5 个 AI 提示词框架 帮助你像专业人士一样设计提示词

为什么这样做更有效？

OpenAI、Anthropic 等研究发现：

• 有明确流程的提示 > 随意提问的提示。
• 当模型知道自己应该怎么思考（例如“先列提纲，再写”），输出质量会显著提高。
• 测试发现结构化思维（Skeleton-of-Thought、Self-Discover）能让模型更快、更准、更稳定。

结论：

“定义任务流程比设计花哨提示更重要。”

Prompt 设计的基本原则

Prompt 设计 = 任务工程（Task Engineering）

这和你指导一位实习生很像：

• ❌ 低质量指令：“写一份市场分析报告。”
• ✅ 高质量指令：“先列出三种市场进入策略，分析优缺点，再根据目标公司背景选择最合适的策略并写报告。”

结果：

• 第一种 → 模糊输出，要改五次。
• 第二种 → 一次出成果，逻辑清晰。

五大高效 Prompt 模式

1️⃣ Task Decomposer —— 任务分解与路径选择模式

适用问题：

AI 执行复杂任务时“盲干”，没有比较方案，结果质量不可控。

思路：

让模型在执行前，先设计、对比多种解法，再选择最优方案执行。

操作框架：

1. 定义目标（Goal）、约束（Constraints）、受众与语气。
2. 要求模型提出两种不同的解决方案，每种包含：

• 方法名称；
• 五步执行计划；
• 时间与风险评估；

3. 构建比较表（速度 / 风险 / 质量维度）；
4. 要求模型选择最优方案并说明理由；
5. 按选定方案执行，并输出风险登记表（Risk Register）。

适用场景：战略规划、项目设计、流程优化、研究任务。

优点：模型不再“即兴输出”，而是形成具备逻辑可溯源性的任务结构。

📘 Prompt 模板：

你是系统设计师，请完成以下任务。

目标（Goal）：…… 限制条件（Constraints）：时间、语气、目标受众、输出格式 任务（Task）：提出两种不同的解决方法。

每种方法需包含：

1. 方法名称
2. 5 个具体步骤
3. 时间估计
4. 最大风险

再创建一个对比表格：

最后，选择更合适的方法，并说明理由（2 句）。

然后执行并在每一步展示进度，最后输出结果与风险清单。

2️⃣ Skeleton Writer —— 骨架写作模式

适用问题：

AI 直接开始写内容，写到一半跑题或结构混乱。

思路：

先让模型生成大纲（Skeleton），等你确认后再展开。

操作框架：

1. 指定主题、目标受众、语气与篇幅；
2. 要求模型仅输出标题结构（H2/H3 级）；
3. 用户确认后再展开内容；
4. 模型完成自检（逻辑连贯性、层级一致性、技术水平统一性）。

适用场景：研究报告、白皮书、企业战略文档、教育内容。 优点：确保逻辑完整与语义对齐，减少整体偏离风险。

📘 Prompt 模板：

你是一名“先列大纲后写内容”的写作者。

主题（Topic）：…… 受众（Audience）：…… 目标（Goal）：…… 语气（Tone）：专业 / 技术 / 教育 字数目标：……

步骤：

1. 生成包含 H2 / H3 标题的详细大纲。
2. 停下来，询问“这个结构是否合适？”
3. 得到确认后再展开每节 2-3 段。
4. 最后进行自检：逻辑、衔接、语气、可用性。

3️⃣ Source-Grounded Writer —— 基于来源的内容生成模式

适用问题：

模型编造数据、引用错误、事实不准确（即幻觉）。

思路：

强制模型只使用已验证的来源内容写作。 让它先提取事实，再验证，再写文。

操作框架：

1. 提供数据、引文或笔记；
2. 模型提取 8–15 条事实性陈述，每条包含来源引用；
3. 制定验证计划，对无法验证的条目标注“删除或重写”；
4. 仅基于经验证的内容撰写正文；
5. 添加引用标注与验证评分；
6. 输出“使用的事实表”“剔除项说明表”。

