让AI更懂你：提示词工程5大框架完全指南本文系统介绍提示词工程的5大主流框架（CRISPER、BROKE、CHAT、CO

提示词工程实战指南：5大主流框架详解与场景应用

本文全面梳理提示词工程的核心框架，帮助你系统化掌握与AI大模型高效沟通的方法论。

引言

随着 GPT、Claude、Gemini 等大模型的快速发展，如何高效地与 AI 对话已经成为一项必备技能。提示词工程（Prompt Engineering） 不再是玄学，而是一门有理论、有框架、可复现的技术。

本文将系统介绍：

提示词与大模型的关系
提示词能解决哪些问题
5 大主流提示词框架（CRISPER、BROKE、CHAT、CO-STAR、SCOPE）
Google 官方提示词建议
如何持续提升提示词编写能力

一、提示词与大模型的关系

可以把大模型理解为一个巨大的知识库 + 模型生成器，而提示词就是打开这个知识库的钥匙。

你的问题/提示词    
      ↓          
[大模型处理中心]   
      ↓         
  生成的回答

核心关系：

提示词的作用是激活、引导和约束大模型
提示词质量直接决定大模型输出质量
好的提示词 = 明确的目标 + 充分的上下文 + 合适的约束

二、提示词能解决什么问题？

提示词可以应用于大模型的多种能力场景：

应用场景	说明	示例
检索	从知识库中提取信息	"请解释什么是Transformer架构"
生成	创造新内容	"写一篇关于AI的产品介绍"
翻译	多语言互译	"将这段中文翻译成英文"
分类	对内容进行分类	"判断这封邮件是垃圾邮件吗"
排序	对结果进行优先级排序	"将这些任务按重要性排序"
摘要	提取核心信息	"总结这篇文章的要点"
解释	深入解读复杂概念	"用通俗语言解释量子计算"

三、5 大主流提示词框架详解

3.1 CRISPER 框架（核心框架）

CRISPER 是一个结构化的提示词框架，适合需要精确控制输出的场景。

C - Capacity and Role（能力和角色）
R - Insight（洞察/背景）
I - Insight（上下文信息）
S - Statement（任务陈述）
P - Personality（风格/个性）
E - Experiment（实验/迭代）
R - Response（响应格式）

各元素详解：

C - Capacity and Role（能力和角色）：你希望模型扮演什么角色？
示例：你是一位资深的全栈工程师
R - Insight（洞察/背景）：提供上下文、背景信息
示例：我们正在开发一个电商平台的支付模块
I - Insight（上下文）：关键信息输入
示例：需要考虑高并发场景，日订单量100万+
S - Statement（任务陈述）：清晰说明希望模型完成什么
示例：设计一个支付系统的技术架构
P - Personality（风格/个性）：期望的输出风格
示例：使用专业但易懂的语言，避免过于学术化
E - Experiment（实验/迭代）：鼓励尝试不同方法
示例：给出3个不同的架构方案
R - Response（响应格式）：指定输出格式
示例：以表格形式呈现，包含方案名称、优点、缺点、适用场景

完整案例：营养师食谱设计

你是一位经验丰富的营养师（Role）。

我的客户是一位45岁的办公室职员，男性，有轻度高血压，平时久坐，目标是减重5公斤（Insight）。

为他设计一份为期一周的、适合中国饮食习惯的早餐和午餐食谱计划（Statement）。

计划需要简单易行、食材容易购买，使用专业但易懂的语言，避免过于学术化（Personality）。

给出3个不同的版本（Experiment）。

以表格形式呈现，包含日期（星期一到日）、早餐内容、午餐内容、以及简要说明该餐设计的营养侧重点（如：控盐、高蛋白、低GI碳水等）（Response）。

3.2 BROKE 框架（结果导向）

BROKE 框架强调结果和目标，适合需要明确产出物的场景，类似于 OKR 思维。

B - Background（背景）
R - Role（角色）
O - Objectives（目标）
K - Key Results（关键结果）
E - Evolve（演变/迭代）

各元素详解：

B - Background（背景）：提供足够的背景信息
R - Role（角色）：设定特定角色
O - Objectives（目标）：明确任务目标
K - Key Results（关键结果）：定义可衡量的结果
E - Evolve（演变）：通过实验和优化迭代

完整案例：产品思维提升计划


产品思维是一种重要的技能，能帮助解决各种问题，随着AI时代的到来，不断提升产品思维的能力至关重要（Background）。

你是一名资深的产品经理导师，能够提供实用的建议和指导（Role）。

了解产品思维和产品设计方法，通过实际项目拆解提升产品思维（Objectives）。

完成至少5个AI产品思路拆解，每个项目后获得专业的反馈和建议（Key Results）。

每月评估一次学习进度，调整学习计划（Evolve）。

3.3 CHAT 框架（目标导向）

CHAT 框架专注于用户自身角色和目标，适合需要明确"我是谁、我要什么"的场景。与 BROKE 不同，CHAT 没有把"目标"和"任务"分开，更适合个人化的 AI 交互。

