章节导语

同样问AI”帮我写代码”，有人写出来能用，有人写出来报错。为啥？Prompt不一样。

Prompt工程不是玄学，是有章可循的技术。好的Prompt能让AI准确理解意图，输出你需要的内容。

本文系统讲解5种核心Prompt框架，每种都有完整代码和案例。

一，前置说明

1.1 学习路径

1.2 读者需要的基础

• 大模型调用：知道怎么用OpenAI API
• Python基础：会写函数

1.3 学习目标

学完本文，你将能够：

• 掌握5种核心Prompt框架
• 写出清晰、准确、稳定的Prompt
• 针对不同场景优化Prompt

二、Prompt的本质

2.1 什么是Prompt

Prompt是你给AI的指令。AI根据这个指令生成输出。

类比：

• 传统编程：代码 → 编译器 → 输出
• Prompt编程：自然语言指令 → LLM → 输出

2.2 影响效果的因素

• 清晰度：指令是否明确、无歧义
• 完整性：是否提供必要的上下文
• 具体性：约束条件是否具体
• 格式：输出格式是否明确

三、ICIO框架：最基础的框架

3.1 框架结构

ICIO = Instruction + Context + Input + Output。

• Instruction（指令）：告诉AI要做什么
• Context（上下文）：提供背景信息
• Input（输入）：具体的数据或问题
• Output（输出）：期望的输出格式

3.2 代码实现

from openai import OpenAI

client = OpenAI()

def icio_prompt(instruction, context, input_text, output_format):
    """ICIO框架 Prompt构建
    
    参数:
        instruction: 指令（做什么）
        context: 上下文（背景信息）
        input_text: 输入内容
        output_format: 输出格式要求
    返回:
        完整的Prompt
    """
    prompt = f"""{instruction}

【背景】
{context}

【输入】
{input_text}

【输出格式】
{output_format}"""
    return prompt

def ask(prompt):
    """发送请求"""
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# 示例：翻译任务
if __name__ == "__main__":
    prompt = icio_prompt(
        instruction="你是一个翻译专家，负责将英文翻译成中文",
        context="这是硅谷科技公司的产品介绍",
        input_text="Our AI platform helps businesses automate workflows",
        output_format="中文翻译，保持专业语气"
    )
    
    print("Prompt:\n", prompt)
    print("\n" + "=" * 50)
    print("AI回复:\n", ask(prompt))

3.3 运行结果

$ python icio_example.py

Prompt:
你是一个翻译专家，负责将英文翻译成中文

【背景】
这是硅谷科技公司的产品介绍

【输入】
Our AI platform helps businesses automate workflows

【输出格式】
中文翻译，保持专业语气

AI回复:
我们的AI平台帮助企业自动化工作流程。

3.4 适用场景

• 简单翻译、摘要、改写
• 格式化输出
• 一次性任务

3.5 小结

ICIO是最基础的框架，适合简单任务。

3.6 练习题

基础题：用ICIO框架写一个”代码审查”的Prompt。

四、CRISPE框架：复杂任务利器

4.1 框架结构

CRISPE = Capacity + Role + Insight + Statement + Predicate + Experiment。

• Capacity/Role：设定AI的角色
• Insight：提供背景和洞察
• Statement：明确任务声明
• Predicate：指定输出格式
• Experiment：可选的实验/示例

4.2 代码实现

from openai import OpenAI

client = OpenAI()

def crispe_prompt(role, capability, insight, statement, output_format, examples=None):
    """CRISPE框架 Prompt构建
    
    适合复杂任务，需要深度专业知识的场景
    """
    prompt = f"""【角色】
{role}

【能力说明】
{capability}

【背景洞察】
{insight}

【任务声明】
{statement}

【输出格式】
{output_format}"""

    if examples:
        prompt += f"\n\n【示例】\n{examples}"

    return prompt

def ask(prompt):
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# 示例：资深架构师代码审查
if __name__ == "__main__":
    prompt = crispe_prompt(
        role="你是一位有15年经验的Python架构师，专注于代码可维护性和性能优化",
        capability="你擅长发现代码中的问题，提供改进建议，评估代码是否符合Pythonic风格",
        insight="用户正在开发一个数据处理服务，需要处理大量并发请求，当前实现可能存在性能瓶颈",
        statement="请审查以下Python代码，指出：1)潜在bug 2)性能问题 3)可改进之处 4)代码风格建议",
        output_format="分点回答，每点包含：问题描述、严重程度（高/中/低）、改进建议"
    )
    
    print("Prompt长度:", len(prompt))
    print("\nAI回复:\n", ask(prompt))

