模块8：提示词模板与框架

难度：⭐⭐⭐⭐ 高级 | 建议时长：3-4小时

目标：掌握经典提示词框架，学会设计自己的模板，建立个人提示词库

8.0 快速上手：极简框架

在学习经典框架之前，先掌握两个”轻量级武器”。它们结构简单、上手极快，适合日常对话和简单任务。很多时候你不需要六七个要素的复杂框架，三个要素就够了。

框架A：RTF（日常对话首选）

R - Role（角色）：你希望 AI 扮演什么身份
T - Task（任务）：你希望 AI 完成什么事
F - Format（格式）：你希望输出是什么样子

示例1：翻译润色
R：你是一位中英双语翻译专家，擅长学术论文润色
T：将以下中文摘要翻译为英文，确保符合 SCI 论文的表达习惯
F：输出英文翻译 + 3处关键润色说明（表格形式）

示例2：面试准备
R：你是一位有10年招聘经验的HR总监
T：针对"Python后端开发"岗位，帮我准备5个常见面试题及参考答案
F：每个问题包含：题目、考察重点、参考答案（200字内）、加分项提示

什么时候用 RTF？ 日常提问、快速任务、不需要复杂推理的场景。如果你只能记住一个框架，记住 RTF。

框架B：APE（行动导向首选）

注意：本章的 APE 指的是 Action / Purpose / Expectation 提示框架。

在一些论文或研究资料中，APE 也可能指 Automatic Prompt Engineer（自动提示工程）。两者名称相同，但含义完全不同。为了避免混淆，后者更适合放在“优化与评估”或“扩展阅读”中理解。

A - Action（行动）：要求 AI 做的具体动作
P - Purpose（目的）：为什么要做这件事
E - Expectation（期望）：期望得到什么样的结果

示例1：代码审查
A：审查以下 Python 代码
P：准备提交到生产环境前的最后检查
E：找出所有潜在的 bug、安全隐患和性能问题，
   按严重程度排序，每个问题给出修复建议

示例2：竞品分析
A：对比分析飞书和钉钉的项目管理功能
P：我们团队正在选型协作工具，需要做决策
E：输出对比表格，涵盖功能、价格、优缺点，
   最后给出推荐建议及理由

RTF vs APE 怎么选？

需要 AI 扮演特定身份 → 用 RTF（有角色）

只关心”做什么、为什么、要什么” → 用 APE（无角色，更直接）

8.1 五大经典框架

先提醒一句：本章介绍的几大框架，主要是常见实践框架或经验模板，适合帮助你更快组织提示词。

它们并不是行业唯一标准，也不是官方统一规范。真正重要的不是死记框架名，而是理解：任务目标、上下文、约束、示例、输出格式这些核心要素如何组合。

本章框架一览（缩写还原速查）

缩写	字母拆解	一句话特点
RTF	Role / Task / Format（角色 / 任务 / 格式）	3 要素极简版，日常对话首选（见 8.0）
APE	Action / Purpose / Expectation（行动 / 目的 / 期望）	3 要素行动导向（见 8.0）
CO-STAR	Context / Objective / Style / Tone / Audience / Response	6 要素，内容创作首选
CRISPE	Capacity / Role / Insight / Statement / Personality / Experiment	6 要素，策略分析首选
BROKE	Background / Role / Objectives / Key result / Evolve	5 要素，项目规划首选
RISEN	Role / Instructions / Steps / End goal / Narrowing	5 要素，任务执行首选
RODES	Role / Objective / Details / Examples / Sense check	5 要素，质量把关首选
密度链	Chain of Density	摘要压缩首选

💡 不需要死记字母——用的时候照速查表对一遍即可。

框架1：CO-STAR（内容创作首选）

C - Context（背景）：任务的来龙去脉
O - Objective（目标）：要达成什么
S - Style（风格）：写作/回答的风格
T - Tone（语气）：正式？友好？严肃？
A - Audience（受众）：目标受众是谁
R - Response（回复格式）：期望的输出格式

示例：
C：公司Q3销售额同比增长15%，超额完成目标
O：撰写一封给全体员工的通报邮件
S：正式的公司通知风格
T：积极鼓励，肯定团队努力
A：公司全体员工（约500人，各部门）
R：邮件格式，标题+正文+结语，800字以内

