8.1 作为伦理设计的提示
提示词工程常常被误认为是一种中立的技术活动。然而，每一条提示都代表着一系列关于受众、语气、框定方式和目的的决策，而这些决策会塑造知识如何被检索、呈现和理解。这些决策不只是引导语言模型的行为；它们也在主动构建这次交互的认识论边界。正因如此，提示会决定哪些视角被纳入或排除，哪些声音被放大或省略，并塑造用户如何感知系统的权威性。因此，提示不仅是一项功能性任务，也是一种伦理设计形式。
这一主张的核心，是承认提示从来不是中立的。它们反映了构造提示的人所持有的假设、价值观和世界观。如果这些假设不被审视，它们就可能强化排斥，尤其是在教育、医疗、公共服务和招聘等领域，因为 AI 生成输出会带来实际后果。一个默认采用主流文化或机构视角的提示，可能会无意中抹除其他经验，或遮蔽结构性不平等的某些形式。伦理提示并不能保证完全没有偏见，但它始于一种有意识的承认：提示会塑造结果，而这些结果很重要。
尽管人们越来越意识到 AI 的社会风险，许多用户仍然把有效提示视为流利表达或提高生产力的问题。用户常常认为，一个写得好、能产生连贯输出的提示就是成功的。然而，流利并不等于公平，效率也不意味着包容。一条能生成精致语言的提示，仍然可能边缘化特定视角、强化刻板印象，或忽视情感和文化上的细微差别。当用户把 AI 输出误认为客观知识或机构权威时，这个问题尤其严重。
来自英国皇家精神科医学院和美国精神病学协会等专业机构的近期研究，强调了用户指令的伦理影响。这些研究指出，不只是训练数据，提示语言本身也可能触发社会偏见、诊断刻板印象或排斥性叙事的再生产。当提示没有纳入生活经验、没有指定受众或没有引导语气时，模型会默认采用统计上占优势的表征。结果未必出于恶意，但会产生后果：看似准确的输出，仍然可能是不完整、不敏感或具有误导性的。
为了解决这个问题，伦理提示不应被理解为一种限制，而应被理解为一种包容方法。我们的目标不应该是限制语言或回避有争议的话题，而应该是引导模型生成能够涵盖更广泛人类语境、需求和现实的输出。实现这一点需要精确地框定问题，识别目标用户，定义语气和功能，并承认 AI 交互中固有的权力不平衡。它是一门沟通设计学科，建立在有意图的设计之上，而不是建立在所谓中立之上。
来看这个提示：“Explain autism.” 虽然它看似无害，但它会邀请模型基于主流叙事，生成一个泛化的、医学化的总结。一个更具包容性的替代提示是：“Act as an autistic adult. Explain autism to teachers who want to create a safer classroom.” 这会彻底重塑任务。这个版本引入了角色，识别了受众，并澄清了功能。它把生活经验和目的置于抽象概念之上。主题没有变，但伦理姿态已经改变。
同样，像 “List major inventions that changed the world” 这样的提示，默认往往会生成以欧洲中心或工业时代为主的例子。经过重新框定的提示：“List major inventions from African, Indigenous, and Asian civilizations that shaped world history”，展示了设计选择如何影响历史框定。这种方法实现包容，并不是通过审查或纠正，而是通过确保结构清晰和范围有意设定。
这些并不是孤立的修复。它们体现了提示词工程作为反思性实践所具有的伦理潜力。提示会决定模型回应，影响用户对输出的解释，并定义哪些视角会出现在交互中。忽视这些动态，就是把 AI 当作一面中立镜子，仿佛它能无偏地反映现实。正视这些动态，则意味着参与数字知识的设计。
CASTROFF 框架通过将伦理考量嵌入每个提示维度，使这些原则可操作化。“受众”促使设计者考虑被排除或服务不足的用户。“语气”帮助避免居高临下、临床式疏离或令人疏远的随意感。“角色”使提示能够采用处境化视角，例如活动人士、教育者或照护者的视角，而不是默认抽象中立。“聚焦”和“功能”确保交互目标建立在真实世界需求之上，而不是算法便利性之上。这些元素共同使提示不仅更有效，也更可问责。
通过提示实现包容，并不是可选的增强项。它是一项专业责任。随着 AI 系统嵌入公共生活，设计糟糕的提示所造成的后果不再只是使用不便；它们还包括信息伤害、文化抹除，以及被排除在必要服务之外。伦理提示通过突出人类语境、社会公平和设计透明性来缓解这些风险。
从这个角度看，提示成为一种认识论照护实践。它邀请我们追问：谁的知识算数？谁的经验被放在中心？我们正在编码哪些假设，而这些假设可能把谁遗落在外？这些问题不会拖慢创新；它们会让创新变得更加公正。
8.2 中立提示的神话
