CRISPE框架详解：让大语言模型输出高质量结果的提示词工程指南-北京尧图网络

写提示词这件事入门只要十分钟但要写好往往得反复磨。我见过太多人——包括从前的我自己——把大语言模型当成一个“有问必答的同事”想到什么就直接问什么“帮我写一份市场推广方案”然后对着平庸的输出叹气。后来我把 CRISPE 这套提示词工程框架真正用起来才明白问题从来不在模型而在提示词的信息结构。这篇文章适合所有和生成式AI打交道的朋友写文案的、写代码的、做分析的、带团队梳理AI工作流的只要你知道“提示词质量直接决定输出质量”这个道理CRISPE 就值得你花半小时系统过一遍。全文按两章八节展开第一章把框架的逻辑讲透第二章给足可以照抄的实战案例。1. 第一章框架认知为什么提示词工程需要一个像CRISPE这样的结构第1节1.1 大多数提示词失效的根源先聊一个现象。我接触过不少同事和读者他们对大语言模型的评价经常是“时而惊艳时而智障”。同一个模型上午还能写出像模像样的方案下午换个问法就满嘴正确的废话。差别往往不在模型而在提示词。大多数失效的提示词都败在信息量不足。你只说了“要什么”没说“以什么身份要”“为什么需要”“给谁看”“用什么语气”“要几个版本”模型就只能把每个维度都往最中庸的方向猜。大语言模型不是一个搜索引擎它本质上是一套“在给定上下文条件下预测最合理输出”的系统。上下文里没有的信息它不会凭空变出来它只会用统计学上最可能的写法糊弄过去。打个生活化的比方你请一位装修师傅干活只丢一句“帮我把厨房弄一下”师傅能怎么办他只能按自己脑子里“最标准厨房”的样子自由发挥你回来大概率要返工。但如果你告诉他“三口之家平均身高一米七每天做两顿饭预算三万喜欢原木风三周内完工”他做出来的方案和你想对上的概率就高得多。提示词的道理完全一样——模型不是不想好好干是你给它的“需求说明书”太薄了。1.2 CRISPE的定位不是咒语而是沟通清单CRISPE 就是针对这个问题的结构化方案。它不是某个模型特有的口令也不是什么高深理论本质上是一份“与AI沟通前必须想清楚的清单”。这套框架最初来自英文提示词社区的实践总结核心思想是把一条提示词拆成五个必要模块角色、背景、任务、风格、实验。五块拼齐提示词的信息结构就完整缺一块输出的短板就出在哪一块。我经常跟朋友说CRISPE 解决的核心问题不是“让模型变聪明”而是“让你把需求想清楚”。很多时候我们提示词写得差不是因为不会写而是因为没想清楚。CRISPE 逼着你在提问之前先回答五个问题模型该以什么角色回答它需要知道哪些背景它要完成的具体任务是什么输出应该是什么风格要不要给多个版本供对比把这五个问题答完一条高质量提示词基本就成型了。1.3 五要素速览先记住这张表在逐字拆解之前先放一张速览表方便你建立整体印象要素英文全称作用对应问题CRCapacity and Role定义模型身份与能力边界你是谁你擅长什么IInsight提供背景、语境与约束你还需要知道什么SStatement下达明确、可执行的任务你到底要做什么PPersonality规定输出风格与语气回答长什么样EExperiment要求多版本与自我迭代能不能多给几个方案这张表建议你先抄一遍。后面所有内容本质上都是围绕这五行展开的。2. 第一章要素拆解上CR、I、S三个要素怎么用才有效第2-4节2.1 第2节 CR——能力与角色先让模型“上岗”再让它“干活”CR 是 CRISPE 里的第一个模块也是最容易被误解的模块。很多人以为“角色扮演”就是写一句“你是专家”就够了实际上 CR 要解决的是模型的“能力预设”问题。大语言模型在训练时读过海量文本它的“知识仓库”里同时装着医生、律师、程序员、销售、编辑等无数种讲话方式。