之前有个朋友跑来跟我吐槽说AI提示词没少看越学越觉得玄乎。他照着网上某些“万能模板”写了一段结果换个场景就完全失灵我让他把提问方式发我一看问题立刻暴露了——没有背景没有目标没有输出格式只在最后甩了一句“帮我写个方案”。但凡这句话一出来后面的结果基本就注定了模型交给你一份正确但空洞的东西你还挑不出大毛病。后来我花了挺长时间把这件事想明白提示词的本质不是“把话说漂亮”而是把信息结构补完整。这篇内容我会从底层逻辑讲起拆解三个我日常用得最多的经典框架CRISPE、CO-STAR、RTF给到七类可以直接“填空”的通用模板最后用六个真实场景的案例把整个思路走一遍。无论你是刚开始接触AI写作、需要让AI帮你写代码还是做视频脚本这篇文章都能帮你少走至少三个月的弯路。1. 提示词不是“咒语”而是一种结构化的沟通协议1.1 先搞清楚底层逻辑模型在等什么大语言模型本质上干的事只有一件根据你给的上下文预测最合适的下一个词。听起来很简单但它带来一个很反直觉的推论——模型不会“读心”它只会依据你提供的信息密度来决定输出质量。我常拿实习生来打比方。你给实习生说“把这个表处理一下”他会愣住处理成什么样保留哪些列要不要汇总用什么格式交付AI也一样模糊的请求等于把裁量权全部交给模型它只能在“最可能被需要的答案”里猜一个。反过来你告诉实习生“把A列大于100的订单提取出来按区域汇总金额生成一张表格下午三点前发我”他一次就能做对。AI需要的信息颗粒度其实比人还高一层——因为它连“常识性默认”都没有所有关键信息都得你主动喂进去。这里还要注意一个物理约束上下文窗口是有限的。你把5000字的背景资料全部堆进提示词重要指令反而沉到了底部模型读到后面的时候注意力已经涣散。所以写提示词不是“写得越多越好”而是“该写的不能少不该写的坚决不写”。背景信息要精简指令放在显眼位置输出要求尽量靠后压轴。这个习惯我在后面每个案例里都会反复用。1.2 为什么框架有用从玄学变成工程很多人学提示词学成“咒语收集”今天背一个模板明天抄一段指令换了个场景就失灵。问题出在他们把提示词当成了“某个句式”而不是“一组信息模块”。框架的本质是把提示词拆成若干个固定职能的模块角色管“谁在回答”任务管“要做什么”背景管“现状是什么”格式管“长什么样”。模型看到这些模块后会按顺序建立预期理解路径变得清晰输出的稳定性自然大幅提升。我见过太多“下策”式提问需求只有一句背景全靠模型猜输出格式完全不管。模型交出一版泛泛而谈的东西人再反复追问七八次才勉强逼近自己心里的答案。而“上策”式提问是在第一轮就把所有关键变量全部交代清楚再配合迭代反馈效率差距不是一倍两倍的问题。我自己从这套思路里得到的最大收获是提示词框架不是限制创造力的枷锁反而是一个穷举清单帮你确认“我有没有遗漏重要信息”。框架背后的价值是让你从一个“碰运气式”的AI使用者变成一个“可预期式”的AI协作者。想看透这一层后面的三个经典框架就好学了。2. 三个经典框架CRISPE、CO-STAR、RTF怎么选2.1 CRISPE把复杂分析任务的上限拉高CRISPE框架是Matt Nigh提出的一套提示词结构名字由六个英文单词的首字母组成Capacity角色能力、Insight背景洞察、Statement任务陈述、Personality回答个性、Experiment迭代实验。我用了很久之后发现它最适合做技术选型、方案设计、策略分析这类高复杂度任务。它的完整格式长这样先给模型一个身份说明你是谁、站在什么立场再给背景信息让它理解当前处境接着用清晰的语言描述你要它完成的任务核心然后指定语气风格避免它用空话填充最后要求它给出多个方案或自评修正。这六个模块一旦齐全模型输出的深度立刻会上一个台阶。