AI 交互中有一种普遍误解，即提示可以是中立的：只要措辞平实或保持开放，就会得到客观或普遍的结果。事实上，看似中立的提示，往往是主流社会规范的载体。它们让关键设计决策保持沉默：被想象的用户是谁？什么样的知识被认为有价值？哪些经验被视为典型或可信？如果缺乏清晰指导，模型就会默认采用训练数据中的统计多数，从而以公正的外表复制既有偏见。
语言模型本质上是概率系统。它们基于海量人类语言语料中的模式生成输出，其中许多语料来自新闻媒体、互联网论坛、百科文本和公共档案。这些来源反映了主流文化态度、机构规范和人口结构失衡。最可能的答案，并不一定是最包容、最准确或最公正的答案。在高风险语境中，这种统计规范性可能成为一种认识论伤害。
省略受众、语气或上下文的提示，本质上会制造伦理风险。例如，一个询问 “What makes a good leader?” 的提示，除非另有说明，否则可能生成被欧美商业特质主导的回答，例如果断、强势等。像 “Describe successful parenting” 这样的问题，也有风险返回异性恋规范、核心家庭理想。这些并不是算法失败，而是人类省略造成的结果：没有作出的选择、没有指定的视角，以及没有表达的约束。
这种默认偏见在专业、公共或机构环境中尤其危险。一个用于总结法律权利、教育支持或健康建议的 AI，可能会强化系统性低估边缘群体的规范。例如，“Summarize mental health resources for teenagers” 这样的提示，可能优先呈现城市、白人、英语使用者熟悉的服务，而排除原住民实践、多语言需求，或适用于特定群体的创伤知情照护模式。
认为“少说一点”、省略身份、语境或权力标记，就能实现中立，本身就是一种设计谬误。伦理提示要求的恰恰相反：更高具体性、有意图的框定和明确范围。所谓“中立”提示并不是没有价值观；它充满了未经审视的默认值。
为说明这一点，可以考虑 “Explain climate change.” 这样的提示。这条指令过于宽泛，模型可能会生成基于大众媒体共识的输出，而这种输出通常是泛化且去语境化的。相比之下，经过更仔细构造的提示：“Explain climate change from the perspective of a Pacific Islander community facing rising sea levels, using non-technical language for policymakers”，则明确了角色、受众和功能。修订版本并不是引入偏见；它是通过命名处境化经验，反击中立幻觉。
这种从隐含设计到显性设计的转变，不仅更符合伦理，也更有效。它生成的输出更有上下文根基、更有沟通目的，也更能回应社会现实。CASTROFF 框架通过要求设计者在多个维度上表达意图，支持这种转变。“约束”防止过度泛化。“受众”澄清谁的需求优先，而“语气”控制情感影响和适切性。“角色”建立视角，而“聚焦”和“功能”则共同引导模型走向预期结果和目的。
模型无法自主决定这些维度。如果没有引导，它会采用最可能的模式，而这些模式往往排除了那些最需要被审慎设计照顾的用户。从这个角度看，中立不是保护机制，而是风险因素。
包容性提示始于一种认识：沉默并不是公正。沉默是一种会带来后果的设计决策。那些没有承认自己所处社会世界的提示，可能会放大这个世界中最糟糕的假设。而那些命名自身意图、受众和责任的提示，则提供了一条通向公平 AI 交互的路径。这并不是因为它们消除了偏见，而是因为它们让偏见缓解成为一个有意识、可设计的任务。
8.3 识别提示中的偏见陷阱
提示中的偏见很少是显性的。更多时候，它通过沉默、遗漏、默认假设和去语境化语言运行，并且很容易不被察觉。这些细微设计缺陷会显著塑造模型输出，在遮蔽边缘群体视角的同时强化主流视角。在医疗、教育和公共服务等高风险语境中，这种偏见的后果可能在表层并不明显，但它们是真实且反复发生的。
提示设计中偏见的主要来源，并不是明显的偏见，而是未经审视地重复传统框架。当设计者撰写提示时假定一个通用用户、忽视受众细微差别，或照搬机构术语，他们就会创造排斥性的输出。这并不是因为有意造成伤害，而是因为 AI 系统会复制其训练数据中的主流模式。这些模式反映了历史不对称、语言中心性和文化支配。
CASTROFF 框架提供了一种结构化方法，用于识别并纠正这些模式。当提示没有指定受众、语气或功能等关键维度时，模型会用默认值填补空白。而这些默认值往往反映精英、西方、健全身体和男性中心的视角。
考虑这样一个提示：“List three mental health tips for busy professionals.” 它看似无害，却假设用户有工作、高功能运转，并且经济安全。它优先考虑职场生产力，却忽视结构性或创伤知情视角。相比之下，一个修订提示：“As a workplace therapist, offer three trauma-sensitive mental health strategies for junior staff, especially women and people of color working in public sector roles”，则指定了说话者角色，命名了受众，并嵌入了伦理聚焦。它不是通过改变主题，而是通过改变提示的视角和社会框架，生成更包容、更扎根现实的回应。