C - Character（角色）
H - History（背景）
A - Ambition（目标）
T - Task（任务）

各元素详解：

C - Character（角色）：关于用户身份和角色的信息（这里指的是自己的角色）
示例：我是一名数学老师
H - History（背景）：提供问题相关的历史信息和背景知识
示例：需要教授小学一年级数学
A - Ambition（目标）：希望从大模型交互实现的短期和长期目标
示例：需要寻找高质量的教学资源
T - Task（任务）：希望大模型执行的具体任务或行动
示例：请提供关于小学数学一年的资源或推荐，最好是图文并茂的

完整案例：数学教学资源推荐

我是一名数学老师（Character）。

需要教授小学一年级数学（History）。

需要寻找高质量的教学资源（Ambition）。

请提供关于小学数学一年的资源或推荐，最好是图文并茂的（Task）。

CHAT vs BROKE 的区别：

维度	CHAT	BROKE
角色定义	用户自己的角色	AI 应该扮演的角色
目标与任务	合并在一起	分开定义（Objectives vs Key Results）
适用场景	个人化任务、资源请求	结果导向、OKR 场景
复杂度	简单直接	更结构化

3.4 CO-STAR 框架（ChatGPT Prompt 大赛冠军）

CO-STAR 框架在营销文案、内容创作场景中表现出色，特别适合需要有明确受众和情感基调的写作任务。

C - Context（背景）
O - Objective（目标）
S - Style（风格）
T - Tone（语气）
A - Audience（受众）
R - Response（响应）

各元素详解：

C - Context（背景）：提供必要的背景信息
O - Objective（目标）：具体的结果和行动
S - Style（风格）：文本语气风格（参照成功案例）
T - Tone（语气）：情感基调
A - Audience（受众）：文本的目标读者
R - Response（响应）：最终输出的形式和结构

完整案例：AI 玩具产品推广文案

我想推广公司的新产品，我的公司名为A，新产品名为B，是一款AI玩具（Context）。

帮我创建一条微博帖子，目的是吸引人们点击产品链接进行购买（Objective）。

参照Apple等成功公司的宣传风格，他们在推广类似产品时的文案风格（Style）。

要求有说服性，温柔，热情洋溢（Tone）。

我们公司在微博上的主要受众是宝妈，请针对该群体在选择儿童智能产品时的典型关注点来制定帖子（Audience）。

保持微博帖子简洁而深具影响力（Response）。

3.5 SCOPE 框架（困难问题解决）

SCOPE 框架适合复杂问题解决，特别是当你不知道怎么做的时候，通过结构化思考找到行动方案。

S - Scenario（情景）
C - Complications（复杂情况）
O - Objective（目标）
P - Plan（计划）
E - Evaluation（评估）

各元素详解：

S - Scenario（情景）：问题或任务发生的上下文和背景
C - Complications（复杂情况）：问题中存在的难点或复杂因素
O - Objective（目标）：应该达到的目标或预期结果
P - Plan（计划）：一个或多个具体的行动方案
E - Evaluation（评估）：对实施效果进行考核或分析

完整案例：新产品上市计划

我们计划在下个季度推出一个新产品（Scenario）。

市场上已经有多个竞争产品，而且我们预算有限（Complications）。

在上市三个月内实现销售目标的80%（Objective）。

1) 进行市场调查以确定目标客户。

2) 设计营销活动。

3) 与销售团队密切合作以推动销售（Plan）。

在产品上市后的每个月进行销售数据分析，并根据结果调整计划（Evaluation）。

四、不同框架的适用场景对比

框架	最适合场景	特点
CRISPER	人工替代、专业任务	结构完整，控制精确
BROKE	OKR场景、关注结果	目标导向，不需要风格化
CHAT	个人化任务、资源请求	简单直接，目标与任务合并
CO-STAR	营销文案、内容创作	有受众定位，情感线内容输出
SCOPE	复杂问题解决	适合不知道怎么做的任务

选择建议：

需要精确控制输出格式 → CRISPER
关注结果和目标达成（OKR思维） → BROKE
个人化任务，明确"我是谁、我要什么" → CHAT
写营销文案、社交媒体内容 → CO-STAR
解决复杂未知问题 → SCOPE

框架组合使用：

CHAT + CO-STAR：先明确自己的角色和目标，再生成面向受众的内容
CRISPER + SCOPE：先结构化问题，再精确控制输出格式

五、Google 官方提示词建议

Google 在 Gemini 等产品的开发中，总结了一套提示词最佳实践：

1. 明确意图（Be Clear about Intent）

始终清楚地传达最重要的内容或信息。避免模糊的表达。

❌ 不好的提示词：

"帮我写点东西"

✅ 好的提示词：

"帮我写一篇800字的技术博客，介绍Redis缓存的使用场景，面向中级后端开发者"

