AI时代爆款提示词：价值百万（二）

四、提示词万能公式

上一章我们聊了提示词工程技术的理论体系与发展脉络。掌握这些技术，能让你设计提示词时更有章法——毕竟，它的本质是一套系统的方法论，包含分步思考、知识整合等逻辑框架。但说实话，理论讲多了容易把人绕晕，对于大多数普通用户来说，那些学术化的概念理解和运用起来都有点门槛。

所以，面向大众的实用化技术——也就是咱们常说的提示词框架——应运而生。它们本质上是标准化模板或操作范式，把复杂的理论打包成可以复用的方法论。市面上那些被吹得神乎其神的“高价值提示词案例”，背后十有八九就是这些框架在起作用。这些方案更接地气的叫法，其实就是提示词设计的“万能公式”。它们的核心价值在于：通过预设好的逻辑路径和表达范式，把专业门槛降到最低，让任何人都能快速搭出高质量的提示词。

这两类方法并不矛盾，而是相辅相成的。你可以用本章介绍的任何框架，去描述和调用上一章那18种技术的任意一种。

1. 角色扮演

角色扮演框架的逻辑很清楚：通过给AI一个特定身份——比如医生、律师、博主——来触发它相应的专业知识库和语言风格，引导它输出符合该身份调性的内容。

这是最直观、最简单，也是普通人最容易上手的提示词写法。说白了，就是直接告诉大模型“你应该扮演什么角色”、“擅长什么”、“我需要你帮我做什么”。

角色扮演最大的好处是能快速设定对话的基调，让回答自带专业感和情境感，避免那种敷衍的通用回应。

举个例：你是一个小红书文案专家，擅长创作爆款文案和标题，请以“XXX”为主题，帮我写一篇爆款文案和标题。

2. ICIO框架

ICIO框架是一个非常经典、结构化的提示词工具。它将提示词拆成四个核心要素：指令(Instruction)、背景(Context)、输入(Input Data)、输出指示器(Output Indicator)。

• 指令（Instruction）: 框架的核心，用来明确定义AI要执行什么任务。写指令时，语言要简洁清晰、避免歧义和废话，保持任务单一。一般用动词开头，比如“创作xxx”、“分析xxx”。
• 背景（Context）: 提供任务的相关背景信息，帮助AI理解任务情境，才能准确执行。背景信息通常包括：目标受众、历史背景、任务目的等。
• 输入数据（Input Data）: 就是提供给AI完成任务所需的数据和材料。可以是统计数据、相关文档、参考资料，甚至是图片和音视频。
• 输出指示器（Output Indicator）: 指导AI输出的格式和要求。比如指定输出格式、字数限制、语气风格、具体包含哪些元素等。

ICIO的最大优势是能明确任务边界，灵活配置复杂需求。同时结构简单、好记好用，能覆盖大多数任务场景，确保指令不遗漏关键信息。

咱们来看个具体的例子：

指令(Instruction)：制定一份为期三个月的健身计划，目标为减脂10%并增强核心力量。
背景信息(Context)：用户为28岁男性，身高175cm，体重85kg，体脂率28%，办公室久坐族，每周可安排4次训练（每次60分钟），设备有哑铃和瑜伽垫，无重大伤病史，偏好高强度间歇训练(HIIT)与力量训练结合。
输入数据(Input Data)：
- 身体指标：体重85kg/体脂率28%/基础代谢率1800kcal/日
- 运动经验：半年健身房经历，能完成标准深蹲/硬拉
- 饮食偏好：减少精制糖摄入，蛋白质摄入量目标为1.6g/kg体重
输出指示器(Output Indicator)：以表格的形式输出以下内容：
- 训练计划：每周3次力量训练（上下肢分化）+1次HIIT，需具体到动作名称/组数/次数/间歇时间
- 饮食方案：每日三餐示例及热量控制目标，配合训练周期调整碳水/蛋白质比例
- 恢复策略：睡眠时长建议（7-9小时）、主动拉伸动作库及每周1次泡沫轴放松方案
- 进度追踪：每周体重/体脂率记录表、训练容量变化曲线及RPE主观疲劳量表

3. CO-STAR框架

CO-STAR框架由新加坡政府科技局数据科学与AI团队创建，是一个非常实用且容易上手的提示词构建工具。它是一个六维结构：背景(Context)、目标(Objective)、风格(Style)、语调(Tone)、受众(Audience)、回应(Response)。用CO-STAR能构建出更完整、更有效的提示词，显著提升AI生成内容的相关性和效果。

