精确提示，是指有意识地控制语言模型如何理解并回应用户输入。它并不只是“写得更详细”；它更强调“有意图地结构化”。在实践中，精确性区分了一般性提问与明确定义的任务，也区分了松散引导的对话与有目的的设计。随着提示成为应用型 AI 的核心交互界面，构建清晰、有边界、具备上下文意识的指令能力，正在成为可靠性、安全性和伦理对齐的必要条件。
以下几节将简要区分“结构”与“输出格式”、“聚焦”与“约束”，以避免概念重叠。
本章建立在前几章已经确立的基础素养之上，尤其是第 3 章中关于清晰性、范围和结构的观点，以及第 4 章中关于通过提示实现推理与控制的内容。如果说第 4 章探讨的是提示架构中的创造性维度和认知维度，那么本章则把重点转向细粒度控制：如何使用语言，以专业标准约束、引导并验证 AI 行为。这个方案包括指定语气、格式、长度、目标受众、输出风格和任务分解。由此，精确提示既成为一种语言责任，也成为一种伦理责任，尤其是在歧义可能导致错误信息、低效或伤害的领域中。
本章位于第 6 章介绍 CASTROFF 框架之前，旨在为发展专业级提示标准奠定概念基础和实践基础。它邀请读者超越实验式使用，走向有意图的设计。通过考察脚手架、提示分层、模板和真实世界中的模式，我们开始看到：提示不仅仅是交互，而是指令；它是为了可复现性、清晰性和公平性而设计的。
对于非技术读者来说，精确提示提供了一种不需要写代码也能自信地与 AI 系统协作的方法。对于技术受众来说，它提供了一套语言层面的工具箱，可以补充算法层面的控制。在这两种情况下，本章都表明：精确性不是冗长，也不是一种风格偏好。它是实现有效、公平、可审计的人机交互的必要条件。
5.1 提示中的“精确”是什么意思？
精确性是专业提示词工程中的基础原则。它标志着随意用户交互与有意图、结构化参与之间的区别。一个精确的提示能够让语言模型生成具体、符合目标、与上下文相关的输出，而不是泛泛而谈或过于宽泛的回答。
在实践中，精确性要求提供适量且最优的信息，以有效引导模型回应。这通常包括定义任务范围、识别目标受众、建立相关约束，并指定偏好的输出格式和语气。例如，要求“something healthy”是模糊的，会留下很大的解释空间。相比之下，“Create a vegan lunch under 500 calories using only ingredients available in a typical UK supermarket, with a preparation time of under 15 minutes”这样的提示，则提供了一条清晰且有边界的指令。二者的差异不在于长度，而在于信息密度和结构清晰度。
约束可以在不同强度层级上发挥作用。在较软的一端，用户可以设置一般偏好，例如“使用通俗语言”。在中等层级，用户可以定义字数或风格限制；而硬约束则指定精确结构或格式，例如要求输出为包含预定义字段的 JSON。这种“约束阶梯”帮助实践者根据具体语境判断应该以多大力度引导模型。
重要的是，精确性并不等于冗长。一个简洁但范围清晰的提示，往往优于一个冗长、散乱的提示。精确性把提示从开放式对话提升为结构化设计，尤其适用于可靠性至关重要的机构、监管或高风险场景。
5.2 精确脚手架：拆解任务
精确脚手架，是指有意识地将提示结构化为清晰、可管理的组成部分，引导 AI 系统完成复杂任务。正如教育者通过把困难材料拆解为连续步骤来为学生学习搭建脚手架一样，提示词工程师也使用脚手架来确保 AI 生成回应中的每一部分都有明确目的、保持连贯，并与整体目标对齐。
从核心上看，脚手架会把一个抽象的单一请求转化为一组分层指令。当预期输出需要综合、评估或结构化格式时，这种方法尤其有益。脚手架不是依赖模型自行推断如何推进，而是定义出一条路径，将任务切分为逻辑阶段。这种方法不仅能提升 AI 回应质量，也能在专业场景中增强其可解释性和可靠性。
