企业官网建设流程全解析

提示词这东西，刚上手的时候我也觉得玄乎。对着对话框敲几个字，AI就能写代码、出方案、做分析，看起来像是"会说话就行"。但真正用起来才发现，同一个需求，有人三句话拿到能直接用的结果，有人写了两百字还在被AI反问"请问您具体想要什么"。这中间的差距，就是提示词工程要解决的问题。

这篇内容围绕《如何优雅地学会AI提示词》这个主题展开，把3大经典框架、7类通用模板和6个实战案例串成一条完整的线。不管你是刚接触AI工具的新手，还是已经用了一段时间但总觉得"差口气"的老用户，都能从中找到可以直接抄作业的方法。我不会只给你一堆理论，而是把每个框架的底层逻辑、每个模板的适用场景、每个案例的完整对话过程都拆开来讲，让你看完就能上手改自己的提示词。

1. 先搞清楚提示词到底在解决什么问题

1.1 大语言模型不是读心术

很多人对AI有个误解，觉得它"应该知道我在想什么"。实际上，大语言模型的工作方式是根据你给的输入，预测最可能的下一个词，然后一个词一个词地往外蹦。它没有读心能力，也没有"常识"——它只有训练数据里学到的统计规律。

这意味着什么呢？你给它的输入越模糊，它需要"猜"的空间就越大，输出偏离你预期的概率就越高。比如你说"帮我写个方案"，AI不知道是商业方案、技术方案还是活动方案，不知道面向谁、多长、什么风格，它只能按训练数据里最常见的"方案"格式给你凑一篇。结果就是看起来像那么回事，但根本没法用。

提示词的本质，就是把你脑子里的隐性需求，翻译成AI能理解的显性指令。这个翻译过程做得好不好，直接决定了输出质量的上限。

1.2 提示词的"信息密度"决定输出质量

我做过一个简单的对比测试。同一个需求"帮我分析一下这个季度的销售数据"，用两种方式问：

第一种："帮我分析一下这个季度的销售数据，看看有什么问题。"

第二种："你是一位有10年经验的销售运营分析师。以下是我们公司2024年Q3的销售数据（附表格）。请从三个维度进行分析：1）同比和环比的变化趋势，找出增长和下滑最明显的品类；2）各区域的完成率对比，标出低于80%的区域；3）基于数据给出3条可落地的改进建议。输出格式用Markdown表格加要点列表，控制在800字以内。"

第一种方式，AI大概率会给你一段泛泛而谈的文字，说"整体表现良好，但存在一些问题"之类的废话。第二种方式，AI会直接给你一份结构清晰、有数据支撑、有行动建议的分析报告。

差别在哪？信息密度。第二种方式里，我明确了角色、背景、任务、维度、格式和字数限制。每多一个约束条件，AI的"猜测空间"就小一分，输出就精准一分。

1.3 提示词工程不是"咒语大全"

网上流传着很多所谓的"万能提示词"，什么"请以最高质量回答""你是一个专家"之类的。这些东西有没有用？有一点，但非常有限。因为它们没有针对具体任务做适配。

提示词工程的核心不是背咒语，而是建立一套结构化的思维方式：面对任何任务，你都能快速拆解出"AI需要知道什么"和"我希望AI输出什么"，然后用合适的框架把它们组织起来。这就是为什么这篇内容要讲框架和模板——框架帮你理清思路，模板帮你快速落地。

2. 三大经典框架：从"随便问"到"结构化表达"

2.1 CRISPE框架：最适合复杂任务的万能结构

CRISPE是我用得最多的一个框架，尤其适合那些需要AI做深度分析、创意生成或方案设计的任务。它把提示词拆成六个部分：

• Capacity and Role（能力和角色）：告诉AI它应该以什么身份来回答。比如"你是一位资深的产品经理"或"你是一位擅长科普的科技作者"。
• Insight（背景信息）：提供任务相关的背景。比如"我们是一款面向中小企业的SaaS产品，目前月活5000，付费转化率3%"。
• Statement（任务陈述）：明确你要AI做什么。比如"请分析当前付费转化率低的原因"。
• Personality（风格/个性）：指定输出的语气和风格。比如"用直接、务实的口吻，不要客套话"。
• Experiment（实验/多方案）：要求AI给出多个方案或角度。比如"请给出至少3种不同的解决思路"。
• Output（输出格式）：指定输出的结构。比如"用表格对比各方案的优缺点，最后给出推荐排序"。