• 背景（Context）: 给模型提供足够的背景信息，帮它理解任务的上下文、环境和条件。
• 目标（Objective）: 明确告诉AI，你期望它完成的具体任务或目标是什么。
• 风格（Style）: 指定AI生成内容的整体风格，比如正式、小红书风、学术风等，包括词汇选择和句子结构。
• 语调（Tone）: 确定内容的情感基调，比如礼貌、说服性、激励性等。
• 受众（Audience）: 描述目标受众的特征，比如年龄、兴趣、职业、专业程度等。
• 回应（Response）: 指定AI回应的格式，比如表格、段落、列表等，以及具体的回应要求。

再来看个例子：

根据CO-STAR框架调整生成的西藏旅游攻略提示词如下：
**Context（上下文）**
用户计划进行西藏拉萨/日喀则/林芝5日深度文化之旅，预算中等（日均600-900元，含高原反应预防药物及氧气瓶租赁），偏好宗教圣地朝圣、藏族民俗体验及高原特色美食推荐，需避开7-8月雨季泥石流高发期及国庆黄金周人流高峰，设备配备单反相机、便携充电宝及防晒装备。
**Objective（目标）**
生成包含每日行程路线、特色体验项目（如布达拉宫朝圣仪式、藏式辩经观摩、煨桑祈福）、交通接驳方案（越野车包车/青藏铁路班次）及餐饮推荐（酥油茶、牦牛肉火锅、青稞酒）的完整攻略，重点突出非游客密集型景点（如色拉寺后山徒步道、扎叶巴寺修行洞）及地道文化体验点（如藏历新年体验馆、唐卡绘制工坊）。
**Style（风格）**
采用“游记+攻略”混合体裁，每部分配等emoji符号区分模块，关键信息用加粗标注，历史背景部分穿插松赞干布典故、文成公主进藏传说等典故小故事增强可读性，如“大昭寺的释迦牟尼等身像在晨光中闪耀，见证着1300年藏汉和亲的传奇”。
**Tone（语气）**
保持专业严谨与亲切自然平衡，景点描述采用诗意化表达（如“南迦巴瓦峰在云雾中时隐时现，宛若神山显圣”），实用信息部分保持清晰指令式表述（如“包车需提前预约藏AL牌照越野车，日均费用约800元”）。
**Audience（受众）**
目标读者为25-40岁高原生态与宗教文化深度体验爱好者，具备基础藏语问候语（如“扎西德勒”）学习能力，追求行程节奏合理性（每日海拔梯度上升≤500米）与体验独特性，注重高原适应性准备（如提前1周服用红景天）。
**Response（响应形式）**
输出结构化攻略文档，包含：
- 分日行程表（时间/地点/交通方式/海拔/活动内容），如Day1：拉萨市区（海拔3650米）-布达拉宫晨拍-药王山观景台-八廓街转经
- 景点背景卡片（历史渊源/宗教意义/摄影提示），如大昭寺：1300年历史，藏传佛教黄教中心，最佳拍摄时间为清晨顺光
- 餐饮推荐地图（店铺坐标/特色菜/预约信息），如“雪域餐厅”推荐酥油糌粑，需提前2小时预约
- 应急预案包（高原反应对策/医疗点/天气预警），如携带葡萄糖口服液，就近医疗点为自治区人民医院

这个提示词通过CO-STAR六要素协同，确保攻略既符合西藏地理文化特性，又具备专业执行细节。比如在Context中植入雨季限制条件后，攻略会自动规避泥石流高发路线；在Audience设定中明确高原适应性要求后，内容会强化海拔梯度控制、红景天服用等关键提示；通过Response形式规定，最终输出将呈现可直接打印使用的结构化文档，实现从信息收集到行程落地的全流程指导。

4. CRISPE框架

CRISPE框架同样是一种结构化的提示词设计方法，通过明确任务的多个维度，帮助AI生成更精准的内容。其核心思想是通过角色设定、背景信息、任务描述、风格要求和实验性改进这几个要素，系统化地指导AI输出。它由五个部分组成：

1. 能力和角色（Capacity and Role）
   作用：定义AI需要扮演的角色或具备的专业能力。
   示例：指定AI为“资深财务顾问”，专注于为理财小白提供基础规划。

2. 洞察（Insight）
   作用：提供背景信息和上下文，帮AI理解用户的实际需求和限制条件。
   示例：用户是理财小白，收入有限，风险承受能力低，目标是实现财务自由。