类似模式也出现在完全省略角色的提示中。例如，“Explain ADHD” 通常会让模型基于主流来源生成中立、医学化的总结。然而，如果提示写成：“As an adult with ADHD, explain what you wish teachers understood about the condition”，就引入了生活经验和教学功能；输出会从泛化转向具体，从抽象转向处境化知识。
语气和功能也发挥关键作用。提示 “Provide information about domestic abuse resources” 可能触发一个疏离的服务清单。更有回应性的版本是：“Write a supportive message to someone experiencing domestic violence, with three actionable steps they can take today.” 这引入了情感安全、清晰目的和可辨认的人类声音。由此可见，语气不是审美问题，而是伦理问题。
其他常见陷阱包括文化泛化和不可访问的格式。像 “What are traditional wedding customs?” 这样的提示，如果没有明确重新框定，很可能生成欧洲中心的列表。更包容的版本是：“Compare wedding traditions across Nigerian, Indian, and Peruvian cultures for an intercultural workshop.” 这引导模型走向更广泛的代表性范围。同样，密集段落风格的提示可能排除认知障碍或视觉障碍用户。设计者可以通过将输出组织为简洁、适合屏幕阅读器的摘要，防止无意排斥。
在这些例子中，可以看到一个典型模式：提示通过它作出的选择，以及它没有作出的选择，来塑造包容性。设计包容性提示并不是审查语言，而是承认语言会结构化访问权、信任和承认。伦理风险出现在设计决策是无意识作出的，或根本没有作出的时候。
CASTROFF 使设计者能够看见这些决策。受众澄清提示面向谁，以及谁的需求被置于中心。角色让模型成为特定视角的代表，而不是默认权威。语气支持情感适切性和关系信任。输出格式确保在不同平台和需求中都具备可用性。聚焦和功能则把提示锚定到明确的沟通目标上。
伦理提示并不是追求完美。没有任何提示能够完全无偏见。相反，伦理提示要求一种转变：从默认转向设计，从继承下来的假设转向有意构造。这个实践始于一种意识：提示不仅是技术交换，更是一种会带来后果的社会行为。
下一节将考察包容性提示设计如何应用于可访问性和神经多样性，这是 AI 交互中最重要却也最常被忽视的领域之一。
8.4 为可访问性和神经多样性而设计
随着 AI 系统被编织进日常生活基础设施，提示设计中的可访问性必须被视为数字正义的核心要求，而不只是便利功能。用户并不是从相同的认知能力、语言流利度或技术熟悉度基线出发来接触语言模型。许多用户，无论是神经多样性人群、慢性病患者、老年人、残障人士，还是身处低资源环境的人，都是在主流设计中仍未被结构性承认的条件下与 AI 互动。
传统提示词工程常常默认存在一个“标准用户”：非残障、精神清醒、具备英语读写能力，并熟悉数字交互规范。提示的长度、语气、格式和词汇，往往隐含嵌入这种假设，而不是直接说明。这样的假设如果不被检查，就可能把整个人群排除在有意义的 AI 中介任务之外。这种排斥很少是有意的，但它会可预期地反复发生。
神经多样性用户尤其如此，例如 ADHD、自闭症、阅读障碍，或新冠长期症状相关认知问题的用户，可能会在面对依赖抽象推理、密集语言或未明说期待的提示时感到困难。有限的互联网访问或过时设备也会进一步限制用户，常常导致与屏幕阅读器不兼容，或产生过高的内存需求。设计糟糕的提示不只是让用户困惑；它们还在主动传达：这个系统没有包括你的需求。
语言模型天然允许用自然语言互动。许多人称赞这一点能提升可访问性。然而，这种收益是有条件的。如果没有审慎的提示设计，即便是通俗语言也可能变得排斥，尤其是当语气情感上平淡、句式结构过于复杂，或提示没有以支持性方式定义模型角色时。
要为多样化的认知和身体需求进行包容性设计，提示构造必须关注结构、语气和沟通脚手架。例如，明确将任务拆成短步骤的提示，可以帮助执行功能困难的用户逐步处理请求。直接、字面化的语言能够减少自闭症用户和其他偏好具体指令的用户所面临的歧义。重复或简化的措辞，可以支持正在经历脑雾、疲劳或记忆受损的人。这些并不是特殊适配；它们是包容性默认设置，可以提升所有人的可用性。
