提示工程：引导AI精准输出的结构化沟通艺术

1. 提示工程的定义

提示工程（Prompt Engineering）的本质，是通过精心设计和优化我们输入给AI的指令（即“提示”），来引导其生成高质量、高相关性的响应。它并非玄学，而是一种基于AI模型底层逻辑的结构化沟通技巧，核心在于将人类意图精准转化为模型能够理解并高效执行的指令。

我们之所以需要提示工程，主要是因为当前生成式AI模型本身并不真正“理解”人类的模糊意图。如果没有经过设计的提示，模型往往依靠猜测来生成内容，导致输出结果可能泛泛而谈、答非所问，甚至包含事实错误（即“模型幻觉”）。通过提示工程，我们可以主动为AI设定清晰的角色、上下文、任务步骤和输出格式，这就像是给AI安装了“导航系统”，能将其强大的潜能引导至我们期望的方向，从而将AI从一个“有趣的聊天机器人”转变为真正可靠的“智能副驾”。此外，在构建实际应用时，精心设计的提示也是在模型性能、响应速度与使用成本之间取得最佳平衡的关键。

2. 几种常见的提示框架

2.1 KITE提示框架

KITE框架是一个高度结构化、旨在精准控制模型输出的提示设计方法。它的名字来源于其四个核心设计维度的首字母，其核心思想是：通过预先注入知识、明确指令、设定目标和界定边界，像放风筝一样，既给予模型足够的创作空间，又牢牢拉住控制的线，确保其不偏离预定轨道。

• K (Knowledge - 注入知识)：提供任务相关的背景信息。这是为了让大语言模型对任务背景有清晰的理解，确保其在正确的认知范围内工作。你可以通过背景陈述、角色暗示、环境模拟等方法注入知识。例如，在要求生成关于“爱护大熊猫”的内容时，通过指定模型扮演“幼儿园老师”或“普法工作者”不同的角色，会生成口吻和内容重点截然不同的文本。
• I (Instruction - 明确指令)：清晰地告诉模型需要完成的具体任务。指令应当准确、完整且易于理解。避免使用模糊的表述，比如将“帮我写个故事”具体化为“写一个关于熊猫、狐狸、兔子的童话故事，主题是友谊与冒险，目标读者是4-8岁儿童，字数控制在500字左右，故事需包含开头、高潮和结局。”
• T (Target - 设定目标)：定义模型输出应达到的预期效果或标准。一个清晰的目标应该是明确、可行且可衡量的。例如，你可以要求模型“生成一份投资建议报告，内容需包括风险等级、推荐策略和备注，并使用Markdown表格呈现。”
• E (Edge - 界定边界)：明确模型在生成内容时应遵守的规则与限制。这确保了内容的合规性、安全性及专业性。例如，你可以规定“只能生成中文好评文本”或“不能使用有争议或敏感的用词”。

使用示例（美食评论）

【K - 注入知识】

你是一位资深的美食评论家，擅长用生动、诱人的语言描述食物的口感、香气和烹饪手法，尤其精通粤菜点评。以下是需要你评论的餐厅信息：

• 餐厅名称：[此处填写餐厅名称]
• 招牌菜：[此处填写招牌菜名称]
• 我的用餐体验：[此处详细描述你的用餐感受，例如：菜品外观、香气、口感、服务、环境等]

【I - 明确指令】

请基于我提供的用餐体验，为该餐厅撰写一篇约300字的美食评论。

【T - 设定目标】

评论需要突出招牌菜的独特之处，语言要生动且有感染力，能够吸引潜在食客。最终输出需包含明确的总结性评价（推荐/一般/不推荐）。

【E - 界定边界】

• 只针对提供的用餐体验进行评论，不要编造未提供的信息。
• 避免使用过于极端或攻击性的词汇。
• 以Markdown格式输出。

2.2 RICE框架

RICE框架的核心在于通过四个明确的要素，为AI模型勾勒出一个清晰、完整的任务画像。

它的名字来源于四个核心组成部分的首字母：

• R - Role (角色)：定义模型在任务中需要扮演的身份或角色。这能引导模型使用特定领域的知识、术语和表达风格。例如，你可以让AI扮演“资深数据分析师”、“科普作家”或“经验丰富的面试官”。
• I - Input (输入)：提供任务所需的具体素材和信息。这确保了模型是基于你给的确切内容开展工作，避免其凭空编造。例如，一段需要总结的文本、一组待分析的数据、或者一个需要翻译的句子。
• C - Context (上下文)：补充任务的背景信息、场景和限制条件。这能帮助模型更好地理解任务的深层目的和边界，避免输出偏离实际需求。例如，这份报告是给谁看的、在什么场合使用、有哪些需要特别注意的敏感点等。
• E - Expectation (期望输出)：明确你希望模型最终交付的结果形式、格式和重点。这是确保输出物可直接使用的关键一步。例如，要求以表格形式呈现、用三点总结、输出为JSON格式、或必须包含某个特定部分。

