1. 为什么“会提问”比“会工具”更值钱我接触AI提示词这件事最早是从一个很蠢的误区开始的。当时我以为提示词就是“把话说清楚”于是花了大量时间研究各种工具的按钮、参数、模型版本结果发现同一个模型别人能写出可以直接交付的文案、代码、方案我写出来的东西却总是差一口气。后来我才意识到提示词的本质不是“说话”而是“设计信息结构”。你给模型的信息结构越清晰它的输出就越稳定你给的信息越模糊它就越容易自由发挥而自由发挥在大多数工作场景里等于不可控。这个项目标题里提到的“3大经典框架7类通用模板6个实战案例”其实就是在解决一个核心问题把“凭感觉写提示词”变成“按结构组装提示词”。框架解决的是思考路径模板解决的是复用效率案例解决的是落地手感。这三者缺一不可。只学框架不练案例你会觉得“道理都懂一写就废”只抄模板不理解框架你会变成“模板搬运工”换个场景就不知道怎么改。这篇文章适合谁看如果你是刚接触AI提示词的新手它能帮你跳过“瞎试三个月”的阶段如果你已经在用AI辅助工作它能帮你把零散的经验整理成可复用的系统如果你是团队里负责提效的人它能给你一套可以直接拿去培训同事的结构化方法。我不打算讲太多玄乎的“底层逻辑”而是把重点放在怎么想、怎么写、怎么改这三件事上。2. 三大经典框架的拆解与选择逻辑2.1 CRISPE框架适合需要“角色感”和“背景感”的任务CRISPE是我最早系统使用的框架它的全称是Capacity and Role能力与角色、Insight洞察、Statement声明、Personality个性、Experiment实验。这个框架最大的特点是把“谁在说”和“对谁说”放在了最前面。很多人写提示词习惯直接写“帮我写一篇文案”但CRISPE会要求你先定义你希望AI扮演什么角色这个角色具备什么能力它需要了解什么背景它应该用什么语气我举个实际例子。假设你要写一份面向投资人的项目介绍。用CRISPE的思路你会这样组织Capacity and Role你是一位有十年早期投资经验的FA擅长把技术项目翻译成投资人能快速理解的商业语言。Insight当前市场对这类项目的关注点集中在单位经济模型和复购率而不是技术先进性。Statement请帮我写一份800字左右的项目介绍重点突出收入结构和客户留存数据。Personality语气专业但不堆砌术语像在咖啡厅里给投资人做路演。Experiment先给我三个不同版本的开头我选一个再继续展开。这个框架的好处是信息密度高且指向明确。它逼着你在写提示词之前先想清楚我到底要什么谁来看看到之后应该产生什么反应我自己的经验是CRISPE特别适合那些“输出物直接面向他人”的任务比如汇报材料、对外文案、课程讲稿。因为这类任务对语气、立场、受众适配度的要求远高于对“信息量”的要求。但CRISPE也有一个明显的缺点写起来比较长。如果你只是想让AI帮你改个错别字或者列个提纲用CRISPE就有点杀鸡用牛刀。我的建议是把CRISPE当作“重型武器”用在那些你愿意花十分钟打磨提示词、并且输出物会反复使用的场景。2.2 CO-STAR框架适合需要“结构化输出”和“风格控制”的任务CO-STAR是新加坡政府科技局数据科学团队提出的框架全称是Context背景、Objective目标、Style风格、Tone语气、Audience受众、Response响应格式。这个框架和CRISPE有相似之处但它的侧重点更偏向输出端的控制。如果说CRISPE是在解决“输入什么”CO-STAR就是在解决“输出成什么样”。我拿一个实际场景来说明。假设你要让AI帮你写一份周报。用CO-STAR可以这样写Context我是一名产品经理本周完成了三个需求评审、两个版本上线、一次用户访谈。Objective写一份周报让上级快速了解进展、风险和下周计划。