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 |
|---|---|---|---|
| CR | Capacity and Role | 定义模型身份与能力边界 | 你是谁？你擅长什么？ |
| I | Insight | 提供背景、语境与约束 | 你还需要知道什么？ |
| S | Statement | 下达明确、可执行的任务 | 你到底要做什么？ |
| P | Personality | 规定输出风格与语气 | 回答长什么样？ |
| E | Experiment | 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。