这六个部分不需要每次都全用上，但当你发现AI的输出总是"差口气"的时候，对照这六项检查一下，通常就能找到缺的那块拼图。

我举个实际例子。有一次我需要AI帮我写一份内部培训的课程大纲，第一版提示词只写了"帮我写一份关于数据分析的培训大纲"，结果AI给了一个非常泛的框架，什么"数据分析概述""常用工具介绍"之类的，完全不能用。后来我用CRISPE重新组织：

Capacity and Role: 你是一位有8年企业内训经验的数据分析讲师。 Insight: 我们的团队有15人，都是非技术背景的业务人员，日常需要用Excel做报表，但对统计学和编程几乎没有基础。培训时间只有两天。 Statement: 请设计一份两天的数据分析入门培训大纲。 Personality: 实用导向，少讲理论，多讲操作。 Experiment: 请给出两种不同侧重的方案：一种偏Excel实操，一种偏分析思维培养。 Output: 用表格呈现，包含时间分配、模块名称、核心内容和练习环节。

这一版出来的结果，直接就能拿去用。差别就是这么明显。

2.2 CO-STAR框架：新加坡政府都在用的提示词模板

CO-STAR是新加坡政府科技局（GovTech）在一份公开的提示词工程指南中提出的框架，在业界流传很广。它和CRISPE有相似之处，但更简洁，适合快速组织提示词：

• Context（上下文）：提供背景信息。
• Objective（目标）：明确你要达成的目标。
• Style（风格）：指定写作或表达风格。
• Tone（语气）：指定情感基调。
• Audience（受众）：明确输出是给谁看的。
• Response（响应格式）：指定输出格式。

CO-STAR的优势在于它把"受众"单独列出来了。这一点非常关键——同样一个内容，给老板看和给一线员工看，写法完全不同。很多人在写提示词的时候会忽略受众，导致AI输出的内容"对不上人"。

比如你要AI帮你写一封项目延期的通知邮件。如果不指定受众，AI可能会写得很正式、很官方。但如果你在提示词里加上"Audience: 项目组的全体成员，大家都是平级同事，关系比较融洽"，AI就会调整语气，写得更像同事之间的沟通，而不是冷冰冰的公文。

2.3 思维链（Chain of Thought）：让AI"一步步想"

思维链严格来说不算一个完整的提示词框架，而是一种技术手段。它的核心思想很简单：不要直接让AI给答案，而是要求它先展示推理过程，再给出结论。

为什么这招有效？因为大语言模型是逐词生成的，当它直接给答案的时候，相当于"一口气"蹦出结果，中间没有"思考"的余地。但如果你要求它"先分析A，再分析B，最后得出结论"，它就相当于在生成过程中"展开"了推理步骤，每一步都基于前一步的输出，最终结论的准确率会显著提高。

思维链最简单的用法就是在提示词末尾加一句"请一步步思考"或"Let's think step by step"。但更有效的方式是手动拆解步骤。比如：

请按以下步骤完成分析： 第一步：列出所有已知条件。 第二步：识别其中的关键变量和约束。 第三步：分析各变量之间的因果关系。 第四步：基于以上分析给出结论和建议。

这种手动拆解的方式比单纯加一句"一步步思考"更可控，因为你可以指定AI按什么顺序、从什么角度去推理。

思维链特别适合数学题、逻辑推理、复杂决策分析这类任务。对于简单的信息查询或文本生成，用它反而浪费时间。

2.4 三个框架怎么选：一张表说清楚

我的建议是：日常快速用CO-STAR，复杂任务用CRISPE，需要AI"动脑子"的时候叠加思维链。三个框架不是互斥的，完全可以组合使用。

3. 七类通用模板：覆盖90%的日常场景

3.1 信息提取模板：从杂乱文本中精准抓取

这类模板适合从长文档、会议记录、用户反馈中提取结构化信息。核心思路是：告诉AI你要提取什么字段，以什么格式输出。

请从以下文本中提取信息，按指定格式输出。 提取字段：人名、公司、职位、联系方式、核心诉求。 输出格式：Markdown表格，每行一条记录。 如果某个字段在原文中没有提及，填"未提及"。 文本内容：[粘贴文本]

