本文核心旨在：使用DeepSeek、ChatGPT、Gemini 等大模型， 扮演你专属的“AI提示词工程助理”。你只需输入的“需求设想”大模型会为你自动构建成一个逻辑清晰、要素完整的“结构化提示词”完成AI角色设定， 然后基于此为你提供与问题相关的解决方案。
从单方面人工编写结构化提示词，演变为人指导AI设计生成“结构化提示词”，再到问题解决方案提供的全过程，且中间环节“结构化提示词”支持人工调整，无需熟悉其它应用平台，使用国内外大模型可直接上手实践。以下是文章主体核心脉络：
- 目标 (Goal):
创建一个名为“AI提示词工程助理”的实用工具。支持生成与“需求设想”相关的提示词框架角色设定，从而引导AI生成与问题相关的解决方案 - 核心方法 (Methodology):
这个助理的核心不是随意生成结构化提示词，而是依据一个定义的“AI沟通模型”。 - 实现路径 (Process):
为了更好地理解，首先，我会向你解释三个常用的基本概念：
- 提示词 (Prompt): 与AI交互的基础指令。
- 结构化提示词 (Prompt Structured): 一种更高级、结构化的提示词，旨在更精确地控制AI的输出。
- AI沟通模型 (AI Communication Model): 源自一些 AI 实践者、教育者和用户社群共同提炼和推广的实践性概念，它将作为生成“结构化提示词”的理论基础和规则集，用于设定AI角色人设、约束、能力边界等，覆盖绝大多数需求场景（配图 04. Prompt 框架所示）。
然后，我会基于这些概念，展示“AI提示词工程助理”的完整工作流程及核心实现。 最后，通过使用“AI提示词工程助理”让你了解它是如何支持提供生成多场景的结构化提示词，如文中示例：高考志愿规划师、可视化网页、学习规划制定。
1. 目标 (Goal)
在现实情况中，大部分 AI 使用者没有系统化学习过“提示词工程”，通常难以把自己脑海中的想法和行业经验表达出来，难以高效获取理想的结果。如果直接给他们一个复杂的提示词模版去填，反而增加了学习成本。那么，我们能不能反过来，让AI来扮演一个“AI提示词工程助理”，根据用户输入需求设想来生成结构化的提示词，从而让大模型通过用户输入问题来提供生成解决方案呢？
比如，当用户输入一个“设计一位资深高考志愿规划师， 要求考生输入预评估分数后，推荐报考院校、专业及发展前景的问题”时，大模型应用 DeepSeek、ChatGPT、Gemini 等模型自动为他匹配合适的“AI 沟通模型”，生成一条具体完整的“结构化的提示词”来完成AI “高考志愿规划师”这一角色设定，当高考志愿者输入咨询问题：“2025年成都理科考生，预计分数560，对AI感兴趣” 时，AI会为其提供的清晰完整的推荐方案供你参考。除此外文中还会提供使用Gemini 大模型生成可运行网页HTML、ChatGPT 制定学习计划应用示例。让你看到“AI提示词工程助理”是如何支持生成多场景结构化的提示词。它可以像结构化提示词生成工厂，能为你提供源源不断AI角色设定及执行任务交付需求或解决问题的能力。
网上关于结构化提示词的教程很多，但常常让人感觉复杂。其实，掌握它的关键在于分清其内核中“不变的”和“可变的”部分。相信你也能在本文中找到答案。理论内容部分略长，你也可以直接跳至文末，先实践再逐步理解。
2. 提示词 (Prompt)
提示词 (Prompt)：是指我们跟 AI 沟通过程中，输入给大模型（LLM）的一段自然语言，用来告诉它你想要什么样的输出。
通常是一句话或一段话 形式自由，没有固定模板 可写可说，灵活通用
提示词越清晰，效果越好，这基本是一个使用 AI 常识。接着让我们来了解一下 “三段式”模式，能够帮助你写出清晰的提示词。“三段式 = 我是谁 + 我要干什么 + 我有什么要求”因为符合国内人的使用习惯，所以使用最多。或者你也可以将它称为编写“提示词”的一个万能方法。
通过“三段式”我们得到一个清晰的提示词： “我是一名经验丰富的旅行博主 ，设计一份 5 天去川西旅行行程攻略 。攻略内容要求：风趣幽默，擅长用生动的文字描绘旅途见闻，并给出实用的旅行建议。” 投喂大模型应用后就能够得到详细的旅行攻略。
而 “AI 沟通模型”中其他13 个高效实用的提示词框架，你可理解为都是在“三段式”模型基础上演化扩展而来 （如配图 04 所示）。
3. 结构化提示词 (Prompt Structured)
结构化提示词是指将任务分解成清晰的结构部分，通常使用特定框架来明确：角色、任务、背景、约束、格式等。 一般采用 markdown 格式语法编写
拥有明确的逻辑结构 遵循一种设计规则或模式（如RTF、CARE、CO-STAR 等）对应文中“AI 沟通模型” 更适合复杂任务、一致性输出和多轮对话控制 你也可以将结构化提示词理解为提示词的一个升级版本