适用场景：研究报告、政策文件、学术摘要、新闻写作。 优点：输出结果具备可验证性与可追溯性，满足合规性需求。

📘 Prompt 模板：

你是一名基于来源的分析师，只能使用已验证信息。

任务：撰写[报告/简报/分析] 受众：…… 语气：…… 数据来源：粘贴资料或提供链接。

流程：

1. 提取 8–15 条事实性陈述（附来源）。
2. 核查未验证内容，制定验证计划。
3. 删除或重写不可信内容。
4. 基于“已验证事实集”撰写。
5. 添加引用标注。
6. 自检五项标准（准确性、覆盖度、清晰度、相关性、引用质量）。

4️⃣ Spec-as-Code —— 需求规格化模式

适用问题：

你的请求含糊不清、条件混乱，导致模型“乱理解”。

思路：

让模型把你的模糊请求转化为结构化规格（JSON 格式），再执行。

📘 Prompt 模板：

在执行任务前，请先把我的请求转为 JSON 规范。

步骤：

1. 将请求内容转换为以下格式：

{
  "role": "",
  "inputs": "",
  "assumptions": "",
  "method": "",
  "quality_criteria": [],
  "deliverables": [],
  "constraints": []
}

2. 提出 3 个澄清问题，确认需求。
3. 输出最终规范。
4. 按规范执行任务。
5. 输出质量报告，标明达标项与偏差项。

适用场景：技术规范文档、内容模板化生产、复杂任务委托。 优点：实现任务显式化与质量可追踪性。 结果：结构化、可追溯、避免“模糊任务 → 模糊输出”。

5️⃣ Evaluator-in-the-Loop —— 内部评估循环模式

适用问题：

AI 输出一稿成品质量不高，需要人工多次修改。

思路：

让模型自评 + 自改，一稿完成二次质量。

操作框架：

1. 生成初稿；
2. 按五项标准（如逻辑性、数据支撑、结构清晰度、语言一致性、行动导向性）评分；
3. 对低于阈值（如 <4/5）的部分进行修订；
4. 输出最终稿、评分表及修订说明。

适用场景：报告、战略摘要、客户提案。 优点：显著提升一次性生成质量，减少人工复审。

📘 Prompt 模板：

你将创建[文档类型]并自我评估后提交。

步骤：

1. 写出完整初稿；
2. 对照 5 个评估标准（例如：逻辑清晰、数据充分、示例数量、语气一致、结论明确）打分（1–5分）；
3. 对低于 4 分项修改并说明改动；
4. 输出最终稿与改进总结。

方法论延伸：模块化思维与 Prompt 复用

提示工程的核心不是“写长提示”，而是构建可复用、可测试的 Prompt 模块体系。 每个 Prompt 模块完成一个独立子任务（提取、结构化、撰写、校验），类似自然语言中的“函数调用”。

这是一种“可扩展的语言编程模式”（Natural Language Programming）。

核心认知转变

传统用户的思维是：

“我问模型一个问题，等待它给我一个答案。”

而高阶提示设计者的思维是：

“我定义一个可执行任务，并控制其思考路径。”

Prompt 工程的目标不是生成句子，而是建立稳定的认知系统。

Prompt 不是魔法，是系统设计

Prompt 工程的核心不是灵感，而是系统化思考。

优秀的设计者具备以下三种能力：

1. 结构思维（Structural Thinking） —— 将问题转化为逻辑步骤；
2. 验证思维（Verification Thinking） —— 定义成功与失败的边界；
3. 复用思维（Systemic Thinking） —— 将一次设计转化为可扩展系统。

• 在生成前设计流程；
• 明确成功标准；
• 把 Prompt 当“工作说明书”；
• 建立可复用的模板系统。

“坏的输出来自坏的流程。好的输出来自清晰的结构。”

这 5 个模式不是“技巧”，而是把 Prompt 当作一套可复制的智能工作系统来设计的方法。

原文翻译

5 AI Prompts to Help You Design Prompts Like a Pro

5 个 AI 提示词，帮助你像专业人士一样设计提示词

你正在和 ChatGPT 进行第七轮迭代，眼看着它越来越偏离你真正想要的东西。问题不在模型，而在于你只提出了一个结果，却没有设计任务本身。AI 只能去猜你的成功标准、自己发明方法，然后祈祷能勉强接近有用。大多数时候，它只是白白浪费了你一个小时的时间。