脚手架框架包含两种主要模式。第一种模式是逐步提示，即在一条多部分提示中概述整个任务，特别适合定义明确、可重复的工作流。例如，一条研究助理提示可能要求：
- 列出相关来源；
- 总结每个来源；
- 以特定格式进行比较分析；
- 给出面向特定受众的结论。
第二种模式是轮次式提示，即按顺序执行每个阶段，并在步骤之间纳入人工审阅或反馈。这种方法对于高风险、创造性或不断演化的任务尤其有效。通过允许每个阶段进行迭代和优化，轮次式提示引入了一种共同创作和控制机制，在保持效率的同时支持人类监督。
来看下面这个用于生成政策简报的脚手架序列：
- 识别并列出该主题下三篇近期同行评审文章。
- 用不超过 100 词总结每篇文章的主要发现。
- 使用简单矩阵格式呈现这些发现的比较分析。
- 最后以正式语气，写出适合非专家政策制定者阅读的总结。
在这里，脚手架所做的不只是组织提示；它还为透明性、可追踪性和质量保障创造了检查点。在受监管环境或协作工作流中，这类脚手架有助于澄清预期、记录决策路径，从而降低风险。
更广泛地说，脚手架是 AI 交互可审计性的基础。清晰指令会生成更便于用户追踪结论背后推理、并验证其是否符合预期目的的输出。这一特征使精确脚手架既是一种方法论工具，也是一种符合伦理的专业实践。
5.3 提示分层：控制深度与细节
提示分层，是一种控制提示内部结构的方法，用于引导模型不仅知道“说什么”，也知道“怎么说”。通过对内容范围、知识深度、语言语气、回应长度和格式等指令进行分层，提示词工程师为 AI 创建了一个多维框架，使其在该框架内运行。当输出需要满足专业或机构标准时，这项技术尤其重要，因为呈现的精确性与信息准确性同样关键。
在实践中，提示分层允许用户沿多个轴线校准模型输出。一层可以定义所需深度，例如说明解释应适合普通受众，还是可以假设读者具备专业知识。另一层可以约束回应长度，例如要求 150 词以内的摘要，或一份三段式报告。分层也可以决定所需聚焦点，指示模型只处理某个特定方面，例如只谈问题原因而不提供解决方案，或者只谈历史背景而不提供政策建议。此外，提示还可以通过要求包含统计数据、类比或真实世界案例等支撑元素，来控制细节程度。用户也可以指定输出的结构形式，例如叙述、列表、对比表或正式格式的信件。最后，语气和风格同样可以被控制，提示可以要求使用通俗语言、正式语气、说服性风格，或某个领域特定的表达语域。
例如，一个提示可能要求模型用通俗英语写一份执行摘要，解释电动车如何减少排放。为了确保清晰性和控制力，提示可以进一步要求：限制在 150 词以内，包含一个类比和一个可验证统计数据，并且只聚焦环境收益，而不讨论更广泛的政策或技术问题。通过这种分层构造，用户引导模型生成一个有边界、符合沟通目标的输出。
在误解或不一致可能削弱 AI 生成内容价值的场景中，分层尤其重要。在法律、教育、医疗和政策等领域，如果语气、格式或细节层级无法匹配受众，可能导致困惑、不合规或声誉损害。因此，提示分层不仅是一种设计策略，也是一种保护机制，它让输出更可预测、更可审计，也更符合专业场景要求。在后续章节中，CASTROFF 将按照实践者设计提示时可能遵循的顺序被介绍，从而强化一种实践工作流，而不是抽象检查清单。
除了这些实践收益之外，分层也服务于提示作为沟通设计过程的更广泛目标。它不再把 AI 当作一个被动回应开放式问题的对象，而是鼓励用户以作者和交互架构师的身份采取主动立场。从这个意义上说，提示分层不仅是一项技术功能，更是一项关键技能，使人机协作具备精确性、透明性和责任感。
5.3.1 诊断弱提示并重写它们
提示词工程中的一个核心挑战，是识别提示何时表现不佳，并理解原因。弱提示通常会产生模糊、不一致或错位的输出。这并不是因为模型缺乏能力，而是因为指令含糊、不完整或过于宽泛。诊断并重写这类提示，需要一种视角转变：从把错误归因于系统限制，转向优化人类输入。