考虑一位数字素养有限、正在导航医疗系统的用户。一个提示要求：“Describe your symptoms, medical history, and current medications”，可能会压倒或困惑用户，尤其是在他们紧张或身体不适时。一个更可访问的提示是：“Let us take this one step at a time. First, describe what is bothering you today. Then tell me about any past illnesses. We will talk about medications after that.” 它创建了一个节奏结构，承认认知负荷和情绪状态。其结果不只是更清晰的信息收集，而是一次更有人性的互动。
CASTROFF 框架能够在设计点上可靠地嵌入可访问性。“结构”元素支持分块、分步骤输出，使内容更容易解析。“语气”帮助提示保持情感适切，避免过度临床化、机器人化或催促式语言。“输出格式”可以针对屏幕阅读器兼容性、可打印布局或纯文本呈现进行调整，从而降低检索和复用时的认知障碍。“受众”提醒设计者，用户不是抽象对象；他们是具有不同能力、约束和生活处境的个体。
即便提示对普通用户看似运作良好，也可能悄悄让其他用户失败。段落过重的指令可能排除阅读障碍用户。文化习语可能让非母语者困惑。依赖隐喻或幽默的提示，可能让按字面处理语言的用户无法访问。在这些情况下，设计失败不在于 AI 的生成能力，而在于塑造其输入的人类界面。
相反，一个可访问的提示可以恢复用户能动性。简化请求可能帮助老年人独立完成数字表格。指定角色的指令可以支持神经多样性员工为雇主准备自我倡导语言。范围明确、语气平静的查询，可能减轻某个正在面对陌生或令人畏惧官僚系统的人的焦虑。这些互动并不微小；它们正是技术系统扩大或剥夺参与机会的时刻。
提示中的可访问性也是语言公平问题。对于多语言用户，提示应避免缩略表达、习语或特定文化隐喻。日期和数字采用国际格式可以提升清晰度。提示必须考虑用户可能使用共享或不稳定设备，并据此设计：避免不必要的记忆负担，降低回应复杂度，并为无法轻松改写或重试的用户提供备用选项。
这并不是把简化当作让步。它是在呼吁伦理设计中的精细化能力。包容性提示不会降低模型智能；它会拓宽模型的沟通相关性。它使 AI 行为与多元用户群的现实生活经验保持一致。
不可访问性的影响不是抽象的。在一个越来越由自动化交互中介的社会里，不可访问的提示可能导致人们无法获得服务、误解自身权利，或更容易受到错误信息影响。那些在一线服务中部署 LLM 的公共和私人机构，必须把可访问的提示设计视为核心义务，将其看作基础设施标准，而不是可选功能。
当提示词工程从可访问性和神经多样性视角出发时，它就成为一种公民设计形式。它维护这样一个原则：所有用户，无论其认知风格、残障状态或语言背景如何，都应当获得能够承认并支持其尊严的系统。
下一节将考察这些原则如何扩展到面向公众的系统设计中。在那里，提示可访问性不只是个人公平问题，也关乎民主问责。
8.5 面向所有人的设计检查清单
在最终确定面向公众或面向用户的任务提示之前，可以使用这份清单进行快速检查：
可读性：目标为 CEFR B1–B2 水平，使用短句和具体词汇。
多语言备用方案：提供通俗英语默认版本，同时提供翻译或简化术语选项。
创伤知情措辞：使用支持性、非评判语气；避免羞辱性或制造恐慌的措辞。
同意与退出：提示用户可以跳过步骤、退出，或选择不分享某些信息。
设备约束：为低带宽、小屏幕和屏幕阅读器兼容性设计提示。
语气调整：检查文化敏感性；避免习语、玩笑或特定文化隐喻。
结构：将复杂请求拆分为清晰、连续的步骤。
角色清晰性：将模型框定为助手或顾问，而不是守门人或权威人物。
输出格式：指定项目符号、简短回答或纯文本，以提升可访问性。
公平性视角：追问：“这种措辞没有服务到谁的需求？”
8.6 AI 驱动公共服务中的包容性提示
AI 向公共服务基础设施的扩展，已经改变了个人获取基本权利和资源的方式。过去通过受训人类中介完成的互动，例如预约医疗服务、申诉政府决定或请求社会支持，正在越来越多地由 AI 驱动的界面中介，包括聊天机器人、自动帮助台和自然语言系统。这些系统承诺提高效率，但也引入了新的包容条件。对许多用户来说，获得公共服务如今不仅取决于资格或权利，还取决于他们解释、表达并回应 AI 生成提示的能力。
这种转变提出了关于数字公平和公民参与的深刻问题。公共部门 AI 系统设计者常常聚焦于一个狭窄的用户原型：一个具备数字素养、认知流利度、情绪稳定性，并熟练掌握主流语言的个体。虽然这种画像在 AI 早期采用者中可能具有统计上的标准性，但它排除了广泛用户，包括老年人、残障人士、新移民、低识字群体，以及正在经历压力、创伤或对机构不信任的人。
