大模型提示词Prompt工程：2-全攻略+最佳实践框架+原理解析+实战案例库+七招要诀
大模型提示词Prompt工程：2-全攻略+最佳框架+原理解析+实战案例库+七招要诀
前言
作为一名拥有多年大模型开发经验的算法工程师，我深知提示词工程在人工智能应用中的核心地位。提示词不仅是用户与AI模型沟通的桥梁，更是释放模型潜能的关键钥匙。本指南将深入解析9大经典提示词框架，从理论原理到实战应用，帮助您掌握与大模型高效交互的艺术。
1. APE (Action Purpose Expect)提示词框架
框架概述
APE 框架提倡将用户的请求分解为三个主要部分：行动、目的和期望。这种分解方法使得与大模型的交互更加明确和高效。
核心组件详解
行动 (Action)
定义需要完成的特定任务、行动或活动。这是框架的第一步，旨在明确要执行的具体任务或活动。
设计原理: 明确的行动指令帮助模型建立正确的任务理解框架，避免歧义和误解。
目的 (Purpose)
讨论意图或目标。这部分是为了解释为什么要执行这个特定的任务或活动，它的背后意图是什么，以及它将如何支持更大的目标或目标。
设计原理: 目的说明为模型提供上下文背景，使其能够做出更符合用户真实需求的响应。
期望 (Expectation)
陈述期望的结果。在这最后一步，明确表述通过执行特定任务或活动期望实现的具体结果或目标。
设计原理: 明确的期望设定为模型提供了成功标准和输出质量的参照。
实战案例模板
模板1：营销推广场景
行动 (Action): 设计并发布一系列的社交媒体广告，宣传我们的最新产品。
目的 (Purpose): 通过吸引社交媒体用户的注意，提高产品的在线销售和品牌知名度。
期望 (Expectation): 在接下来的一个月中，通过社交媒体广告，在线销售增加30%，并且我们的品牌在社交媒体上的关注度提高20%。
模板2：教育培训场景
行动 (Action): 创建一套完整的Python编程入门课程
目的 (Purpose): 帮助零基础学员掌握Python基础语法，为后续数据科学学习打下基础
期望 (Expectation): 学员能够在4周内独立完成简单的数据处理项目，通过率达到85%以上
模板3：技术开发场景
行动 (Action): 开发一个AI客服聊天机器人
目的 (Purpose): 减少人工客服工作量，提升用户服务体验和响应速度
期望 (Expectation): 机器人能够处理80%的常见问题，平均响应时间控制在3秒以内
2. BROKE提示词框架
框架概述
陈财猫老师的 BROKE 框架融合了 OKR（Objectives and Key Results）方法论，旨在通过 GPT 设计提示，提高工作效率和质量。这个框架分为五个部分，其中最后一个部分，有比较长远的视角。
核心组件详解
背景 (Background)
提供足够的背景信息，使 GPT 能够理解问题的上下文。
设计原理: 充分的背景信息帮助模型建立正确的知识图谱映射，提高响应的相关性和准确性。
角色 (Role)
设定特定的角色，让 GPT 能够根据该角色来生成响应。
设计原理: 角色设定激活模型中特定领域的知识权重，使输出更加专业化和针对性。
目标 (Objectives)
明确任务目标，让 GPT 清楚知道需要实现什么。
设计原理: 清晰的目标导向确保模型输出与用户期望高度一致。
关键结果 (Key Results)
定义关键的、可衡量的结果，以便让 GPT 知道如何衡量目标的完成情况。
设计原理: 可量化的指标为模型提供了成功标准的明确基准。
演变 (Evolve)
通过试验和调整来测试结果，并根据需要进行优化。
设计原理: 持续优化机制确保提示词框架的动态适应性和长期有效性。
实战案例模板
模板1：编程技能提升
Background: 编程是一种重要的技能，能帮助解决各种问题。随着技术的快速发展，不断地学习和提高编程技能变得至关重要。
Role: 假设你是一名经验丰富的编程导师，能提供实用的建议和指导。
Objectives:
- 了解编程基础和核心概念
- 通过实际项目实践和提高编程技能
- 接受同行和导师的反馈，了解进步和需要改进的地方
Key Results:
- 完成至少5个不同类型的编程项目
- 每个项目后都能获得专业的反馈和建议
- 至少阅读和总结10篇关于编程最佳实践和新技术的文章
Evolve:
- 每个月评估一次学习进度，调整学习计划
- 根据项目实践和反馈来调整学习资源和方法
- 如果发现某个学习资源或方法不再有效，寻找新的替代方案
模板2：产品运营优化
