4. 提示词框架解析：常见框架（如CRISPE、BROKE、CO-STAR）的对比与适用场景

在提示词工程从“经验主义”走向“结构化方法”的过程中，多个经过验证的提示词框架被提炼出来，用于帮助使用者系统性地组织指令。CRISPE、BROKE、CO-STAR 是其中最具代表性的三种。它们并非互相排斥的“银弹”，而是从不同维度对“如何清晰表达需求”这一核心问题的工程化封装。理解它们的底层逻辑、适用边界与组合策略，是编写高质量提示词的关键分水岭。本章将逐一拆解这三种框架的构成要素、操作流程与典型应用场景，并通过对比分析与实战案例，帮助你建立“按需选型、灵活组合”的框架应用能力。

上图展示了三种框架的核心构成与典型适用场景。可以看到，CRISPE 更侧重于“角色与创意”，BROKE 更强调“目标与执行”，而 CO-STAR 则更关注“上下文与风格”。在实际应用中，它们并非孤立存在，而是可以相互借鉴、融合使用。接下来，我们将逐一深入解析每种框架的底层逻辑与操作细节。

4.1 CRISPE框架：角色驱动的创意生成器

核心原理

CRISPE 框架由五个英文单词的首字母组成：Capacity（能力）、Role（角色）、Insight（背景/洞察）、Statement（指令/陈述）、Personality（个性/调整）。其核心思想是：通过为 AI 赋予一个明确的“角色身份”和“人格特征”，激发其在特定领域内的创造性输出。它假设，当 AI 被要求“以某领域专家的身份”思考时，其输出会更符合该领域的专业范式与表达习惯。

案例拆解：品牌营销方案生成

背景与目标：某新消费咖啡品牌需要为一款新品“冷萃冻干咖啡”制定小红书平台的种草文案。初始提示词仅为“写一篇小红书种草文案”，输出内容泛泛而谈，缺乏品牌调性。

使用 CRISPE 重构提示词：

你是一位专注于新消费领域的品牌策略专家（能力），尤其擅长小红书平台的种草文案创作（角色）。
背景：我们的目标用户是25-35岁的一二线城市白领，他们追求便捷、健康、高品质的生活方式。这款冷萃冻干咖啡主打“3秒即溶、0糖0脂、冷热双泡”（洞察）。
任务：请为这款产品撰写一篇小红书种草笔记，需要包含一个吸引人的标题、正文内容、以及3-5个相关话题标签（指令）。
风格：请用轻松、口语化、带点小俏皮的语气，多使用emoji，字数控制在300字以内（个性）。

结果对比：使用 CRISPE 框架后，生成的文案不仅准确抓住了产品卖点，还精准匹配了目标用户的阅读习惯和平台调性，互动率预估提升了约40%。

常见误区

• 角色与任务脱节：设定了“营销专家”的角色，却让其写代码，导致输出逻辑混乱。
• 背景信息过载：一次性输入大量无关数据，干扰 AI 对核心任务的判断。
• 忽略个性调整：只定义了角色和任务，没有定义输出风格，导致结果千篇一律。

4.2 BROKE框架：目标驱动的任务执行器

核心原理

BROKE 框架由 Background（背景）、Role（角色）、Objectives（目标）、Key Results（关键结果）、Experiment（实验/迭代） 构成。它借鉴了 OKR（目标与关键结果）的管理思想，将提示词构建视为一个“定义目标-拆解结果-实验验证”的项目管理过程。与 CRISPE 相比，BROKE 更强调任务的可执行性与结果的可衡量性。

操作流程

1. Background (背景)：简洁描述任务背景，让 AI 理解“为什么做”。
2. Role (角色)：定义 AI 在任务中扮演的角色，但无需像 CRISPE 那样过度细化。
3. Objectives (目标)：用一句话清晰说明“要做什么”。
4. Key Results (关键结果)：列出可量化的验收标准。例如：“输出一份包含5个章节、每章不少于200字的报告”。
5. Experiment (实验)：要求 AI 提供多个版本或方案，以便对比选择。例如：“请给出3个不同风格的方案”。