4.3 适用场景

• 需要深度专业知识的任务
• 复杂分析和决策
• 专业领域咨询

4.4 小结

CRISPE适合复杂任务，需要AI具备特定专业能力时使用。

4.5 练习题

进阶题：设计一个”职业规划顾问”的CRISPE Prompt。

五、CO-STAR框架：结构化输出

5.1 框架结构

CO-STAR = Context + Objective + Style + Tone + Audience + Response。

• Context：提供背景
• Objective：明确目标
• Style：指定风格
• Tone：指定语气
• Audience：明确受众
• Response：指定响应格式

5.2 代码实现

from openai import OpenAI

client = OpenAI()

def co_star_prompt(context, objective, style, tone, audience, response_format):
    """CO-STAR框架 Prompt构建
    
    适合需要特定风格和格式的输出
    """
    prompt = f"""【背景】
{context}

【目标】
{objective}

【风格】
{style}

【语气】
{tone}

【受众】
{audience}

【响应格式】
{response_format}"""
    return prompt

def ask(prompt):
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# 示例：写商务邮件
if __name__ == "__main__":
    prompt = co_star_prompt(
        context="我是XX公司的技术总监，想联系YY公司的CEO李明，讨论技术合作事宜",
        objective="预约一个30分钟的电话会议",
        style="商务正式，使用专业术语但不过度",
        tone="友好但专业，有合作诚意",
        audience="对方是中型科技公司的CEO，技术背景深厚",
        response_format="邮件格式，包含：主题行、称呼、正文（3段以内）、结束语、签名"
    )
    
    print("AI回复:\n", ask(prompt))

5.3 运行结果

$ python co_star.py

AI回复:

主题：关于技术合作探讨 - 预约30分钟电话会议

尊敬的李明先生：

您好！

我是XX公司的技术总监，长期关注YY公司的发展，对贵司在XX领域的技术积累印象深刻...

此致
敬礼

XX公司技术总监 张三

5.4 适用场景

• 商务沟通、正式写作
• 需要特定文风的任务
• 面向特定受众的内容

5.5 小结

CO-STAR适合需要精确控制风格和语气的场景。

5.6 练习题

基础题：用CO-STAR框架设计”小红书种草文案”的Prompt。

六、BROKE框架：目标导向

6.1 框架结构

BROKE = Background + Role + Objectives + Key Results + Evolve。

• Background：描述背景
• Role：设定角色
• Objectives：明确目标
• Key Results：关键结果（可量化）
• Evolve：评估和改进

6.2 代码实现

from openai import OpenAI

client = OpenAI()

def broke_prompt(background, role, objectives, key_results, evolve=None):
    """BROKE框架 Prompt构建
    
    适合目标明确、需要量化结果的场景
    """
    prompt = f"""【背景】
{background}

【角色】
{role}

【目标】
{objectives}

【关键结果】（请量化）
{key_results}"""

    if evolve:
        prompt += f"\n\n【评估改进】\n{evolve}"

    return prompt

def ask(prompt):
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# 示例：制定OKR
if __name__ == "__main__":
    prompt = broke_prompt(
        background="公司是一家中型电商企业，目前月活用户100万，计划拓展下沉市场",
        role="你是一个OKR战略顾问，擅长帮助企业制定可执行的OKR",
        objectives="在3个月内将月活用户从100万增长到150万",
        key_results="""KR1：新增下沉市场用户30万（可通过地推、电商平台合作）
KR2：提升用户留存率10%（优化产品体验、会员体系）
KR3：提高用户活跃度15%（推送策略优化、签到激励）""",
        evolve="请分析这个OKR的可行性，并提出调整建议"
    )
    
    print("AI回复:\n", ask(prompt))

6.3 适用场景

• 战略规划、OKR制定
• 项目管理
• 需要量化评估的任务

6.4 小结

BROKE适合目标导向、需要量化结果的任务。

6.5 练习题

进阶题：用BROKE框架为”一个月内学会Python基础”制定执行计划。

七、SCRIPTS框架：流程任务

7.1 框架结构

SCRIPTS = Background + Constraints + Role + Instructions + Process + Output + Scoring。

• Background：背景
• Constraints：约束条件
• Role：角色
• Instructions：指令
• Process：流程
• Output：输出格式
• Scoring：评分标准

7.2 代码实现

def scripts_prompt(background, constraints, role, instructions, process, output, scoring):
    """SCRIPTS框架 Prompt构建
    
    适合流程性任务，需要明确步骤和评分标准
    """
    prompt = f"""【背景】
{background}

【约束条件】
{constraints}

【角色】
{role}

【指令】
{instructions}

【流程】
{process}

【输出格式】
{output}

【评分标准】
{scoring}"""
    return prompt

def ask(prompt):
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# 示例：代码评审
if __name__ == "__main__":
    prompt = scripts_prompt(
        background="团队正在开发一个电商后端服务，使用Python+Django",
        constraints="代码需要符合PEP8规范，不能有安全漏洞",
        role="你是一个代码评审专家",
        instructions="请对提交的代码进行全面评审",
        process="1.检查代码规范 2.检查安全 3.检查性能 4.检查可维护性",
        output="分四个维度打分（1-10分），并给出具体改进建议",
        scoring="总分40分，低于24分需要重写"
    )
    
    print("AI回复:\n", ask(prompt))

