企业官网建设流程全解析

先说个现象：我见过太多人写 Prompt 还是“聊天式”的——今天心情好，多写两句背景；明天没灵感，就来一句“帮我写个方案”。AI 的输出质量自然跟开盲盒一样，时好时坏。如果你也卡在这个阶段，其实缺的不是提示词模板，而是脑子里的那张结构图。而 CAIE 大纲，正好是我这几年找到的、最适合直接拿来当 Prompt 框架的现成素材包。

CAIE 是剑桥大学国际考评部的缩写，IGCSE 和 A-Level 的官方教学大纲都由它发布。这套大纲厉害在哪儿？它把每一门学科的知识点、学习目标、考核维度、评分标准全部拆成了层级分明的文本。换句话说，它本身就是一份“喂给 AI 的高质量结构化知识库”。把 CAIE 大纲变成 Prompt 的结构骨架，再拿去搭 AI 项目，输出质量和稳定性会让你明显感觉到“这钱不用多花，Prompt 会写了”。

这篇文章就围绕这个思路，带你完整走一遍：为什么 CAIE 大纲适合做 Prompt 框架、怎么把大纲转成提示词，然后落地 3 个真实可复现的 AI 项目。每个项目我都会把流程、Prompt 构造逻辑、校验方法讲透，最后再给一份踩坑记录。适合想进阶 Prompt 工程、又缺真实应用场景的朋友参考。

1. 内容整体设计与思路拆解

1.1 为什么是 CAIE 大纲，而不是别的知识库

先说背景。做 AI 项目的人都知道一个尴尬事实：通用大模型什么都懂一点，但一落到具体领域，就开始“一本正经地胡说八道”。你问它经济学原理，它能聊；你让它按 A-Level 经济大纲批改一篇 essay，它常常漏判关键考点，给分逻辑也跟闹着玩似的。为什么？因为它缺少一个“边界”和一套“校内语言体系”。

CAIE 大纲恰好补齐这两个短板。以 A-Level 经济大纲为例，它会把整个课程分成几大主题，比如 basic economic ideas、the price system、government micro intervention 等。每个主题下面再拆成具体的学习目标（learning outcomes），每个目标用“describe”“explain”“analyse”“evaluate”这类动词开头。这串动词不是随便写的，它直接对应考试的 Assessment Objectives。也就是说，大纲已经把 AI 需要遵守的知识边界和输出层次都划分好了。

我之前也试过用思维导图、Wiki、甚至自己的笔记整理知识体系做 Prompt，效果都不够好。思维导图太散，Wiki 信息太杂，个人笔记又有浓重的个人风格，AI 不容易对齐。CAIE 大纲是官方发布的、全球统一的、文本格式良好的体系化材料，结构颗粒度刚好适合当前主流大模型在 4K 到 8K 上下文窗口里发挥。材料本身免费，直接从官网下载 PDF，结合 OCR 或人工摘录就能用。

1.2 方案选型考量：用大纲做约束，而不是做百科

顺着这个思路，我在设计 Prompt 方案时给自己定了一条铁律：大纲是坐标系，不是百科全书。AI 只需要在大纲划定的坐标范围内做思考和回答，不需要把大纲所有内容都背下来再输出。这样做的直接好处有三个。

第一个是防跑偏。你告诉 AI“只使用以下大纲知识点回答”，它就不会为了显得博学，把大学才学的东西塞进来。AI 项目最怕的就是答案看起来专业、实际考点对不上，用大纲做知识边界，等于给模型上了一道锁。

第二个是输出可校验。大纲自带考察目标，比如“AO1 知识与理解”“AO2 应用”“AO3 分析”“AO4 评价”。我在 Prompt 里把这些目标转成 AI 的评分检查项，输出结果就能按统一标准复检。这在教育类 AI 项目里特别重要，因为你要向学生或老师解释“这 4 分是怎么扣的”，而不是给一个无根无据的分数。