这种排斥的后果并不是理论上的，而是真实且具体的。收到罚款通知的养老金领取者，可能无法使用聊天机器人提出异议。试图预约医疗服务的自闭症青少年，可能觉得界面含糊且情感上令人疏离。一个经历认知过载的人，可能在被要求填写以法律化语言组织的表格时中途放弃。在每个案例中，障碍并不是用户能力不足，而是系统没有容纳现实世界中能力、语境和需求的变化。
在这种语境中，提示发挥着基础设施的作用，要求设计者采用与物理可访问性措施同样的严谨性、包容性和前瞻性。正如建筑需要坡道和标识来确保公平进入，数字系统也必须纳入能够降低认知、语言和情感障碍的提示结构。
CASTROFF 框架为履行这一义务提供了一种系统化方法。它的每个组成部分，都为希望让 AI 驱动公共服务更具包容性的设计者和机构利益相关者提供了一个干预点。
“约束”引导提示撰写者通过限制记忆需求、技术词汇或步骤数量来降低复杂度。一个公共服务提示要求用户“列出所有支持文件并附相关法律引用”，其实假定用户具备法律知识和组织能力。将其重新框定为“告诉我们你已经有哪些文件。我们会解释还可能需要什么”，则降低压力，同时传递支持信号。
“受众”元素促使设计者考虑哪些用户可能在不平等或受限条件下与系统互动。正在填写移民表格的难民、第一次申请社会住房的人，或正在办理残障福利申请的人，可能缺乏接触官僚语言的经验。明确识别这些用户，有助于让提示的语气和结构与他们的真实处境对齐。
“语气”在培养信任和情感安全方面发挥关键作用。面向公众的 AI 系统应避免法律化措辞、表演式中立或突兀命令。平静、鼓励且允许不确定性的语气，可以显著改善用户体验，尤其是对那些在压力下与系统互动的人。
“角色”使 AI 系统能够采用传递关怀、团结或引导的身份，而不是机构监督者的身份。例如，一个以“社区福利顾问”身份回应的 AI 系统，与一个普通“助手”相比，会改变互动动态。它把系统定位为帮助者，而不是审计者。
“输出格式”确保回应在各种设备和条件下可读。在公共场景中，用户可能正在使用移动数据、共享设备，或依赖辅助技术。要求简短、项目符号式回答、屏幕阅读器兼容性或多语言摘要的提示，可以适应这些条件，并促进公平访问。
“聚焦”把提示锚定到用户最需要完成的事情上，避免漂移到无关细节。例如，“Explain your change in financial status” 可能造成困惑。更聚焦的版本是：“Tell us if your income has changed since your last claim. This helps us adjust your benefits fairly”，它同时澄清了目的和伦理框定。
最后，“功能”定义正在发生的是哪一种交换：这个提示是在收集信息、提供安抚、促进申诉，还是确认法律合规？如果没有这种清晰性，用户可能犹豫是否回应，或误解互动中的风险和意义。
这些元素共同把提示从用户挑战转化为公共服务的组成部分。它们让公共部门设计者能够预判排斥，嵌入清晰性，并构建反映公民价值的系统。
这种转变也要求我们对公共技术形成新的心智模式。撰写者必须预设用户面对的不是理想条件，而要把疲劳、不信任、多任务处理、共享设备、连接不佳和情绪痛苦等因素视为常见场景，而不是例外。这些是许多公民与数字治理互动时的现实生活处境。
来看两个福利提示版本。一个版本问：“List your National Insurance number, address, and grounds for appeal.” 这个版本把互动视为纯交易。重新框定后的版本是：“Please enter your National Insurance number and address. Then, in your own words, explain why you are appealing. You may skip any question and return later. If unsure, share what you can; we will guide you from there.” 内容类似，但框定方式将系统从守门人转化为支持结构。
在 AI 驱动公共服务语境中，提示不是技术细节。它是民主设计问题。如果提示不可访问、不清楚或情感上令人疏离，公共系统就会被简化为只服务特权群体的机械装置。相反，包容性提示确认公共机构仍然需要对所有人负责，而不只是对那些熟悉其语言和逻辑的人负责。
下一节将探讨如何把 CASTROFF 从个体设计选择扩展为系统性的评估、审计和机构治理工具，确保包容不是交给偶然，而是被内建到提示词工程自身的基础设施中。
8.7 包容性提示改写：正面与反面示例
以下示例展示了细微设计选择如何让提示从排斥转向包容。每组示例后附简短理由。
1. 福利申请表
反面示例：“List all supporting documents with relevant legal references.”