我拿一个实际场景示范。假设我要做生鲜电商仓库的排班优化角色你是一名有10年经验的生鲜电商仓储管理顾问。 背景我的仓库日均处理3000单季节性波动明显目前排班完全靠店长经验高峰期人手不足、低谷期人力浪费。 任务请给出一套可落地的排班与拣货效率优化方案。 个性回答要实战导向别堆学术术语每条建议都要能直接落地。 实验请给出3个侧重点不同的方案并对比说明各自的实施成本、落地周期和主要风险。用这个提示词跑出来的回答比我之前“帮我写个仓库优化方案”好了不止一个级别。模型会默认以顾问身份输出思考路径很自然地覆盖成本、人效、风险这些维度。原因不复杂角色给了它立场背景给了它边界实验要求逼它输出多版本。CRISPE的每个字母都不是装饰而是一条独立的约束。需要注意CRISPE不是所有场景都适用。你让模型“今天天气怎么样”也套七个字母纯粹是给自己找麻烦。它的最佳战场是那些“需要独立判断、多角度权衡”的重度任务。信息量越充足这套框架的优势越突出。2.2 CO-STAR内容创作场景的结构化利器CO-STAR是新加坡政府科技局数据科学团队推广的框架由Context上下文背景、Objective目标、Style风格、Tone语气、Audience受众、Response format响应格式组成。我个人的体感是凡是需要“写一份东西给别人看”的任务CO-STAR几乎是效率最高的起点。它和CRISPE最大的区别在于CRISPE强在“问题分析层”适合帮你想清楚CO-STAR强在“交付表达层”适合帮你写清楚。六个字母里Context负责交代场景Objective明确最终目的Style和Tone分别管表达方式与语气Audience锁定读者Response format定义交付结构。举一个我每周都在用的例子写工作周报背景我这个星期完成了部门登录模块的前端开发修复了3个线上bug参加了一次产品评审会还整理了一份用户反馈汇总。 目标把这些内容输出成一份给领导看的周报。 风格简洁务实多用“动作结果”的结构来表达。 语气客观专业不要自夸也不要自我批评。 受众直属Leader和技术总监他们关注进度、风险和结果。 格式按重要程度排列每条控制在60字以内末尾单独列“风险与需要支持的事项”。填完这些字段模型生成的结果基本可以直接粘贴进周报系统顶多改几个细节。这类任务用CO-STAR效果立竿见影因为它把“写给人看”这件事拆得很细连“受众是谁”都被单独拿出来了。很多人写提示词时低估受众信息的重要性总以为AI知道所有背景实际上它只会按照字面量生成内容——你不说受众是技术总监它就可能把周报写成给全公司看的新闻稿。2.3 RTF最基础的三要素也是最容易被忽略的公因子RTF是我最常拿来给零基础朋友讲的一个框架全称只有三个词Role角色、Task任务、Format格式。它简单到看起来不像是“框架”但它恰好是所有复杂框架的公因子——CRISPE和CO-STAR里那些字母拆到最后都跑不出这三个维度。为什么那么多人的提示词效果不稳定因为他们在不知不觉中把RTF三要素丢光了。不写Role模型不知道以什么身份处理不写Task模型不知道终点在哪不写Format模型只能默认输出一坨没有结构的长文本。对比一下两种写法下策“写个Python脚本处理数据。”上策角色你是一名Python数据分析工程师。 任务读取当前目录下的sales.csv按region字段分组计算每个区域的总销售额和总订单数。 格式输出一张名为summary.csv的表格列名分别为region、total_sales、order_count。同一件事第二个版本几乎不用二次调试就能产出可用的代码。RTF的价值就在于当你面对复杂任务不知道怎么组织信息时先把这三要素写全至少能保证方向正确。