案例拆解：竞品分析报告撰写

初始现象：产品经理需要一份关于“瑞幸咖啡”的竞品分析报告，但直接提问得到的回答结构混乱，缺乏深度。

使用 BROKE 框架：

背景：我们是一款新兴的精品咖啡连锁品牌，正在筹备下一轮融资，需要了解主要竞品的市场策略。
角色：你是一位资深的消费品行业分析师。
目标：撰写一份关于瑞幸咖啡的竞品分析报告。
关键结果：报告需包含以下四个部分：1. 商业模式画布分析；2. 用户画像与定位分析；3. 营销策略拆解（重点分析其私域运营）；4. 对我们的3点启示。每部分不少于300字。
实验：请先给出报告的详细大纲，待我确认后，再生成完整内容。

分析过程：该提示词通过“关键结果”将模糊的“分析报告”任务拆解为四个明确的模块，并通过“实验”步骤增加了人工审核环节，有效避免了 AI 生成内容偏离主题的风险。

常见误区

• 目标与结果混淆：目标描述的是“方向”，关键结果描述的是“里程碑”。例如，“提升品牌知名度”是目标，“输出一份包含10个推广渠道的策划案”是关键结果。
• 缺少实验环节：只要求生成一个答案，放弃了对比优化的机会。

4.3 CO-STAR框架：上下文驱动的对话优化器

核心原理

CO-STAR 框架由 Context（上下文）、Objective（目标）、Style（风格）、Tone（语调）、Audience（受众）、Response（响应格式） 组成。它源自新加坡政府科技局（GovTech）的数据科学团队，特别适用于构建面向特定受众的对话式 AI 或需要精细控制输出风格的场景。CO-STAR 的核心优势在于对“沟通效果”的极致追求。

操作流程

1. Context (上下文)：提供充分的背景信息，包括用户是谁、在什么场景下提问、之前发生了什么。
2. Objective (目标)：明确 AI 需要完成的任务是什么。
3. Style (风格)：指定写作风格，如“正式的”、“幽默的”、“富有同理心的”。
4. Tone (语调)：指定语言语调，如“礼貌的”、“坚定的”、“鼓励的”。
5. Audience (受众)：明确回答的接收对象是谁，这决定了信息详略和术语使用。
6. Response (响应格式)：定义输出的结构，如“JSON格式”、“Markdown列表”、“纯文本”。

案例拆解：智能客服机器人提示词设计

背景与约束：某银行需要为其手机银行 APP 设计一个智能客服机器人，用于解答用户关于信用卡账单的常见问题。要求回答必须合规、亲切，且能引导用户自助解决问题。

使用 CO-STAR 框架：

上下文：用户刚刚通过 APP 查询了本月信用卡账单，发现有一笔不认识的境外消费，情绪可能比较焦虑。
目标：解释这笔消费的可能来源，并提供查询明细的路径。
风格：专业、清晰、有耐心。
语调：温和、安抚、值得信赖。
受众：一位对手机操作不太熟练的50岁用户。
响应格式：请使用简洁的段落，并附上操作步骤的编号列表。

结果对比：未使用框架时，AI 可能直接给出“请查看账单明细”的机械回复。使用 CO-STAR 后，AI 会先生成一段共情的话术，再分步骤指导用户如何查看商户编号、联系客服等，用户体验显著提升。

常见误区

• 上下文缺失：AI 无法理解用户当前所处的具体情境，导致回答缺乏针对性。
• 风格与语调混淆：风格是“怎么写”，语调是“用什么情绪写”。两者需要同时定义。

4.4 三框架对比与选型决策

维度	CRISPE	BROKE	CO-STAR
核心导向	角色与创意	目标与执行	上下文与沟通
最佳适用场景	品牌文案、广告创意、故事创作、策略规划	代码生成、数据分析、报告撰写、方案设计	智能客服、教学辅导、多轮对话、内容风格定制
关键优势	激发 AI 的专业潜能，输出更具深度和独特性	确保任务完成度，结果可量化、可验收	精细控制沟通效果，提升用户满意度
潜在短板	若角色设定不当，容易产生“幻觉”或过度演绎	对 KR 的定义要求高，过于僵化可能限制创造性	参数较多，构建成本相对较高
典型提示词结构	角色+能力+背景+指令+个性	背景+角色+目标+关键结果+实验	上下文+目标+风格+语调+受众+响应

选型决策建议

• 当任务需要“从0到1”的创造性突破时，优先选择 CRISPE，通过深度角色扮演激发灵感。
• 当任务有明确的交付物和验收标准时，优先选择 BROKE，确保执行不跑偏。
• 当任务的核心是“与人沟通”或“塑造特定体验”时，优先选择 CO-STAR，精细打磨每一句话。