框架2：CRISPE（策略分析首选）

C - Capacity（能力）：AI 扮演的角色
R - Request（请求）：要做什么
I - Information（信息）：背景信息
S - Steps（步骤）：按什么步骤执行
P - Personality（个性）：表达风格
E - Experiment（实验）：要求多个方案

示例：
C：你是一位经验丰富的产品文案策划
R：为新上市的智能手表写推广文案
I：主打健康监测，目标用户25-35岁都市白领
S：先分析用户痛点，再设计3个不同角度的文案
P：简洁有力，有都市生活气息
E：提供3个版本，说明每个版本的策略差异

框架3：BROKE（项目规划首选）

B - Background（背景）：任务的背景
R - Role（角色）：AI 扮演的角色
O - Objective（目标）：需要完成的目标
K - Key Result（关键结果）：期望的具体产出
E - Evolve（改进）：如何迭代优化

示例：
B：公司正在从传统电商转型社交电商
R：你是社交电商领域的战略顾问
O：制定3个月的转型计划
K：输出包含里程碑、关键指标、资源需求的计划表
E：如果第一版不够具体，根据反馈进一步细化

框架4：RISEN（任务执行首选）

R - Role（角色）：你是谁
I - Instructions（指令）：你要做什么
S - Steps（步骤）：按什么步骤做
E - End goal（最终目标）：要达到什么效果
N - Narrowing（约束）：边界和限制

示例：
R：你是一位资深数据分析师，擅长用 Python 做商业分析
I：分析电商销售数据，找出销售下滑的原因
S：1.数据概览 2.趋势分析 3.品类下钻 4.地区交叉分析 5.建议
E：输出1页纸的分析报告，让业务负责人知道"问题在哪、该怎么办"
N：只基于提供的数据分析，建议必须可执行，图表用中文

框架5：密度链（Chain of Density，摘要压缩首选）

核心思想：让 AI 反复改写同一段摘要，
每次长度不变但信息密度越来越高。

类比：同样100字的朋友圈——
第1版：说了一堆废话，信息量低
第3版：每个字都是干货，信息量翻几倍

模板：
请为以下文章生成摘要，然后逐步提高信息密度。

规则：
- 每个版本长度相同（约100字）
- 每个新版本包含上一版的所有关键信息
- 每个新版本额外加入1-2个遗漏的重要细节
- 不能加长，只能通过压缩表达来腾出空间
- 共生成5个版本

文章：
"""
[粘贴文章]
"""

版本1（密度：低）：...
遗漏的关键信息：[列出]
版本2（密度：中低）：...
...
版本5（密度：高）：...

实操建议：通常版本 2-3 可读性最好。版本5信息密度最高但可能读起来费劲。根据用途选合适的版本。

框架6：RODES（质量把关首选）

R - Role（角色）：AI 扮演的专家身份
O - Objective（目标）：要完成的核心目标
D - Details（细节）：背景信息、上下文、具体要求
E - Examples（示例）：期望输出的参考样例
S - Sense check（自检）：让 AI 回顾并检查自己的输出

示例1：API 错误码文档
R：你是一位高级技术文档工程师
O：为电商支付系统的 REST API 编写错误码文档
D：面向第三方开发者阅读，需覆盖 HTTP 4xx 和 5xx 错误，
   每个错误码需包含：错误码、HTTP状态码、描述、可能原因、解决方案
E：参考格式——
   | 错误码 | HTTP 状态 | 描述 | 可能原因 | 解决方案 |
   |--------|-----------|------|----------|----------|
   | PAY_001 | 400 | 无效的支付金额 | 金额为负数或零 | 确保金额为正数，单位为分 |
S：完成后请自行检查——
   1. 每个错误码是否唯一且无重复？
   2. 解决方案对开发者是否真正有帮助（而非空话）？
   3. 是否覆盖了支付流程中所有关键失败场景？

示例2：用户调研报告
R：你是一位用户研究专家，有 8 年 B2C 产品经验
O：基于以下用户访谈记录，输出一份用户调研分析报告
D：产品是一款健身 App，访谈了 12 位用户（6位活跃、6位流失），
   重点关注流失原因和功能满意度
E：每个发现的格式——
   【发现】：一句话结论
   【证据】：引用 2-3 条原始访谈内容
   【建议】：产品改进方向
S：完成后请自行检查——
   1. 结论是否都有原始数据支撑，而非主观臆断？
   2. 是否同时覆盖了活跃用户和流失用户的视角？
   3. 建议是否具体可执行，而非"优化体验"这类空话？