Background: 互联网产品竞争激烈，用户获取成本不断上升，需要通过精细化运营提升产品价值
Role: 你是一位资深产品运营专家，具有丰富的用户增长和留存经验
Objectives:
- 提升用户活跃度和留存率
- 优化用户体验和产品功能
- 建立有效的用户反馈机制
Key Results:
- 月活用户增长25%
- 用户7日留存率达到60%
- 用户满意度评分达到4.5分以上
Evolve:
- 每周分析用户行为数据，调整运营策略
- 定期进行A/B测试验证优化效果
- 建立用户反馈快速响应机制
3. CHAT提示词框架
框架概述
CHAT 框架集中于角色、背景、目标和任务四个核心部分，为用户与大模型的深度交互提供了全面的指导。
核心组件详解
角色 (Character)
角色为大模型提供了关于用户身份和角色的信息，有助于大模型更好地定制其回应。例如，一个医生可能需要的信息与一个学生完全不同。
设计原理: 角色定位激活模型中相应的专业知识库，确保输出内容的专业性和适用性。
背景 (History)
背景部分提供了与当前问题相关的历史信息和背景知识。这使得大模型能够更好地了解用户所在的上下文环境。
设计原理: 历史背景信息构建了完整的上下文图谱，提高模型理解的准确性和深度。
目标 (Ambition)
目标描述了用户希望从与大模型的交互中实现的长期或短期目标。它可以帮助大模型提供更有针对性的建议和解决方案。
设计原理: 明确的目标导向确保所有交互都朝着既定方向推进，提高效率。
任务 (Task)
任务部分明确了用户希望大模型执行的具体任务或行动。这是最直接的指导，告诉大模型用户期望的具体操作或回答。
设计原理: 具体任务描述为模型提供了清晰的执行路径和操作指南。
实战案例模板
模板1：历史教学资源
Character: 历史教师
History: 需要教授古罗马历史，学生对这段历史了解有限
Ambition: 寻找高质量的教学资源，提升学生学习兴趣
Task: 提供古罗马的教学资源推荐和教学方法建议
模板2：企业数字化转型
Character: IT部门总监
History: 传统制造企业，信息化程度较低，面临数字化转型压力
Ambition: 制定可行的数字化转型方案，提升企业竞争力
Task: 分析当前技术现状，提供分阶段的数字化转型路线图
模板3：健康管理咨询
Character: 健康管理师
History: 客户是30岁办公室白领，长期久坐，有轻微颈椎问题
Ambition: 帮助客户建立健康的生活方式，预防职业病
Task: 制定个性化的运动计划和健康管理方案
4. CARE提示词框架
框架概述
CARE 框架强调四个关键要素：上下文指导、行动、结果和示例。此外，与 CARE 框架类似的框架还有不少，如 CAR (Context, Action, Result) 框架、CCAR (Challenge-Context-Action-Result) 模型和 CARL (Context, Action, Result, Learning) 框架。
核心组件详解
上下文指导 (Context)
上下文指导提供了操作的背景信息，帮助大模型更好地了解用户所处的环境或情境。
设计原理: 情境信息为模型提供了判断和决策的环境基础，提高输出的适用性。
行动 (Action)
与 APE 框架中的行动类似，这里的行动描述了要进行的具体活动。
设计原理: 明确的行动指令确保模型理解具体的执行要求。
结果 (Result)
结果描述了完成活动后期望得到的效果或反馈。它可以是明确的，也可以是隐含的。
设计原理: 期望结果为模型提供了成功的评判标准。
示例 (Example)
示例提供了一个或多个使用提示词的实例，帮助用户理解如何正确地与大模型进行交互。
设计原理: 具体示例为模型提供了参考模板，提高输出质量和一致性。
实战案例模板
模板1：移动应用开发
Context: 我们的客户是一家大型零售商，他们想要一个能够提高在线销售和客户互动的移动应用程序
Action: 设计和开发一个用户友好的移动应用程序，集成社交媒体共享功能、推送通知和在线购物功能
Result: 应用程序的发布促使在线销售增加了25%，并且客户满意度评分提高到4.5/5
Example: 参考拼多多的首页设计，注重用户体验和转化率优化
模板2：内容营销策略
Context: B2B科技公司需要提升品牌知名度，目标客户是中小企业技术决策者
Action: 制定全年内容营销策略，包括博客文章、白皮书、网络研讨会等
Result: 6个月内官网访问量提升50%，潜在客户线索增加100个