Style简洁、条目化、数据优先。Tone客观、不邀功、不遮掩问题。Audience我的直属上级他关注的是进度偏差和资源需求。Response用Markdown表格输出分为“本周完成”“风险与阻塞”“下周计划”三列。你会发现CO-STAR的每一个要素都在回答一个具体问题背景是什么要达成什么用什么风格什么语气给谁看输出成什么格式这六个问题基本覆盖了“输出物”的所有关键维度。我自己的使用体验是CO-STAR特别适合那些需要反复输出、格式固定的任务比如周报、会议纪要、竞品分析、用户反馈整理。因为一旦你把CO-STAR的六个要素固定下来下次只需要替换Context和Objective就能得到风格一致的输出。这里有一个我踩过的坑Style和Tone很容易混淆。Style是“文体特征”比如“条目化”“散文式”“对话式”Tone是“情绪色彩”比如“客观”“热情”“谨慎”。我早期经常把这两个写反导致AI输出的东西要么太干要么太油。后来我总结了一个简单的区分方法Style回答“长什么样”Tone回答“听起来什么感觉”。2.3 思维链框架适合需要“推理过程”和“多步决策”的任务思维链Chain of Thought严格来说不是一个“提示词框架”而是一种引导模型展示推理过程的方法。它的核心思想很简单不要让模型直接给答案而是让它一步一步想。这个思路最早出现在学术论文里后来被广泛用于需要逻辑推理、数学计算、多步决策的场景。我举一个非技术场景的例子。假设你要让AI帮你分析“是否应该换工作”。如果你直接问“我该不该换工作”模型大概率会给你一堆“要看情况”的废话。但如果你用思维链的方式可以这样写请按以下步骤帮我分析是否应该换工作先列出我当前工作的三个主要收益和三个主要成本。再列出目标工作的三个主要收益和三个主要成本。对比两组收益和成本找出差异最大的两项。针对这两项差异分别给出“如果留下”和“如果离开”的应对方案。最后给出一个倾向性建议并说明这个建议成立的前提条件。这个提示词的关键在于把一个大问题拆成有顺序的小问题。模型在每一步只需要处理一个相对简单的任务最终输出的质量会明显高于“一步到位”的回答。我自己的经验是思维链特别适合三类任务涉及计算的、涉及多因素权衡的、涉及因果推理的。比如预算分配、方案对比、故障排查、策略制定。但思维链也有一个需要注意的地方步骤不是越多越好。我见过有人把提示词写成十几步结果模型在中间某一步就开始“偷懒”后面的步骤直接跳过。我的建议是步骤控制在5到7步之间每一步只做一件事并且用“先……再……然后……”这样的连接词明确顺序。另外如果你用的是支持“深度思考”模式的模型思维链的效果会更明显因为模型本身就有展示推理过程的倾向。2.4 三个框架怎么选一张表说清楚框架核心解决的问题最适合的场景写起来的时间成本输出稳定性CRISPE角色、背景、立场对外文案、汇报材料、课程讲稿高高CO-STAR输出格式、风格、受众周报、纪要、分析报告、固定格式输出中高思维链推理过程、多步决策方案对比、预算分配、故障排查中中高我自己的习惯是先判断任务类型再选框架。如果任务是“写给人看的”优先CRISPE如果任务是“按固定格式输出的”优先CO-STAR如果任务是“需要想清楚再做的”优先思维链。当然这三个框架并不是互斥的你完全可以把CRISPE和CO-STAR结合起来用比如用CRISPE定义角色和背景用CO-STAR定义输出格式和风格。3. 七类通用模板的实战拆解3.1 角色扮演模板让AI“变成”你需要的人角色扮演模板的核心结构是你是[角色]具备[能力]现在需要[任务]请用[风格]输出。这个模板看起来简单但真正写好需要注意三个细节。第一角色要具体到“场景”而不是“头衔”。