# 高考志愿规划师提示词（基于ROSES框架）**Role/角色**- 你是一位资深高考志愿规划师，拥有10年经验，熟悉全国高校录取数据、专业就业趋势- 你的回答需基于权威数据（如教育部学科评估、近年录取分数线、就业报告）**Objective/目标**- 根据考生预估分数，提供科学的院校及专业推荐- 结合行业趋势，分析推荐专业的发展前景**Scenario/场景**- 考生输入预估分数（如“理科620分”）- 可选补充信息：兴趣学科（理工/文史/艺术等）、地域偏好（省内/省外）、职业倾向（科研/企业/公务员等）**Expected Solution/期望方案**1. **院校推荐**- 按“冲稳保”策略列出适配院校（冲：略高于分数；稳：匹配分数；保：低于分数）- 标注院校优势学科、近年录取线波动趋势2. **专业推荐**- 推荐3-5个适配专业，分析其课程设置、核心能力要求- 结合考生兴趣（如有）优先匹配3. **发展前景**- 行业需求（如人工智能、新能源等朝阳产业）- 典型职业路径（如“计算机→大厂工程师→技术专家”）- 薪资水平参考（应届生/5年经验）**Steps/步骤**1. 请考生提供：预估分数 + 选科（如“物化生”） + 可选补充信息2. 你逐步输出上述三部分推荐，每部分配数据来源说明（如“根据2023年软科排名”）3. 最后询问考生是否需要调整偏好或进一步分析
4. AI 沟通模型
AI 沟通模型：源自一些 AI 领域实践者、教育者和用户社群共同提炼和推广的实践性概念。很大程度上能解决“如何与AI高效互动” 问题，如配图 04所示。
- 核心目标 (Core Objective):
解决人机交互中的效率和精准度问题。它的存在是为了让用户能够更高效、更准确地引导AI完成特定任务。 - 实现方式 (Implementation):
它提供了一套通用的、结构化的公式或规则集。用户在构建特别是复杂的提示词框架时，可以遵循这些规则，就像填写一份逻辑清晰的“任务委托单”。 - 最终效果 (Effect):
依据此模型构建的提示词框架，拥有优越的逻辑结构。这种结构能够更有效地“激活”AI内部的相应知识和推理能力，使其输出的结果更贴近用户的深层意图和预期目标。
总之，就一个核心：“AI 沟通模型”目的就是为了匹配设定需求的提示词场景框架，然后使用该场景框架来生成相关的结构化提示词来设定AI角色人设，从而为相关的需求交付或问题解答做准备。
配图 04. Prompt 框架: 14 个高效实用的沟通模型。包含举例及说明，由一些 AI 实践者、教育者和用户社群共同提炼和推广的实践性概念
至此，相信你已经了解到提示词 (Prompt)、结构化提示词及AI 沟通模型核心逻辑及关联关系，接下来我将为你介绍自动生成的提示词框架设计流程、核心实现及应用实践。
5. 让大模型应用扮演 “AI提示词工程助理” 生成“结构化提示词”人设到需求交付设计流程 & 核心实现
5.1、让大模型应用扮演 “提示词生成助理” 从生成“结构化提示词”人设到需求问题交付设计流程
“AI提示词工程助理”核心就是让大模型扮演一个“提示词工程师”的角色。将“AI沟通模型”作为生成“结构化提示词”框架或知识库。而用户输入的“需求设想”是这个提示词框架的内容，然后使用生成结构化的提示词作为AI角色设定，去引导大模型生成与问题相关的需求交付或解决方案。
配图5.1 “AI提示词工程助理”工程师工作流程
- 分析需求：这个需求的本质。如：期望拥有某种能力的人，能解决什么问题？
- 选择框架：从Lisp知识库中选择最匹配实践的框架（Framework），对应“AI沟通模型”中14 个高效实用的提示词框架
- 生成结构化提示词：
使用匹配框架的，生成一份与需求相关高质量的结构化提示词来作为AI角色人设。当然这一步你也可以对其中的任何细节部分补充或修改。 - 交付需求：
使用结构化提示词去引导大模型生成与“高考志愿报考问题”相关问题的解决方案。
这种设计的好处在于，降低使用者编写结构化提示词的难度。从人单方面编写结构化提示词，演变为人指导AI设计生成结构化提示词。 它能像种子一样，根据你的需求设想，生长出各种与需求场景相关的结构化提示词，也可称为元提示词设计.
5.2、核心实现： 使用 “AI提示词工程助理”加载“AI 沟通模型”
关于Lisp 说明：
Lisp 是一种在人工智能研究的背景下发明的编程语言，对于没有编程经验朋友，这里将“AI沟通模型”封装成一个通用工具方法，想象成插线板或咖啡机，把复杂细节封装后暴露一个控制按钮方便操作就足够了。
封装成一个通用工具目的是为了“AI提示词工程助理”作为知识库来加载。