当你不指定角色时模型默认启用“通用助手”口吻——四平八稳、缺乏立场、什么都说一点但什么都不深入。而一旦指定角色等于把模型的生成方向往特定区域压缩你说“你是一名有十年经验的数据分析师”模型就更倾向使用分析师的术语、分析框架、甚至表达习惯。我自己的经验是CR 部分不要只写“你是某领域专家”就完事最好把经验年限、擅长的方法论、服务的对象都带上。对比一下低效版你是数据分析专家帮我分析销售数据。 CRISPE版CR你是一名在零售行业工作八年的数据分析专家擅长用同比、环比、漏斗模型和用户分层等方法诊断销售变化服务过实体门店和电商两类业务。后面这个版本为什么更好因为“零售行业”“八年”“漏斗模型”“用户分层”这些词有没有模型输出的颗粒度完全是两回事。没有这些限定它给你一套放之四海皆准的通用框架有了这些限定它输出的指标和分析角度会更贴近真实业务场景。2.2 第3节 I——洞察与背景把上下文喂够别让模型瞎猜I 模块是 CRISPE 里最容易被跳过的模块但恰恰是最能拉开输出质量差距的模块。很多人的逻辑是“模型什么都知道为什么还要我提供背景”——模型确实知道很多但它不知道你的具体情况。I 模块要填充的内容包括三类。第一类是客观背景比如业务所处的阶段、数据的规模和时间范围、产品的单价和受众第二类是约束条件比如预算限制、合规要求、截止时间第三类是目的与受众这份输出最终给谁看、用来做什么决策。还是用看病来类比。你对医生说一句“我不舒服”医生只能从头到脚排查但你说“前天吃了海鲜昨晚开始胃疼没发烧以前有过胆囊炎”医生立刻就有了方向。背景信息越多模型花在猜测上的算力就越少花在解决问题上的能力就越多。举个实际例子。你让模型写一封客户回访邮件低效版帮我写一封给客户的回访邮件。 CRISPE版I客户一个月前购买了我们的入门级课程上周他发邮件抱怨课程难度太低客服已经电话沟通过一次他态度有所缓和但还没有续费意向。这次回访的目的是修复关系不是推销。背景一旦补充到“具体情况”层面模型写出来的邮件绝不会是模板味的它会针对“难度太低、已电话沟通、未续费”这些信息逐条回应。这就是 I 的价值——它把模型从“写一封像样的邮件”变成“写一封发给这位客户的邮件”。2.3 第4节 S——陈述与任务指令要“可执行”不要“可理解”S 模块就是任务本身看起来最简单实际上最容易出问题。问题的根源在于我们把“模型能看懂”当成了“模型能做对”。写代码的人都知道机器能读懂的代码不一定能正确运行中间差的就是精确的规格。S 模块的写作要领有三条。第一条动词要具体。“分析”“讨论”“看看”这类词输出边界很模糊“列出”“对比”“给出”“分三步”这类词输出边界就清晰得多。第二条把交付物规格写清楚。你要的是段落、列表、表格还是逐条结论字数多少每条要不要带理由第三条写明质量标准和忌讳比如“不要使用空泛的口号”“所有结论必须有数据支撑”。低效版S请分析一下我们公司上个季度的经营情况。 CRISPE版S请分析我们公司上个季度的经营情况输出一份500字以内的简报包含收入、成本、利润三个板块每个板块先给结论再给支撑数据最后给一个需要管理层关注的预警项。整体避免空话套话结论必须给出数据出处或计算口径。同样一个任务规格写得越细模型跑偏的可能性越小。我常说的一个判断标准是提示词里的 S应该写成“给新同事的交接说明”而不是“给老朋友的闲聊请求”。3. 第一章要素拆解下P、E与五要素协同第5-6节3.1 第5节 P——个性与风格控制输出的“长相”P 模块负责输出风格。风格这个东西在早期提示词教学里被当成“锦上添花”用过 CRISPE 之后我才意识到它是必需品。原因很简单同一段内容用不同风格包装它的可读性、说服力和后续可操作性完全不同。