弱提示通常会遗漏一个或多个控制维度。例如，“Summarize this”这样的请求，并没有引导模型输出期望长度、目标受众、表达语气或预期用途。因此，模型被迫做出假设，通常会默认生成通用输出。相比之下，一个重写后的提示，例如“Summarize this text in three bullet points for a policy briefing, using formal tone and no more than 100 words”，则建立了清晰边界和受众定位。差异不在于冗长，而在于信息密度和上下文清晰度。
另一个反复出现的弱点，是开放式的改进请求。像“Improve this paragraph”这样的模糊指令，除非定义了“改进”意味着什么，否则很难产生有价值的结果。改进可能意味着纠正语法、澄清风格、简化术语，或者调整语气；每一种都需要不同操作。更有效的替代方式是：“Revise this paragraph to improve clarity and remove technical jargon, while preserving the original meaning.” 这个优化后的版本缩小了任务范围，指定了明确约束，并减少了解释不确定性。这样，它就把一个开放式请求转化为系统可以更可靠执行的结构化指令。
诊断弱提示，需要从多个维度分析其清晰度。首先是任务定义，它具体说明用户到底要求模型做什么。受众指定会决定内容的词汇、语气和假定知识水平。用户还应定义结构性预期，包括句数限制、格式惯例和输出类别，以确保内容的一致性和清晰度。他们必须清晰限定范围，引导模型知道哪些方面应该包含或排除。最后，语气和声音会显著影响输出是否符合预期沟通场景。
为了支持专业实践，可以在评估回应时使用一套简洁的验证量规。四项检查尤其有用：
- 格式遵循：输出是否遵循了所要求的结构？
- 事实锚定：它是否与可靠来源一致？
- 约束回忆：语气、字数或风格等指令是否被遵守？
- 覆盖度与简洁性：回答是否既完整又简洁？
这套量规为评估输出提供了一种透明方法，并指导后续修订决策。
随后，重写策略可以遵循一个结构化公式：指示模型在明确约束下，以指定格式、面向给定受众、使用适当风格和语气，执行一个定义清楚的任务。这种方法会提高得到合适回应的可能性，同时也支持迭代和改进。如果模型生成的结果不令人满意，用户可以使用同样参数重新评估并优化提示。
重写提示既是一门艺术，也是一种方法。在许多情况下，提示失败暴露的更多是用户自身假设，而不是模型本身的问题；重写行为会让这些假设浮出水面，使人与 AI 的互动变得更加有意识。最终，诊断和优化提示会把提示从试错过程转变为一套有纪律的沟通设计实践。
本书后续示例会逐步展示如何通过一步步引入 CASTROFF 维度，将一个弱提示迭代强化，让读者看到每个设计选择的累积效果。
5.3.2 可复用性与提示模板
随着提示词工程成熟为一项专业实践，对可扩展、可重复、可审计方法的需求变得越来越明显。提示模板正是对这一需求的回应。它们提供结构化、可复用的格式，可以被适配到多个语境中，同时保持一致性、清晰性，并与沟通目标对齐。模板不是每次都从零开始构造提示，而是提供了一种模块化方法，在灵活性和控制力之间取得平衡。
所谓提示模板，是一种允许用户插入变量内容的预定义结构。它通常包含关键元素的占位符，例如任务、受众、语气、输出长度和主题。例如，一个通用模板可能是：“Summarize {document} for {audience} in {X} words, using {tone} language.” 用户可以通过插入相关参数，将这个结构适配到法律、教育、医疗或商业等不同领域。模板的使用能够让一致的提示在项目、用户或团队之间快速部署，这在输出必须满足机构标准的组织环境中尤其有价值。
除了效率之外，提示模板还承担着重要的伦理和沟通功能。模板将语气、格式和受众考虑直接整合到结构中，鼓励用户承担更强的语言责任。处理敏感数据、与脆弱群体互动或进行跨文化沟通时，这一点尤其重要。一个设计良好的模板可以确保回应不仅在技术上准确，也在社会意义上适当。