(define-prompt-framework-library'("采用 Lisp 编程构建14个流行的提示工程框架的集合，清晰易用，便于AI提示词工程助理使用.");; Framework 1: RTF(framework(name "RTF")(stands-for "Role, Task, Format")(description "一个简单而强大的入门级框架，用于设定AI的角色、分配具体任务并指定输出格式。")(components(component (symbol R) (meaning "Role / 角色") (detail "为AI设定一个专家身份或角色。例如：你是一位资深的软件工程师。"))(component (symbol T) (meaning "Task / 任务") (detail "清晰、明确地描述需要完成的具体任务。例如：请为以下Python函数编写单元测试。"))(component (symbol F) (meaning "Format / 格式") (detail "指定期望的输出形式。例如：请以Markdown代码块的格式输出。"))));; Framework 2: APE(framework(name "APE")(stands-for "Action, Purpose, Expectation")(description "侧重于行动和意图，帮助AI理解任务背后的“为什么”。")(components(component (symbol A) (meaning "Action / 行动") (detail "需要执行的主要动作。例如：总结、翻译、生成、分析。"))(component (symbol P) (meaning "Purpose / 目的") (detail "执行该行动的最终目标是什么。例如：为了帮助初学者快速理解核心概念。"))(component (symbol E) (meaning "Expectation / 期望") (detail "对结果的具体期望和标准。例如：期望总结不超过200字，语言通俗易懂。"))));; Framework 3: CARE(framework(name "CARE")(stands-for "Context, Action, Result, Example")(description "通过提供完整的上下文和范例，引导AI进行精确的、有示例参考的输出。")(components(component (symbol C) (meaning "Context / 背景") (detail "提供任务相关的背景信息、约束条件。"))(component (symbol A) (meaning "Action / 行动") (detail "需要AI执行的具体指令。"))(component (symbol R) (meaning "Result / 结果") (detail "描述你期望得到什么样的结果。"))(component (symbol E) (meaning "Example / 示例") (detail "提供一个或多个输入/输出的范例。"))));; Framework 4: RACE(framework(name "RACE")(stands-for "Role, Action, Context, Expectation")(description "RTF的扩展，加入了更丰富的上下文信息。")(components(component (symbol R) (meaning "Role / 角色") (detail "设定AI的身份。"))(component (symbol A) (meaning "Action / 行动") (detail "需要执行的任务。"))(component (symbol C) (meaning "Context / 背景") (detail "提供与任务相关的具体情境。"))(component (symbol E) (meaning "Expectation / 期望") (detail "明确的输出标准和要求。"))));; Framework 5: TRACE(framework(name "TRACE")(stands-for "Task, Request, Action, Context, Examples")(description "一个非常详尽的框架，适用于复杂的、需要多步骤推理的任务。")(components(component (symbol T) (meaning "Task / 任务") (detail "最高层级的目标。"))(component (symbol R) (meaning "Request / 请求") (detail "对任务的具体请求。"))(component (symbol A) (meaning "Action / 行动") (detail "AI需要执行的一系列具体步骤。"))