Example: 参考HubSpot的内容营销模式，注重价值提供和专业性
5. COAST提示词框架
框架概述
COAST 框架专注于五个核心元素：背景、目标、行动、支持和技术，确保与大模型的交互既明确又具有目的性。
核心组件详解
背景 (Context)
背景为大模型提供了与命令相关的情境信息，类似 CARE 框架的上下文。
设计原理: 充分的背景信息确保模型在正确的知识领域内进行推理和生成。
目标 (Objectives)
目标描述了用户希望通过此次操作实现的具体成果。
设计原理: 明确的目标设定为模型提供了优化方向和成功标准。
行动 (Action)
行动指出了用户希望大模型采取的具体措施或方法。
设计原理: 具体的行动指令确保模型输出的可执行性和实用性。
支持 (Support)
支持为大模型提供了关于如何完成该行动的额外信息或资源。
设计原理: 支持信息为模型提供了执行任务所需的工具和方法指导。
技术 (Technology)
技术描述了执行该操作需要的特定技术或工具。
设计原理: 技术规范确保模型推荐的解决方案在技术上可行且符合实际环境。
实战案例模板
模板1：环保应用开发
Context: 创建一个名为'EcoTrack'的应用，它可以帮助用户追踪和减少他们的碳足迹
Objectives: 设计并实现一个用户友好的界面，使用户能够轻松输入和查看他们的碳排放数据，并在6个月内获得至少1万名活跃用户
Action: 开发一个功能，使用户能够输入他们的日常活动，如驾驶、飞行和用电，然后计算和显示他们的碳足迹
Support: 为大模型提供必要的培训数据，包括碳排放的计算方法和公式，以及用户界面设计的指导原则
Technology: 使用Flutter框架进行应用开发，并利用机器学习算法来估算用户的碳足迹
模板2：智能客服系统
Context: 电商平台客服咨询量激增，需要建设智能客服系统减轻人工压力
Objectives: 构建能够处理80%常见问题的智能客服，平均响应时间不超过3秒
Action: 开发基于自然语言处理的智能问答系统，集成订单查询、退换货等功能
Support: 整理历史客服对话数据，建立知识库和FAQ数据库
Technology: 使用深度学习NLP模型，部署在云服务器上，API接口对接现有系统
6. TRACE提示词框架
框架概述
TRACE 框架是一个用于创建和组织与 ChatGPT 交互的方法，它将交互细分为五个核心部分，以确保清晰、有目的的通信。
核心组件详解
任务 (Task)
定义要解决的特定任务或问题。
设计原理: 明确的任务定义为整个交互过程提供了清晰的目标框架。
请求 (Request)
明确您想要 ChatGPT 完成的具体请求。
设计原理: 具体的请求描述确保模型理解用户的真实需求和期望。
操作 (Action)
描述应采取的步骤或操作来完成任务或请求。
设计原理: 操作步骤为模型提供了结构化的执行路径。
上下文 (Context)
提供与请求相关的背景信息或上下文。
设计原理: 上下文信息帮助模型在正确的知识域内进行推理。
示例 (Example)
提供一个或多个示例，以帮助 ChatGPT 理解您的请求和期望的结果。
设计原理: 示例为模型提供了具体的参考模板，提高输出质量。
实战案例模板
模板1：项目时间管理
Task: 作为项目经理，我需要确保项目按时完成，同时保证质量
Request: 请提供一些有效的项目时间管理策略和技巧
Action: 描述每种策略的实施步骤和预期效果
Context: 我们的团队分布在不同的地区，有时很难协调时间
Example: 例如，如果你建议使用某种项目管理软件，请解释如何配置和使用它来跟踪项目进度
模板2：数据分析报告
Task: 分析用户行为数据，优化产品功能
Request: 生成一份详细的用户行为分析报告
Action: 从数据收集、清洗、分析到可视化展示的完整流程
Context: 移动应用产品，日活用户10万+，主要关注用户留存和转化
Example: 类似Google Analytics的报告格式，包含关键指标趋势图和洞察建议
7. LangGPT 提示词框架
框架概述
LangGPT 由云中江树（刘远忠）创建，目前已有 2.1k stars。LangGPT 解决了传统 Prompt 缺乏系统性、灵活性和用户友好性的问题，充分利用大模型的特点。
核心特点与优势
系统性
LangGPT 提供模板化的方法，用户只需按照模板填写相应内容即可。
设计原理: 模板化确保了提示词的结构完整性和逻辑一致性。
灵活性
LangGPT 引入了变量概念，可以轻松引用、设置和更改 Prompt 内容，提高编程性。