RODES 的独特价值：最后的 Sense check（自检） 环节是其他框架没有的。它让 AI 扮演”审稿人”角色检查自己的输出，能显著减少遗漏和低质量内容。对输出质量要求高的任务，优先选 RODES。

如何选择框架？

场景	推荐框架	原因
简单日常提问	RTF	三要素极简，上手最快
行动导向/快速指令	APE 或 TAG	不需要角色，直奔主题
文案/文章/邮件	CO-STAR	注重风格和受众
营销推广/痛点文案	BAB	Before→After→Bridge 结构天然有说服力
产品/策略分析	CRISPE	注重步骤和多方案
产品介绍/卖点提炼	FOCUS	特性→成果→对比→独特→总结
项目规划	BROKE	注重目标和迭代
目标设定	SMART	具体、可衡量、可实现、相关、有时限
数据分析/技术任务	RISEN 或 ROSES	注重执行步骤和约束
案例复盘/述职	SPEAR	情境→问题→证据→行动→结果
学术论证/观点输出	PEE	论点→证据→解释
摘要/压缩/提炼	密度链	字数不变信息翻倍
高质量文档/格式严格	RODES	示例驱动 + AI 自检机制

框架复杂度阶梯：
极简 ─────────────────────────────────── 精细
APE → RTF → CO-STAR → BROKE → RISEN → CRISPE → RODES
 3要素  3要素   6要素    5要素   5要素   6要素    5要素+自检
原则：够用就好，不要过度设计。写个朋友圈用 APE 足矣，写专业报告再上 RODES。

更多实用框架（速查手册补充）

以下框架在特定场景下很好用，但日常频率不如上面几个高。每个给出结构和 2 个示例，按需取用。

RACE（多场景通用）

R - Role（角色）：AI 扮演什么身份
A - Action（行动）：要做什么
C - Context（背景）：在什么情况下
E - Expectation（期望）：要什么结果

示例1：竞品调研
R：你是一位市场分析师
A：对比分析 Notion 和 飞书文档 的协作功能
C：我们团队正在选型，10人规模，远程办公为主
E：输出对比表格 + 推荐结论，500字以内

示例2：面试辅导
R：你是一位资深技术面试官
A：模拟一场 30 分钟的 Java 后端面试
C：候选人是 3 年经验的中级工程师，面试高级岗
E：提出 5 个由浅入深的问题，每个附带评分标准

BAB（营销文案 / 产品推广）

B - Before（之前）：用户现在的痛点/困境
A - After（之后）：用了产品后的理想状态
B - Bridge（桥梁）：产品如何帮用户从 Before 到 After

示例1：健身App推广
B：每天加班到9点，想健身但没时间去健身房，身体越来越差
A：每天只需15分钟，在家就能完成高效训练，3个月体脂降5%
B：「FitHome」App 提供 AI 定制的短时高效课程，
   根据你的时间和体能自动调整，不需要器械

示例2：项目管理工具
B：团队用微信群沟通项目，消息刷屏找不到重点，
   任务经常遗漏，deadline 总是赶不上
A：每个任务有清晰的负责人和截止日，进度一目了然，
   到期自动提醒，再也不会漏事
B：「TaskFlow」把聊天和任务管理合二为一，
   群里说的事一键变任务，自动追踪到完成

SMART（目标设定）

S - Specific（具体）：目标是什么，越具体越好
M - Measurable（可衡量）：怎么判断达成了
A - Achievable（可实现）：以现有资源能做到吗
R - Relevant（相关）：和大目标有什么关系
T - Time-bound（有时限）：什么时候完成

示例1：学习目标
S：掌握 Python 数据分析（pandas + matplotlib）
M：能独立完成一份包含数据清洗、可视化、结论的分析报告
A：每天投入1小时，有编程基础
R：为转岗数据分析师做准备
T：8周内完成

示例2：产品目标
S：将 App 的用户次日留存率从 35% 提升到 45%
M：通过数据后台监控次日留存指标
A：团队有 3 名开发 + 1 名产品，可投入 2 个迭代
R：留存是当前增长瓶颈，提升留存直接影响 LTV
T：6周内上线改进方案并观察 2 周数据

