如何撰写结构化 Prompt：CRISPE框架＋多种推理策略
0.引言...
1.CRISPE 框架概述与组成...
2.推理策略优化CRISPE框架...
2.1推理策略简介...
2.2 Few-shot Prompting.
2.3 Chain-of-Thought（CoT）
2.4 CoT + Self-Consistency：
2.5 Tree-of-Thought（ToT）
2.6 Step-back Prompting
3.应用建议
4.附录.
4.1 基于 Zero-shot 提示的不同模型响应示例
4.2 基于 Few-shot 提示的不同模型响应示例.
4.3 基于Chain-of-Thought 提示的不同模型响应示例
4.4 基于Self-Consistency 提示的不同模型响应示例
4.5 基于Tree-of-Thought 提示的不同模型响应示例.
4.6 基于Step-back Prompting 提示的不同模型响应示例
5.参考资料.
0.引言
随着大语言模型（LLM）的快速发展，人们处理各种复杂任务的效率显著提升。借助AI大模型，人们能够更加高效地完成文案撰写、数据分析、创意生成等多样化的任务。然而，在与AI大模型进行交互时，目前大部分用户通常依赖直觉随意编写指令（prompt）。这种随意性限制了模型能力的有效调动与发挥，导致生成结果无法充分体现LLM的潜力，难以满足高质量和高精度的输出需求。
结构化prompt可以解决这个问题。结构化prompt通过明确的格式与逻辑组织，帮助用户更精准地表达需求，提高AI模型生成结果的准确性和一致性。本文接下来将以CRISPE框架为例，详细的介绍结构化Prompt。
1.CRISPE 框架概述与组成
CRISPE 代表六个关键要素：CR、I、S、P、E。各个要素实际上的指的是：
CR | Capacity and Role（能力与角色） |
I | Insight（洞察），背景信息和上下文 |
S | Statement（陈述），你希望 ChatGPT 做什么 |
P | Personality（个性）， ChatGPT 回答的方式 |
E | Experiment（实验），ChatGPT提供多个答案 |
如果想让 ChatGPT 就即将上映的电视剧《长安的荔枝》写一个历史评论，提示词可以这么写。
CR | 你是一位大学历史系的教授，擅长将历史与当代文化现象结合进行深度剖析，具有严谨的学术素养和丰富的历史知识储备。 | |
I | 背景信息：影视剧《长安的荔枝》以唐代背景展开，涉及历史人物、制度文化及中外物资流通等元素，具有一定的历史想象与艺术加工成分。 | |
S |
| |
P | 语言风格要求：语言严谨、逻辑清晰，具备批判性思维与思辨精神。可适当使用史学术语，强调学术表达的规范性。 | |
E | 输出三个历史评论结果 |
2.推理策略优化CRISPE框架
2.1推理策略简介
Prompt 推理策略是指通过不同的提示构造方式，引导大语言模型以特定方式进行思考和输出的范式。常见的策略包括 Zero-shot （零样本）、Few-shot（少样本）、 Chain-of-Thought （思维链）、Self-Consistency（自洽性采样）、Tree-of-Thought（思维树）和 Step-Back Prompting（回退反思法）。
在不嵌入额外信息或逻辑引导的情况下，单纯使用 CRISPE 框架就属于 Zero-shot Prompting——它依赖的是清晰完整的结构，而非样本或推理链条。尽管这已能显著提升输出质量，但面对复杂任务，引入其他策略往往可以进一步增强模型的表现。
2.2 Few-shot Prompting
在 Few-shot 策略中，我们通过向模型提供一到多个参考示例，引导它学习任务风格和逻辑结构。
CR：你是一位大学历史系的教授，擅长将历史与当代文化现象结合进行深度剖析，具有严谨的学术素养。 |
I：影视剧《长安的荔枝》以唐代为背景，涉及制度文化与物资流通。 |
S：请你参考以下历史评论示例，写出一篇评论： 示例1：历史与虚构在本剧中并置，荔枝运输的夸张展现虽违背实却具文化隐喻。 示例2：本剧重构了中唐交通与贡品体系，虽艺术加工明显，亦有助于普及知识。 ——请写出第三条评论。 |