设计原理: 变量机制提供了动态配置能力，适应不同场景需求。
交互友好
通过工作流，LangGPT 定义了与用户的交互和角色行为，使得用户可以轻松理解和使用。
设计原理: 工作流设计确保了人机交互的自然性和高效性。
大模型充分利用
LangGPT 结合了大模型的特点，例如模块化配置和分点条理性叙述，还通过 Reminder 功能缓解了长对话的遗忘问题。
设计原理: 针对大模型特性的优化设计最大化了模型性能。
核心语法详解
LangGPT 变量
引入了基于 markdown 的变量概念，利用大模型对层级结构内容的敏感性。
LangGPT 模板
基于大模型在角色扮演方面的强项，设计了 Role 模板。
实战案例模板
模板1：文字排版大师
# Role: 文字排版大师## Profile:
- author: 李继刚
- version: 0.1
- language: 中文
- description: 使用 ASCII 符号和 Emoji 表情符号来优化排版已有信息, 提供更好的阅读体验## Goals:
- 为用户提供更好的阅读体验，让信息更易于理解
- 增强信息可读性，提高用户专注度## Constrains:
- 不会更改原始信息，只能使用 ASCII 符号和 Emoji 表情符号进行排版
- 排版方式不应该影响信息的本质和准确性## Skills:
- 熟悉各种 ASCII 符号和 Emoji 表情符号的使用方法
- 熟练掌握排版技巧，能够根据情境使用不同的符号进行排版
- 有较强的审美和文艺能力## Workflows:
- 作为文字排版大师，将会在用户输入信息之后，使用 ASCII 符号和 Emoji 表情符号进行排版，提供更好的阅读体验
- 排版完毕之后，将会将整个信息返回给用户## Initialization:
欢迎用户, 并提示用户输入信息
模板2：Python编程导师
# Role: Python编程导师## Profile:
- author: AI Assistant
- version: 1.0
- language: 中文
- description: 专业的Python编程指导老师，帮助学员从零基础到进阶## Goals:
- 帮助学员掌握Python基础语法和核心概念
- 培养学员的编程思维和问题解决能力
- 指导学员完成实际项目开发## Constrains:
- 必须确保代码示例的正确性和可运行性
- 解释必须通俗易懂，适合不同基础的学员
- 不能提供可能有安全风险的代码## Skills:
- 精通Python语法和标准库
- 熟悉Web开发、数据分析、机器学习等应用领域
- 具备优秀的教学能力和沟通技巧## Workflows:
1. 了解学员当前水平和学习目标
2. 制定个性化学习计划
3. 提供理论讲解和代码示例
4. 指导实践练习和项目开发
5. 答疑解惑和学习进度跟踪## Initialization:
欢迎来到Python编程学习！我是你的专属导师，请告诉我你的编程基础和想要学习的方向。
8. Google 提示词工程最佳实践
框架概述
Google 为我们提供了一套全面的提示词工程最佳实践，可以指导我们更好地与大模型交互。
一、提示词工程的最佳实践
1. 明确意图
始终清楚地传达最重要的内容或信息。
原理详解: 明确的意图表达激活模型中相关的知识权重，提高响应的准确性。
2. 构建提示词
首先定义其角色，提供上下文/输入数据，然后给出具体指令。
原理详解: 结构化的信息组织符合模型的注意力机制特点，提高信息处理效率。
3. 参照例子
为模型提供具体的、多样化的例子，帮助它产生更准确的结果。
原理详解: Few-shot学习机制让模型能够快速适应特定任务模式。
4. 限制输出范围
使用限制条件确保模型的输出与指令紧密相关。
原理详解: 约束条件帮助模型聚焦于相关内容，避免输出偏离主题。
5. 任务分解
对于复杂任务，将其分解成一系列更简单的提示词。
原理详解: 分解任务符合模型的序列处理特性，提高复杂任务的处理质量。
6. 质量监控
指导模型在生成响应之前对其进行评估或自检。
原理详解: Self-reflection机制提高模型输出的质量和可靠性。
7. 逐步思考
针对复杂问题，引导模型按照逐步的逻辑推理输出结果。
原理详解: Chain-of-thought prompting充分利用模型的推理能力。
8. 关键要点
充分发挥创意，开放思考，随着技术的发展，不断适应和调整。
二、提示词迭代的技巧
1. 重申关键元素
强调词汇、短语或主要观点。
2. 明确格式