SPEAR（案例陈述 / 复盘）

S - Situation（情境）：当时的背景
P - Problem（问题）：遇到了什么问题
E - Evidence（证据）：有什么数据/事实支撑
A - Action（行动）：采取了什么措施
R - Result（结果）：最终效果如何

示例1：项目复盘
S：2024年Q2，电商大促期间系统承压
P：支付接口在峰值时段响应超时，导致 15% 订单失败
E：监控显示 QPS 达到 8000，数据库连接池耗尽
A：紧急扩容 + 引入消息队列削峰 + 增加数据库读写分离
R：30分钟内恢复正常，后续压测通过 12000 QPS

示例2：个人成长
S：入职第一年，负责一个 5 人小组的日常管理
P：组员对任务分配不满，认为分配不公平，士气低落
E：1on1 中 3 人提到"总是我做脏活"，迭代速度下降 20%
A：引入任务轮换制 + 公开任务难度评分 + 每周回顾
R：2个月后满意度调查提升 40%，迭代速度恢复正常

TAG（极简任务）

T - Task（任务）：做什么
A - Action（行动）：怎么做
G - Goal（目标）：达到什么效果

示例1：
T：翻译一段产品介绍
A：用简洁的美式英语，避免直译
G：让美国用户一读就懂，不超过 100 词

示例2：
T：检查这段 SQL 查询
A：从性能和安全两个角度审查
G：找出所有慢查询风险和 SQL 注入隐患，给修复建议

ERA（快速任务）

E - Expectation（期望）：你想要什么
R - Role（角色）：AI 扮演谁
A - Action（行动）：具体做什么

示例1：
E：得到一份清晰的会议纪要
R：你是一位高效的行政助理
A：将以下会议录音转写整理为结构化纪要，
   包含：议题、决议、待办事项（含负责人和截止日）

示例2：
E：快速理解一篇英文论文的核心贡献
R：你是一位 AI 领域的研究员
A：用中文总结这篇论文的 3 个核心贡献和 1 个主要局限，
   每点不超过 2 句话

ROSES（步骤明确的任务）

R - Role（角色）：AI 的身份
O - Objective（目标）：要完成什么
S - Scenario（场景）：在什么情境下
E - Expected output（期望输出）：输出什么样子
S - Steps（步骤）：按什么步骤做

示例1：数据报告
R：数据分析师
O：分析本月销售数据异常
S：某品类销售额环比下降 30%，需要找原因
E：一页纸的分析报告，含图表描述和改进建议
S：1.确认数据范围 2.对比历史趋势 3.下钻到SKU级别
  4.排查外部因素 5.给出结论和建议

示例2：代码重构
R：高级后端工程师
O：重构这个 500 行的 God Class
S：这个类承担了用户注册、登录、权限校验、日志记录四个职责
E：拆分为 4 个单一职责的类，保持原有接口不变
S：1.梳理现有方法归属 2.设计新的类结构 3.逐个迁移方法
  4.处理类间依赖 5.验证原有测试通过

FOCUS（产品介绍）

F - Features（特性）：产品有什么功能
O - Outcomes（成果）：能带来什么结果
C - Comparisons（对比）：和竞品比怎样
U - Unique（独特）：独特卖点是什么
S - Summary（总结）：一句话总结

示例1：
F：AI 写作助手，支持长文、邮件、社媒文案
O：写作效率提升 3 倍，文案质量稳定
C：比 ChatGPT 更懂中文语境，比文心一言更快
U：内置 50+ 行业模板，一键切换写作风格
S：中文写作场景的最佳 AI 搭档

示例2：
F：智能会议系统，实时转写 + 自动摘要 + 待办提取
O：会后 5 分钟出纪要，不再遗漏 action item
C：比讯飞听见多了智能摘要，比 Otter 支持中文
U：能识别多人发言并自动标注说话人
S：开完会就有纪要，再也不用手动整理

PEE（学术写作 / 论证）

P - Point（论点）：你的核心观点
E - Evidence（证据）：支撑观点的事实/数据
E - Explanation（解释）：证据如何支撑论点

示例1：
P：远程办公能提高知识工作者的生产力
E：斯坦福 2023 年研究显示，远程工作者产出比办公室高 13%；
   GitLab 全远程团队连续 5 年营收增长超 50%
E：远程减少了通勤和无效会议的时间消耗，
   让员工能在精力最佳时段集中处理深度工作