同样是优化一段产品介绍不写 P模型就给你一段中性得不能再中性的说明文字写了 P输出立刻有“人味儿”P请用书面商务风格语气克制但自信每句话不超过40字避免形容词堆砌多用动词和名词格式上每条卖点单独一个短段落。P 的写作对象包括语气正式/轻松/犀利/温和、句式短句/长句/口语化、用词偏好专业化/大众化、结构偏好结论先行/总分总以及明确的禁忌不要用感叹号、不要用网络用语。这些细节看起来琐碎但大语言模型对这种风格约束的服从度相当高你写了它基本就能做到。为什么 P 这么重要因为大语言模型的默认风格是“平衡且平庸”。它不会主动选择犀利、不会主动选择幽默、更不会主动“像某个人”。你不管它的风格它就用最安全的中庸风格交差这在大多数工作场景里都不是最优解。3.2 第6节 E——实验与迭代把单次提问变成一轮对话E 是 CRISPE 里最有“版本意识”的模块也是很多人完全忽略的模块。E 要做两件事第一主动要求多版本第二让模型对输出进行自我检查与自我改进。先说“多版本”的价值。大语言模型每次生成都有一定随机性同一个问题问两遍输出也会有差异。这意味着单次生成结果只是“可行解空间”里的一个抽样如果你只拿一次结果就定稿往往会错过更好的方向。E 的常规做法是在任务末尾加一句E请给出三个不同的版本分别侧重A、B、C三个方向并在最后说明每个版本的适用场景。再说自我迭代。我更喜欢的用法是让模型自己“挑刺”E以上内容完成后请你自己检查一遍指出其中逻辑不够严谨、数据可能失真、表述容易引起误解的地方并在原有基础上输出修订版。这个做法实测下来效果很稳定。原因是模型在“检查模式”下的注意力机制和“生成模式”不同它确实能发现自己刚写出来的一堆毛病。有人担心“模型自己检查自己不可靠”实测中对语言表述、逻辑连贯、遗漏信息这类问题它的自我纠错能力已经足够实用至于事实性错误则需要人工把关。3.3 五要素合体一份可以直接抄走的完整模板五要素讲完给一份可以直接套用的骨架。以后不管什么任务都可以按这个结构填内容CR你是一名【角色】拥有【经验年限/擅长方法/服务对象】。 I背景情况是【业务现状/数据情况/约束条件】这份输出的读者是【具体人群】用途是【具体决策或动作】。 S请完成【具体任务】输出格式为【列表/表格/短文】篇幅约【字数】必须包含【必备板块】禁止出现【负面清单】。 P请使用【语气/风格】句式【偏好】术语水平【面向专业读者或大众】。 E请先给出【数量】个不同方向的版本然后选择最优版本进行自检指出潜在问题并输出修订版。我第一次用这个模板时明显感觉到模型输出的“专业浓度”提升了一大截。当然模板是骨架不是束缚第二章我们专门讲怎么灵活调整。4. 第二章实战演练三个场景的逐字改写全过程第7节4.1 场景一从“帮我写一份市场方案”到CRISPE版本第一个场景是大多数人最常遇到的写方案。先看原生态提示词你大概率见过甚至写过——就一句话“帮我写一份新品上市的市场推广方案。”再看 CRISPE 改写后的完整版本CR你是一名在快消行业做了十年的市场总监操盘过至少五个新品从0到1的上市推广熟悉社交媒体种草、渠道铺货和线下活动的组合打法。 I我们的产品是一款主打“办公室便携”的即食燕麦杯单价25元目标人群是一二线城市25到35岁的白领竞品主要是传统燕麦品牌和新兴代餐品牌这次推广预算50万元周期一个月核心目标是上市首月完成300万销售额。 S请输出一份新品上市市场推广方案包含目标人群洞察、核心卖点提炼、渠道策略、内容策略、预算分配与时间节奏六大板块每个板块先给结论再给理由预算分配必须精确到万元时间节奏以周为单位。 P用专业商务风格语气直接不绕弯标题和每节开头用结论先行句式避免“赋能”“抓手”等空泛词。 E请先给出聚焦“线上种草为主”和“线上线下一体化”两个不同方向的方案对比优劣后推荐一个并指出该方案最大的两个执行风险。这份提示词放在一起很长但拆开看每个部分都在回答一个具体问题。