规范化 schema 展示了模板如何支持专业实践。JSON 报告 schema 会定义一种严格输出，包含 {title}、{summary}、{data_points} 和 {conclusion} 等字段，这对技术文档或分析流水线非常有价值。政策简报 schema 会将内容结构化为 {issue}、{evidence}、{options} 和 {recommendation}，引导模型生成符合政策制定惯例的输出。在医疗场景中，面向患者安全的建议说明 schema 可能包含 {symptom}、{advice}、{safety warning} 和 {follow-up}，在嵌入防止有害歧义的安全机制的同时确保清晰性。这些 schema 说明，提示模板可以将专业标准编码进可重复的语言结构中。
例如，在学术场景中，模板可以引导模型：“Explain {concept} to {audience level}, using formal tone and including one illustrative example.” 在商业语境中，模板可以提示模型：“Compare {product A} and {product B} using three key criteria, then recommend one in a professional tone, limited to 200 words.” 这些例子表明，模板既能促进功能一致性，也能保留领域特定的细微差别。它们还通过在设计阶段明确预期，降低偏见、遗漏或风格漂移的可能性。
模板还能通过让提示在用户之间变得可读、可共享来支持协作。在专业环境中，团队协作生成、审计或审阅内容时，模板就像一种共同语言，提供关于每条提示意图和结构的透明性。它们也强化了可追踪性，使用户能够在需要时复现或优化输出。
虽然模板引入了结构，但它们并不消除创造性或适应性。相反，它们提供了一个有纪律的框架，让变化可以在其中发生。提示词工程师仍然可以在模板边界内迭代、实验和优化，但误沟通或不一致的风险会降低。从这个意义上说，模板不是对人类能动性的约束，而是对其的扩展，是通过让设计意图与语言执行对齐，来专业化提示实践的工具。
随着提示在应用型 AI 系统中变得更加核心，模板的使用标志着从即兴发挥走向有意图设计的转变。它代表着迈向共享标准、伦理责任和运营效率的一步。由此，模板使 AI 不只是一个响应式工具，而是复杂、高风险人类工作流中可靠的合作伙伴。
5.3.3 实践中的精确提示：真实世界模式
当精确提示、脚手架、分层和模板设计原则被应用到真实世界任务中时，它们才能获得最完整的意义。专业领域会呈现出反复出现的模式，帮助实践者理解如何为了特定目标操作化精确性。这些模式并不只是风格偏好；它们代表着以一致、透明并符合用户沟通意图的方式指挥 AI 的功能性方法。
一种典型模式，是为决策场景总结研究。例如，一个提示可以让模型扮演虚拟研究助理，指示其分析某个主题下固定数量的来源，识别关键发现，并以比较格式展示它们。提示还可以进一步要求 AI 用表格格式化结果，聚焦特定标准，并使用适合政策顾问的语气。这个模式把任务脚手架化为收集、综合、格式化和语气对齐几个环节，确保每一步都产生可解释、可复用的组成部分。
另一种广泛使用的模式是比较分析，它在战略规划、采购和产品评估等领域中非常有用。一个分层良好的提示可以把模型定位为分析师，并指示它使用预定义标准比较两个选项，说明各自优劣，最后给出简洁建议。提示还可以指定预期结构，例如先给出执行摘要，再进行逐点拆解，从而同时引导内容和呈现形式。这种方法不仅确保事实相关性，也确保修辞表达符合组织预期。
正式信函生成也是精确提示中的一个常见领域。在这一语境中，提示可能会引导模型从指定角色出发，向特定收件人起草一封专业邮件或信件，覆盖某个具体问题，同时引用相关背景信息，并列出后续步骤。在这里，语气和清晰性非常关键，因为模型必须在事实准确性与关系上的得体之间取得平衡。提示可以包含长度约束，指定使用通俗语言，并指示 AI 遵循给定渠道的常规格式。