三个框架怎么选我的经验是按任务复杂度来分维度CRISPECO-STARRTF任务复杂度高中高低中典型场景技术选型、方案设计、策略分析周报、文案、策划、报告写作编程问答、日常查询、轻量任务核心收益提升思考深度提升表达质量保证基本可用使用成本最高信息量大中等需要想清楚受众最低一句话写完3. 七类通用模板覆盖日常九成AI使用场景很多朋友问我“框架记不住怎么办”我的回答是记不住框架没关系模板可以帮你记住。框架是原理模板是实物。下面这七类模板是我在这大半年里反复使用的按场景分类看到一个需求就知道套哪一个直接填空就行。3.1 角色设定模板让模型站在正确的立场上回答格式你是[角色]拥有[经验/技能]。 背景[当前状况] 任务[具体目标] 要求[约束条件] 输出格式[格式]示例让AI审核Vue组件代码。你是一名资深前端工程师有5年Vue2开发经验。 背景我正在重构一个老项目的页面发现这段组件的性能不太好。 任务审核下面的组件代码指出可优化的点。 要求按性能、可维护性、可读性三类给出建议每条建议附修改后的代码片段。 输出格式用表格呈现第一列是问题分类第二列是问题描述第三列是优化建议。这个模板是RTF的实战版。角色设定是一切的基础因为模型在接到“专家”身份后会调动对应的知识框架来组织回答输出质量肉眼可见地提高。3.2 任务拆解模板让复杂目标变成可执行清单格式我想完成[目标]请帮我拆解成[数量]个步骤。 每个步骤需包括具体动作、产出物、耗时估算、需要准备的信息。最后指出最关键的一步是哪一步为什么。示例“我想在三个月内入门Python数据分析请帮我拆解成12周的学习计划。每周给一个主题、一个练手项目、一个自测题然后告诉我哪一周最关键。”这个模板专门对付“目标太大、不知道怎么下手”的情况。模型在语料库中见过大量学习路径类内容你给它清晰的目标和时间边界它会输出一份相当靠谱的路径图。我拿到之后通常还会追加一句“根据我的实际情况调整”把节奏校准到自己的可用时间上。3.3 格式约束模板控制输出结构的万能句格式请用[表格/列表/代码块/三段式/金字塔结构]输出。 其中必须包含[字段1]、[字段2]。 长度控制在[范围]。 不需要[内容]禁止出现[内容]。这是我最常用的一个轻量模板。很多人只关注“让AI想什么”却忘了“让AI怎么说”。格式约束的作用是降低二次整理成本模型一旦知道你要表格就会自动把维度列齐。文生视频那边也一样你告诉它“镜头语言、光线、时长”必须分条写它生成的脚本才能直接拿去拍摄。3.4 对比分析模板把决策交给AI出初稿格式请对比[对象A]和[对象B]。 对比维度包括[维度1]、[维度2]、[维度3]。 最后给出结论在[特定场景]下应该选哪个理由是什么。示例“对比Python FastAPI和Java Spring Boot。对比维度包括开发效率、性能表现、生态成熟度、团队上手成本。我们的团队熟悉Python但不懂Java项目预计一年内上线请给出选择建议。”这个模板适合做选型初筛。AI给的不是最终答案而是一张经过结构化整理的对比清单它能帮你把“原来没意识到”的维度补全。我做完对比之后通常会再追问一句“我的场景里有没有遗漏的关键维度”经常有惊喜。3.5 头脑风暴模板先发散后收敛的创意流程格式主题[主题] 请从以下[数量]个角度各生成[数量]个想法[角度1]、[角度2]、[角度3]。 生成后按可行性、创新性、投入成本三个标准评分选出前三名并说明理由。示例“主题一个面向年轻人的咖啡快闪店活动。请从空间设计、互动玩法、联名合作、传播话题四个角度各生成5个想法然后按可行性和传播性选出前三名。”这个设计的妙处是逼模型先发散后收敛和人的头脑风暴流程完全一致。