正面示例：“Tell us which documents you already have. We will explain what else might be needed.”
理由：正面版本降低认知负荷，避免假定用户具备法律素养，并把系统框定为支持性的，而不是惩罚性的。
2. 预约提醒
反面示例：“Your appointment is scheduled for 14:30. Failure to attend will result in cancellation.”
正面示例：“Your appointment is booked for 2:30 pm. If you cannot attend, you can reschedule or cancel without penalty.”
理由：正面版本使用通俗时间格式，避免威胁性语言，并澄清用户选项。
3. 债务信函
反面示例：“You are in arrears. Immediate repayment is required to avoid further action.”
正面示例：“Our records show an unpaid balance. You can set up a payment plan, request support, or contact us if you believe this is incorrect.”
理由：正面版本承认用户尊严，提供选项，并将系统框定为协作式，而不是对抗式。
8.8 用于伦理与包容性提示的 CASTROFF
CASTROFF 框架在前几章中被介绍为提示词工程的专业标准；而在包容性语境中，它获得了最完整的伦理意义。虽然它的组成部分——约束、受众、结构、语气、角色、输出格式、聚焦和功能——各自都是塑造 AI 输出的实用控制项，但它们结合起来构成了一种持续问责模型。CASTROFF 使提示设计者、机构和公共系统能够超越个体直觉，走向可重复、透明的包容性实践方法。
提示中的包容并不是善意行为。它是一种设计治理形式，是一种义务：必须考虑 AI 中介互动中出现的全部人类需求、经验和风险。提示决策会塑造谁可以参与、谁被承认，以及谁从 AI 中获益。如果没有工具来形式化包容性决策，机构就可能在“中立”幻觉之下，把排斥嵌入自动化工作流。
CASTROFF 的结构正是为了防止这种漂移。通过要求明确表达受众、语气和沟通功能，它迫使提示设计者命名他们服务的用户，以及他们想要达成的结果。这种实践把提示从基于便利的交互，转化为与价值对齐的交换，将社会责任作为设计原则置于前景。
例如，一个团队正在为社会福利系统开发基于 AI 的申请表。使用 CASTROFF 时，他们首先识别约束，例如有限的网络访问和低数字素养。随后，他们将受众定义为首次申请者，其中包括新移民和残障用户。结构被调整为带有视觉间距的逐步提示。语气被修改为温暖、支持性，而不是程序化。角色被设定为“社区顾问”，而不是非人格化界面。输出格式则适配移动设备和屏幕阅读器。聚焦变成用户理解和资格清晰度。功能被清楚说明为支持完成申请，而不是法律验证。在这个工作流中，包容不是事后补充；它从一开始就是提示架构的一部分。
在个体提示之外，CASTROFF 也支持机构层面的提示审计。团队可以通过检查每个维度是否被清晰定义、是否在伦理上连贯，来评估自己的提示模板。提示是否为认知访问而结构化？是否明确命名了边缘化受众？语气是否传达信任和情感安全？功能是否与用户意图对齐，而不是仅仅服务行政效率？这些以 CASTROFF 为基础的问题，为集体审查、同行问责和持续改进提供了蓝图。
这种提示审计模型，与内容设计、可访问性评估和算法公平等领域的既有实践相呼应。这些学科都曾在认识到“解决偏见需要系统性方案、文档化标准和共享评估工具，而不能仅仅依赖善意”之后，发展出治理框架。CASTROFF 框架则专门为提示设计建立了这样的标准。
包容性提示也需要时间意识。一个提示在某一天可能对用户是可访问的，因为他们休息充分、有支持且自信；但在另一些条件下，例如悲伤、疾病或压力时，它可能变得排斥。CASTROFF 框架中的“聚焦”和“语气”维度，尤其能帮助设计者适应这些波动，把包容重新定义为上下文适应性，而不仅仅是人口学代表性。这是一种回应人类需求固有不可预测性的设计方法。
