夜雨聆风
作者：小磊
编辑： Eddie
校对：西兰花
你一定遇到过这样的场景：让 AI 帮你写一封邮件，它洋洋洒洒写了三大段，核心诉求却轻描淡写；让 AI 总结一份报告，它把全文复述了一遍；让 AI 翻译一段文字，它擅自"润色"到完全变了味……
这些问题的根源，往往不是 AI 不够聪明，而是你的指令太模糊。
大语言模型（如ChatGPT、Claude、文心一言）拥有一个几乎无限的"知识宇宙"和"技能海洋"。如果你不给它划出清晰的边界，它就会像一个缺乏方向的天才，什么都想展示一点，最后给你一个"四不像"的结果。
今天，我们介绍一套经过实战检验的结构化 Prompt 框架—— RASCEF 模型 。它将帮你把模糊的想法变成精确、可控、高质量的 AI 输出。
为什么需要 "结构化" ？
传统的自然语言指令就像打电话："帮我写个方案。"——对方不知道你是谁、要什么方案、给谁看、怎么写。
结构化 Prompt 则像填写一份标准化表单。它把指令拆解为六个清晰的模块，每个模块对应 AI 的一个"思考维度"。这能从根本上解决三大痛点：
02.RASCEF
六步写出专业级 Prompt
原理：大模型的训练数据涵盖所有领域。当你不指定角色时，它会从"全人类知识库"中随机提取，这必然引入大量无关
信息。通过赋予一个具体角色，你相当于告诉模型："只打开这个专业抽屉，其他的锁上。"
写法：用一个身份短语开头，例如"资深财经记者""华为认证网络工程师""小红书美妆博主"。
案例：
原理：角色赋予身份，能力则明确这个身份应该"会什么"。世界上的技能成千上万，模型默认会激活其中很大一部分。你需要显式地"关闭"不需要的能力，只保留完成任务所必需的。
写法：列出3~5项关键能力，可以是硬技能（Python编程、SPSS统计分析）或软技能（共情能力、逻辑批判力）。
案例：
"你是数据分析师。"
原理：限制是AI输出的"护栏"。没有限制，模型会倾向输出最长、最全的答案——而这往往不是你想要的。有效的限制包括长度、语气、禁忌话题、知识边界等。
注意：大模型对精确计数（如"150字以内"）的遵守并非100%可靠，但相对约束（如"三段以内"）的效果更好。
案例：
原理：示例是 Few-shot 学习的核心。一个高质量的示例于"给AI画了输出样图"，能让模型瞬间理解你想要的风格、结构和颗粒度。对于复杂或格式敏感的任务，示例必不可少。
写法：提供一对"输入→输出"演示。示例数量1~3个为宜，过多可能引入偏差。
案例（情感分析任务）：
"示例：
用户评论：'快递比蜗牛还慢！' → 负面（原因：物流时效不满）
用户评论：'客服态度很好，耐心解答。' → 正面（原因：服务认可）
现在请分类：'产品功能很全，但说明书太简陋了。' →"
Format（格式）
原理：人类阅读是线性的，但机器解析结构化格式（JSON、Markdown、表格）的效率极高。如果你需要把AI输出集成到下游系统（如自动发邮件、生成报表），强制指定格式是必备步骤。
写法：可以直接描述"以表格形式输出，包含三列：问题、原因、建议"，也可以提供一个格式模板。
案例：
"使用以下JSON结构输出：
{
"summary": "一句话总结",
"key_points": ["要点1", "要点2"],
"action_items": [{"task": "xxx", "owner": "待定"}]
}"
原理：这是整个Prompt的"动词"部分。对于复杂任务，最好拆解成多个子步骤，并引导模型按顺序执行（Chain-of-Thought思想）。明确告诉模型"先做什么、再做什么"，能大幅提升推理准确性。
写法：使用序号"1. 2. 3."列出步骤，并鼓励模型"逐步思考"。
案例：
"请按以下步骤完成任务：
1. 阅读下方用户反馈原文；
2. 提取其中提到的三个主要痛点；
3. 针对每个痛点，提出一个可执行的解决方案；
4. 将结果以HTML无序列表输出。"
RASCEF 完整示例
从模糊到精准
# Role
你是一位专注"Z世代兴趣社群"的资深活动策划专家，曾操盘过30人以上的线下桌游、读书会活动。
# Ability
- 擅长设计低成本、高互动的破冰环节
- 熟悉大学生群体的时间安排与兴趣偏好
- 能够编写清晰的活动流程时间表（精确到分钟）
- 具备风险管理意识，能预判常见意外并给出预案
# Constraint
- 活动总预算不超过500元（人民币）
- 参与人数设定为20人
- 地点限定为校内普通教室（无特殊设备）
- 不要使用"抽奖""现金奖励"等涉及财务敏感的方式吸引参与
- 整体语气为轻度幽默、鼓励参与，避免说教
# Example
示例活动主题："周五电影夜·交换零食"
- 破冰：每人带一包零食，入场时盲抽号码，对应座位上的不同零食
- 流程：18:30-18:45 签到与零食交换；18:45-20:45 电影放映；20:45-21:00 一句话吐槽接龙
- 预算：零食采购150元，饮料80元，装饰物料70元，备用金200元
# Format
请输出以下三个部分，每部分用"###"分隔：
### 活动方案概述（200字以内）
### 详细时间线（表格形式：时间 | 环节名称 | 负责人 | 所需物料）
### 潜在风险与应对（无序列表）
# Step (Task)
1. 首先确认本次活动主题。假如用户没有提供，请设定一个适合20人、预算≤500元的线下兴趣活动主题。
2. 然后基于选定主题，按照Format要求生成完整内容。
3. 最后，在末尾附上一句话评价："本方案的成本效益比为___，建议优先采购___。"
使用上述 Prompt ，你会得到一个远比你想象中更专业、更落地的活动方案。即使第一次输出有细节偏差，你也可以通过修改 Constraint 或补充 Example 快速迭代。
再升级
让 AI 帮你写 Prompt
结构化 Prompt 的写法虽然清晰，但每次手动写六个模块还是有些繁琐。好消息是——你可以让 AI 来帮你生成这种结构化 Prompt。
例如，市面上已有一些专门的小工具（如 Prompt Engineer Assistant，可在 GPT Store 或 Coze 商店免费使用），你只需要用大白话说出你的需求：
然后工具会自动生成一个完整的 RASCEF 格式 Prompt ，你稍作修改即可投入使用。
这种"元提示词"的方式，大大降低了普通人使用结构化 Prompt 的门槛。
结语
结构化是人类与 AI 协作的
"通用接口"
早期的人机交互需要学习编程
语言；现在，自然语言成为了新的接口。但自然语言的模糊性，恰恰是它与机器协作的最大障碍。
结构化 Prompt（如 RASCEF 框架）的本质，是在自然语言和机器指令之间架起一座桥梁。 它没有剥夺AI的创造性，而是约束了它的发散方向，让你真正成为AI的"产品经理"。
下一次当你觉得AI"不听话"时，不妨拿出这六个字母：R - A - C - E - F。填完这张表，你会发现——90%的"AI 智障"问题，其实只是指令的"排版不好"。
现在，就去试一试吧。把你的任务拆解成角色、能力、限制、示例、格式、步骤，然后丢给你的大模型。你会惊讶于它的改变。
记住：你给AI的边界越清晰，它给你的结果就越惊艳。
— END —