提前告诉模型你期望的输出格式，例如 CSV 或 JSON。
3. 突出关键信息
使用强烈的语言或格式突出重要内容。
4. 多样化表达
尝试使用不同的同义词或短语，并找出哪种更有效。
5. 三明治法
在长提示词中，多次重复核心指令以增强模型的注意力。
6. 参考资源
使用诸如 Prompt Hero 和 Google 的提示词展览等在线资源，作为灵感来源。
实战案例模板
模板1：技术文档写作
角色: 技术文档工程师
上下文: 需要为新的API接口编写开发者文档
指令: 编写包含接口说明、参数定义、示例代码的完整文档
示例: 参考RestAPI文档标准格式
限制: 文档长度控制在2000字以内，必须包含错误处理说明
输出格式: Markdown格式，包含代码高亮
模板2：市场分析报告
角色: 市场研究分析师
上下文: 针对人工智能芯片市场进行竞争态势分析
指令: 分析主要厂商、技术趋势、市场机会和威胁
示例: 参考麦肯锡行业分析报告格式
限制: 基于公开信息，避免商业机密内容
输出格式: 结构化报告，包含图表建议和数据引用
9. Prompt 七招要诀
框架概述
Prompt 七招要诀，融合了前述的一些 prompt 技巧和注意事项，是一个广义的 prompt engineering 方法，采用1、2、3、4、5、6、7顺口溜的方式。
核心要诀详解
1. 一个本质
和 ChatGPT 合作是通过提问进行的。本质是要做好一个管理者。
原理详解: 有效的提问是获得高质量输出的关键，管理者思维确保交互的目标导向性。
2. 二个关注
第一个关注: 给 ChatGPT 交代工作，就像给一位刚刚大学毕业的新员工布置工作：明确、细致、循循善诱。
第二个关注: prompt 提供的是输出结果的下限，要达到理想效果，核心是挑战输出结果的上限，关注 know how（公式）和工作流（SOP）。
3. 三个要点：背景要求角色（BOR）
背景相当于 Chat 模型的 History，要求相当于 Chat 模型的 AT 的融合。
4. 四字真言：CHAT 模型
- Character（角色）
- History（背景）
- Ambition（目标）
- Task（任务）
原理详解: CHAT模型提供了完整的交互框架，确保信息传达的完整性和准确性。
5. 五环思维
客户、架构、战略、项目、数据五个维度的系统思考。
- 客户思维: 永远思考如何创造客户价值
- 架构思维: 系统思考，而不是散点思考
- 战略思维: 站在上级的上级考虑问题
- 项目思维: 把提示词当项目，考虑成本和收益
- 数据思维: 量化效果
原理详解: 多维度思考确保提示词设计的全面性和系统性，避免片面化。
6. 六句参考
通过提供具体的例子和明确的格式要求，使 AI 更好地理解需求。
- 推荐6个例子，提供至少5个例子
- 选择特定领域的例子
- 使用活泼的口语化方式回答
- 适当扩写或概括
- 设置明确的格式和回复量
- 保持一致性和相关性
原理详解: 充足的示例为模型提供了丰富的参考模板，提高输出质量的稳定性。
7. 七个原则
这个部分主要应用了邮储银行潘工的框架：
- 设置格式要求
- 控制回复量
- 使用角色和场景来模拟真实情境
- 重新整理数据
- 设定内容的范围
- 组合不同的流程
- 突破个人认知限制
原理详解: 系统化的原则确保提示词工程的专业性和可重复性。
实战案例模板
模板1：综合应用案例 - 产品需求分析
【一个本质】管理者视角，明确指导AI完成产品分析任务【二个关注】
- 关注1：像指导新员工一样，详细说明分析框架和要求
- 关注2：设定分析深度下限，追求洞察上限【三个要点-BOR】
- 背景：SaaS产品市场竞争激烈，需要差异化定位
- 要求：深度分析用户需求痛点和解决方案
- 角色：资深产品经理【四字真言-CHAT】
- Character：10年经验的B2B SaaS产品专家
- History：曾负责多款成功SaaS产品的0-1建设
- Ambition：打造具有竞争优势的产品解决方案
- Task：分析目标用户需求，制定产品功能规划【五环思维】
- 客户思维：深度理解用户业务场景和痛点
- 架构思维：考虑产品技术架构和扩展性
- 战略思维：对标竞品，找到差异化优势
- 项目思维：评估开发成本和上线周期
- 数据思维：设定关键指标和验证方法【六句参考】
- 提供5个类似产品的成功案例
- 聚焦企业服务领域的实例
- 用通俗易懂的语言解释复杂概念
- 详细展开关键功能点的设计思路
- 输出结构化的需求文档，2000字左右
- 保持逻辑清晰和内容相关性【七个原则】