7.3 适用场景

• 流程性任务
• 需要评分和评估的任务
• 需要明确步骤的复杂任务

7.4 小结

SCRIPTS适合流程性任务，能明确评估标准。

八、实战：构建Prompt优化助手

8.1 需求分析

综合运用以上框架，构建一个Prompt优化工具：

• 输入粗糙Prompt
• 自动分析问题
• 生成优化后的Prompt
• 支持多种框架选择

8.2 完整代码

from openai import OpenAI

client = OpenAI()

class PromptOptimizer:
    """Prompt优化器
    
    综合运用5种框架，自动优化Prompt
    """
    
    def analyze(self, prompt):
        """分析Prompt问题"""
        analysis_prompt = f"""请分析以下Prompt的问题：

{prompt}

请指出：
1. 是否清晰（指令是否明确）
2. 是否完整（上下文是否足够）
3. 是否具体（约束条件是否明确）
4. 输出格式是否清晰
5. 其他问题"""
        
        response = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": analysis_prompt}]
        )
        return response.choices[0].message.content
    
    def optimize(self, prompt, framework='ICIO'):
        """优化Prompt"""
        framework_guide = {
            'ICIO': "使用ICIO框架优化：Instruction + Context + Input + Output",
            'CRISPE': "使用CRISPE框架优化：角色 + 能力 + 洞察 + 任务 + 格式 + 示例",
            'CO-STAR': "使用CO-STAR框架优化：背景 + 目标 + 风格 + 语气 + 受众 + 格式",
            'BROKE': "使用BROKE框架优化：背景 + 角色 + 目标 + 关键结果 + 演化",
            'SCRIPTS': "使用SCRIPTS框架优化：背景 + 约束 + 角色 + 指令 + 流程 + 输出 + 评分"
        }
        
        optimize_prompt = f"""请将以下Prompt优化为{framework}格式。

原始Prompt：
{prompt}

优化要求：
{framework_guide.get(framework, '')}

请提供：
1. 优化后的完整Prompt
2. 优化说明"""
        
        response = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": optimize_prompt}]
        )
        return response.choices[0].message.content
    
    def chat(self, rough_prompt, action='optimize', framework='ICIO'):
        """对话入口"""
        print(f"📝 原始Prompt：{rough_prompt}\n")
        
        if action == 'analyze':
            result = self.analyze(rough_prompt)
            print(f"🔍 分析结果：\n{result}")
        else:
            result = self.optimize(rough_prompt, framework)
            print(f"✨ 优化结果（{framework}框架）：\n{result}")
        
        return result
    
    def run_demo(self):
        """演示"""
        rough_prompts = [
            "帮我写代码",
            "写一封邮件给老板请假",
            "分析一下这个数据"
        ]
        
        frameworks = ['ICIO', 'CRISPE', 'CO-STAR']
        
        for i, prompt in enumerate(rough_prompts):
            framework = frameworks[i % len(frameworks)]
            print(f"\n{'='*60}")
            print(f"[案例{i+1}] 框架：{framework}")
            print("="*60)
            self.chat(prompt, action='optimize', framework=framework)

# 测试
if __name__ == "__main__":
    optimizer = PromptOptimizer()
    optimizer.run_demo()

8.3 框架选择指南

九、总结与练习

9.1 要点回顾

• ICIO：最基础，通用场景
• CRISPE：复杂任务，专业深度
• CO-STAR：结构化输出，特定风格
• BROKE：目标导向，量化结果
• SCRIPTS：流程任务，评分标准

9.2 Prompt优化检查清单

□ 指令是否清晰？（让AI知道要做什么）
□ 上下文是否足够？（让AI知道背景）
□ 约束是否具体？（限制条件明确）
□ 输出格式是否清晰？（期望的格式/长度/风格）
□ 有无歧义？（避免AI误解）
□ 示例是否必要且正确？（帮助AI理解）

9.3 延伸阅读

• OpenAI Prompting Guide：官方Prompt编写指南
• Anthropic Prompt Engineering：Claude的Prompt工程指南

9.4 课后练习

基础题：用ICIO框架优化”帮我写代码”这个Prompt。

进阶题：为你自己的工作场景设计专属的CRISPE Prompt模板。

挑战题：构建一个Prompt评估系统，能自动给Prompt打分并提供改进建议。