共计 2547 个字符，预计需要花费 7 分钟才能阅读完成。
背景痛点：为什么需要结构化提示词框架？
在实际 AI 应用开发中，提示词设计常常面临以下典型问题：
- 模糊性 ：自然语言描述容易产生歧义，导致模型输出不稳定
- 缺乏系统性 ：临时拼凑的提示词难以复用和迭代优化
- 效果不可控 ：相同提示词在不同模型版本间表现差异大
- 调试困难 ：难以准确定位提示词中导致问题的具体部分
主流框架对比：ROSES vs CO-STAR vs CLEVER
ROSES 框架特点
- Role（角色）：明确定义 AI 扮演的角色身份
- Objective（目标）：清晰陈述任务的核心目标
- Scenario（场景）：设定具体的应用场景和上下文
- Expectation（预期）：说明期望的输出格式和质量要求
- Structure（结构）：组织提示词的逻辑结构
CO-STAR 框架特点
- Context（上下文）
- Objective（目标）
- Style（风格）
- Tone（语气）
- Audience（受众）
- Response（响应格式）
CLEVER 框架特点
- Context（上下文）
- Length（长度控制）
- Examples（示例）
- Variety（多样性）
- Encoding（编码方式）
- Refinement（优化迭代）
框架选择建议
- ROSES：适合需要严格结构化、面向复杂任务的场景
- CO-STAR：适合内容创作类、需要风格控制的场景
- CLEVER：适合需要精细调优的迭代优化阶段
ROSES 框架核心实现
1. 角色定义（Role）
明确 AI 代理的身份特征和专业领域，例如：
role = """
你是一位拥有 5 年电商客服经验的资深专家，擅长处理订单查询和退换货问题，熟悉公司所有产品线和售后政策。"""2. 目标设定（Objective）
使用 SMART 原则定义具体目标：
objective = """
在 3 分钟内准确解答客户关于订单状态的查询，提供订单物流信息并解决相关问题，客户满意度需达到 95% 以上。"""3. 场景构建（Scenario）
定义典型的用户交互场景：
scenario = """客户通过在线聊天窗口咨询：' 我的订单 #12345 显示已发货但三天没有物流更新 '系统已接入订单数据库和物流跟踪 API。"""4. 预期输出（Expectation）
指定输出的格式和质量标准：
expectation = """
响应应包含：1. 订单当前状态确认
2. 详细物流信息（如快递公司和最新节点）3. 标准化的解决方案选项
4. 礼貌专业的表达方式
"""5. 结构组织（Structure）
将各要素组合成完整提示词：
def build_roses_prompt(role, objective, scenario, expectation):
return f"""
# 角色
{role}
# 任务目标
{objective}
# 交互场景
{scenario}
# 预期输出要求
{expectation}
"""完整代码示例：电商客服场景实现
import openai
def generate_customer_service_response(customer_query):
# ROSES 框架组件
role = "资深电商客服专家，熟悉订单和物流系统"
objective = "准确解答订单状态查询，提供解决方案"
scenario = f"客户咨询：'{customer_query}'"expectation ="""
响应需包含：1. 订单状态确认
2. 最新物流信息
3. 可选解决方案
4. 礼貌专业的语气
"""
# 构建完整提示词
prompt = build_roses_prompt(role, objective, scenario, expectation)
# 调用 AI 接口
response = openai.ChatCompletion.create(
model="gpt-4",
messages=[{"role": "system", "content": prompt}]
)
return response.choices[0].message.content
# 示例调用
customer_query = "我的订单 #67890 显示已发货但五天没有更新"
print(generate_customer_service_response(customer_query))使用 CLEVER 框架优化提示词
上下文增强（Context）
context = """
公司物流合作方：顺丰（国内）、DHL（国际）正常物流时效：国内 3 - 5 天，国际 7 -10 天
特殊情况：节假日可能延迟 1 - 2 天
"""示例引导（Examples）
examples = """优秀响应示例：" 您好，查询到订单 #12345 已由顺丰承运，最新记录显示昨日已到达杭州分拣中心。建议您：1) 再等待 1 - 2 天 2) 点击此链接查看详细轨迹 """"编码优化（Encoding）
# 使用 XML 标签结构化关键信息
enhanced_prompt = f"""
<context>
{context}
</context>
<examples>
{examples}
</examples>
{base_roses_prompt}
"""生产环境避坑指南
陷阱 1：角色定义过于宽泛
问题 ：” 你是一个有帮助的 AI 助手 ” 定义太模糊
解决方案 ：
# 改进后
role = """
你是 XX 电商平台的专属客服 AI，精通 2023 年最新版售后政策（v3.2），能准确引用条款第 5.7-5.9 条关于物流延误的规定。"""陷阱 2：场景缺乏边界条件
问题 ：未考虑异常情况处理
解决方案 ：
scenario += """
如果物流信息异常（超过 7 天无更新），应主动提供紧急联系渠道和补偿方案。"""陷阱 3：未考虑模型局限性
问题 ：假设模型了解专有知识
解决方案 ：
expectation += """
如遇到系统无法验证的信息，应明确告知客户并转接人工客服。"""性能优化考量
- API 成本控制 ：
- ROSES 提示词平均减少 15% 的 token 消耗
-
通过结构优化可降低 10-20% 的 API 调用次数
-
响应时间优化 ：
- 结构化提示词使模型理解速度提升 30%
-
清晰的预期输出减少后期处理时间
-
多框架组合建议 ：
- 设计阶段：使用 ROSES 建立基础结构
- 优化阶段：应用 CLEVER 进行精细调整
- 创作类任务：可结合 CO-STAR 的风格控制
开放思考题
- 如何设计评估指标来量化不同提示词框架的效果差异？
- 当面对需要多轮交互的复杂任务时，ROSES 框架需要做哪些扩展？
- 提示词工程如何适应不同文化背景的用户需求？
正文完