另一个有用模式是为可访问性改写内容。这可能包括为不同受众改写现有材料，例如将技术报告转换为通俗英语摘要，或简化政策文件以便社区咨询。在这类场景中，提示会仔细调节语气、阅读水平和概念密度，以在适当调整风格的同时保留含义。这些提示通常依赖脚手架，将理解与改写分开，让模型先理解内容，再以新的方式表达。
规范化 schema 进一步说明了精确提示如何支持一致性。JSON 报告 schema 要求输出包含 {title}、{summary}、{data_points} 和 {conclusion} 等字段，以确保与技术工作流的互操作性。政策简报 schema 将内容结构化为 {issue}、{evidence}、{options} 和 {recommendation}，引导 AI 生成适合政府或组织决策的输出。在医疗场景中，面向患者安全的建议说明 schema 可以指定 {symptom}、{advice}、{safety warning} 和 {follow-up}，在嵌入防止有害歧义的安全机制的同时确保清晰性。这些 schema 展示了模板如何将专业标准编码进可重复的语言指令中。
最后，轮次式脚手架能够通过引导模型经历创意构思、选择和发展这一结构化序列，增强创造性任务。例如，提示可以首先要求 AI 在一个定义明确的类型或主题内提出几个创意方向。用户或系统选择偏好的方向后，模型再将所选概念发展为大纲，然后生成草稿。这个模式在保持对叙事形式、受众和长度控制的同时，也支持协作式创造。
这些多样化应用有一个共同点：它们都依赖结构化、分层且有意图的提示。每种模式都反映一个具体使用场景，但它们都被一种共同承诺连接起来：沟通清晰性、伦理责任和可复现性。从理论技术过渡到应用设计时，精确提示不仅成为提升 AI 输出的方法，也成为一种实践语言，用于在真实工作流中引导人与机器之间的协作。
CASTROFF 的视觉总结会出现在后续章节中，届时该框架将与真实世界的提示构造和调试联系起来。因此，本章聚焦于概念奠基，而把详细可视化留给后续应用章节。
5.4 小结
本章将精确提示确立为专业 AI 实践中的一项核心素养。它说明了细粒度约束、脚手架、分层和模板如何把非正式请求转化为结构化指令，从而提升清晰性、控制力和安全性。通过实践示例，本章表明：精确性不是冗长，而是对结构、受众意识和约束的有纪律使用。这些技能为读者进入下一章的 CASTROFF 框架做好准备，在那里，精确性将成为规模化、可问责、可复现提示设计的基础。
5.5 自测题
1. 以下哪一条提示最能体现对语气、长度和聚焦点的分层控制？
a) 描述 AI 在医疗中的作用。
b) 用通俗英语总结英国医院用于诊断的三种 AI 工具，不超过 150 词。
c) 医学中的 AI 有哪些例子？
d) 谈谈 AI 和健康技术。
2. 在专业工作流中，轮次式提示的主要优势是什么？
a) 它避免了定义格式或语气的需要。
b) 它默认生成更长回应。
c) 它允许在进入下一步之前，对每个步骤进行迭代审查。
d) 它减少了模型对外部来源的需求。
3. 以下哪一项最能体现需要修订的弱提示？
a) 用 100 词总结这篇文章，使用中性语气，面向政策受众。
b) 改进这个。
c) 重写这个句子，在不改变含义的前提下提升清晰度。
d) 基于提供的文本，用通俗语言起草一份执行说明。
4. 为什么可复用提示模板在应用型 AI 场景中很有价值？
a) 它们消除了对人类输入的需求。
b) 它们确保一致性、可扩展性和伦理透明性。
c) 它们减少模型所需的训练数据。
d) 它们会自动提升模型准确性。
5. 以下哪个例子展示了面向结构化简报任务的精确脚手架？
a) 写一篇关于气候变化的摘要。
b) 列出气候变化的三个原因。
c) 概述气候变化的三个原因，每个用 50 词总结，并以对比表展示结果。
d) 尽力把气候变化解释清楚。