示例2：
P：微服务架构不适合所有团队
E：Segment 在 2018 年从微服务回退到单体，
   维护 100+ 服务的成本超过了收益；
   团队从 3 人扩到 10 人才勉强维持
E：微服务带来的运维复杂度（网络、部署、监控）
   需要足够的团队规模来分摊，小团队得不偿失

RACEF（提示词精炼优化）

R - Rephrase（重述）：用自己的话重新表述需求
A - Append（补充）：添加遗漏的关键信息
C - Contextualize（加上下文）：补充背景和约束
E - Examples（加示例）：给出期望输出的样例
F - Follow-up（追问）：预设可能的追问方向

示例1：优化一个模糊的提示词
原始提示词："帮我写个邮件"
R：写一封催促供应商交货的商务邮件
A：供应商已延期 2 周，合同约定违约金条款
C：我是采购经理，对方是长期合作伙伴，语气要坚定但不撕破脸
E：开头问候 → 说明延期事实 → 引用合同条款 → 要求回复确认新日期
F：如果对方回复说原材料短缺，我该怎么回？

示例2：优化一个技术提示词
原始提示词："帮我优化这段代码"
R：优化这段 Python 数据处理代码的执行速度
A：当前处理 100 万行 CSV 需要 45 秒，目标降到 10 秒以内
C：运行环境是 8核16G 的 Linux 服务器，可以用多线程
E：期望输出：优化后的代码 + 性能对比 + 优化原理说明
F：如果用 pandas 还是不够快，是否该换 Polars？

RACEF 的独特价值：它不是用来”写提示词”的，而是用来”改提示词”的。当你觉得自己的提示词效果不好时，按 RACEF 五步逐项补充，通常能显著提升质量。

使用建议：以上框架不需要全部记住。日常 80% 的场景用 RTF/APE/CO-STAR 就够了。遇到特定场景（营销用 BAB、目标设定用 SMART、案例复盘用 SPEAR、优化提示词用 RACEF）时再来查。

8.2 扩展阅读：从框架到自动化提示优化

本章讲的是“人如何更好地组织提示词”。继续往前走，你还会遇到“让模型自动生成、筛选和优化提示词”的方向，例如 Automatic Prompt Engineer、Active-Prompt 等。

这些内容更偏优化方法论和研究实践，不属于日常写 Prompt 的第一优先级。建议先掌握本章这些高频框架，再继续学习模块 9 的系统化优化方法。

8.3 设计自己的模板

为什么要有自己的模板？

每次从头写提示词就像每次做菜都从”盐放多少”开始琢磨。有了验证过的模板，复制粘贴改几个变量就能用。

从零设计模板的三步法

第一步：确定场景
  "我每周都要写周报" → 这是一个高频场景，值得做模板

第二步：提炼变量
  每次变化的部分：本周工作内容、遇到的问题、下周计划
  不变的部分：格式要求、语气要求、字数限制

第三步：组装模板
  把不变的部分固定下来，变化的部分用 [占位符] 标记

示例：周报模板

你是一位善于总结的项目经理助手。

请基于以下信息撰写一份周报：

本周完成的工作：
[在这里填写]

遇到的问题：
[在这里填写]

下周计划：
[在这里填写]

格式要求：
- 使用 Markdown 格式
- 每个部分用 ### 标题
- 完成的工作按重要性排序
- 问题部分要附带解决方案或进展
- 下周计划要有具体的时间节点
- 总字数 300-500 字
- 语气：专业简洁，突出成果和数据

8.4 变量化深入指南

8.3 节的”三步法”教你怎么提炼变量，本节教你怎么把变量写规范、写对、写到生产可用。

8.4.1 4 种主流占位符语法

不同工具/场景用不同的占位符语法。先认清差别再选用：

语法	长相	出处	适用
`[占位符]` 中括号	`[在这里填写本周工作]`	给人看的标记	手动复制粘贴场景，肉眼最易识别
`{变量}` 单花括号	`请总结{topic}`	Python `str.format()` / f-string	Python 代码调用 LLM API 时
`{{变量}}` 双花括号	`请总结{{topic}}`	Mustache / Jinja2 / LangChain PromptTemplate	生产框架（LangChain、LlamaIndex 等）
`<变量>` 尖括号	`<context>...</context>`	Anthropic 官方推荐	给 Claude 的结构化提示词