(component (symbol C) (meaning "Context / 背景") (detail "所有相关的背景信息。"))(component (symbol E) (meaning "Examples / 示例") (detail "提供清晰的示范。"))));; Framework 6: ROSES(framework(name "ROSES")(stands-for "Role, Objective, Scenario, Expected Solution, Steps")(description "面向问题解决场景的框架，结构清晰。")(components(component (symbol R) (meaning "Role / 角色") (detail "AI扮演的专家。"))(component (symbol O) (meaning "Objective / 目标") (detail "需要达成的明确目标。"))(component (symbol S) (meaning "Scenario / 场景") (detail "问题发生的具体场景。"))(component (symbol E) (meaning "Expected Solution / 期望方案") (detail "你期望的解决方案是什么样的。"))(component (symbol S) (meaning "Steps / 步骤") (detail "为AI提供或要求AI提供解决问题的步骤。"))));; Framework 7: CO-STAR(framework(name "CO-STAR")(stands-for "Context, Objective, Style, Tone, Audience, Response Format")(description "专为内容创作和文案生成设计，高度关注沟通的风格和受众。")(components(component (symbol C) (meaning "Context / 背景") (detail "写作的背景信息。"))(component (symbol O) (meaning "Objective / 目标") (detail "本次写作希望达成的目的。"))(component (symbol S) (meaning "Style / 风格") (detail "文章的风格，如：学术、轻松、专业。"))(component (symbol T) (meaning "Tone / 语调") (detail "文章的语调，如：幽默、严肃、乐观。"))(component (symbol A) (meaning "Audience / 受众") (detail "文章的目标读者是谁。"))(component (symbol R) (meaning "Response Format / 响应格式") (detail "输出的格式，如：博客文章、邮件、推文。"))));; Framework 8: TAG(framework(name "TAG")(stands-for "Task, Action, Goal")(description "一个简洁的、目标驱动的框架。")(components(component (symbol T) (meaning "Task / 任务") (detail "具体的任务是什么。"))(component (symbol A) (meaning "Action / 行动") (detail "AI需要执行的操作。"))(component (symbol G) (meaning "Goal / 目标") (detail "最终要实现的大目标。"))));; Framework 9: ERA(framework(name "ERA")(stands-for "Expectation, Role, Action")(description "将期望置于首位，让AI优先理解目标。")(components(component (symbol E) (meaning "Expectation / 期望") (detail "首先明确你的最终期望。"))(component (symbol R) (meaning "Role / 角色") (detail "AI需要扮演的角色。"))(component (symbol A) (meaning "Action / 行动") (detail "需要执行的具体任务。"))));; Framework 10: RISE(framework(name "RISE")(stands-for "Role, Input, Steps, Expectation")(description "适用于处理给定输入并需按步骤执行的任务。")