当你把提示词当作“规格说明”而不是“提问”时，你会在要求结果之前先定义方法、明确成功标准、结构化输出格式。你为模型创造了不再需要猜的环境，让它从“猜测”变成“执行”。

这跟写更长的提示词或用魔法词无关，完全在于像给一个有能力但需要明确指导的初级分析师布置任务一样去设计任务。大多数人从未完成这种思维转变，这就是为什么他们困在迭代循环里，而少数人却能在第一轮对话就产出成品。

今天的 5 个提示词，将教你精确地做到这一点。

为什么结构化提示词完胜“聪明”的提示词

现代模型奖励“规格说明”而非“提问”

OpenAI 和 Anthropic 的官方提示工程指南都反复强调：清晰的角色、明确的成功标准、定义好的约束条件，是提升输出质量的最重要因素——远超其他任何技巧。实验室之所以知道这些有效，是因为他们已经在数亿条提示词上大规模验证过。当你明确告诉模型要做什么、怎么做，性能会大幅跃升，迭代次数大幅下降。

提供方法 > 让模型自己发明方法

研究人员测试不同提示策略时发现，给模型一个结构化的方法，始终显著优于让它自己想办法。Self-Discover 让模型先自己构建推理结构再执行，在推理基准上大幅提升准确率；Skeleton-of-Thought 让模型先规划大纲再写作，提升速度和连贯性。规律在各种任务上都成立——有定义的流程 > 无定义的请求。

模块化方法改变一切

不要再写一个巨无霸提示词然后祈祷它成功，而是把任务拆成独立的步骤：一个提示词提取事实 → 另一个整理结构 → 第三个基于结构写作。每一步都有明确输入、定义好的方法、明确的成功标准。你可以单独测试、优化关键部分、复用有效模块。这才是从“再试一次”循环走向可复现系统的关键。

以下五个模式，把这种思路直接应用到你现在最常跑的任务上。

资源链接：OpenAI 提示工程指南、Anthropic 提示指南、Self-Discover、Skeleton-of-Thought、Chain-of-Verification、DSPy

5 个用来设计“真正有效提示词”的 AI 提示词

• 提示词 1：任务分解器 - 强制模型先提出并比较多种解决方案，再执行
• 提示词 2：骨架写作者 - 先大纲，后扩展，杜绝结构漂移
• 提示词 3：来源为本写作者 - 先提取主张、验证来源，只用已验证信息写作
• 提示词 4：代码式规格 - 先把模糊需求转成精确规格，再生成任何内容
• 提示词 5：内置评估器 - 让模型先自评自改，再交付

每个模式都针对一种具体失效场景。在结构比速度更重要的场合使用它们。

提示词 1：任务分解器 - 强制在执行前选定方法

目的：大多数烂输出都来自模型自信地选了一个烂方法然后一路到底。这个模式强制模型先提出多种解决方案、明确对比、给出选择理由，再开始执行。你得到的是有意设计的工作流，而不是模型随手挑的路径。

复制并自定义这个提示词：

Markdown

你是一名系统设计师，专门解决复杂任务。
目标：[用一句话描述你最终需要的成果]
约束条件：
- 时间要求：[多快需要完成]
- 受众：[谁会使用这个成果]
- 语气：[应该用什么感觉]
- 输出格式：[最终形式是什么]
任务：
1. 提出两种完全不同的解决方案。
2. 对每一种方法：
   - 给它起一个清晰的名字
   - 列出 5 个具体步骤
   - 预估所需时间
   - 指出最大的风险
3. 创建对比表格：
| 方法 | 优势 | 风险 | 速度 | 质量 |
|------|------|------|------|------|
4. 选择一种方法，并用两句话说明为什么在本次具体场景下它优于另一种。
5. 执行选定的方法。每完成一步就编号显示工作内容。
最终输出：交付成果 + 一份包含 5 条具体风险及对应缓解措施的风险登记表。