模型拿到它等于拿到一份完整的 brief输出的方案基本能当初稿直接用而不是“仅作参考”。4.2 场景二代码解释与代码评审任务的CRISPE改写很多程序员觉得 CRISPE 偏“文职”场景其实在代码任务里一样好用。以最常遇到的“帮我解释这段代码”为例没有 CRISPE 时模型会给你一段“这段代码的功能是……”的标准答案有 CRISPE 时输出会完全不同。CR你是一名熟悉 Python 后端开发的资深工程师擅长解释复杂代码并指出潜在问题。 I这段代码来自一个库存管理服务的订单模块团队里其他成员以 Java 为主Python 经验不多我们正在做代码评审最关心并发安全和可维护性。 S请逐段解释这段代码的执行逻辑用文字描述数据流转关系指出线程安全和异常处理方面的潜在问题并给出两处具体的重构建议。 P解释面向 Python 基础一般的同事多打比方少堆术语每个问题点用“影响—原因—改法”三段式表达。 E说明你最大的一个顾虑是什么以及如果由你负责重写你会优先改哪一部分。这套模板的价值在于本来模型只会“翻译代码”现在它会“评审代码”。角色、背景、任务、风格和实验五个维度每一项都在改变输出的用途。4.3 场景三翻译与润色场景的CRISPE变体最后一个场景是翻译和润色。很多人觉得这类任务太简单不需要框架。实际上如果只是直译大语言模型和在线翻译工具没有本质区别但加了 CRISPE 背景之后它能做出“符合场景的翻译”而不是“符合语法的翻译”。CR你是一名中英双母语水平的商业译者长期翻译科技公司的对外文档和产品文案。 I这篇文章是给海外客户的季度产品更新邮件客户有技术背景但不是人人都是工程师邮件目的不是解释技术而是强化客户信心。 S把下面这段中文翻译成英文保持原有结构和完整信息术语如“分布式架构”“容灾”“灰度发布”第一次出现时给出括号注释遇到中文里常见但英文里冗余的表达如“进一步”“有效”可以适当精简。 P语气专业、克制、偏商务避免营销化的感叹号和夸张副词句子平均长度控制在20个单词以内。 E翻译完成后用一段话说明你做了哪些意译处理以及哪些地方保持直译并说明原因。当你把“翻译任务”升级成“带约束的翻译任务”模型输出的译文质量基本能对齐国际商业写作的标准。4.4 改写前后的效果对比三个场景看下来你会发现一个共同规律原始提示词的问题不在“任务没写对”而在“任务以外的信息全都没写”。CRISPE 做的最重要的一件事就是把任务以外的信息系统地补齐了。场景改写前的典型问题CRISPE改写后的改善市场方案结构通用、卖点平庸、预算模糊有行业视角、有明确板块、预算可执行代码解释只翻译字面意思不提风险带代码评审视角有重构建议翻译润色语法正确但风格平淡符合场景预期术语处理专业5. 第二章实战心法常见误区、调优技巧与模板沉淀第8节5.1 五个容易踩的坑第一个坑是“把 CRISPE 当填空游戏”。五要素每项都写了但全是空话比如“你是一名优秀专家”“请给出高质量回答”。这种填充对输出没有约束力是“形式上的 CRISPE”实质上的低效提示词。每个要素一定要写入具体信息——哪怕你基于当前任务编一个合理的示例背景都比写“高质量”三个字有用。第二个坑是“背景信息堆砌过量”。I 模块给背景是对的但有人会把公司简介、历史沿革、创始人故事全部贴进去。大模型对超长上下文的注意力是有限的无关信息会稀释真正重要的指令。我的经验是I 模块只写“完成任务所必需的最小背景集”写完反问自己——删掉任何一句输出会不会变差不会变差就该删。第三个坑是“忽略 E 模块”。很多人把 CRISPE 当成一条静态提示词写完就结束完全不用 E。实际上 E 是 CRISPE 里最能拉开体验差距的部分。我自己用 E 的频率相当高“请先给两个版本再自检”这种组合基本成了默认配置。