⚠️ 不要混用：选定一种就一以贯之。混用会导致替换出 bug 或被框架误解析。

4 种语法的对比示例

同一个”总结文章”提示词，4 种写法：

[中括号 - 给人看]
请用3句话总结以下文章：
[在这里粘贴文章]

{单花括号 - Python}
请用3句话总结以下文章:
{article}

{{双花括号 - LangChain}}
请用3句话总结以下文章:
{{article}}

<尖括号 - Anthropic 推荐>
请用3句话总结以下文章:
<article>
{{article}}
</article>

📌 Anthropic 风格的精髓：用 XML 标签包裹内容，比单纯占位符更清晰——AI 能明确知道”哪段是用户真正要处理的内容”。

8.4.2 变量的 3 种角色分类

不是所有变量都一样重要。按”在提示词里扮演什么角色”分类：

类型	作用	例子	改动频率
内容变量	AI 要处理的素材	`{文章}` `{代码}` `{用户问题}`	每次都变
配置变量	影响输出格式	`{字数限制}` `{语言}` `{格式}`	偶尔改
角色变量	改变 AI 行为风格	`{专家身份}` `{语气}` `{受众}`	很少改

为什么要分类：

🟢 内容变量 → 前台用户每次都填
🟡 配置变量 → 做成下拉选项 / 默认值
🔵 角色变量 → 后台预设，前台不暴露

示例：写一个”技术答疑”模板，三类变量都用上：

你是一位{身份}，请用{语气}回答以下技术问题。

问题：
<question>
{user_question}
</question>

要求：
- 答案不超过 {max_words} 字
- 用 {language} 回答
- 如果问题不清楚，先反问澄清

填入：

角色变量：身份=资深 Python 工程师、语气=耐心专业
配置变量：max_words=300、language=中文
内容变量：user_question=如何优化 for 循环？

8.4.3 高级技巧

技巧 1：默认值（可选变量）

不是每个变量都必须填——支持默认值能让模板更灵活。

Python 写法：

template = "用{tone}的语气回答：{question}"
result = template.format(
    question="什么是 RAG？",
    tone="通俗易懂"   # 可以省略此参数 → 改用 .get('tone', '专业') 提供默认
)

LangChain 写法：

from langchain.prompts import PromptTemplate
prompt = PromptTemplate(
    template="用{tone}的语气回答：{question}",
    input_variables=["question"],
    partial_variables={"tone": "专业"}  # 默认值
)

技巧 2：嵌套变量（变量里再套变量）

复杂场景下,一个大模板由多个小模板拼出来。

[主模板]
你是 {role_block}。

请处理以下内容：
{content_block}

输出要求：{output_block}

[role_block 子模板]
一位 {experience} 年经验的 {profession}，擅长 {skill}

[output_block 子模板]
- 字数：{word_limit}
- 格式：{format}

💡 嵌套层级建议不超过 2 层——再深就难维护了。

技巧 3：条件变量（不同情况插不同内容）

# 伪代码示意
prompt = f"""
请总结以下文章：
{article}
 
{('请用专业术语' if is_expert_audience else '请用通俗语言')}
 
{f'限制 {max_words} 字以内' if max_words else ''}
"""

LangChain 用 Jinja2 模板更优雅：

请总结：{{ article }}
{% if expert %}请用专业术语{% else %}请用通俗语言{% endif %}

技巧 4：变量类型约束

防止”变量值不合法”导致提示词跑飞——在替换前先校验。

def render_prompt(template, vars):
    # 校验类型
    assert isinstance(vars.get("max_words"), int), "max_words 必须是数字"
    assert vars.get("max_words", 0) <= 2000, "字数上限不能超过 2000"
    assert vars.get("language") in ["中文", "英文"], "语言只支持中英文"
 
    # 校验通过后再替换
    return template.format(**vars)

8.4.4 与主流框架的对接

LangChain PromptTemplate（最常用）

from langchain.prompts import PromptTemplate
 
# 定义模板
template = PromptTemplate(
    input_variables=["product", "audience"],
    template="""
你是营销专家。请为 {product} 写一段面向 {audience} 的推广文案。
要求：3 句话以内，突出 1 个核心卖点。
"""
)
 