3. 声明（Statement）
   作用：明确具体任务和要求，告诉AI需要完成什么。
   示例：为用户制定一份包含储蓄、投资、保险等模块的理财规划方案。

4. 个性（Personality）
   作用：定义输出的语气、风格和格式，确保内容符合用户偏好。
   示例：使用通俗易懂的语言，避免专业术语，以分步骤的形式呈现。

5. 实验（Experiment）
   作用：要求AI对提示词本身进行反思，提出改进建议，优化输出效果。
   示例：在规划方案末尾，让AI分析如何调整提示词以获得更实用的建议。

咱们还是拿理财规划来举例：

1. **能力和角色**
你是一位资深财务顾问，擅长为理财小白提供简单易行的理财规划。
2. **洞察**
用户是理财新手，收入稳定但储蓄较少，风险承受能力较低，目标是通过储蓄、低风险投资和保险配置，逐步实现财务自由。
3. **声明**
为用户制定一份详细的理财规划方案，包括以下模块：
- 强制储蓄策略（如“先存后花”）；
- 低风险投资建议（如货币基金、指数基金定投）；
- 基础保险配置（如意外险、医疗险）；
- 短期与长期目标的拆解（如3年购房计划、10年退休储备）。
4. **个性**
- **语气**：亲切、鼓励，避免复杂术语。
- **格式**：分步骤说明，每部分附带操作示例（如“每月自动转账500元至货币基金”）。
5. **实验**
按照风险等级提供三种方案，并给出选择的建议。

CRISPE框架通过系统化设计，能帮AI精准捕捉用户需求，并生成结构化、可操作的内容。对于理财小白来说，框架里的“实验”部分尤其重要——它鼓励AI主动优化输出逻辑，确保规划方案既简单易懂又贴合实际。

5. BROKE框架

BROKE提示词框架融合了OKR（目标与关键结果）理念，目的是帮用户更清晰、系统地表达需求，提高AI输出内容的质量和效率。它包含五个要素：

• 背景（Background）: 提供任务的上下文信息，让AI理解情境，避免答非所问。
• 角色（Role）: 设定AI扮演的角色，引导它从特定视角作答。
• 目标（Objectives）: 明确任务的核心目标，告诉AI你希望达成什么。
• 关键结果（Key Results）: 列出衡量目标达成的具体标准，让AI知道什么样的输出算“合格”。
• 演进/改进（Evolve）: 后续优化与迭代的机制，根据反馈不断改进提示词和输出质量。

拿“如何提升职场沟通能力”来举例：

## 背景
我是一名刚入职一年的职场新人，发现自己在与同事和上级沟通时常常表达不清，影响了工作效率和团队协作。我希望通过提升沟通能力，更好地融入团队并推动项目进展。
## 角色
你是一位资深职场沟通培训师，拥有10年以上的企业培训经验，擅长帮助年轻人提升表达与沟通技巧。
## 目标
1. 提供一套系统、可执行的职场沟通提升方案；
2. 内容要适合初学者，通俗易懂；
3. 包含实际案例或练习建议，便于我日常实践。
## 关键结果
1. 至少包含3种常见职场沟通场景（如汇报、反馈、跨部门协作）；
2. 每个场景提供1个具体话术模板或练习方法；
3. 输出内容不少于800字，逻辑清晰，结构完整；
4. 提供1个自我评估工具，帮助我持续跟踪进步。
## 改进
1. 每周记录一次沟通实践情况，并根据反馈调整学习方法；
2. 若发现某些技巧不适用，及时替换为更适合的策略；
3. 每月复盘一次进步情况，必要时更新学习计划。

BROKE框架通过结构化的方式，把模糊的需求变成清晰的指令，效果立竿见影。它特别适合内容创作、学习规划、职场培训、项目策划等场景。通过不断“演进”，用户还能持续优化提示词，形成正向循环，逐步提升与AI协作的效率。

6. APE框架

APE提示词框架是一种更简洁高效的设计方法，只包含三个核心部分：行动（Action）、目的（Purpose）、期望（Expectation）。通过清晰表达任务需求，同样能提升AI输出质量。

• 行动（Action）: 明确要完成的任务或操作，告诉AI要“做什么”。
• 目的（Purpose）: 解释执行任务的原因或背景，让AI理解“为什么做”。
• 期望（Expectation）: 明确输出结果的标准或形式，告诉AI“做成什么样”。