比如“你是一位资深律师”就不如“你是一位专门处理劳动合同纠纷的律师过去五年处理过200劳动争议案件”。后者给模型的信息更具体输出的专业度也会更高。第二能力要跟任务强相关。如果你让AI扮演“资深文案”来写代码它大概率会写得像文案。所以角色和能力必须匹配任务类型。第三风格要可执行。不要说“写得专业一点”而要说“用短句、数据优先、每段不超过三行”。可执行的风格描述才能得到可预期的输出。我常用的角色扮演模板是这样的你是一位[具体角色]擅长[具体能力]。现在你需要帮我完成[具体任务]。请用[具体风格]输出注意[具体注意事项]。3.2 结构化输出模板让AI按你的格式来结构化输出模板的核心是用格式约束内容。很多人抱怨AI输出“太散”其实是因为没有给格式约束。我常用的结构化输出模板包括三种表格、列表、分节。表格适合对比类信息比如“列出三个方案的优缺点”。列表适合步骤类信息比如“写出操作流程”。分节适合长文档比如“按背景、分析、建议三部分输出”。这里有一个我踩过的坑不要只给格式名称要给格式示例。比如你说“用表格输出”模型可能给你一个三列表格但如果你说“用表格输出第一列是方案名称第二列是优势第三列是风险第四列是适用场景”模型就会严格按照你的列来输出。示例越具体输出越可控。3.3 思维链模板让AI“想清楚再说”思维链模板的核心是把大问题拆成有顺序的小问题。我常用的结构是请按以下步骤完成先[第一步]。再[第二步]。然后[第三步]。最后[第四步]。这个模板的关键在于每一步都要有明确的输出物。比如“先列出三个选项”就比“先思考一下”更可执行。另外我建议在最后加一句“请确保每一步都有明确的结论不要跳过任何一步”这样可以减少模型“偷懒”的概率。3.4 对比分析模板让AI帮你做选择题对比分析模板适合“二选一”或“多选一”的场景。我常用的结构是请对比[选项A]和[选项B]从[维度1]、[维度2]、[维度3]三个维度分析最后给出倾向性建议并说明建议成立的前提条件。这个模板有两个关键点维度要具体比如“成本、效率、风险”就比“优缺点”更具体要加前提条件因为任何建议都有适用范围加上前提条件可以避免模型给出“绝对正确但没用”的答案。3.5 迭代优化模板让AI自己改自己迭代优化模板适合那些“第一版总是不满意”的任务。我常用的结构是请先输出一版[任务]的初稿。然后从[维度1]、[维度2]、[维度3]三个角度自我评估找出三个最需要改进的地方。最后输出改进后的第二版。这个模板的好处是把“改”的动作也交给AI。我自己的体验是很多任务如果让AI直接输出“最终版”质量往往不如“先出初稿再自我改进”。因为自我改进的过程相当于让模型做了一次“内部评审”能发现一些第一版忽略的问题。3.6 知识萃取模板让AI帮你整理信息知识萃取模板适合“把一堆零散信息整理成结构”的场景。我常用的结构是以下是我提供的[原始材料]。请从中提取[关键信息类型]按[结构]整理并标注每条信息的来源位置。这个模板的关键是指定提取类型和整理结构。比如“提取关键数据按时间顺序整理”就比“帮我整理一下”更可执行。另外标注来源位置可以方便你后续核对避免模型“编造”信息。3.7 创意生成模板让AI帮你打开思路创意生成模板适合“需要多个方案”的场景。我常用的结构是请围绕[主题]生成[数量]个不同方向的方案。每个方案包括核心思路、适用场景、潜在风险。要求方案之间的差异尽可能大不要只换措辞。这个模板的关键是要求差异大。如果不加这句话模型很容易给你五个“换汤不换药”的方案。加上“不要只换措辞”之后输出的多样性会明显提升。4. 六个实战案例的完整拆解4.1 案例一用CRISPE写一份投资人路演材料这个案例的目标是写一份800字左右的项目介绍面向早期投资人。