此外，CASTROFF 也为跨学科协作提供了一种语言。可访问性专家、一线工作人员、伦理审查者和法律团队，可以使用这个框架清晰地参与提示设计讨论，并拥有共享词汇。它连接了技术实施与以人为中心的评估，使不同利益相关者能够暴露风险、提出改进，并以理性透明的方式捍卫设计选择。
当 CASTROFF 被系统性实施时，它会在提示生命周期中促进伦理成熟。它允许机构把公平内建进自动化之中，不只是事后纠正排斥，而是通过设计前瞻性来预防排斥。它将提示词工程定位为一种形式化素养和公民能力，而不是创造性即兴发挥；其重要性不亚于数字治理中的法律通俗语言或建筑可访问性。
从这个角度看，包容性提示不仅是设计者的责任，也是那些在公共生活中部署 AI 的组织、政府和教育系统的责任。CASTROFF 为这些主体提供了一个框架，使它们能够负责任地行动、严格审计，并通过透明和包容性的数字语言建立信任。
最后一节将从人口学包容转向情境性包容，把提示的伦理范围扩展到情绪状态、认知波动以及更广泛的人类脆弱性政治。
8.9 将包容重新框定为超越人口学分类
关于包容性提示的许多讨论，都集中在人口学类别上，包括种族、残障、神经多样性、语言和社会经济地位。这种框定很重要，但并不完整。伦理提示设计还必须考虑上下文排斥，也就是会影响用户与 AI 互动的临时性、情境性或情感性条件。包容不仅关乎用户是谁，也关乎他们是在什么时候、什么地点与系统互动。
一个提示对自信、清醒的用户来说可能是可访问的，但当同一个人正在悲伤、崩溃或认知耗竭时，就可能失败。同样，用户也可能暂时缺乏稳定网络、私人空间，或缺少解析复杂指令所需的情绪调节能力。在这些时刻，障碍不是固定的身份特征，而是一种不断变化的脆弱状态。
这一洞察使包容性提示的任务更加复杂。它挑战了一种假设：用户特征是静态的，或能够轻易映射到设计模板。相反，它要求提示设计者把情境同理心构建进工作流，承认包容必须是灵活的、响应性的，并且能够适应人类能力的波动。
考虑一个医疗场景中的例子。提示“List your symptoms, medications, and prior diagnoses in chronological order”对临床医生来说可能运作良好，但对一个正在疼痛、焦虑或认知疲劳的患者来说可能令人不堪重负。重构后的提示是：“Let us take this step by step. First, tell me what is bothering you today. Then we can go over your past treatments together.” 这不仅降低了认知负荷，也传递了关照。差异并不在于所请求的信息，而在于互动的节奏、语气和步调。
这种重新定位也有助于避免包容性设计中的一种常见误区：过度分类或过度医学化用户。并不是每个注意力不集中的用户都需要一个临床标签。并不是每一种情绪障碍都是某种诊断证据。为波动状态而不是固定特征进行设计，是在尊重用户作为复杂、动态个体的存在，他们的需求无法被完全预判或预先分类。
CASTROFF 框架通过在各组成部分中嵌入适应性来支持这种灵活性。设计者可以根据用户可能的状态调整语气，使其传达平静或紧迫。他们可以调整结构，提供逐步引导或开放式脚手架。此外，他们还可以优化功能，使其在完成任务之外，也优先提供情感支持。关键的是，角色允许模型采用支持性立场，作为引导者、照护者或同伴，而不是以非人格化权威的姿态出现，因为后者可能会恐吓或疏远处于痛苦中的用户。
情境性包容在高风险环境中也同样重要。在法律或金融场景中，用户可能在经历住房不稳定、语言障碍或对机构不信任时与 AI 互动。一个假定用户熟悉法律术语或程序规范的提示，即使这个用户并不属于传统意义上的边缘化群体，也无法服务他们。因此，包容性提示必须超越人口学风险画像，转向情境预判。
这一视角对提示设计和评估都有影响。它敦促设计者追问：这个提示在压力、分心或理解能力较低的条件下会如何表现？它是否以一种允许部分参与、重复，或从困惑中恢复的方式结构化？它是否给予用户情感上的许可，让他们可以不确定、缓慢或感到不堪重负？
能够回应这些问题的提示，所做到的不只是满足合规目标；它们增强了人机互动的韧性。它们创造的是能够随用户需求弯曲的系统，而不是在用户差异的重量下断裂的系统。
在这种扩展意义上，包容不是检查清单。它是一项承诺：构建能够回应人类生活全部复杂性的 AI 系统，不仅在身份层面如此，也在语境、能力和照护层面如此。
8.10 本章小结