前后对比： 坏提示词：“帮我写一个推出新 API 文档的项目计划。” 好提示词：用上面的模板，强制模型对比“时间优先”“质量优先”“用户测试优先”三种路径，然后执行选中的那条，并带可见检查点。 结果：你得到的不是泛泛的项目计划，而是有方法对比、有理有据的选择、带内置质量检查的执行过程。第一轮就一次到位。

提示词 2：骨架写作者 - 先大纲后扩展

目的：直接让模型写作，它会在第一段就锁定结构，后续很难改。这个模式把结构和内容彻底分离——先搭骨架、等你确认、再扩展。你在模型写 2000 字错误方向之前就抓住结构问题。

复制并自定义：

Markdown

你是一位“先大纲后写作”的写作者。
主题：[你要写什么]
受众：[具体到职位和知识水平]
目标：[读者读完后应该能做什么]
目标字数：[大约多少字]
语气：[专业/对话式/技术型等]
第 1 步 - 搭建骨架：只用 H2 和 H3 标题创建大纲，暂时不写段落。每条标题要具体到能明确知道该节会讲什么。
第 2 步 - 等待确认：把骨架给我看，并问：“这个结构可以吗？需要调整吗？”
第 3 步 - 扩展内容：在得到确认后，把每个部分扩展成 2-3 段，每段 4-6 句。例子要具体且限定在[行业/领域]内。
第 4 步 - 质量检查：
- 每节是否兑现了标题承诺？
- 段落间过渡是否流畅？
- 技术深度是否一致？
- 目标受众真的会用吗？
如果任何一项未通过，修改对应部分并说明改了什么。

提示词 3：来源为本写作者 - 先验证再写作

目的：当准确性比速度更重要时，这个模式强制模型先提取每一条主张、标明来源、验证是否真的支持，只用已验证信息写作。从根源杜绝幻觉和无据断言。

复制并自定义：

Markdown

你是一位只依据已验证信息的“来源为本”分析师。
任务：为[受众]撰写一份关于[主题]的[报告/简报/分析]
语气：[指定语气]
目标字数：[大约多少字]
来源：[在此粘贴你的笔记、引用、链接、访谈记录或数据。如果暂时没有来源，请先告诉我还需要什么资料]
工作流：
第 1 步 - 提取主张：从来源中提取 8-15 条原子级事实，每条包括：
   • 一句话主张
   • 支持性引文或数据点
   • 确切来源（作者/媒体 + 日期或 URL）
第 2 步 - 验证计划：对任何没有直接引证的主张，写 1-2 句验证计划。如果现有来源无法验证，标记为“丢弃或改写”。
第 3 步 - 处理缺口：丢弃无法验证的主张，或改写为疑问/不确定性。保留“已丢弃/修改”清单并说明理由。
第 4 步 - 按规格写作：只使用已验证主张集撰写最终产物。每项重要断言都必须可追溯到来源。
第 5 步 - 行内引用：在包含事实断言的段落后加方括号引用 [作者, 年份] 或 [来源, YYYY-MM-DD]。
第 6 步 - 自检：按 1-5 分对以下 5 项打分：
   - 准确性（每条主张都有来源）
   - 覆盖度（涵盖所有关键点）
   - 清晰度（受众能轻松跟上）
   - 相关性（不跑题）
   - 引用质量（来源清晰可访问）
   任何低于 4 分的项，修改一次，只展示最终版本。
交付物：
- 带行内引用的最终产物
- “使用的声明”表格（每条声明对应来源）
- “丢弃/修改”清单及理由

提示词 4：代码式规格 - 把模糊需求转成机器可读规格

目的：模糊需求产生模糊输出。这个模式强制模型先把你的初始需求转成结构化规格（带明确字段），再生成任何内容。你在需求阶段就抓住歧义，而不是第五轮修改时才发现。

复制并自定义：

Markdown

先把下面这个请求转换成 JSON 规格，再开展任何工作。
原始请求：[把你最初的需求原样粘贴进来，不管多乱]
第 1 步 - 规格设计：创建包含以下必填字段的 JSON：
{
  “role”: “模型应该采取的角色视角”,
  “inputs”: “提供或需要哪些信息”,
  “assumptions”: “我们默认哪些事情为真”,
  “method”: “具体要使用的方法”,
  “quality_criteria”: [“列出 5 条具体成功标准”],
  “deliverables”: [“将产出什么”],
  “constraints”: [“时间、格式、受众或其他限制”]
}
第 2 步 - 澄清：向我提 3 个具体问题，解决原始请求中任何模糊或缺失的部分。
第 3 步 - 定稿规格：在得到回答后，输出完整的干净 JSON 规格。
第 4 步 - 执行：严格按照最终规格生成交付物。如果无法满足任何质量标准，把它加入“deviations”数组并解释原因。
第 5 步 - 验证报告：列出每条质量标准是否达成（Yes/No），并列出所有偏差及解释。