这个模板的关键在于"如果某个字段没有提及，填未提及"这句话。不加这句，AI可能会自己编一个看起来合理的值填进去，导致信息失真。

3.2 内容改写模板：保持原意换种说法

改写是高频需求，但很多人改着改着就变味了。这个模板帮你控制改写的边界：

请对以下文本进行改写。 改写要求：

1. 保持原意不变，不增加新信息，不删减关键信息。
2. 将专业术语替换为通俗表达，目标读者是没有专业背景的普通人。
3. 将长句拆分为短句，每句不超过30字。
4. 语气从正式调整为轻松口语化。 原文：[粘贴原文]

3.3 创意生成模板：批量产出可选方案

需要头脑风暴的时候，这个模板能帮你快速拿到一批可筛选的选项：

我需要为[具体场景]生成[数量]个创意方案。 背景：[简要说明] 约束条件：[列出限制，如预算、时间、受众等] 每个方案包含：名称、一句话描述、核心亮点、潜在风险。 输出格式：编号列表，每个方案不超过100字。 请确保方案之间的差异度足够大，不要只是换措辞。

"确保差异度足够大"这句话很重要。不加的话，AI很容易给你十个方案，其实都是同一个思路的变体。

3.4 分析诊断模板：找出问题根因

遇到问题需要分析的时候，用这个模板引导AI做结构化诊断：

你是一位擅长[领域]的分析师。以下是一个[问题类型]的案例： [描述问题现象和背景] 请按以下步骤分析：

1. 列出可能导致该问题的所有原因。
2. 对每个原因评估可能性和影响程度（高/中/低）。
3. 指出最可能的根因，并说明判断依据。
4. 给出验证根因的方法和解决建议。

3.5 格式转换模板：结构化输出一步到位

把非结构化内容转成表格、JSON、思维导图大纲等格式：

请将以下内容转换为[目标格式]。 转换规则：[说明字段映射关系] 示例：[给一个输入输出的示例] 待转换内容：[粘贴内容]

给示例这一步很关键。AI对"示例"的理解能力远强于对"描述"的理解能力。你给一个输入输出的对照示例，比写三段文字说明都管用。

3.6 角色扮演模板：让AI代入特定视角

请你扮演一位[角色描述]。 你的性格特点是[性格特征]。 你的知识背景是[专业领域]。 你现在面对的情况是[场景描述]。 请以这个角色的身份，用[语气风格]回答以下问题：[具体问题]

角色扮演模板的坑在于：很多人只写了"你是一个专家"，但没写是什么领域的专家、什么级别的专家、什么风格的专家。角色越具体，输出越有针对性。

3.7 迭代优化模板：让AI自己改自己

这个模板适合需要反复打磨的输出：

以下是你之前生成的内容：[粘贴内容] 请从以下维度进行自我评估：

1. 是否完整覆盖了[要求]？
2. 逻辑是否清晰，有无前后矛盾？
3. 语言是否简洁，有无冗余表达？
4. 是否有事实性错误或不确定的表述？ 针对每个维度给出评分（1-10分）和改进建议。 然后根据改进建议，输出修改后的版本。

这个模板的妙处在于，它让AI从"生成者"切换到"审阅者"视角，往往能发现自己第一遍没注意到的问题。

4. 六个实战案例：从需求到成品的完整过程

4.1 案例一：用CRISPE框架生成一份竞品分析报告

需求背景：我需要快速了解一款新上线的项目管理工具，和市面上已有的三款主流产品做对比。

第一版提示词（失败）：

帮我分析一下XX工具和另外三个竞品的对比。

问题：AI不知道"另外三个"是哪三个，不知道对比维度，不知道输出给谁看。结果给了一段泛泛而谈的文字。

优化后的提示词：

Capacity and Role: 你是一位有5年经验的B端产品分析师。 Insight: 我们团队正在选型项目管理工具，候选产品是A、B、C、D四款。团队规模20人，以研发为主，最看重任务看板和迭代管理功能。 Statement: 请对四款产品进行竞品分析。 Personality: 客观中立，用数据和事实说话，不要主观评价。 Experiment: 从功能覆盖度、易用性、价格、集成能力四个维度对比。 Output: 先用表格做总览对比，然后针对每个维度展开分析，最后给出选型建议。