举个例子：你作为市场部经理，需要让AI帮你写一封通知客户公司品牌升级的邮件。

## 行动
请撰写一封正式的客户邮件，通知他们我们公司即将进行品牌升级，包括更换新的品牌名称、Logo和视觉识别系统（VI），并保证服务质量不变。
## 目的
让客户第一时间了解我们的品牌变化，避免误解或不安，同时传达我们对持续合作关系的重视，增强客户信任感。
## 期望
1. 邮件语气正式、真诚，避免营销腔；
2. 包含三要素：品牌升级原因、升级内容、对客户的影响；
3. 提供一个固定的过渡联系人邮箱，方便客户有疑问时联系；
4. 字数控制在250字以内，适合直接发送；
5. 邮件结尾附上“感谢您的理解与支持”字样。

APE框架结构简洁、逻辑清晰，适合需要快速、清晰表达任务意图的场景，尤其适合对AI输出有明确格式或内容要求的任务——比如内容创作、营销规划、项目汇报。它通过“行动—目的—期望”三步法，帮用户高效构建高质量提示词，是日常AI使用中的实用工具。

7. LangGPT框架

LangGPT框架（Language For GPT）是一套结构化、模块化、可复用的提示词设计方法，由云中江树等人于2023年开源提出。它借鉴了面向对象编程思想，把提示词拆成“双层结构”：

• 模块层（类似“类”）——规定提示的“方面”，比如角色、背景、目标、约束、技能、工作流等。
• 元素层（类似“属性/方法”）——在每个模块里再填入具体的指令或示例。分为“赋值型”（给信息）和“方法型”（给步骤）两种。

这样做的好处很明显：

• 结构清晰，AI一眼就能看懂；
• 可像乐高一样复用、拼接；
• 新人直接“填空”就能上手，门槛很低；
• 方便团队协作与版本迭代。

LangGPT框架的几个核心模块：

• 背景（Background）: 交代任务发生的大环境或前因后果，让AI“知道自己在哪儿”。
• 角色简介（Profile）: 对大模型所扮演角色的人物背景进行介绍。
• 规则（Rules）: 列出AI必须绝对服从的硬性规定，相当于“法律”。
• 目标（Goals）: 用可衡量的语句描述最终要取得什么结果。
• 约束（Constraints）: 明确资源、格式、时间、字数、风格等限制，防止AI跑偏。
• 技能（Skills）: 告诉AI需要“具备”哪些知识、工具或能力，相当于给角色加点。
• 工作流（Workflows）: 按顺序列出完成任务的步骤，像伪代码一样可执行。
• 示例（Examples）: 给出一组输入-输出示范，让AI“照葫芦画瓢”对齐风格。
• 初始化（Initialization）: 设定AI启动时跟用户打招呼的第一句话，降低使用门槛。

来看看一个完整的例子——让AI扮演“跨境电商客服质检员”：

# Role
跨境电商客服质检员
## Profile
- Author: 你的团队
- Language: 中文 & 英文
- Description: 自动审查Shopee / Amazon店铺客服聊天记录，输出质检报告
## Background
店铺每天产生上百条客服对话，人工抽检效率低且标准不一。需要统一质检规范，快速找出服务短板。
## Goals
1. 根据既定5维评分体系给每条对话打分
2. 指出具体违规点并给出改进建议
3. 生成每日质检汇总，方便主管复盘
## Constraints
- 只依据提供的对话文本，不额外检索
- 评分保留1位小数，满分10分
- 禁输出客户隐私信息（姓名、电话、地址）
## Skills
- 熟悉电商平台客服KPI
- 掌握礼貌用语、售后流程、纠纷处理规范
- 中英双语敏感词识别
## Workflows
1. 阅读对话→
2. 逐句标注问题类型（响应速度/礼貌度/解决率/合规性/追加销售）→
3. 按维度0-10打分→
4. 输出JSON：{"维度":"得分","违规摘要":"...","改进建议":"..."}→
5. 汇总当日所有对话，计算平均分与TOP3问题
## Examples
### 输入片段
客服A：hello
客户：where is my order？
客服A：pls wait
### 输出
{"响应速度":7.0,"礼貌度":6.0,"解决率":3.0,"合规性":8.0,"追加销售":0.0,"违规摘要":"未提供订单号查询步骤","改进建议":"主动提供物流追踪链接并致歉"}
## Initialization
Hi！我是你的跨境电商客服质检员。请一次性粘贴需要质检的对话记录（支持CSV/纯文本），我将按上述流程处理。准备好后发送「开始质检」即可。

8. 小结