(components(component (symbol R) (meaning "Role / 角色") (detail "设定AI的身份。"))(component (symbol I) (meaning "Input / 输入") (detail "提供给AI处理的原始数据或文本。"))(component (symbol S) (meaning "Steps / 步骤") (detail "要求AI遵循的处理步骤。"))(component (symbol E) (meaning "Expectation / 期望") (detail "对最终输出的详细要求。"))));; Framework 11: ICIO(framework(name "ICIO")(stands-for "Instruction, Context, Input, Output")(description "一个非常适合链式思考（Chain-of-Thought）和少样本（Few-shot）学习的框架。")(components(component (symbol I) (meaning "Instruction / 指令") (detail "清晰的指令，告诉模型要做什么。"))(component (symbol C) (meaning "Context / 背景") (detail "提供必要的背景信息。"))(component (symbol I) (meaning "Input / 输入") (detail "需要处理的具体输入数据。"))(component (symbol O) (meaning "Output / 输出") (detail "描述期望的输出格式或提供一个输出范例。"))));; Framework 12: COAST(framework(name "COAST")(stands-for "Context, Objective, Actions, Scenario, Task")(description "一个全面的框架，结合了情境、目标和具体任务。")(components(component (symbol C) (meaning "Context / 背景") (detail "事件的背景信息。"))(component (symbol O) (meaning "Objective / 目标") (detail "你希望达到的最终目的。"))(component (symbol A) (meaning "Actions / 行动") (detail "为达成目标需要执行的一系列动作。"))(component (symbol S) (meaning "Scenario / 场景") (detail "设定一个具体的应用场景。"))(component (symbol T) (meaning "Task / 任务") (detail "分配给AI的具体、可执行的任务。"))));; Framework 13: CBR(framework(name "CBR")(stands-for "Context, Background, Request")(description "一个在发出请求前，充分铺垫背景信息的框架，确保AI完全理解前提。")(components(component (symbol C) (meaning "Context / 背景") (detail "当前的核心情境。"))(component (symbol B) (meaning "Background / 前提") (detail "与情境相关的历史信息、数据或约束。"))(component (symbol R) (meaning "Request / 请求") (detail "基于以上所有信息，提出你的具体要求。"))));; Framework 14: 三段式提示词 (The Three-Part Prompt)(framework(name "三段式提示词")(stands-for "角色/前提, 任务/要求, 示例/格式")(description "一个 foundational (基础的)、高度实用的框架，将一个提示词清晰地划分为三个逻辑部分：设定背景、下达指令和规定输出。它是构建结构化提示词的起点。")(components(component (symbol Part1) (meaning "角色/前提 (Context/Role)") (detail "第一部分，用于设定AI的角色、背景、规则或约束条件。它告诉AI'你是谁'以及'在什么规则下思考'。例如：'你是一名资深的市场分析师，接下来的回答都必须基于公开的市场数据。'"))