核心目标是一致的：通过准确、完整地向大模型传达完成特定任务所需的关键信息，综合使用重要战术技巧，以获取更优的结果
提示词框架
RISE
RISE 框架通过整合Role(角色)、Input(输入)、Steps(步骤)和Expectaion(期望)四个关键要素：
角色（Role） ：定义 AI 在提示上下文中的角色，明确其功能以及应从哪个角度来处理任务。
输入（Input） ：指定 AI 在制定响应时应考虑或利用的信息、数据或资源。
步骤（Steps） ：概述 AI 在处理提示时应遵循的一系列操作或流程，提供实现预期输出的清晰途径。
期望（Expectation） ：描述 AI 响应的预期结果、格式或细节，为成功交互设定基准。
RISE 框架适用于需要明确角色、详细输入、具体步骤和预期结果的复杂任务场景，如技术文档编写、业务流程优化等。
缺点：
复杂度增加
解释：RISE 框架通过引入角色、输入、步骤和期望四个要素，试图系统化和精细化提示词。这虽然能提高准确性和系统性，但也使得提示词变得更加复杂，可能增加用户的使用门槛，尤其是对于初学者来说，学习和掌握这些概念需要时间和经验。 示例：例如，对于一个简单的查询任务，使用者可能需要明确指定 AI 的角色、提供详尽的输入信息、定义步骤和期望结果，这可能会使简单任务变得繁琐。
灵活性降低
解释：由于 RISE 框架强调结构化和规范化，可能限制了提示词的灵活性和创造性。在一些非结构化任务或需要创新解决方案的场景中，过于严格的框架可能会限制AI的发挥。
示例：在创意写作或需要发散思维的任务中，严格按照步骤执行可能会限制 AI 生成多样化和创新性的内容。
上下文适应性差
解释：RISE 框架对角色、输入、步骤和期望的要求可能在处理动态变化的上下文时显得不够灵活。如果上下文信息频繁变化，或任务要求不断更新，RISE 框架可能需要频繁调整，增加了使用成本。
示例：在实时客服系统中，用户的问题和上下文可能随时变化，严格的 RISE 框架可能无法快速适应这些变化，从而影响响应效率。
过于依赖用户提供详细信息
解释：RISE框架需要用户提供详细的输入信息和明确的期望结果，对于一些用户来说，可能无法准确描述或提供这些信息，从而影响AI的表现。
示例：一些用户在使用 AI 时可能只知道大致需求，却无法明确描述详细的输入数据和预期结果，这种情况下 RISE 框架的效果可能大打折扣。
SPAR
SPAR 代表 Situation（情境）、Purpose（目的）、Action（行动）和 Result（结果） 四大要素：
Situation（情境） ： 从描述当前情境开始，介绍与当前任务相关的背景信息或现状，帮助 AI 理解构建响应的基础。
Purpose（目的） ： 清晰陈述互动的目的或目标。你希望通过 AI 的帮助实现什么？明确这一点可以确保 AI 的努力与你的目标保持一致。
Action（行动） ： 指定你希望 AI 执行的行动或任务。这可以是从生成内容到分析数据或解决特定问题。行动越清晰，AI 的响应就越有针对性。
Result（结果） ： 设想期望的结果。成功的样子是什么？详细说明预期结果有助于衡量 AI 响应的效果，确保其符合你的要求。
SPAR 框架适用于那些有明确目标和预期结果的任务，如市场调研、产品设计等。
SPAR 框架也存在一些缺点：
需要初步细节 有效使用 SPAR 需要在详细描述情境和期望结果方面投入前期工作，这可能比较耗时。
可能限制探索性 专注于具体行动和结果可能会限制 AI 的创造性或探索性响应的潜力。
COSTAR
COSTAR 是一个高效的提示词框架，旨在通过提供Context（上下文） 、明确 Objective (目标) 、指定 Style(样式) 和Tone(口吻)、识别目标Audience(受众) 以及规定Response（响应）格式，来指导大型语言模型（LLM）生成更精确和有针对性的响应。
Context（上下文） : 提供背景信息，帮助 LLM 理解特定场景，从而生成更相关的响应。这对于复杂任务尤其重要，因为上下文可以减少歧义，确保生成的内容更符合实际需求。