1. 输出格式：结构化需求文档（PRD格式）
2. 回复长度：2000-3000字
3. 角色场景：B2B SaaS产品设计情境
4. 数据整理：用户调研数据和竞品分析
5. 内容范围：聚焦核心功能和用户体验
6. 流程组合：需求-设计-开发-验证闭环
7. 认知突破：挑战传统SaaS产品设计思维
模板2：教育培训场景应用
【管理者思维】像培训主管一样指导AI设计培训方案【明确细致指导】
- 详细说明培训目标、对象、方式
- 设定培训效果评估标准【BOR框架】
- 背景：企业数字化转型，员工技能需要升级
- 要求：设计系统性的数字化技能培训体系
- 角色：企业培训总监【CHAT模型】
- Character：资深企业培训专家
- History：有丰富的数字化转型培训经验
- Ambition：提升员工数字化能力，支撑业务转型
- Task：设计完整的培训课程体系和实施方案【五环思维应用】
- 客户思维：不同岗位员工的具体培训需求
- 架构思维：分层分级的培训体系设计
- 战略思维：与公司数字化战略保持一致
- 项目思维：培训预算、周期、资源配置
- 数据思维：培训效果量化指标设定【示例参考】
提供5个知名企业数字化培训成功案例，包括培训内容、方式、效果评估等详细信息【七原则执行】
1. 格式：完整的培训方案文档
2. 长度：3000字左右
3. 场景：大中型企业培训环境
4. 数据：员工技能现状分析
5. 范围：涵盖技术和管理双重维度
6. 流程：培训-实践-考核-改进循环
7. 突破：创新培训方式和评估方法
实战案例模板库
营销推广类
模板A：社交媒体营销策略，框架选择：APE + COAST
### APE部分
- Action: 制定并执行全平台社交媒体营销策略
- Purpose: 提升品牌知名度，获得精准潜在客户
- Expectation: 3个月内粉丝增长50%，转化率达到3%### COAST部分
- Context: B2C消费品牌，目标用户为25-40岁都市白领
- Objectives: 建立品牌社交媒体矩阵，实现用户增长和转化
- Action: 内容创作、KOL合作、广告投放、用户互动
- Support: 提供品牌调性、用户画像、竞品分析资料
- Technology: 使用社交媒体管理工具、数据分析平台
模板B：内容营销策略，框架选择：BROKE + TRACE
### BROKE部分
- Background: 传统制造企业向数字化转型，需要建立行业影响力
- Role: 数字营销专家，擅长B2B内容营销
- Objectives: 建立行业思想领导地位，获得高质量销售线索
- Key Results: 季度官网访问量10万+，销售线索200个
- Evolve: 根据数据反馈优化内容策略和分发渠道### TRACE部分
- Task: 建立企业内容营销体系
- Request: 制定内容营销年度规划和执行方案
- Action: 内容策划、创作、分发、效果监测
- Context: B2B制造业，专业性强，决策周期长
- Example: 参考西门子、GE等工业巨头的内容营销案例
产品开发类
模板C：移动应用产品设计，框架选择：CARE + 七招要诀
### CARE部分
- Context: 在线教育市场竞争激烈，用户对体验要求极高
- Action: 设计一款面向成人职业技能培训的移动应用
- Result: 用户日活达到5万，完课率超过60%
- Example: 参考得到、极客时间等知识付费产品### 七招要诀应用
- 一个本质: 以产品经理思维指导设计过程
- 二个关注: - 详细调研用户需求和使用场景- 追求极致用户体验和学习效果
- 三个要点(BOR):- 背景: 职场人士碎片化学习需求- 要求: 便捷高效的学习体验- 角色: 资深产品设计师
- CHAT模型: - Character: 教育产品专家- History: 有多款教育产品成功经验- Ambition: 革新在线学习体验- Task: 完成产品原型设计
- 五环思维: 用户价值、产品架构、商业策略、项目管理、数据驱动
模板D：企业SaaS产品规划，框架选择：LangGPT + Google最佳实践
LangGPT结构
# Role: SaaS产品规划专家## Profile:- author: 产品团队
- version: 2.0
- language: 中文
- description: 专业的B2B SaaS产品规划和设计专家## Goals:- 深度理解企业客户业务需求和痛点
- 设计具有竞争优势的产品解决方案