使用示例（撰写美食评论）

Role (角色)：你是一位资深美食评论家，文风生动犀利，善于捕捉细节。

Input (输入)：这是我刚的一家餐厅的体验：餐厅名“河畔小屋”，招牌菜“香煎三文鱼”口感鲜嫩但略微偏咸，配菜土豆泥很美味。服务周到，环境有点嘈杂。

Context (上下文)：这篇评论将发表在我的个人美食博客上，面向对生活品质有追求的读者。我希望评论客观但又不失趣味。

Expectation (期望输出)：请根据我的体验，撰写一篇约200字的短评。需要包含对菜品、服务和环境的评价，并在最后给出明确的总体推荐度（例如：推荐、一般推荐、不推荐）。

2.3 CRISPE框架

CRISPE框架比RICE更为细致，它通过六个维度对任务进行层层拆解，尤其适合复杂和对输出质量要求高的场景。

它的名字同样来自其六个组成部分的首字母：

• C - Clarify (澄清需求)：在开始前，先清晰地阐明任务的核心目标和需要解决的根本问题。这一步有助于避免因初始指令模糊而导致的整个方向跑偏。
• R - Role (角色定义)：与RICE框架中的“角色”概念一致，定义模型的专业身份。
• I - Input (输入)：与RICE框架中的“输入”概念一致，提供任务所需的具体素材和信息。
• S - Structure (输出结构设计)：预先规定模型输出内容的组织框架和形式。这比RICE中的“期望”更进了一步，直接规定了回答的“骨架”。例如，要求回答必须包含“原理分析、步骤说明、代码示例、注意事项”等部分。
• P - Prompt (核心指令)：使用具体、明确的动作词给出模型需要执行的核心操作。例如，“请生成”、“请优化”、“请对比”、“请诊断”，而不是模糊的“请帮忙”。
• E - Evaluate (结果评估标准)：提前设定好用于评判输出结果是否合格的量化或质化标准。这相当于给模型一份“评分标准”，引导其朝着高质量的方向努力。例如，“代码需无错误并通过测试”、“方案需具备可落地性，并附上验证步骤”。

使用示例（解决Python数据可视化问题）

Clarify (澄清需求)：我需要解决如何使用Python的Matplotlib库优化数据可视化效果的问题，目标是让图表更具专业性和可读性。

Role (角色定义)：你是一位精通Python数据分析和可视化的专家。

Input (输入)：我这里有一段当前的绘图代码，生成的图表比较简陋。[此处附上代码]

Structure (输出结构设计)：你的回答请按照以下结构组织：1. 对原代码的简要点评；2. 优化后的完整代码；3. 对关键 优化点的分步解释；4. 其他可以进一步探索的美化建议。

Prompt (核心指令)：请分析和优化我提供的代码，并生成一份完整的优化方案。

Evaluate (结果评估标准)：优化后的代码必须能直接运行，且生成的图表应包含清晰的轴标签、标题和图例。

2.4 三大提示词框架对比一览表

维度	KITE 框架	RICE 框架	CRISPE 框架
核心思想	精准控制输出：像放风筝一样，给予知识和指令，同时用边界约束，确保输出不偏离目标。	情境化任务执行：通过设定角色和上下文，让模型在特定情境中完成任务，追求输出的“代入感”和“相关性”。	工业化高质量输出：以近乎项目管理的方式，从澄清问题到评估标准，系统性地保障复杂任务输出的高质量。
核心要素	Knowledge, Instruction, Target, Edge	Role, Input, Context, Expectation	Clarify, Role, Input, Structure, Prompt, Evaluate
优势	1. 结构清晰，易于上手和记忆。 2. 边界控制力强，能有效避免模型幻觉和输出偏离。 3. 对输出格式和内容有很强的掌控力。	1. 非常轻量和直观，沟通和构思成本低。 2. 角色驱动，能快速让模型进入状态，输出更具人情味和专业性。 3. 非常适合快速、简单的日常任务。	1. 维度最全面，考虑最周详。 2. 通过“结构”和“评估”预设，对复杂任务的输出质量有最强保障。 3. 标准化程度高，适合团队协作和可重复的高价值任务。
劣势	1. 在激发模型深层创造力和复杂推理方面稍弱。 2. 可能因限制过多而略显“死板”。	1. 对输出的控制力较弱，模型在边界内仍有较大自由发挥空间，可能产生意外结果。 2. 缺乏对输出格式和评估标准的直接定义。	1. 过于繁重，编写提示词耗时较长。 2. 对简单任务来说“杀鸡用牛刀”，效率不高。 3. 记忆和使用门槛较高。
最佳应用场景	内容生成、文案撰写、数据格式化、有严格规范和限制的任务。	角色扮演、模拟对话、创意写作、客服回复、需要特定口吻或视角的任务。	复杂分析、方案设计、技术文档撰写、代码开发、对准确性、完整性和逻辑性要求极高的任务。

3. 自用提示模板

##知识
- 背景知识等
- 外部知识
##角色
- 某某工程师
##任务描述

##输出限制
- 长度限制
- 输出格式限制
- 如果你不知道，可以直接回答不知道。
- 回答问题必须附带原文引用
- 如果需要补充知识，请再次询问我
- 数据安全、提示泄露、道德问题、敏感信息
##输出示例
- 输出例子