掌握LLMs的高效使用技巧，9个最佳prompt框架助你深入挖掘语言模型的潜力。

大型语言模型（LLMs）如ChatGPT、DeepSeek等工具的涌现，确实让自然语言处理任务变得前所未有的高效。但关键在于——你给的提示（prompt）是否足够清晰、结构化、有针对性。本文梳理了九个经过实战检验的提示框架，帮你跟LLMs对话时，拿到更精准、更有价值的答案。

1. CLEAR框架：结构化、定义明确的研究查询

CLEAR框架最适合那种不能有半点含糊、需要清晰结构化结果的查询场景。它的五个字母分别对应：Context（背景）、Logic（逻辑）、Expectations（期望）、Action（行动）、Restrictions（限制）。

• 背景（Context）：先交代清楚你为什么需要这些信息，让AI理解你的研究动机和目的。
• 逻辑（Logic）：说明你推理的过程和想达到的目标，确保AI能顺着你的思路走。
• 期望（Expectations）：明确你想要什么样的答案——具体细节、结构形式，都提前说好。
• 行动（Action）：指定具体任务，比如总结、比较、列举……让AI知道该做什么。
• 限制（Restrictions）：加上字数、语气、资源类型等约束条件，避免答案跑偏。

2. SMART框架：精确、目标导向的研究

SMART框架适合那些目标明确、结果要能量化的研究需求。它的五个字母对应：Specific（具体）、Measurable（可衡量）、Achievable（可实现）、Relevant（相关）、Time-bound（时间限定）。

• 具体（Specific）：问题要清晰具体，别含糊其辞。
• 可衡量（Measurable）：答案的好坏得有衡量标准，方便你回头验证。
• 可实现（Achievable）：别指望AI做超纲的事——请求要在模型能力范围内。
• 相关（Relevant）：紧扣你的研究目标，别答非所问。
• 时间限定（Time-bound）：如果需要最新信息，加上时间范围。

3. QUEST框架：精炼研究问题

当你有一个宽泛的话题需要收窄范围时，QUEST框架很好用。它由Question（问题）、Understanding（理解）、Expectation（期望）、Scope（范围）、Time（时间）组成。

• 问题（Question）：从一个核心问题出发，这就是研究的起点。
• 理解（Understanding）：说明你已经知道什么，知识空白在哪里。
• 期望（Expectation）：定义什么是“好的回答”——解决哪些关键点才算合格。
• 范围（Scope）：圈定研究焦点，明确哪些该包含、哪些该排除。
• 时间（Time）：如果只关心最新动态，加上时间限制。

4. GUIDE框架：系统化、逐步研究

需要把研究一步步拆解时，GUIDE框架能帮上大忙。它包含Goal（目标）、Understanding（理解）、Information（信息）、Direction（方向）、Evaluation（评估）。

• 目标（Goal）：清楚说明你想通过研究达成什么。
• 理解（Understanding）：告知你已有的知识背景。
• 信息（Information）：列出回答中必须包含的关键信息。
• 方向（Direction）：对回答的结构或呈现方式给出具体指引。
• 评估（Evaluation）：定义你如何判断回答质量。

5. FOCUS框架：有针对性的、无废话的研究

想要砍掉冗余细节、直击要点？FOCUS框架是首选。它由Function（功能）、Outcome（结果）、Criteria（标准）、Underlying Assumptions（潜在假设）、Strategy（策略）构成。

• 功能（Function）：明确AI在回答中扮演什么角色。
• 结果（Outcome）：说明理想回答应该包含什么。
• 标准（Criteria）：识别衡量答案质量的关键因素。
• 潜在假设（Underlying Assumptions）：承认任何可能存在的偏见或前提条件。
• 策略（Strategy）：给出你希望AI采用的研究路径。

6. IDEA框架：迭代研究和改进

如果研究需要反复打磨、渐进优化，IDEA框架就很对口。它包含Intent（意图）、Details（细节）、Examples（示例）、Adjustments（调整）。

• 意图（Intent）：定义研究目的和想达成的目标。
• 细节（Details）：提供相关背景信息，澄清已知内容。
• 示例（Examples）：给出参考文献或案例，帮AI更具体地回应。
• 调整（Adjustments）：根据初步反馈和新发现，允许迭代优化。

7. RISEN框架：深入、战略性的研究

当研究需要战略性思考时，RISEN框架值得一试。它由Requirement（要求）、Information（信息）、Strategy（策略）、Evaluation（评估）、Negotiation（协商）组成。

• 要求（Requirement）：明确定义你要找的信息或解决方案。
• 信息（Information）：指定所需的背景知识或支撑数据。
• 策略（Strategy）：描述AI应采取什么方法来回答问题。
• 评估（Evaluation）：说明你如何判断答案的准确性或有用性。
• 协商（Negotiation）：允许AI根据可用信息灵活调整回答。

8. RHODES框架：基于假设的研究

如果你的研究遵循“提出假设→验证”的路径，RHODES框架很合适。它包含Research（研究）、Hypothesis（假设）、Objectives（目标）、Development（开发）、Execution（执行）、Synthesis（综合）。

• 研究（Research）：识别需要调查的主题，聚焦关键方面并提供背景。
• 假设（Hypothesis）：创建一个可检验的陈述，连接两个或多个变量。
• 目标（Objectives）：定义期望达成的成果，明确知识差距和可衡量指标。
• 开发（Development）：规划验证假设的步骤——收集数据、比较来源、文献综述等。
• 执行（Execution）：实际执行研究——分析数据、收集专家意见、测试不同来源。
• 综合（Synthesis）：总结发现和结论，确保最终回答直接回应假设。

9. CREATE框架：导致创新的研究

当研究涉及创意和实验时，CREATE框架能帮你系统化地探索。它由Conceptualize（概念化）、Research（研究）、Experiment（实验）、Analyze（分析）、Transform（转换）、Evaluate（评估）组成。

• 概念化（Conceptualize）：定义你想探索的想法或挑战，概述核心问题。
• 研究（Research）：收集背景信息、趋势和支持数据，识别知识空白。
• 实验（Experiment）：测试不同方法、方式或解决方案——头脑风暴、原型制作、可能性分析。
• 分析（Analyze）：评估实验结果，找出什么有效、什么无效、为什么。
• 转换（Transform）：根据发现精炼想法，将其变成结构化计划或解决方案。
• 评估（Evaluate）：衡量最终方案的成败，看是否满足原始目标，并思考未来改进方向。

这九个框架覆盖了从模糊话题到精确实验的各类场景。实际使用时，完全可以根据需求灵活组合或裁剪。关键还是要先想清楚：你到底想要什么？想清楚了，给模型的提示自然就有了方向。