- 制定可执行的产品roadmap## Constrains:- 必须基于真实的市场调研和用户反馈
- 考虑技术实现的可行性和成本
- 符合行业合规和安全要求## Skills:- B2B SaaS产品设计和规划
- 企业业务流程分析和优化
- 竞品分析和市场定位
- 技术架构和系统集成## Workflows:1. 市场和用户研究
2. 需求分析和功能定义
3. 产品架构设计
4. 开发计划制定
5. 上市策略规划## Initialization:欢迎！我将帮助您规划B2B SaaS产品。请详细描述您的业务场景、目标客户和核心需求。
Google最佳实践应用
- 明确意图: 设计满足企业客户需求的SaaS解决方案
- 构建提示: 角色定义→背景介绍→具体需求→期望输出
- 参考例子: 提供5个成功SaaS产品案例作为参考
- 限制范围: 聚焦特定行业和客户群体
- 任务分解: 分阶段完成产品规划各个环节
技术开发类
模板E：系统架构设计，框架选择：CHAT + COAST
### CHAT框架
- Character: 资深系统架构师，10年大型系统设计经验
- History: 曾负责多个高并发、高可用系统架构设计
- Ambition: 设计稳定可扩展的分布式系统架构
- Task: 为电商平台设计微服务架构方案### COAST框架
- Context: 电商业务快速增长，现有单体架构面临性能瓶颈
- Objectives: 构建支持日均千万级订单的分布式系统
- Action: 设计微服务拆分方案、数据库架构、缓存策略
- Support: 提供现有系统技术栈、业务流程、性能数据
- Technology: Spring Cloud、Docker、Kubernetes、Redis、MySQL
模板F：AI算法优化，框架选择：BROKE + TRACE
### BROKE框架
- Background: 推荐算法点击率较低，用户体验有待提升
- Role: 机器学习算法工程师，专注推荐系统优化
- Objectives: 提升推荐算法的准确性和用户满意度
- Key Results: 点击率提升25%，用户停留时间增加30%
- Evolve: 持续A/B测试验证优化效果，迭代算法模型### TRACE框架
- Task: 优化个性化推荐算法性能
- Request: 分析现有算法问题，提供优化方案
- Action: 特征工程、模型调优、在线学习机制
- Context: 内容平台，用户行为数据丰富，实时性要求高
- Example: 参考Netflix、抖音等平台的推荐算法实践
管理咨询类
模板G：数字化转型咨询，框架选择：七招要诀综合应用
### 完整七招要诀框架
**一个本质**: 以管理咨询顾问思维，系统分析企业数字化转型需求**二个关注**:
- 关注1: 深入了解企业现状，详细诊断转型痛点
- 关注2: 制定切实可行的转型路径，确保实施效果**三个要点(BOR)**:
- 背景: 传统制造企业面临数字化转型压力
- 要求: 制定全面的数字化转型战略和实施方案
- 角色: 资深管理咨询顾问**四字真言(CHAT)**:
- Character: 数字化转型专家
- History: 服务过多家传统企业转型
- Ambition: 帮助企业成功实现数字化升级
- Task: 制定数字化转型完整方案**五环思维**:
- 客户思维: 深度理解企业业务模式和发展需求
- 架构思维: 系统性规划技术架构和业务流程
- 战略思维: 对标行业领先企业和发展趋势
- 项目思维: 制定分阶段实施计划和里程碑
- 数据思维: 建立转型效果评估体系**六句参考**:
- 提供5个同行业数字化转型成功案例
- 聚焦制造业数字化最佳实践
- 用企业管理语言阐述技术方案
- 详细说明每个转型阶段的具体措施
- 输出完整的转型方案文档，5000字
- 保持方案的可操作性和实用性**七个原则**:
1. 格式要求: 标准咨询报告格式
2. 回复量控制: 5000-8000字
3. 角色场景: 企业高管决策情境
4. 数据重组: 企业现状调研数据分析
5. 内容范围: 涵盖战略、技术、组织、流程
6. 流程组合: 诊断-设计-实施-评估全流程
7. 认知突破: 创新转型模式和实施路径
模板H：团队效能提升，框架选择：APE + LangGPT
### APE框架
- Action: 分析团队工作效率问题，制定效能提升方案
- Purpose: 提高团队协作效率，优化工作流程
- Expectation: 团队整体效率提升40%，项目按时交付率达到95%### LangGPT框架
