ai-prompt-engineering-framework

name	ai-prompt-engineering-framework
description	当需要利用AI工具（如ChatGPT）生成高质量、专业级内容或解决方案时

ai-prompt-engineering-framework

When to Use

当需要利用AI工具（如ChatGPT）生成高质量、专业级内容或解决方案时description

Core Logic

执行步骤

1. 定义任务与目标

   • 输入：一个需要完成的工作任务（如撰写脚本、设计方案、分析问题）。
   • 操作：明确任务的具体目标、期望的成果形式、目标受众以及成功的关键标准。
   • 判断标准：能够用一句话清晰描述“我需要AI帮我产出什么，以及它需要达到什么效果”。
   • 常见误区：目标过于宽泛（如“写个视频脚本”），缺乏具体约束和衡量标准。

2. 注入专业知识与上下文

   • 输入：步骤1中定义的任务目标。
   • 操作：将与任务相关的专业知识、背景信息、关键数据、风格要求或约束条件整理成结构化文本。
     • IF 任务是创意类（如文案、设计），则提供受众画像、品牌调性、情感诉求、参考案例。
     • IF 任务是分析类（如报告、总结），则提供数据来源、分析框架、关键指标、结论倾向。
   • 判断标准：提供的上下文足以让一个该领域的新手理解任务的基本要求和边界。
   • 常见误区：假设AI具备领域常识而省略关键背景；提供的信息杂乱无章，缺乏结构。

3. 构建结构化提示

   • 输入：步骤1的任务目标和步骤2的专业上下文。
   • 操作：将输入整合成一个清晰的、多部分的指令（提示词）。标准结构应包括：
     • 角色：指定AI扮演的角色（如“资深营销顾问”、“代码审查专家”）。
     • 任务：清晰复述步骤1定义的任务。
     • 上下文：嵌入步骤2整理的专业知识与要求。
     • 输出格式：明确规定产出的格式（如大纲、列表、JSON、特定风格的段落）。
     • 步骤：（可选）要求AI按特定思考步骤执行任务。
   • 判断标准：提示词本身读起来像一个完整、清晰的工作简报，不同部分各司其职。
   • 常见误区：指令模糊、冗长或存在矛盾；角色与任务不匹配；未指定输出格式。

4. 执行与迭代优化

   • 输入：步骤3构建的结构化提示词。
   • 操作：将提示词提交给AI工具，评估其初始输出。
     • IF 输出完全符合或超出预期，则进入步骤5。
     • IF 输出部分符合但有偏差，则分析偏差原因（是上下文不足、指令歧义还是格式问题），修改提示词中相应部分，重新提交。此过程可循环多次。
   • 判断标准：能够准确诊断AI输出不符合要求的原因，并针对性地修正提示词。
   • 常见误区：不分析失败原因就盲目重试；仅微调提示词措辞而不解决根本的结构性问题。

5. 模板化与复用

   • 输入：经过步骤4优化后，能稳定产出高质量结果的最终提示词。
   • 操作：将该提示词保存为模板。识别其中可变的参数（如主题、数据源、风格微调点），将其标记为占位符。
   • 判断标准：当替换模板中的可变参数后，AI能基于同一框架为新任务生成同等质量的结果。
   • 常见误区：将一次性成功的提示词视为终点，未抽象出可复用的模式。

输出格式要求

最终输出应为可直接交付的工作成果（如完整的脚本、分析报告、设计方案等）。成果应严格符合步骤1和步骤3中定义的格式与质量标准。如果经过多轮迭代，应提供最终版本，并可选择性附上关键迭代点的说明。

Metadata

属性	值
领域	人工智能应用
类型	procedural (procedural)
置信度	90%
前置条件	拥有或可以访问一个生成式AI工具, 对目标任务领域有基本了解
来源	人工智能与未来工作：不愉快的真相与应对策略