Objective（目标） :明确定义任务，集中 LLM 的注意力，避免生成无关或不相关的内容。清晰的目标有助于提高响应的质量和准确性。
Style（样式） :指定所需的书写风格，确保生成的文本与所需的格式和风格一致。这对于品牌一致性和专业性要求高的场景尤为重要。
Tone（口吻） : 设定口吻使生成的内容与预期的情感基调一致，从而更好地与读者产生共鸣。不同的任务可能需要不同的情感色彩，设置口吻可以帮助实现这一点。
Audience（受众） : 识别目标受众使生成的内容更符合特定读者群体的需求和期望，增加内容的吸引力和相关性。了解受众有助于调整内容的复杂度和表达方式。
Response（响应） : 指定响应格式可以确保生成的内容符合技术或业务需求。例如，指定生成 JSON 格式的数据有助于直接用于应用程序开发，提高工作效率。
COSTAR 框架适用于需要详细背景信息和明确响应格式的任务，确保生成内容与预期的样式和受众一致，如内容创作、教育培训等。
COSTAR 提示词的主要缺点：
过度依赖上下文（Context） : 提供过多背景信息可能会导致 LLM 生成的响应过于复杂或偏离主要任务。背景信息过多可能增加处理时间和资源消耗。
目标定义不清（Objective） : 如果目标定义不够明确或过于模糊，可能会导致生成的内容不符合预期，LLM 难以聚焦，降低响应的质量。
风格限制（Style） : 过于严格的风格要求可能限制 LLM 的创造性，使生成的内容显得呆板或缺乏灵活性。此外，不同任务可能需要灵活调整风格，过于僵化的风格设置可能不适用于所有场景。
口吻控制困难（Tone） : 对于一些复杂或多层次的任务，设置单一的口吻可能不足以传达所有信息。LLM 可能难以在同一任务中平衡多种情感基调。
受众识别挑战（Audience） : 准确识别和描述目标受众可能是一个挑战。如果受众描述不准确，生成的内容可能无法有效地触及预期读者群体。
响应格式限制（Response） : 过于严格的格式要求可能限制 LLM 的灵活性，尤其是在需要生成创意或非结构化内容的场景中。格式要求可能增加生成复杂度，导致响应速度变慢。
经验
破除格式迷信
在学习和使用提示词框架时，不必拘泥于官方示例的形式。有些提示词框架教程可能严格按照“要素：内容”来编写，其实只要模型能够清楚地理解意图，具体形式并不重要，并不一定要这么写。
当提示词较短时，可以不使用明确的要素区分，甚至不必考虑使用哪一个具体的提示词框架。如果提示词较长，不同要素可能会混淆，此时需要灵活变通，例如采用 Markdown 标题形式，或使用序号排列等方式。
继承的基础上勇于创新
每种提示词框架都可能存在变种。例如，RISE 框架的变种 RISEN 将期望（Expectation）拆分成两个要素：
最终目标（End Goal） ：定义最终目标，引导 AI 的焦点。 限制（Narrowing）： 设置合理的约束或限制更精确地控制响应。
提示词自动化
Bots Builder
推荐大家先使用这些 Bot 创建助手，自动帮我们生成一版提示词，如果在使用过程中不满意，可以根据之前讲述的战略和战术技巧进行调优。
需要注意的是， Bot 创建助手虽然降低了提示词创作的门槛，但我们的描述也应该尽量遵循我们的**「单一职责」、「清晰具体」、「重点突出」、「充分详尽」**等战略技巧，这有助于 Bot 创建器创建出更符合预期的提示词。
Coze
Coze 给出的提示词更加结构化，通过 Markdown 标题分割不同的要素，通过分隔符区分描述和示例。提示词中既描述了角色，交代了背景，还给出了输出示例，并增加要求，对待处理的内容、格式进行强调。
最后，自动化提示词解决不了提示词之外的问题。 如果你对 AI 常识不了解，很容易走弯路。当你知道 AI 擅长什么，不擅长什么，就可以做好任务拆分将 AI 擅长的任务交给模型。比如有些任务本可以通过换个更高级的模型、需要调整调用 API 的参数或模型微调轻松解决的问题，有些人还沉迷于提示词调优，浪费大把时间。编写提示词就像武侠剧中将自己的功力传给大语言模型，让他代替你去做事情。如果你自己对问题的认知（业务经验）不够深入，自动化编写和优化工具也很难发挥很大作用。