第四个坑是“一次成型绝不迭代”。CRISPE 的第一版通常不是最好的版本。我的做法是先按模板写一版让模型输出再根据输出质量反推是哪个要素写得不到位然后针对性修改。风格不对多半是 P 没写清楚内容太浅多半是 CR 的角色不够具体方向不对多半是 S 的任务边界有问题。第五个坑是“照抄别人的 CRISPE 模板”。模板可以抄但抄的是结构不是内容。别人的背景、角色、任务和你的场景几乎不可能一致直接复制只会得到“看起来专业、实际上错位”的输出。5.2 调优技巧CRISPE不是死模板用 CRISPE 一段时间后你会发现五要素的“权重”是可以调的。任务越复杂CR 和 I 的权重越高任务越简单S 写清楚就够了。比如“帮我算一下这个 Excel 公式里的逻辑错误”这类任务角色的影响很小重点全在 S 和 I。另外CRISPE 和其他技巧可以叠加。最常见的是在 S 或 I 里加入少量示例把你想要的样子直接给模型看一个样例比用形容词描述一百遍都管用。还有一种叠加是“把 CRISPE 写成的提示词再喂给模型让它优化这份提示词本身”在处理高难度任务时偶尔会有奇效。还有一个细节是顺序。CRISPE 的顺序本身合理先立角色再补背景再下任务再定风格最后要求迭代。但实测下来S 和 P 的顺序偶尔调换问题不大只要 CR 在开头、E 在最后就基本符合模型的注意力习惯。顺序的价值不在于“金科玉律”而在于让信息按模型最容易消化的方式排列。5.3 把CRISPE沉淀成自己的模板库最后给一个长期主义建议。用 CRISPE 写提示词最大的收获不是某一条提示词而是形成一套自己的模板库。我自己的做法是给每个高频场景写方案、写代码注释、翻译、写邮件、做分析各存一个 CRISPE 模板每次使用后根据效果微调一次。三个月下来每个模板都被打磨得很有个人风格写新提示词时基本不用从零开始只替换 CR、I、S 里的具体内容就行。这个习惯带来的效率提升比任何技巧都大。你可能不需要背下 CRISPE 的全部细节但你一定需要一套“属于自己业务的 CRISPE 变体”。最后分享一点个人体会。我见过很多人放弃结构化提示词理由是“太麻烦了直接说多快”。这个逻辑我一开始也认同但用久了就发现直接说省的是打磨提示词的十分钟费的是反复返工的两小时。CRISPE 真正改变我的不是某一次输出变好了而是让我养成了“先想清楚再提问”的习惯。你现在花半小时把这两章八节的内容消化掉往后每一次和大语言模型的对话都会替你省回这半小时。不妨现在就挑一个手头正在做的任务按模板写一条 CRISPE 提示词试一次——我打赌第一次的效果就会让你回不去。

CRISPE框架详解：让大语言模型输出高质量结果的提示词工程指南

相关推荐

视频配乐生成中的三类对齐：语义、时间与节奏的联合约束

RANSAC直线拟合C#源码：测量粗差下的鲁棒估计实现

Gipps模型混合驾驶交通流仿真系统：从安全距离约束到CAV渗透率分析

更多资讯

ECE R13-H与I线联合建模：纯电动车能量回收策略落地核心

DNS主从复制与分离解析实战：高可用架构配置与排错指南

Docker Desktop 实用指南：从镜像管理到数据卷、网络与清理

AI技能包方法论：把提示词沉淀为可复用的工作流

知识工作插件全解析：从信息捕获到自动化，打造高效知识工作流

卡车域控制器系统框图深度解析：供电、总线与地线设计实战指南

今日更新

微信云开发旅游小程序实战：LBS打卡+UGC社交全栈方案

金融AI代理平台核心拆解：从多代理协作到财报分析实战

基于大数据的智慧旅游推荐与可视化平台架构实践

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？