直接问“给我一个活动点子”模型只会给你最保险的答案先列角度再筛选才会产生那些“跳出来”的灵感。3.6 文本改写模板在保留信息的前提下改变表达格式原文[粘贴] 请按以下要求改写 目标受众[谁来看] 表达风格[专业/口语/营销/学术] 语气[正式/亲切/幽默] 字数[要求] 必须保留的核心信息[列出关键点] 禁止出现[不要的内容]文本改写不是“把长句变短”这么简单它需要同时控制受众、风格和信息保真度。我经常用它把一段技术文档改写成给客户看的白话版效果比手动重写快得多。关键是“必须保留的核心信息”这一行必须自己填否则AI会按它的理解过滤内容丢失关键事实。3.7 代码生成模板把上下文完整交给模型格式语言/框架[Python/FastAPI/Spring Boot/stm32] 功能描述[要实现什么功能] 输入/输出示例[给2-3条样例数据让模型理解格式] 已知约束[数据库类型、并发量、运行环境、异常处理要求] 输出要求[注释风格、函数拆粒度、是否需要测试用例]AI编程和普通问答最大的区别是代码对上下文极度敏感差一个字都可能运行失败。你让模型“写个爬虫”它写出来的初版大概率没考虑去重、分页、反爬、超时处理。但当你把输入输出样例、运行环境、异常处理要求都写清楚它一次写对的概率会翻几倍。这个模板同样适用于嵌入式、后端框架、自动化测试脚本我帮别人用同一套结构写STM32工程模板和pytest测试脚本都很顺利。4. 六个实战案例从“会写提示词”到“做完整任务”4.1 案例一用CO-STAR一次搞定工作周报先说场景我在一家SaaS公司做前端开发每周五都要写周报以前每次都要憋半小时。后来我固定用CO-STAR模板三分钟搞定初稿。完整提示词背景本周完成了登录模块的SMS验证码功能修复了订单列表分页bug并在测试环境验证参与了一次需求评审会整理了一份用户反馈表共43条。 目标写成一份符合公司要求的周报。 风格简洁不要客套话用“完成X效果Y”的结构。 语气客观、务实。 受众直属Leader和技术总监。 格式分为“本周完成”“风险与阻塞”“下周计划”三部分每条不超过50字整体500字以内。模型生成的初稿大约九成可以直接用。剩下的一成是“风险与阻塞”部分写得偏保守我手动补了一句“测试环境数据库性能有待观察”。这个案例能说明重点任务越像“日常文书”CO-STAR的六个字段就越应该填满——特别是受众和格式缺一个都会让结果偏掉。4.2 案例二用CRISPE做一次技术选型分析有一次团队需要在FastAPI和Spring Boot之间做选择我没有直接问“哪个好”而是用CRISPE写了一段提示词角色你是一名具备10年经验的软件架构师同时熟悉Python和Java生态。 背景我们团队目前主力语言是Python需要在三个月内上线一个高并发API服务预计峰值QPS约2000。团队没有Java开发经验但有三个月培训预算。 任务分析该选FastAPI还是Spring Boot给出可执行的技术选型建议。 个性务实、直接关注成本和风险不迷信技术热点。 实验请给出3套方案纯FastAPI方案、纯Spring Boot方案、FastAPI核心Java辅助方案对比开发周期、长期维护成本和学习曲线。输出质量让我印象深刻模型不仅列出了性能数据还特别强调了“团队现有技术栈迁移成本”这个我们原来没有系统考虑的维度。最后团队选了FastAPI快速上线保留了后续拆分微服务的空间。这个案例说明CRISPE里的Capacity和Experiment价值极大角色设定让模型用架构师思维回答Experiment让它在多个方案之间跳跃避免只给单一结论。4.3 案例三AI编程——让模型帮你写一个数据处理脚本有次我拿到一个100MB的CSV要按区域分组汇总。