第三个是迭代成本低。CAIE 大纲虽然是官方文件，但它每年都会更新。用大纲做 Prompt 并非一锤子买卖，而是把大纲文本抽取出“知识点清单 + 学习目标 + 考核动词 + 评分维度”这几块，分别做成 Prompt 片段。大纲一旦更新，只替换知识库部分就行，角色设定和流程逻辑不用动。这种模块化改造，对长期维护项目的人来说是巨大的解放。

2. 核心方法：把 CAIE 大纲转成 Prompt 的五步操作

2.1 拆大纲：先抽骨架，再填血肉

拿到一份 CAIE 大纲 PDF，第一件事不是读，而是拆。拿 IGCSE 生物（0610）大纲举例，从头到尾翻一遍，你能看到这么几个固定板块：科目简介、考核目标、知识内容、实验技能要求、评分方案。对 Prompt 设计有用的主要是两块：考核目标和知识内容。

我的操作方法是把考核目标单独摘出来，做成一段固定的角色背景描述。比如 IGCSE 生物考纲里写“demonstrate knowledge and understanding of biological facts and concepts”以及“apply this knowledge to unfamiliar situations”，这两句话直接就能变成 Prompt 里的行为准则：“你是一位熟悉剑桥 IGCSE 生物大纲的导师，你的回答需要体现知识理解与陌生情境应用两层目标。”

知识内容部分则按主题抽取，做成带编号的知识点列表。为保证效果，我不会把几十页大纲全塞进 Prompt，通常只带与项目主题相关的两到三个知识主题。例如做一个“光合作用学习助手”，就只取出“plant nutrition”这一主题下的所有学习目标，大约十条，放进去完全够用。骨架搭好了，血肉只需要按需添加，Prompt 不会臃肿。

2.2 定角色：让 AI 站在“校内教师”的位置上思考

大纲拆完，下一步是给 AI 设置角色。这一步看起来基础，但很多人的角色设置过于空泛，比如“你是一个耐心的老师”，这在 AI 眼里等于没说。我的做法是：把角色和考核目标绑定。学生问一道题，AI 不是直接给答案，而是先判断这题对应大纲哪个知识点、属于哪个学习目标，再决定回答的深度。

这里有个关键点：角色里要明确写清楚“教学立场”。跟 AI 说“你是一位剑桥课程体系的生物教师”，它自然知道你的课程节奏和术语体系。如果只是说“你是一个生物老师”，它可能把国内教材的表述和考纲术语混在一起。CAIE 大纲里那些独有的表述方式，比如“describe and explain how the small intestine is adapted for absorption”，就是很好的术语锚点。

2.3 定流程：把“问答”变成“诊断、引导、布置练习”三步

单一 Prompt 问完就结束，那是聊天机器人，不是教学项目。我习惯在 Prompt 里给 AI 固定一个互动流程：先诊断学生对当前知识点的掌握程度，再根据诊断结果做针对性讲解，最后生成一道符合大纲出题风格的小练习让学生作答。这个流程推进下来，AI 每次输出都是一节完整的小课，而不是一句孤零零的“知识卡片”。

要实现这个流程，不需要多复杂的多智能体编排，仅靠 Prompt 里的结构化指令就够。在 Prompt 中加入“每次回复分为三步：Step 1 诊断，Step 2 讲解，Step 3 练习”，AI 就会严格按这个节奏输出。搭配一个简单的会话管理脚本，就能实现有连续性的学习体验。

2.4 定输出：用考核维度做评分校验

在批改类项目中，Prompt 的输出格式设计比输入设计更关键。教育场景里，学生和老师需要的不只是“你这篇作文 16 分”，他们要看到分数依据。CAIE 大纲的 Assessment Objectives 天然适合做分数拆解。

设计批改 Prompt 时，我把评分分成四个维度：Content Understanding、Application、Analysis、Evaluation。这不是我拍的脑袋，而是从 A-Level 经济大纲的 AO 考核维度直接映射过来的。Pormpt 末尾明确要求 AI 输出一个 JSON 结构，包含每个维度的得分、评分理由和修改建议。这样用户拿到的是一份可解释、可复议的评估报告。