本章将提示词工程重新框定为一种伦理性和公民性的设计实践，尤其是在人工智能与公共服务、人类脆弱性和机构系统交汇的语境中。这个框架从根本上承认，提示天然携带偏见；它们嵌入了关于用户身份、适当知识呈现格式，以及哪些经验有资格被视为合法或相关的假设。
本章一开始就确立：每一条提示都会产生社会后果，不仅体现在它说了什么，也体现在它没有问什么。功能流利度或模型连贯性，并不足以作为成功基准。有效提示还必须是包容的、透明的，并且经过有意识设计，以抵消大型语言模型中的概率性偏见。
本章挑战了中立神话，说明语气、受众或功能上的遗漏如何天然产生带偏见的输出。通过真实世界示例，我们考察了排斥如何不仅通过数据或算法被复制，也通过嵌入提示设计的人类决策被复制。我们探讨了六种常见偏见陷阱，并展示了 CASTROFF 框架如何支持系统性诊断和修复这些偏见。
随后，我们将包容概念扩展到可访问性和神经多样性。CASTROFF 框架发展出包容性提示，用于应对认知过载、情感痛苦，以及影响不同语境中多样用户的设计障碍。在这里，我们提出：可访问性不是特殊功能，而是服务公众的数字系统中的基础责任。
研究人员将公共部门 AI 应用识别为实施伦理提示实践的关键优先领域。在这个语境中，提示成为公民基础设施，结构化地影响公民如何获得医疗、申诉决定和处理法律义务。本章强调，这些领域中的提示必须为真实世界条件而设计，包括有限识字能力、不稳定网络连接、情绪波动和对机构的不信任。
最后，我们把 CASTROFF 框架扩展到两个关键领域。第一，我们展示它如何作为机构审计工具，在设计团队、可访问性审查者和伦理监督机构之间促进提示素养。第二，我们将包容重新定义为超越人口学类别，认为伦理提示也必须考虑上下文性和情境性脆弱。通过预判认知能力、情绪状态或环境约束的变化，提示设计者可以创造更有韧性、更公正，也更以人为中心的系统。
从这个角度看，提示不仅是指令机器；它也是在引导机器。它是在塑造能够反映我们集体优先事项、维护伦理承诺，并扩大数字参与边界的系统。
8.11 关键术语表
Bias 偏见：一种反复出现的偏好或假设，会排除某些人或观点。
Harm 伤害：对人产生的负面影响，例如不公平待遇、排斥或压力。
Protected characteristics 受保护特征：法律保护其免受歧视的身份方面，例如年龄、种族、性别、残障或宗教。
Accessibility needs 可访问性需求：确保信息对具有多样能力或处境的人仍然可用的调整。
Neutral prompt 中立提示：看起来客观，但常常隐藏文化或社会假设的提示。
Trauma-informed 创伤知情：避免责备或严厉语气的语言，对可能经历过困难事件的人表达关照。
Consent 同意：用户明确允许分享或保留信息的许可。
Opt-out 退出选择：允许用户停止或跳过某一步而不受惩罚的选择。
Inclusive design 包容性设计：创建提示，使其在不同情境下尽可能服务更多人。
Cultural awareness 文化意识：对词语、语气或例子在不同群体中可能具有不同含义保持敏感。
8.12 自测题
1. 为什么在提示中不指定受众会有问题？
a) 它会增加计算低效的风险。
b) 它会限制模型变化语气的能力。
c) 它会导致模型默认采用主流且往往带有偏见的假设。
d) 它会产生比必要更长的输出。
2. 以下哪一项最准确地描述了提示中的“中立神话”？
a) 使用中性措辞的提示总是更安全。
b) 缺少情感语气的提示表现更好。
c) “中立”提示往往掩盖未经承认的文化假设。
d) 中立性应始终是包容性提示设计的目标。
3. 什么使提示对神经多样性用户更具包容性？
a) 使用学术词汇和一般性指令。
b) 使用最少结构，以鼓励开放式思考。
c) 使用角色型措辞和抽象隐喻。
d) 清晰步骤、字面化语言，以及适合语境的情感语气。
4. CASTROFF 如何帮助机构团队评估并促进包容性实践？
a) 通过自动生成替代提示。
b) 通过在设计元素中应用一致、可审计的结构。
c) 通过优先考虑性能而非伦理问题。
d) 通过简化自动化工作流中的法律合规。
5. 为什么包容性提示必须超越人口学类别？
a) 大多数偏见发生在系统层面，而不是用户层面。
b) 情境性脆弱，例如悲伤或疲劳，可能影响任何用户。
c) 固定类别受法律保护，但临时状态不受保护。
d) 语言模型缺乏识别人口学身份的训练。
