平台调性约束请以一位热爱手作、充满生活气息的手工博主身份写一篇小红书笔记推广一款蓝染渐变耳环。受众是20-30岁、喜欢复古文艺风格、重视独特性的年轻女性。风格要求自然口语化像闺蜜聊天一样自然不要用绝绝子YYDS这种过时网络热词重点突出手作的温度和每一对都是独一无二的特点结尾加一个互动引导问粉丝如果想看蓝染制作过程扣1。字数300字左右加上3-5个标签。为什么这个有效因为小红书文案的核心不是信息量而是人设感和互动感。通过CO-STAR锁定了渠道小红书、受众年轻女性、风格闺蜜聊天、目的互动引导AI的输出一下就贴上了。那条文案发布后互动数据比我朋友之前自己写的那些翻了不止一倍。4.5 案例五让AI帮忙翻译并保持术语一致背景我被一个朋友拉着帮忙看一份技术文档翻译文档里涉及大量专业术语比如最新的框架的翻译直接让AI翻译的话它可能会在不同章节里用不同的译法。因为对话模型没有全局记忆上下文一长就容易前后不一致。我给AI设计的提示词是请将这篇技术文档从英文翻译为中文。术语要求第一次出现某专业术语时我会提供标准译法后续所有章节都必须使用同一译法。例如context window译为上下文窗口transformer译为Transformer。格式要求保持原文的标题层级和列表结构不要意译产品名称、公司名遇到无法确定之处加个[待确认]标注不要自己猜。这次翻译的准确性提升了一大截最核心的是我给了术语对照表。本质上我在用一次性的说明替代AI自己去发挥的能力相当于给它一本词典。这个思路可以扩展到任何需要固定输出口径的场景。4.6 案例六用AI规划设计一次团建活动背景我是我们小组的活动策划原本AI的提示词是帮我策划一场有趣的团建活动结果AI给了一堆经典方案户外拓展、剧本杀、轰趴馆……全都是大众选项。这不算错但实在没有定制感。重写后的提示词请为12人的数据团队设计一个半天的团建活动。背景团队成员年龄集中在25-35岁日常以脑力劳动为主大家不是特别熟希望活动能促进交流但不要太尴尬。偏好排序轻松搞笑刺激绝对不要纯运动类项目全员拒绝。请提供3个方案每个方案包含主题、大致流程精确到半小时、预算估算、可能翻车的点和备选方案。最后推荐一个你认为最优的并说明理由。注意几个关键点不是特别熟决定了破冰环节必须是低压力型绝对不要纯运动类排除了AI最容易给的答案流程精确到半小时让方案可执行。结果出来的方案里有一个办公室版大侦探和全员参与的美食盲盒赛我朋友看完全员投票通过。这个案例想说明的是提示词的约束条件越贴合真实场景AI的创意就越能踩在你的需求点上。5. 提示词写多了之后我绕过的那些弯弯绕绕体验过从烂提示词到好提示词的进步之后还有一个很重要的部分是在实战中踩坑得来的经验。我把这些零零碎碎的教训整理了一下希望能帮你提前避开。5.1 AI一本正经地胡说八道怎么破所有用过对话式AI的人大概率都遇到过幻觉问题——AI给出的数据、引用、细节看起来有模有样实际上完全是从它自己的脑洞里编出来的。我处理这个问题的范本做法是在提示词里加一个置信度标注和信息来源要求。比如我会让AI在回答中区分事实判断与推测观点对于不确定的数据请用据我了解我推测这样的词做前缀不要直接写成肯定陈述句。如果引用外部数据请标注可能的来源渠道但不要编造具体的URL链接。还有一个很管用的就是结合已知事实策略给AI提供一段真实内容比如你手头的报表、文档明确指示它只能基于此内容做分析和创作不得引入外部知识。这个策略在写工作总结、复盘、分析类内容时尤其关键能显著降低幻觉率。5.2 模型版本和温度参数对提示词的影响可能很多人只在Web界面上用过AI不太关注参数但如果你接API做自动化这个问题就绕不开。同样的提示词在不同版本模型下的表现可能有天壤之别温度和Top-P设置不一样输出质量也完全两回事。我的经验方子涉及创造性写作文案、头脑风暴温度设到0.8以上做事实性分析、代码生成温度调低到0.2左右做结构化抽取和格式转换温度直接压到0。你可能会疑惑为什么你的提示词没问题AI偶尔还是会飘很可能就是温度参数在捣鬼。5.3 单轮提示词别指望一步到位这是很多新手最容易撞的墙希望一条完美提示词解决的问题一次性输出完美答案。现实是即便是提示词专家也常常要经过三轮以上的迭代才能拿到90分的答案。第一轮让AI自由发挥看它的理解水平第二轮指出偏差并给出补充信息第三轮聚焦细节优化。我把这种方式叫做三段式对话。这个过程本身就是你在喂AI理解你的需求同时也逼着你越来越清楚自己的需求。所以别把写得不好看作是失败它其实是你们俩在互相磨合。5.4 提示词与投喂示例的配合使用最后再分享一个小技巧当你要AI完成一项比较特殊的任务时比描述更有效的是给一个示例。比如我想让AI把我写的段落改成某种特定调性的风格我会说参考下面这个例子的语调来改写【放一段示例】。注意学习它用词的长度、句子节奏、语气标签但内容要完全服务于我的新主题。但要注意投喂的示例不能太多一两个就够。不然AI会陷入模仿而忘记创造反而限制它的发挥。示例的作用是校准方向不是框死答案。6. 从学会提示词到拥有提示词思维看到这里你可能会觉得AI提示词工程也就这样了三个框架、七类模板、几个案例。但如果这篇文章能在你脑子里留下一样东西我真诚地希望是提示词思维——它比任何具体模板都重要。提示词思维的底层其实就是三点。第一永远在想对方需要什么信息才能帮到我这个对方可以指AI模型也可以指任何与你协作的人。第二永远在拆解把模糊的愿望变成可执行的步骤。第三永远在迭代不指望一次到位而是通过反馈让协作质量螺旋上升。我自己最大的变化是学会了提示词之后跟同事沟通也变得更加结构化——汇报工作先说结论、再说背景、再说需要什么支持写需求文档的时候会先讲给谁看再讲写什么。本质上这些习惯不是AI教我的而是我在研究AI提示词的过程中自己慢慢迁移到工作和生活里的。你不需要一次记牢所有框架模板你可以先挑一个最上手的场景练起来——可能是让AI帮你写一封不那么尴尬的邮件也可能是让它帮你拆解一个学习目标。每一次你把自己的需求想得更清楚一点AI给你的回报就会更准一点。我踩过的那些坑、试出的那些模板如果能在你用AI的路上为你省下哪怕几个小时我觉得这篇文章就没白写。