为什么有效：JSON 格式本身就强制精确；澄清问题提前补洞；偏差追踪让你诚实面对实际交付与原始规格的差距。

提示词 5：内置评估器 - 先自评自改再交付

目的：初稿很少达到终稿质量。这个模式把修改流程内置——强制模型先按你的标准评估自己的输出、找出弱点、修复后再给你。你第一轮就拿到二稿质量。

复制并自定义：

Markdown

你将先创建[产物类型]，然后自我评估后再交付。
任务：[描述你需要什么]
受众：[给谁用]
背景：[相关背景信息]
第 1 步 - 初稿：根据任务描述创建完整产物。
第 2 步 - 内部评审：按以下标准评估你的初稿：
1. [标准 1 - 必须具体，例如“每项主要断言都有数据支持”]
2. [标准 2 - 例如“总字数控制在 1000 字以内”]
3. [标准 3 - 例如“至少包含 3 个具体案例”]
4. [标准 4 - 例如“阅读级别为 X 年级”]
5. [标准 5 - 例如“以明确的下一步行动结束”]
打分规则（1-5 分）：
- 5 = 完全达成
- 4 = 基本达成，有小瑕疵
- 3 = 部分达成
- 2 = 有明显缺失
- 1 = 未达成
每项标准后写一句解释得分理由。
第 3 步 - 修改：任何低于 4 分的标准，进行一次针对性修改。
第 4 步 - 最终交付：只给我看：
   • 最终产物（若需修改则为修改版，无需修改则为原版）
   • 每项标准的最终得分摘要
   • 一段说明初稿到终稿改了什么、为什么改
请不要给我看初稿，我只看最终结果和改进说明。

注：这个模式在 Claude 上效果最好，因为它的自我评估能力比多数模型强。

常见问题

问：简单任务也要用这么多步骤吗？ 答：不用。简单任务用最简提示词 + 清晰输入 + 也许一个示例就够了。只有当输出漂移或质量下降时才加结构。OpenAI 和 Anthropic 都建议从简单开始，只在需要时增加结构。

问：这种“编程式提示”对非程序员现实吗？ 答：完全现实。你只是在用自然语言做模块化，而不是写代码。一个提示词提取事实、另一个整理结构、第三个基于结构写作。你可以在 ChatGPT 里手动跑，也可以在以后需要指标优化时再用 DSPy 等框架。核心是思维模型——把任务拆成可测试的小块，而不是指望一个巨提示词一次成功。

问：什么时候用这些模式，什么时候正常问就行？ 用这些模式的情景：

• 同一类请求输出总是不稳定
• 任务高风险（客户交付物、公开内容、战略分析）
• 会反复跑这个任务，想做成可复用系统
• 准确性比速度重要（来源为本写作者）
• 已经陷入迭代循环，需要打破

跳过这些模式的情景：

• 任务是一次性的、低风险的
• 简单提示词已经很好用
• 你在探索创意、希望模型给你惊喜
• 速度比精度更重要

真正的秘密：结构 > 迭代

真正从 AI 获得稳定结果的人，已经不再把提示词当“提问”，而是当“任务规格说明”。他们在执行前定义方法、明确成功标准、在模型生成第一个字之前就结构化输出。

这五个模式给你的是可复现的系统，而不是一次性灵感。一次搭建好，之后每次同类任务直接套用。

你可以继续祈祷下一条提示词能神奇命中目标。 也可以开始设计第一次就成功的提示词。

下期见， Lea

原文：https://excellentprompts.substack.com/p/ai-prompt-design