2.5 通用 Prompt 转译模板

五步操作走完，实际上可以沉淀出一套通用模板。我公开一个简化版，大家可以直接套用到新的 CAIE 学科：

你是[学科]领域内熟悉 CAIE 教学体系的资深[角色，如教师/出题人/批改官]。 你的回答受以下考核目标和知识点约束： [考核目标列表] [知识点列表] 任务说明： [具体任务要求，如解释某个概念/批改文章/出题] 输出规范： [指定输出结构，如先结论后理由、按维度给分、给出举例] 互动流程： [指定回复步骤，如先诊断后讲解最后出练习]

这套模板的核心逻辑是角色 + 知识约束 + 任务 + 输出规范 + 互动流程，五个要素缺一不可。有了模板，任何 CAIE 学科都能在半小时内搭出第一版可用的 Prompt。

3. 实操项目一：IGCSE 生物智能学习助手

3.1 项目目标与大纲素材准备

第一个项目我选生物，因为 IGCSE 生物的知识点边界最清楚，定义、分类、原理一条条都写在纸面上，非常适合作 Prompt 约束实验。项目目标是做一个学习辅助工具，学生问问题，AI 按大纲知识点边界做诊断性讲解，并出练习题。

首先准备大纲素材。打开 IGCSE Biology 0610 大纲 PDF，翻到“Syllabus content”这一节，把“Plant nutrition”主题下的 learning outcomes 提取出来，内容大概是这样的：describe the process of photosynthesis、explain the effect of light intensity on the rate of photosynthesis、state the uses of glucose in the plant 等。每一条都带着明确的动词，这些动词决定了 AI 的回答层次。比如“describe”只需要学生描述过程，而“explain”需要学生分析因果关系，AI 不能把两者混为一谈。

3.2 Prompt 构造细节与 Python 调用实现

这个学习助手的 Prompt，我按五步法拼装。角色设置为“熟悉剑桥 IGCSE 生物大纲的辅导教师”；知识约束放在系统提示词中，只保留“Plant nutrition”和“Transport in plants”两个主题的学习目标；任务描述明确为“回答学生问题，但不超出考纲范围；如果问题超纲，明确提示超纲并不回答”；输出规范里我要求 AI 先归纳核心考点的条理，再展开讲解，最后出一道单选题；互动流程要求先提一个检测概念掌握的问题，根据回答选择讲解深度。

实现层面，我用 Python 调用 OpenAI 兼容接口做了一个命令行版本，核心代码很简单，三十行不到：

import os from openai import OpenAI client = OpenAI( base_url=os.getenv("AI_BASE_URL"), api_key=os.getenv("AI_API_KEY") ) system_prompt = """ 你是剑桥 IGCSE 生物（0610）考纲下的资深辅导教师。 你必须只基于以下考纲内容回答： - describe the process of photosynthesis - explain the effect of light intensity on the rate of photosynthesis - state the uses of glucose in the plant - describe the structure and function of xylem and phloem 如果学生问题超出该范围，请指出超纲。 回答结构：先总结考点，再展开讲解，最后出一道选择题。 """ while True: user_input = input("学生提问: ") if user_input.strip().lower() in ["exit", "quit"]: break response = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_input} ], temperature=0.3 ) print("\nAI 回答:\n", response.choices[0].message.content)

这里的温度参数我调到 0.3，是为了让讲解内容可控、术语稳定。如果调太高，AI 会自由发挥，容易超出大纲边界。

3.3 实测效果与校验方式

实测时我输入“光合作用为什么需要光？”，AI 的回答结构非常标准：先定位到“explain the effect of light intensity”这个考纲条目，然后从光反应角度解释，最后给出一道考察光照强度的选择题。整个过程没有引入大学阶段的“暗反应细节”，正好卡在 IGCSE 考纲的深度上。

我做了个额外校验：把 AI 每次回答的内容和大纲文本做相似度趋势比对。具体方法是把回答按句子拆开，计算每个句子与最近大纲条目的语义相似度。连续测试二十个问题之后，平均相似度在 0.71 左右，没有明显离群值。说明知识约束起了作用，回答基本没有飘出考纲范围。