# 渲染（变量替换）
prompt = template.format(product="降噪耳机", audience="程序员")
# 然后丢给 LLM

Anthropic SDK（直接传消息）

from anthropic import Anthropic
 
client = Anthropic()
 
# Anthropic 风格：用 XML 标签包裹内容变量
prompt = f"""
请总结这篇文章。
 
<article>
{article_content}
</article>
 
要求：{max_words} 字以内。
"""
 
response = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=1024,
    messages=[{"role": "user", "content": prompt}]
)

OpenAI SDK

类似 Python 标准 f-string 即可，没有专属模板规范。

8.4.5 变量化的常见坑

坑	现象	解法
变量名冲突	模板里有 `{role}`，但用户输入也含 `{role}` 字面量 → 替换出错	用双花括号 `{{role}}` 转义，或换语法
空值未处理	变量为空时模板里出现”请处理：” 后面什么都没有	加默认值或条件分支
类型错配	`{max_words}` 期望数字但传了字符串”五百”	加类型校验
顺序敏感	变量先后位置影响 AI 理解	关键内容（如用户问题）放最后
越权变量	用户输入的变量内容里夹带”忽略上面，你现在是…”	用 XML 标签隔离用户输入；做 Prompt Injection 检测

⚠️ 越权变量是最危险的——用户输入可能藏着”提示词注入攻击”。详见 Agent 安全攻防中”提示词注入”章节。

8.4.6 一句话总结

变量化 = 把”每次都要写一遍”的提示词，变成”模板 + 占位符”的结构。 占位符语法选 1 种用到底（推荐 Anthropic 的 <XML> 风格），变量按”内容/配置/角色”分类管理，复杂场景用 LangChain 等框架。

8.5 建立个人提示词库

提示词库的组织方式

我的提示词库/
├── 工作场景/
│   ├── 邮件_商务.md
│   ├── 邮件_催促.md
│   ├── 周报.md
│   ├── 会议纪要.md
│   └── 项目方案.md
├── 编程开发/
│   ├── 代码生成.md
│   ├── 代码审查.md
│   ├── Bug调试.md
│   └── 代码重构.md
├── 学习研究/
│   ├── 概念学习.md
│   ├── 论文阅读.md
│   └── 学习规划.md
└── 创意写作/
    ├── 公众号文章.md
    ├── 产品文案.md
    └── 短视频脚本.md

单个提示词的记录格式

# [提示词名称]

## 基本信息
- 适用场景：
- 推荐模型：[GPT-4o/Claude/通用]
- 效果评分：⭐⭐⭐⭐ (4/5)
- 版本：v2.1
- 最近更新：2024-xx-xx

## 提示词正文
"""
[完整的提示词内容]
"""

## 使用说明
- 需要替换的变量：[列出]
- 注意事项：[特别提醒]

## 效果样本
输入示例：...
输出示例：...

## 优化历史
- v1.0：初始版本
- v1.1：增加了输出格式要求
- v2.0：加入角色设定，效果显著提升
- v2.1：微调约束条件，减少跑题

8.6 动手练习

练习1：用框架写提示词

分别用 CO-STAR 和 RISEN 框架，为”给公司新人写欢迎邮件”设计提示词，对比哪个更好用。

练习2：设计自己的模板

为你工作中最高频的任务设计一个可复用模板，用 [占位符] 标记变量部分。

练习3：建立提示词库

根据你的实际需求，建立一个包含至少 5 个提示词的个人库，每个都按记录格式写好。

本章小结

✅ 极简框架：RTF（角色+任务+格式）、APE（行动+目的+期望）
✅ 五大经典框架：CO-STAR/CRISPE/BROKE/RISEN/密度链
✅ 质量把关框架：RODES（独有自检机制）
✅ 按场景选框架：日常用RTF/APE，创作用CO-STAR，分析用CRISPE，
   规划用BROKE，执行用RISEN，压缩用密度链，高质量输出用RODES
✅ 设计模板三步法：确定场景→提炼变量→组装模板
✅ 个人提示词库：分类保存、记录版本、持续迭代

下一步 → 09_系统化优化与评估.md

与 AI 交流 AI

探索

08_提示词模板与框架