输出结果：AI给了一份结构清晰的对比报告，表格里四个维度的评分一目了然，每个维度的分析也有具体依据。虽然部分数据需要我自己核实，但框架和思路直接可用。

经验总结：竞品分析这类任务，最怕的是"维度不明确"。CRISPE里的Experiment部分帮我解决了这个问题——明确指定对比维度，AI就不会东拉西扯。

4.2 案例二：用CO-STAR框架写一封项目延期通知

需求背景：项目因为第三方接口延迟，需要延期一周，要通知项目组全员。

提示词：

Context: 我们是一个内部数字化项目，原计划本周五上线，但因第三方接口提供方延迟，需要延期一周。 Objective: 写一封通知邮件，告知项目组全员延期决定，并说明后续安排。 Style: 简洁直接，不绕弯子。 Tone: 坦诚但积极，不推卸责任，也不过度道歉。 Audience: 项目组全体成员，包括开发和业务方，大家都是平级同事。 Response: 邮件格式，包含主题、正文、下一步行动项。

输出结果：AI写的邮件开头直接说"项目上线时间调整为一周后"，然后简要说明原因，接着列出延期期间各角色的任务安排。语气拿捏得刚好，既没有"甩锅"给第三方，也没有过度自责。

经验总结：CO-STAR里的Audience和Tone是这封邮件成功的关键。如果不指定受众是"平级同事"，AI可能会写成对上级汇报的正式口吻；如果不指定语气"坦诚但积极"，AI可能会写成一封充满歉意的道歉信。

4.3 案例三：用思维链做一次数据异常排查

需求背景：后台数据显示某天订单量突然下降了40%，需要找出原因。

提示词：

以下是某电商平台最近7天的订单数据：[附数据] 请按以下步骤分析订单量下降的原因： 第一步：确认数据本身是否有问题（如统计口径变化、数据丢失）。 第二步：排除外部因素（如节假日、竞品活动、政策变化）。 第三步：检查内部因素（如系统故障、活动结束、价格调整）。 第四步：对每个可能原因，给出验证方法。 第五步：综合以上分析，给出最可能的根因和下一步行动建议。

输出结果：AI第一步就指出"周三的数据明显偏离趋势线，但前后两天正常，排除统计口径问题"。然后逐步排查，最终定位到"当天上午系统升级导致下单功能中断2小时"这个最可能的原因，并建议查看系统升级日志来验证。

经验总结：思维链的价值在于"不跳步"。如果不强制AI按步骤来，它很可能直接跳到结论，给出一个"可能是系统故障"的模糊答案。手动拆解步骤后，每一步都有明确的排查方向，结论也更可靠。

4.4 案例四：用信息提取模板处理用户反馈

需求背景：收集了200条用户反馈，需要快速分类整理。

提示词：

请从以下用户反馈中提取信息。 提取字段：反馈类型（功能建议/ Bug报告/ 体验吐槽/ 其他）、涉及功能模块、具体描述、紧急程度（高/中/低）。 输出格式：Markdown表格。 如果某条反馈涉及多个类型，拆分为多行。 反馈内容：[粘贴反馈]

输出结果：AI把200条反馈整理成了一张表格，按功能模块分组，紧急程度标注清楚。虽然个别分类需要微调，但整体效率比人工整理快了不止十倍。

经验总结：批量处理文本的时候，一定要在提示词里写清楚"如果某条反馈涉及多个类型，拆分为多行"。不写这句，AI可能会把一条反馈硬塞进一个分类里，导致信息丢失。

4.5 案例五：用创意生成模板策划一场活动

需求背景：公司要做一场内部技术分享会，需要一些有创意的活动形式。

提示词：

我需要为一场内部技术分享会生成8个创意活动方案。 背景：公司有80名研发人员，分享会时长半天，预算有限，希望氛围轻松。 约束条件：不能占用太多工作时间，不需要外部嘉宾，场地就是公司会议室。 每个方案包含：活动名称、一句话描述、核心亮点、所需准备。 输出格式：编号列表，每个方案不超过80字。 请确保方案之间的差异度足够大。

输出结果：AI给了8个方案，从"闪电演讲"到"代码拍卖会"到"bug故事大赛"，形式各异。其中"bug故事大赛"这个点子特别受欢迎——让每个人分享自己写过的最离谱的bug，既轻松又有技术交流价值。