(component (symbol Part2) (meaning "任务/要求 (Task/Requirement)") (detail "第二部分，是提示词的核心。它清晰、具体地说明了需要AI完成的任务是什么。它告诉AI'要做什么'。例如：'请分析2024年全球电动汽车市场的三个主要趋势。'"))(component (symbol Part3) (meaning "示例/格式 (Example/Format)") (detail "第三部分，用于指导AI如何输出结果。可以提供一个具体的输出范例（Few-shot），或者明确描述输出的格式、风格、长度等。它告诉AI'如何交付结果'。例如：'请以要点列表的形式输出，每个要点后附上简短的说明。'")))))
2.使用“AI提示词工程助理”加载封装好的“AI沟通模型”工具方法“define-prompt-framework-library” 配图5.2所示：
“AI提示词工程助理”可以作为你生成结构化提示词的生产工具。严格执行设定工作流程。 其结构化提示词内容如下：
# 系统指令：AI提示词工程助理## 你的角色与目标你是一个专业的“AI提示词工程助理”。你的核心任务是帮助用户将他们模糊、简单的需求，转化为结构化、清晰、完整且高效的AI提示词。你要利用你知识库中预定义的14个提示词框架来完成这个任务。## 你的知识库你的内置知识库是一个Lisp风格的数据结构，名为 `(define-prompt-framework-library ...)`，其中包含了14个提示词工程框架（如RTF, CO-STAR, 三段式等），每个框架都有其名称、描述和组件。在执行任何任务前，你必须参考这个知识库。## 工作流程当你收到用户的简单需求时，你必须严格遵循以下四步工作流程：### 步骤 1: 分析需求 (Analyze)- 仔细分析用户输入的简单需求（例如：“帮我写个营销文案”）。- 识别其核心意图：任务类型（创作、分析、编程？）、目标受众、期望的风格和语调、是否有特定背景等。### 步骤 2: 选择框架 (Select)- 遍历你的Lisp知识库中的14个框架。- 基于步骤1的分析，从 `(framework ...)` 列表中选择一个最适合该需求的框架。- **你必须在回答中明确说明你选择了哪个框架，并用一句话解释为什么选择它。** 这一点至关重要，它能向用户展示你的思考过程。### 步骤 3: 生成结构化的提示词 (Generate)- 使用所选框架的 `(components ...)` 结构作为模板。- 将从用户简单需求中分析出的信息，以及你作为专家的补充思考，填充到框架的每一个组件中。- 如果用户信息不足，你需要根据常识和专业判断，提出最合理、最可能有效的填充内容（例如，为“营销文案”设定一个具体的“受众”和“语调”）。- 将填充好的框架内容，组合成一段完整、流畅、可以直接使用的结构化的提示词。### 步骤 4: 交付成果 (Deliver)- **首先**，展示你选择的框架及选择理由。- **然后**，在一个清晰的Markdown代码块中，提供你最终生成的完整提示词。- **最后**，询问用户是否需要根据这个新生成的提示词，直接执行任务。---**知识库参考 (内置):**[此处内心加载之前提供的包含14个框架的完整Lisp代码]
AI提示词工程助理 - 结构化提示词
到这里，我们已经知道当用户输入某一个“需求设想”时。大模型扮演的“AI提示词工程助理”提示词工程师角色，从知识库“AI 沟通模型”中选择最匹配的场景，生成结构化提示词， 最后通过结构化的提示词去引导大模型交付与问题相关的解决方案。
总之，从“AI提示词工程助理”加载“AI 沟通模型”直到生成与问题相关的需求方案。其核心就四步：“分析需求 → 选择模型 → 生成结构化提示词 → 交付需求（问题相关的解决方案）” 接下来进入实践环节。
6. 实践：让 “AI提示词工程助理” 交付清晰、完整的需求
准备阶段: 将“AI 沟通模型”define-prompt-framework-library 知识库与“AI提示词工程助理”依次投喂给大模型。待识别完成后，你也可以将左侧对话主题改为“AI提示词工程助理”。以下示例都是在准备阶段AI提示词工程助理使用上，输入需求设想后生成多场景的结构化提示词。
如：当你输入一个的需求设想。如：“设计一位资深高考志愿规划师， 要求考生输入预评估分数后，推荐报考院校、专业及发展前景的问题 ”。 这时大模型应用从“AI 沟通模型”define-prompt-framework-library 提示词框架库中选择匹配规则集来生成一份 markdown 格式的结构化的提示词。而结构化的提示词会引导大模型生成问题相对应的解决方案，让我们一步步实践。
准备阶段: AI提示词工程助理-支持生成多场景的结构化提示词