2. 构建提示词（Structure Your Prompt）

首先定义角色，提供上下文/输入数据，然后给出具体指令。

# 推荐结构：

1. 角色定义

2. 背景信息

3. 输入数据

4. 具体指令

5. 输出要求

3. 参照例子（Provide Examples）

为模型提供具体的、多样化的例子，帮助它产生更准确的结果。

请按照以下格式输出JSON：

示例输入： "苹果多少钱"

示例输出： {"product": "苹果", "query": "price"}

现在处理： "香蕉产地是哪里"

4. 限制输出范围（Constrain Output）

使用限制条件确保模型的输出与指令紧密相关。

请只回答与Python相关的内容，如果问题涉及其他语言，请说明"此问题超出Python范围"。

5. 任务分解（Decompose Complex Tasks）

对于复杂任务，将其分解成一系列更简单的提示词。

# 不要一次性问：

"帮我开发一个完整的电商网站"

# 应该分步：

1. "设计一个电商网站的系统架构"

2. "给出数据库表结构设计"

3. "实现用户登录模块的代码"

6. 质量监控（Quality Control）

指导模型在生成响应之前对其进行评估或自检。

在给出最终答案之前，请先检查：

1. 是否回答了问题的所有部分？

2. 代码是否可以正常运行？

3. 是否有更优的解决方案？

7. 逐步思考（Think Step by Step）

针对复杂问题，引导模型按照逐步的逻辑推理输出结果。

请一步步思考：

1. 首先，分析问题的关键点

2. 然后，列出可能的解决方案

3. 接着，评估每个方案的优缺点

4. 最后，给出推荐方案并说明理由

六、如何提升提示词编写能力？

方法一：框架迭代法

先按框架写出提示词 - 使用本文介绍的任一框架
修改部分要素 - 调整角色、风格、格式等
重新生成 - 观察输出变化
感受其中的变化 - 理解每个要素的影响

方法二：关键点检查清单

每次写提示词前，问自己：

明确自己要什么
目标是否清晰？
输出结果是否具体？
风格是否明确？
给出详细的背景
上下文是否充分？
角色是否明确？
资源特点是否说明？

方法三：持续实践

多练习 - 每天尝试用AI完成一个实际任务
加强问题本质思考 - 先想清楚要什么，再写提示词
保持好奇心 - 尝试不同的框架和表达方式

七、实战技巧总结

技巧 1：使用分隔符

请翻译以下内容：

---

The quick brown fox jumps over the lazy dog.

---

请提供中文翻译，并保持语句通顺。

技巧 2：指定输出格式

请以JSON格式输出，包含以下字段：

- title: 标题

- summary: 摘要

- tags: 标签数组

技巧 3：要求逐步思考

请一步步分析这个问题，在给出最终答案前，先展示你的思考过程。

技巧 4：提供负面例子

好的代码风格：

- 使用有意义的变量名

- 添加必要的注释

不好的代码风格：

- 使用单字母变量名（如 x, y, z）

- 没有任何注释

请按照好的代码风格重写以下代码：

[代码内容]

八、常见错误与解决方案

错误类型	示例	解决方案
过于模糊	"帮我写点东西"	明确主题、长度、风格、受众
缺乏上下文	"解释一下这个"	提供背景信息、前置知识
期望过高	一次性要求复杂系统	任务分解，逐步完成
忽略格式	没有指定输出格式	明确指定JSON、表格、代码等格式
没有示例	纯文字描述需求	提供输入输出的示例

九、总结

提示词工程是一门实践出真知的技能。本文介绍的 5 大框架（CRISPER、BROKE、CHAT、CO-STAR、SCOPE）各有侧重，关键在于：

根据场景选择合适框架
明确自己的需求和目标
提供充分的上下文和约束
通过迭代不断优化

核心原则：

好的提示词 = 清晰的目标 + 充分的背景 + 合适的角色 + 明确的约束 + 具体的格式

🚀 推荐Skill：Prompt Optimizer

如果你觉得手动编写和优化提示词比较麻烦，推荐试试我开发的 Prompt Optimizer 技能！

🔗 GitHub 仓库： github.com/wcly/skills…

功能特点

✅ 提示词优化 - 自动优化你的提示词，提升 AI 响应质量
✅ 框架适配 - 支持 CRISPER、BROKE、CHAT、CO-STAR、SCOPE 等多种框架
✅ 批量处理 - 一次性优化多个提示词
✅ 最佳实践注入 - 自动应用 Google 官方建议和本文提到的技巧

快速上手

# 让大模型帮你安装
帮我安装这个 skill: https://github.com/wcly/skills.git

适用场景

🎯 AI 应用开发者 - 快速优化产品中的提示词
📝 内容创作者 - 生成高质量的营销文案
💼 产品经理 - 提升需求文档和质量标准
🔬 研究人员 - 精确控制 AI 的学术输出

欢迎 Star ⭐、Fork 🍴、提交 Issue 和 PR！一起完善这个工具！

如果觉得这篇文章对你有帮助，欢迎点赞、收藏、关注！

有任何提示词相关的问题，欢迎在评论区留言讨论 👇