经验总结：创意生成模板里，"确保差异度足够大"这句话是灵魂。不加的话，AI可能会给你8个方案，其中5个都是"请人来做分享"的变体。

4.6 案例六：用迭代优化模板打磨一篇文章

需求背景：我写了一篇技术博客的初稿，想让AI帮忙审阅和优化。

提示词：

以下是我写的一篇技术博客初稿：[粘贴初稿] 请从以下维度进行自我评估：

1. 技术准确性：有没有事实性错误或过时的信息？
2. 逻辑结构：段落之间的衔接是否自然？论证是否充分？
3. 可读性：有没有过于晦涩的表达？例子是否足够？
4. 完整性：有没有遗漏重要的点？ 针对每个维度给出评分（1-10分）和具体改进建议。 然后根据改进建议，输出修改后的版本。

输出结果：AI给每个维度打了分，指出了三处技术表述不准确的地方、两个逻辑跳跃的段落，以及一个缺少示例的概念。修改后的版本确实比初稿顺畅很多。

经验总结：迭代优化模板最好用在"你已经有一版内容"的时候。让AI从零生成再自己改，效果不如你先写一版、再让AI审阅。因为你的初稿里包含了AI不知道的领域知识和个人经验，这些是优化的基础。

5. 提示词写作中最容易踩的五个坑

5.1 坑一：把AI当搜索引擎用

"2024年XX行业市场规模是多少？"这种问题，AI给的答案很可能是编的。大语言模型的训练数据有截止日期，而且它并不擅长精确的事实查询。正确做法是：让AI帮你分析框架、整理思路、生成文本，但具体数据要自己核实。

5.2 坑二：提示词越长越好

有些人觉得提示词写得越长越详细，AI就越懂。实际上，过长的提示词会导致"注意力稀释"——AI可能记住了后面的要求，忘了前面的。我的经验是：核心指令控制在200字以内，如果确实需要大量背景信息，用分隔符把"指令"和"背景"分开，让AI能清楚区分。

5.3 坑三：一次让AI做太多事

"帮我写一篇关于XX的文章，顺便做个PPT大纲，再想几个标题，最后翻译成英文。"这种"一揽子"提示词，AI每一项都会做，但每一项都做不精。正确做法是拆分成多个对话，每个对话专注一件事。

5.4 坑四：不指定输出格式

不指定格式，AI就会用它"觉得合适"的格式。有时候是一大段文字，有时候是它自己编的表格。如果你需要特定格式，一定要在提示词里写清楚，最好给一个示例。

5.5 坑五：一次不满意就放弃

AI的输出很少一次就完美。第一版出来之后，你可以基于结果继续追问："第三点展开说说""把第二段改得更简洁""换一个角度重新分析"。这种多轮对话的方式，比反复修改初始提示词效率高得多。

6. 把提示词变成肌肉记忆：我的日常练习方法

6.1 建立自己的模板库

我从去年开始用一个简单的Markdown文件记录好用的提示词模板。每次遇到一个效果特别好的提示词，就把它存下来，标注适用场景和注意事项。现在这个文件里有40多个模板，覆盖了写作、分析、编程、翻译、头脑风暴等场景。下次遇到类似任务，直接翻出来改几个关键词就能用。

6.2 每次用完花30秒复盘

AI给了一个好结果，别急着关掉对话框。花30秒想一下：这次提示词里哪个部分起了关键作用？如果下次遇到类似任务，能不能复用？如果结果不理想，是哪个部分没说清楚？这个习惯坚持一个月，你对提示词的敏感度会有明显提升。

6.3 刻意练习"翻译需求"

提示词能力的核心，是把模糊需求翻译成精确指令的能力。我平时会做一个小练习：看到一个任务，先不急着写提示词，而是在脑子里过一遍——这个任务的输入是什么、输出是什么、中间需要哪些约束条件。想清楚了再动手写，比直接开写效果好得多。

6.4 关注底层逻辑而不是表面技巧

网上每天都有新的"提示词技巧"出来，但大部分都是旧酒装新瓶。与其追这些技巧，不如把精力花在理解大语言模型的基本工作原理上。理解了它为什么会产生幻觉、为什么会"忘记"前面的指令、为什么对格式敏感，你就能自己推导出适合当前任务的提示词写法，而不是到处找"万能模板"。

提示词工程这个领域变化很快，新的模型、新的能力、新的最佳实践层出不穷。但底层的东西——清晰表达需求、结构化组织信息、迭代优化结果——这些是不会变的。把这几件事练成肌肉记忆，不管工具怎么变，你都能快速上手。