我用CRISPE框架组织了提示词Capacity and Role你是一位有十年早期投资经验的FA擅长把技术项目翻译成投资人能快速理解的商业语言。Insight当前市场对这类项目的关注点集中在单位经济模型和复购率而不是技术先进性。Statement请帮我写一份800字左右的项目介绍重点突出收入结构和客户留存数据。Personality语气专业但不堆砌术语像在咖啡厅里给投资人做路演。Experiment先给我三个不同版本的开头我选一个再继续展开。输出结果让我比较满意的地方是模型在第一版开头就用了“我们不是在做技术我们是在做一门算得过来的生意”这样的表达直接抓住了投资人的注意力。后续的数据呈现也按照“收入结构—客户留存—增长逻辑”的顺序展开逻辑比较清晰。这个案例让我意识到CRISPE的“Experiment”部分其实很重要。它让模型先给多个选项你选一个再继续这样可以避免模型在错误的方向上越走越远。4.2 案例二用CO-STAR写一份周报这个案例的目标是写一份产品经理周报。我用CO-STAR框架组织了提示词Context我是一名产品经理本周完成了三个需求评审、两个版本上线、一次用户访谈。Objective写一份周报让上级快速了解进展、风险和下周计划。Style简洁、条目化、数据优先。Tone客观、不邀功、不遮掩问题。Audience我的直属上级他关注的是进度偏差和资源需求。Response用Markdown表格输出分为“本周完成”“风险与阻塞”“下周计划”三列。输出结果直接就是一个三列表格每一行都是一个具体事项。我只需要把具体数据填进去就能直接发给上级。这个案例让我意识到CO-STAR的“Response”部分是最容易被忽略但最影响效率的。如果你明确要求输出格式后续的整理成本会大幅降低。4.3 案例三用思维链分析“是否应该换工作”这个案例的目标是做一个个人决策分析。我用思维链框架组织了提示词请按以下步骤帮我分析是否应该换工作先列出我当前工作的三个主要收益和三个主要成本。再列出目标工作的三个主要收益和三个主要成本。对比两组收益和成本找出差异最大的两项。针对这两项差异分别给出“如果留下”和“如果离开”的应对方案。最后给出一个倾向性建议并说明这个建议成立的前提条件。输出结果让我比较意外的是模型在第四步给出的“如果留下”的应对方案里提到了“主动争取某个项目的主导权”这个我没想到的点。这说明思维链确实能引导模型做更深入的推理而不是停留在表面。4.4 案例四用结构化输出模板整理用户反馈这个案例的目标是把50条零散的用户反馈整理成结构化表格。我用结构化输出模板组织了提示词以下是我提供的50条用户反馈。请从中提取“问题类型”“影响范围”“紧急程度”三个维度的信息按表格输出。表格列包括反馈原文、问题类型、影响范围、紧急程度、建议处理优先级。输出结果是一个五列表格每一行对应一条反馈。我只需要按“建议处理优先级”排序就能快速确定哪些问题需要先处理。这个案例让我意识到结构化输出模板的价值在于“把非结构化信息变成可操作信息”。4.5 案例五用对比分析模板选工具这个案例的目标是在两个协作工具之间做选择。我用对比分析模板组织了提示词请对比[工具A]和[工具B]从“学习成本”“协作效率”“集成能力”“价格”四个维度分析最后给出倾向性建议并说明建议成立的前提条件。输出结果不仅给出了四个维度的对比还在最后加了一句“如果团队规模小于10人且预算有限建议选A如果团队规模大于30人且需要深度集成建议选B”。这个前提条件让建议变得更有参考价值。4.6 案例六用迭代优化模板写一份活动方案这个案例的目标是写一份线下活动方案。我用迭代优化模板组织了提示词请先输出一版线下活动方案的初稿。然后从“参与感”“传播性”“执行成本”三个角度自我评估找出三个最需要改进的地方。最后输出改进后的第二版。