步骤 1. 将“AI 沟通模型”define-prompt-framework-library 提示词框架库投喂给 DeepSeek 通用模型作为生成提示词框架的规则依据， 待识别完成后。我们可以看到， 如下图所示
配图6.1.1 将“AI 沟通模型” 提示词框架库投喂给 DeepSeek 通用模型
步骤 2. 接着，将“AI提示词工程助理”投喂给 DeepSeek 通用大模型。他会把“分析需求 → 选择模型 → 生成结构化提示词 → 交付成果（问题的解决方案） ”流程连起来。待识别完成后将对话名称修改为“AI提示词工程助理”。
配图6.1.2 AI提示词工程助理 & 设定执行工作流程
示例一：设计一位资深高考志愿规划师
在准备阶段完成后，你可以输入任意的一个需求，如：输入“设计一位资深高考志愿规划师， 要求考生输入预评估分数后，推荐报考院校、专业及发展前景的问题”回车后，可以看到 DeepSeek 已经帮你选择合适提示词模型框架并自动化生成结构化的提示词。等待考生问题的输入。
说明：
如果生成结构化的提示词，细节不符合你的预期，你也可以进行人为调整修改 你也可以把“AI提示词工程助理”作为你生成结构化提示词工具助理使用，然后创建一个新的对话后，投喂给它。输入“2025年成都理科考生，预估分数560，对AI感兴趣”后，AI 会为你提供完整的解决方案（对应步骤4）。
配图6.1.3 完成“高考志愿规划师”设定，等待考生问题输入
步骤 4. 假设考生输入“2025年成都理科考生，预估分数560，对AI感兴趣”。得到报考院校和AI 方向相关专业推荐，关键建议等。如配图6.4所示
配图6.1.4 报考院校、AI 方向相关专业推荐
示例二：使用Google Gemini 大模型，设计一个商品响应式HTML网页
操作与准备阶段一致，输入如: 设计一个响应式网页，输出单一可运行HTML网页。 要求： 1. 卡片包含了商品总数，已购买数量，商品剩余数量 2. 为了美观，卡片文字最好有图标装饰 3. 使用图表方式展示当天商品访问人数。
同时，生成的结构化提示词支持人为设定-RISE (Role, Input, Steps, Expectation) 。也可以将多次叠加需求汇总成一个结构化提示词。 交付效果图及结构化提示词如下所示：
配图6.2.1： 交付效果图
配图6.2.2： “商品响应式网页” 结构化提示词 - 选择使用 RISE (Role, Input, Steps, Expectation) 框架
示例三：使用ChatGPT大模型，制定学习计划
操作与准备阶段一致，如输入: 为一名Lisp编程新手制定学习计划，学习周期为30天，每天只需投入一个小时. 如下所示：编程教育专家-结构化提示词，会让ChatGPT扮演编程教育专家并提供详细Lisp编程学习计划
### Lisp 编程新手学习计划（结构化提示词 · 使用框架：RISE）#### 🧑💼 Role / 角色你是一位编程教育专家，擅长为初学者设计系统化、循序渐进的学习路径，尤其在函数式编程与 Lisp 语言方面具有丰富经验。#### 📥 Input / 输入用户是一名 Lisp 编程新手，希望通过 30 天、每天 1 小时的方式，从零基础逐步掌握 Lisp 编程的基本语法、函数式风格、宏系统，并能够最终完成一个小项目或 DSL 工具。#### 🔧 Steps / 步骤1. 将学习计划划分为 4 个主题阶段（每周一个）；2. 每天设计一个具体学习任务，附带关键词、目标、实践建议；3. 每周前提供一段“阶段目标简介”；4. 学习结束提供推荐学习资源和工具平台。#### 🎯 Expectation / 输出期望输出一份结构清晰、循序渐进的 **Markdown 格式学习计划**，适合初学者每日按图索骥学习，风格友好，便于 Notion、博客发布或课程文档归档。
编程教育专家-结构化提示词
三段式：日常任务查询, 简单提示词编写 APE-Action (行动), Purpose (目的), Expectation (期望): 让AI更好领会核心的任务，如内容总结、解释概念。 ACE-Context (背景), Action (行动), Result (结果), Example (示例): 需要AI模仿特定风格或格式进行输出，如生成营销文案、写标题。如写营销文案
ROSES-Role（角色）, Objective（目标）, Scenario（场景）, Expected Solution（期望方案）, Steps（步骤）：制定解决方案、策略规划或咨询建议。如职业规划、高考填报志愿、财务规划等
ICIO-Instruction (指令), Context (背景), Input (输入), Output (输出)： 文本信息提取特定格式. 提取文本转JSON等
...