4. 实操项目二：A-Level 经济 Essay 批改工作流

4.1 项目背景：为什么 essay 批改适合做工作流

第二个项目选经济，因为 A-Level 经济的 essay 批改是家长学生需求量很大的场景，而且评分维度多、主观性强，特别适合用流程化的方式约束 AI 输出。纯让 AI“打个分”，分数高低全看心情；但把它当作“按照剑桥 AO 维度逐项评估”的批改官，输出就规范多了。

A-Level 经济大纲里，essay 类题目对应的考核目标是 AO2 应用、AO3 分析、AO4 评价。AO2 看你能不能把经济学概念用到具体情境里；AO3 看你的论证链条清不清楚；AO4 看你能不能权衡不同观点、作出判断。这三个 AO 正好对应批改工作流的三个检查站。

4.2 工作流设计：审题、拆维度、批改、输出建议

我把这个项目做成了包含四个步骤的工作流。第一步是审题解析，让 AI 先分析题目考察的知识主题和核心概念，这一步的作用是防止后续批改偏离题目本意。第二步是维度拆解，AI 按 AO2、AO3、AO4 三个维度，把题目对应的得分点铺开，比如“本题的 AO2 得分点在于用需求弹性概念解释现实案例”。第三步是逐维度批改，AI 对照学生的原文，在每个维度下给出得分、扣分明细、对应原文句子。第四步是输出整体改进建议。

先看审题的 Prompt 设计：

你是 A-Level 经济（9708）考纲下的资深阅卷人。 请先识别题目对应的知识主题与核心经济学概念。 列出该题的 AO2、AO3、AO4 得分点。 题目：咖啡豆价格上涨会对市场产生什么影响？

这一段 Prompt 的目的不是批改，而是先把学生的答案摆在一边，让 AI 本身先建立一套评分蓝图。没有这套评分蓝图，后续的批改一定会出现“题目都看歪了，分还打得很开心”的局面。

批改阶段的 Prompt 我这样设置：

以下是学生作答内容： [学生作文文本] 请按 A-Level 经济大纲的 AO 维度逐项批改： - AO1 知识理解（如有必要） - AO2 应用：是否使用了具体经济概念解释情境 - AO3 分析：论证逻辑是否完整 - AO4 评价：是否考虑了其他观点并作出合理判断 每个维度输出：得分/满分、依据原文的扣分理由、改进示例。 最后给出一条综合修改建议。

4.3 实现与效果分析

实现上我用了多轮会话链，不依赖 Agent 框架，而是串行调用三次大模型接口完成整个工作流。第一次跑审题，拿到评分蓝图；第二次跑逐维度批改，拿到结构化评分结果；第三次把评分结果和作文原文合并，让 AI 生成一段偏“教练口吻”的综合评语。每步之间通过中间 JSON 传递数据，整个流程稳定运行。

试运行了一个学生的 essay，主题是“Evaluate the microeconomic and macroeconomic consequences of a rise in the rate of interest”。AI 给的评分是 AO2 6/8、AO3 5/8、AO4 4/6，每一项的扣分理由都引用了文中原句，并指出“这个论点有合理性，但是缺少对 opposite view 的反驳”。这个反馈质量已经相当接近真实阅卷老师的批改水平。最关键的是，家长可以看到每一分扣在哪，不再是一笔糊涂账。

5. 实操项目三：CAIE 英语第二语言口语陪练 Agent

5.1 项目目标与大纲维度解析

第三个项目做一个口语陪练 Agent，面向剑桥 IGCSE English as a Second Language (0510) 考试的口语部分。这个项目难点在于：口语能力评估不像选择题那样有标准答案，AI 给反馈很容易给成“说得挺不错”这种废话。所以我把大纲里的口语考核维度请出来，让 AI 按维度评估，输出具体到句子层面的反馈。