P：保持学术严谨、批判性思维。 |
2.3 Chain-of-Thought（CoT）：分步推理
CoT 提示引导模型一步一步推理，而不是直接给出结论，适用于逻辑分析或概念辨析。
S：请你撰写一篇评论，按照以下步骤进行： 1）简要描述《长安的荔枝》的基本设定； 2）分析其历史设定与史实的对应关系； 3）指出其中的艺术加工元素； 4）评价其对观众历史认知的影响。 |
E：按步骤输出一篇结构分明的历史评论。 |
2.4 CoT + Self-Consistency：
Self-Consistency 是在 CoT 的基础上，生成多个推理路径并从中选择最一致者，以增强稳定性与准确性。
S：请你按照“历史背景 → 艺术加工 → 评论结论”的顺序写出历史评论，分别输出3种不同推理路径。 |
E：在输出三个评论后，请总结哪个最具逻辑一致性，并作为最终推荐答案。 |
2.5 Tree-of-Thought（ToT）：
ToT 是将问题拆解成多个思维分支（例如多个角度），逐步扩展与选择，适合开放性问题。
S：请从以下三个角度分别撰写《长安的荔枝》的历史评论： 1）历史真实性；2）文化象征意义；3）艺术传播效果。 然后根据三条评论，总结该剧在整体历史表达上的得与失。 |
E：输出每个分支的分析与结论，并给出整合总结。 |
2.6 Step-back Prompting：
Step-back 是在完成一次输出后，引导模型退一步重新思考，有助于自我校正。
S：请先写一篇对《长安的荔枝》的历史评论。完成后，请退一步思考该评论是否存在以下问题：①是否忽略关键历史点？②是否混淆史实与虚构？ 请修改并输出更完善版本。 |
E：先输出初稿，再输出修订稿 |
3.应用建议
Figure 1基于任务与模型特征的提示策略选择路径图
结构化提示框架（如 CRISPE）与推理策略（如 Few-shot、CoT、ToT 等）的有机结合，能够在大多数应用场景中显著提升语言模型的生成质量与逻辑深度。然而，在实际应用中，不同任务类型、不同复杂度乃至不同模型架构之间的响应效果仍存在明显差异。单一框架或单一策略无法适用于所有场景，尤其在高复杂度任务中，输出结果可能出现不稳定或偏离预期的情况。
例如，ChatGPT-4o 相较于 ChatGPT-3.5 拥有更强的逻辑推理与多轮保持能力，在 Tree-of-Thought（ToT）类推理任务中表现尤为出色，能生成更具条理与深度的回答。而对于本地部署的轻量级模型（如参数量为7B的 DeepSeek 等），由于模型容量受限，难以理解层层嵌套的推理链条，此时反而是结构清晰、逻辑直接的 Zero-shot Prompt 更易激发其潜能。
综上所述，Prompt 设计并不存在通用或万能的标准模板。用户需结合自身任务目标、内容复杂度以及所调用模型的特性，灵活构建并迭代优化结构化 Prompt。唯有在结构维度与推理维度双向调优的基础上，才能实现语言模型生成结果的最大化控制与质量保障。
4.附录
4.1 基于 Zero-shot 提示的不同模型响应示例
4.2 基于 Few-shot 提示的不同模型响应示例
4.3 基于Chain-of-Thought 提示的不同模型响应示例
4.4 基于Self-Consistency 提示的不同模型响应示例
4.5 基于Tree-of-Thought 提示的不同模型响应示例
4.6 基于Step-back Prompting 提示的不同模型响应示例
5.参考资料
[1] 李作刚. 小学生都能看懂的 Prompt 高级技巧：Few-Shots、COT、SC、TOT、Step-Back[EB/OL]. 2023年12月13日 17:37. [引用日期：2025年5月14日]。逻辑实验室
[2] Z*aigc*. 【AIGC】ChatGPT提示词Prompt高效编写模式：结构化Prompt、提示词生成器与单样本/少样本提示[EB/OL]. 2024年12月8日 10:06:36. [引用日期：2025年5月14日]. qq2890091630.blog.csdn.net/?type=blog