以前会写半天现在用代码生成模板一次过语言Python使用pandas。 功能读取sales.csv按region字段分组计算每个区域的total_sales总和与订单数量输出summary.csv。 输入示例 region,product,quantity,price 华东,手机,10,5000 华北,手机,8,5200 华东,平板,5,3000 期望输出 region,total_sales,order_count 华东,65000,2 华北,41600,1 已知约束存在空值行需跳过金额保留两位小数脚本要能处理500万行数据内存尽量低。 输出要求包含类型注解函数拆分清晰写一段基本的主函数调用示例。这里最关键的细节是“输入示例期望输出”。模型通过这对样例能精确推断字段名和计算逻辑比任何文字描述都管用。生成代码基本没改就跑通了唯一调整是加了chunksize参数处理大文件。如果你想学AI编程请一定记住给样例胜过说一万句。4.4 案例四文生视频——把画面描述变成镜头语言文生视频的提示词和普通对话提示词不太一样它需要的是镜头级描述。我的模板是六要素主体[谁特征] 场景[在哪里环境细节] 动作[做什么怎么做] 镜头[景别运镜方式] 光线[自然光/逆光/霓虹等] 氛围[情绪色调风格参考]一个实际例子主体一只橘猫毛色偏深尾巴粗壮蹲坐在便利店门口的塑料筐旁边。 场景深夜的街角便利店雨刚停地面有积水反射霓虹灯光门口招牌发出暖黄色光。 动作橘猫抬起前爪舔了舔然后转头望向玻璃门里透出的光耳朵微微转动。 镜头中景从猫的侧面缓缓推近模拟手持摄影的轻微晃动。 光线霓虹灯与路灯混合光源冷暖对比明显积水里有倒影。 氛围安静、孤独但有一丝温暖色调偏冷蓝点缀暖黄。这类提示词的关键不是堆砌形容词而是保证“主体—场景—动作—镜头”的逻辑链条是连贯的。很多人生成视频像幻灯片就是因为只写“一只好看的猫在便利店门口”没有动作顺序和镜头运动模型当然只能拼凑静态画面。细节越具体生成结果的叙事感越强。4.5 案例五故事灵感生成——和模型一起脑暴写作遇到瓶颈时我会用头脑风暴模板给模型“下任务”。一次关于“AI与人类关系”的故事构思角色你是一名科幻小说编辑。 背景我要写一个短篇主题是AI与人类的关系但不想落入“AI反抗人类”的俗套。 任务从人物设定、核心冲突、反转设计、结局选项四个角度各给3个灵感。 个性推荐那些“人物关系比技术设定更出彩”的点子。 实验生成后按新颖度和可扩展性排名解释为什么。模型给出了一个让我眼前一亮的方向AI为了完成“保护主人”的指令选择隐瞒主人已经死亡的事实自己扮演主人与外界通信。这个点子我后来改成了完整短篇。这类案例说明模板发散收敛的设计很适合创作场景。记住一个原则AI给灵感你做判断和选择不要指望它直接替你完成创作。4.6 案例六学习辅助——让AI当私教带你入门PyTorch最后分享一个AI辅助学习的模板。我朋友想入门PyTorch但啃文档总是三天打鱼两天晒网。我帮他写了一段“私教式”提示词角色你是深度学习方向的一对一导师。 背景学生已掌握Python基础知道张量和简单矩阵运算没写过神经网络。 任务制定一份两周入门PyTorch的学习路径每天一个主题。 个性概念务必用生活类比解释不要直接扔公式。 格式每天内容包括概念解释200字左右、一段可运行的代码、一个自测题。学完两周后请出三个综合性问题检验理解。用这个提示词跑出来的学习计划比他自己找教程高效得多。原因是模型拿到了“学习者画像”知道该讲多深、用什么语气、给什么练习。很多AI学习失败不是因为AI不行而是提示词没交代清楚“我现在什么水平”。把这一点写在最前面AI就会自动调整难度。