0510 大纲口语部分的考核维度主要是发音清晰度、表达流利度、语法准确性、词汇使用范围、以及互动沟通能力。这五个维度恰好就是 AI 评估的结构坐标。另外，口语考试话题一般有固定范围，比如日常生活、教育、科技、环境等，拉话题不可能超出大纲范围。我把这些常见话题也整理进了 Prompt 知识库，作为对话开场和延伸讨论的依据。

5.2 对话式陪练流程与反馈机制

这个 Agent 的核心流程分三大段：开场破冰、正式对话、详细反馈。开场破冰阶段，AI 会从给定话题池里挑一个，比如“环境保护与个人责任”，先问一个热身问题，让考生进入状态。正式对话阶段，AI 模拟真实考官互动，既可以追问，也可以根据考生回答变换问题方向。详细反馈阶段，AI 才露面，用五个维度逐项打分，每项附上一句基于考生活语实例的改进建议。

为了让反馈更有说服力，我在 Prompt 里专门加了一条：AI 在正式对话阶段，必须在后台默默记录考生说到的原句和语法错误样例。到反馈阶段，把这些真实记录引用进评分理由。这就避免了 AI 批改时泛泛而谈“注意时态”，却说不清楚是哪个时态、哪个句子出了问题。

5.3 提示词核心片段

口语对话阶段和反馈阶段的角色有微妙差异，我在 Prompt 中做了严格区分。对话阶段我要求 AI“只当考官，不评价、不纠正、不跳出考官角色”，避免考生中途被打断。反馈阶段才切换到“考官助理”，输出结构化反馈。这里放一段对话阶段的 Prompt 核心内容：

你正在和一位剑桥 IGCSE ESL（0510）考生进行口语考试模拟。 你的身份是口语考官。 选择一个话题并开始对话，从热身问题开始。 根据考生的回答适当追问，但不要评价考生的表现。 全程只负责引导对话，不纠正错误，不给反馈。 请在后台记录候选人在对话中的典型语言错误。

这个“后台记录”的指令其实很妙，大模型在上下文里天然会保留之前的对话内容，反馈时只需要让它“回顾对话并提取依据”即可。实测下来，反馈质量比一次性直接批改要高很多，因为模型在对话阶段已经“看到”了考生的表现。

6. 常见问题与排查技巧实录

做了这么多 CAIE 系列项目，踩过的坑也不少。这里把典型问题整理成速查表，给后来者省点时间。

除了上面这些，还有一个很容易被忽略的问题：AI 的结构化输出不稳定。你让 AI 输出 JSON 格式的评分，它偶尔会在 JSON 后面附加一句“总体评价：非常好”。解决方式有两种，一是启用接口支持的结构化输出模式，比如 response_format 设为 json_object；二是在 Prompt 末尾加一句“只输出 JSON，不要任何额外文字”，配合解析时做容错处理。

另外，关于“invalid prompt: your prompt was flagged as potentially violating our usage policy”这类报错，我想多说几句。出现这个提示，绝大多数情况不是你的 Prompt 本身有什么恶意内容，而是某些措辞在内容安全策略面前被误判或命中敏感词。我处理过的有效方式是把 Prompt 改写成中性、教育化、学术化的表达，同时把目标导向放在“教学辅助”“知识讲解”“通用评估”上。安全的项目设计是底线，我也不会去研究任何绕过审核的方法，合规使用接口才能长久。

最后再分享一点小经验：每次搭完 CAIE 系列的 Prompt，我都会做一个回归测试集，大概二十到三十个问题，把变更前后的输出结果做对比。每个版本迭代之后跑一遍回归，确保大纲约束没被削弱。这个习惯救过我很多次，尤其是那些“感觉系统提示词只改了一个字，实际输出漂移了一大截”的情况。

用 CAIE 大纲做 Prompt 框架，最大的好处是让你的 AI 项目从“聊得还行”变成“专业可用”。你不需要自己发明知识体系，只需要把官方大纲拆成 Prompt 能用的模块。这套方法也不局限于生物、经济、英语这三个学科，任何 CAIE 学科，甚至 IB、AP 大纲，底层逻辑都通用。如果你手头正好有一个一直想做但总是跑偏的 AI 教育项目，不妨从下载一份大纲 PDF 开始。