# Role: 团队效能提升顾问## Profile:- author: 管理咨询团队
- version: 1.0
- language: 中文
- description: 专注于团队管理和效能提升的专业顾问## Goals:- 诊断团队效能问题根因
- 设计科学的效能提升方案
- 建立持续改进机制## Constrains:- 方案必须结合团队实际情况
- 改进措施要具备可操作性
- 避免对团队造成额外负担## Skills:- 团队管理和组织行为学
- 工作流程优化和自动化
- 绩效管理和激励机制设计
- 敏捷管理和精益思维## Workflows:1. 团队现状调研和问题诊断
2. 效能提升方案设计
3. 实施计划制定和资源配置
4. 效果监测和持续优化## Initialization:您好！我是团队效能提升专家。请详细描述您的团队现状、面临的主要问题和期望达到的目标。
框架选择指南
根据场景选择合适的框架
简单任务场景
- 推荐框架: APE、CARE
- 适用情况: 明确的单一任务，目标清晰
- 典型场景: 内容创作、数据分析、文档编写
复杂项目场景
- 推荐框架: BROKE、COAST、七招要诀
- 适用情况: 多阶段复杂项目，需要系统性规划
- 典型场景: 产品开发、系统设计、战略规划
专业咨询场景
- 推荐框架: LangGPT、TRACE、Google最佳实践
- 适用情况: 需要专业角色扮演，高质量输出
- 典型场景: 管理咨询、技术方案、专业培训
交互式场景
- 推荐框架: CHAT、LangGPT
- 适用情况: 需要多轮对话，逐步深入
- 典型场景: 教育辅导、方案讨论、问题诊断
框架组合使用策略
双框架组合
- APE + CARE: 适用于需要明确结果和示例参考的任务
- BROKE + TRACE: 适用于复杂项目的系统性规划
- CHAT + COAST: 适用于技术方案设计和实施
多框架融合
- 七招要诀 + 任意框架: 适用于高要求、全流程的复杂任务
- LangGPT + Google最佳实践: 适用于需要高度专业性的场景
提示词优化进阶技巧
1. 结构化信息组织
使用层级化信息结构
## 一级标题: 主要内容板块
### 二级标题: 具体分类
#### 三级标题: 详细要点
- 列表项: 具体内容
采用模块化设计
【背景信息】
【任务目标】
【具体要求】
【输出格式】
【参考示例】
2. 上下文管理策略
渐进式信息提供
- 第一步: 建立基本框架
- 第二步: 补充关键信息
- 第三步: 细化具体要求
- 第四步: 确认理解并执行
关键信息重复强调
在长提示词中，将最重要的要求在开头、中间、结尾各提及一次。
3. 质量控制机制
设定验证标准
请在输出结果后，进行以下自检:
1. 是否完全满足了所有要求？
2. 信息是否准确可靠？
3. 结构是否清晰易懂？
4. 是否提供了可执行的建议？
建立迭代优化流程
第一轮: 生成初版内容
第二轮: 检查并优化结构
第三轮: 补充遗漏要点
第四轮: 最终质量确认
常见问题与解决方案
Q1: 模型输出偏离主题怎么办？
解决方案:
- 在提示词开头和结尾都强调核心任务
- 使用"请严格按照以下要求"等强调性语言
- 设定明确的输出边界和约束条件
Q2: 输出质量不稳定如何改善？
解决方案:
- 提供更多具体的示例参考
- 使用结构化的输出格式要求
- 建立质量检查清单
Q3: 复杂任务如何分解？
解决方案:
- 采用TRACE框架进行任务分解
- 使用阶段性目标设定
- 建立子任务间的逻辑关系
Q4: 如何提高专业性？
解决方案:
- 使用LangGPT框架进行角色设定
- 提供专业背景和经验描述
- 引用行业标准和最佳实践
总结
提示词工程是AI时代的核心技能，掌握各种框架的使用方法和组合策略，能够显著提升与大模型交互的效果。本指南介绍的9大框架各有特色：
- APE: 简洁高效，适合明确任务
- BROKE: 系统完整，适合复杂项目
- CHAT: 交互友好，适合对话场景
- CARE: 实用性强，适合结果导向
- COAST: 技术导向，适合方案设计
- TRACE: 结构清晰，适合问题解决
- LangGPT: 专业性强，适合角色扮演
- Google最佳实践: 权威全面，适合标准化应用
- 七招要诀: 综合性强，适合高要求场景
在实际应用中，建议根据具体场景选择合适的框架，并结合多框架组合使用，同时注重持续优化和迭代改进。掌握这些方法，您将能够更好地发挥大模型的潜能，在各个领域取得更好的应用效果。
本指南将持续更新，欢迎反馈使用经验和改进建议。