输出结果的第一版比较常规但第二版在“参与感”部分增加了“现场投票实时排名”的环节在“传播性”部分增加了“参与者自动生成专属海报”的设计。这个案例让我意识到迭代优化模板特别适合那些“第一版总是差点意思”的任务。5. 常见问题与排查技巧实录5.1 为什么我的提示词输出总是不稳定输出不稳定的原因通常有三个信息不足、格式不明、角色不清。信息不足是指你没有给够背景模型只能猜格式不明是指你没有指定输出结构模型自由发挥角色不清是指你没有定义AI的身份模型用“通用助手”的模式回答。排查方法很简单把提示词拿给一个不了解背景的同事看如果他能看懂并知道你要什么模型大概率也能。如果他看不懂模型大概率也会跑偏。5.2 提示词写多长才合适我的经验是能短则短该长则长。简单任务改错别字、列提纲一句话就够复杂任务写方案、做分析可能需要几百字。判断标准是如果你把提示词发给一个新人他能不能独立完成这个任务如果不能说明信息还不够。5.3 为什么模型有时候会“编造”信息模型“编造”信息通常是因为你没有给它足够的约束。比如你问“这个行业的最新趋势是什么”模型可能会给你一些听起来合理但实际不存在的数据。解决方法是在提示词里加一句“如果某个信息你不确定请标注‘不确定’不要编造”。5.4 常见问题速查表问题现象可能原因解决方法输出太散没有指定格式加“用表格/列表/分节输出”输出太浅没有要求深度加“每个点至少展开三句话”输出跑偏角色不清加“你是一位[具体角色]”输出太长没有字数约束加“控制在[数字]字以内”输出太短没有展开要求加“每个部分至少[数字]字”输出重复没有差异要求加“方案之间差异尽可能大”5.5 我自己的三个避坑心得第一不要一次给太多任务。我早期喜欢在一个提示词里塞五六个任务结果模型每个任务都做得马马虎虎。后来我改成“一次只做一件事”输出质量明显提升。第二不要用“专业”“高质量”这种模糊词。这些词对模型来说没有约束力。要用“数据优先”“短句为主”“每段不超过三行”这种可执行的描述。第三不要忽略“前提条件”。任何建议都有适用范围加上前提条件可以避免模型给出“绝对正确但没用”的答案。6. 从“会用”到“用得好”的进阶思路6.1 建立自己的提示词库我自己的习惯是每完成一个效果不错的提示词就把它存到一个文档里按“任务类型”分类。比如“写文案”“做分析”“整理信息”“做决策”各一个文件夹。下次遇到类似任务先翻提示词库找到最接近的那个改几个关键词就能用。这个习惯帮我节省了大量重复劳动。6.2 学会“拆任务”而不是“堆任务”很多人写提示词喜欢把所有要求堆在一起结果模型顾此失彼。更好的做法是把大任务拆成小任务分步完成。比如写一份方案可以先让AI列提纲再让AI写第一部分再写第二部分最后合并。虽然步骤多了但每一步的质量都更高。6.3 用“反向提示”排除不想要的结果除了告诉AI“要什么”还可以告诉AI“不要什么”。比如“不要用‘赋能’‘抓手’‘闭环’这类词”“不要写超过三行的段落”“不要给泛泛而谈的建议”。反向提示往往比正向提示更有效因为模型对“禁止项”的遵守度通常更高。6.4 定期更新自己的“框架感”提示词框架不是一成不变的。随着模型能力的变化有些框架可能变得不必要有些新的框架会出现。我自己的习惯是每隔一段时间就回顾一下自己常用的提示词看看哪些部分可以简化哪些部分需要加强。保持“框架感”的更新比死记硬背某个框架更重要。6.5 最后分享一个我常用的小技巧如果你不确定一个提示词写得好不好可以先让AI“评价这个提示词”。具体做法是把你的提示词发给AI然后加一句“请评价这个提示词的优点和不足并给出改进建议”。AI往往会指出一些你自己没注意到的问题比如“缺少输出格式约束”“角色定义不够具体”。这个技巧我用了很多次每次都能发现可以改进的地方。