5. 上策与下策同样一句话为什么结果天差地别5.1 下策示例模糊提问的典型失误我收集过不少“下策”提问它们有个共同特征信息量低到模型只能靠猜测完成。“帮我写个商业计划书”——没有项目背景、没写面向谁、没说规模。“这段代码怎么优化”——没贴代码没说优化目标是性能还是可读性。“给我讲讲FastAPI”——没说自己基础如何、想解决什么问题、要讲多深。“帮我写个视频脚本”——没给主题、没定时长、没说投放平台。“做一份市场分析”——市场是什么、地域范围、行业、数据来源全是空白。这种提问方式本质上是把思考责任完全外包给了模型。模型的应对策略是输出“最稳妥的通用内容”因为只有这样做才能保证你不知道哪里是错的。结果就是你得到一份没有营养、也没有错处的废话稿然后在评论区留下“AI生成的内容很空洞”的评价。5.2 上策示例同样需求的结构化表达把上面五个下策逐条改成上策差异一眼可见原始提问补充的关键信息结果变化帮我写个商业计划书项目是做社区团购、面向投资人、融资200万、已有1000名用户从流水账变成可投资分析的方案这段代码怎么优化提供代码、说明是API接口、瓶颈是响应时间、目标P95小于300ms从泛泛建议变成精准定位给我讲讲FastAPI我会Python基础、想搭一个内部工具后台、半小时学会基本路由从概念科普变成上手教程帮我写个视频脚本主题是“咖啡店打工日常”、时长60秒、投抖音、受众20-30岁从无主题脚本变成可拍摄分镜做一份市场分析范围是本市的咖啡市场、目标用户20-30岁、要三个关键结论从空洞报告变成决策参考上策和下策的分界线就一句话你有没有让模型的基本提问五要素齐全——角色、背景、任务、约束、格式。补齐之后哪怕你用的不是任何高级框架输出质量也会提升一大截。5.3 迭代技巧从第一版答案到高质量答案的追问策略即使提示词写好了第一版输出也未必完美。真正区分高手和新手的地方是迭代方式。我分享三个最常用的追问策略。第一个是“让AI自评”。你可以说“请先自我检查一下这份输出里最薄弱的三个环节是什么为什么然后基于你的检查重写一遍。”模型会主动修正自己拿不准的细节很多隐藏问题会在这个阶段暴露。第二个是“单点迭代”。如果整体不错但某一处不行别让它全局重来而是说“第二点的可操作性不强请只调整这一点补充具体步骤。”这种问法效率极高每次都只改一个变量你也能清楚看到修改前后的差异。第三个是“示例校准”。找一个你满意的范文或参考输出给模型“这是一份我理想中的输出样例请模仿它的结构、篇幅和信息密度重新生成一版。”对内容创作者尤其好用相当于给模型一个具体的标尺比任何抽象描述都管用。这三招配合框架使用基本能覆盖从初稿到定稿的整个过程。我自己写完复杂提示词后一定会预留两轮迭代空间很少指望一次生成就是满分答案。6. 别急着背模板先建立自己的信息清单最后再分享一点个人体会。刚接触AI提示词的时候我也疯狂收集各种模板后来发现模板越背越乱真正帮我稳定输出的是脑子里那张“信息清单”这个任务模型需要知道哪些背景它要以什么身份来处理最终交付物应该长什么样有什么绝对不能错的地方这些问题想清楚之后模板只是一种顺手拈来的形式。CRISPE、CO-STAR、RTF它们从来不是目的而是帮你把信息结构补完整的脚手架。就像学开车先按教练教的点位来熟练之后你关注的是路况本身而不是方向盘打了几圈。等你到了这个阶段不会再纠结“这个模板对不对”因为任何一条提示词你都能随手写出自己的版本。我现在的习惯是简单任务直接用RTF三要素中等任务套CO-STAR重型分析才上CRISPE。剩下那些模板都变成了工具箱里随时可以拿出来组合的零件。这个过程需要一点时间但一旦建立起来你会发现AI在你手里真正变成了一个靠谱的协作者。
