问题的开始

上次办公室里我和同事都问 Claude 同一个问题：

帮我写一个使用者认证程序的安全架构

我得到的回答是：一通笼统的建议，提到了 JWT、加密、数据库的东西。

同事得到的回答是：清晰的三层架构设计、每层的具体实现、安全边界的明确定义，甚至还有代码框架。

一样的问题，同一个 AI 模型。为什么质量差这么多，

他告诉我的观点是。“问题不在 AI，在你的问法。”

从发现来看，提示词框架才是关键

后来我仔细研究了这个现象。发现了一个规律：

不同的“提问方式”会让 LLM 产生完全不同的思考深度。

就像医生。你只说“我不舒服”，他只能给笼统建议；你说“我右下腹疼，已经 3 天了按压时疼痛加重。是否需要检查阑尾”，他就能给出精准诊断。LLM 也是如此，

5 个提示词框架对比

框架 1️⃣：RTF——最简最快 ⭐

什么是 RTF？

Role: 你是
再看Task，我需要你做
再看Format，用回答

例子：

❌ 弱的问法："帮我写个"
✅ RTF 框架
再看Role，你是一个深度学习论文的专家审稿人
从Task来看，我需要你这篇论文的主要贡献和局限
从Format来看，用 3 个段落。分别讲主要创新、实验结果、出现的问题

适用场景：

• 快速任务
• 内容、分类、简单转换
• 创意不是主要诉求的情形

质量提高： 从基础 50 分 → 70 分 Token 成本： 极低，仅多约 30 token。

框架 2️⃣：思维链——激发推理 ⭐⭐

主要原理： 不让 LLM 直接给答案，而是要求它展示推理过程。

"这段代码有没有内存泄漏？"
✅ 思维链框架
"分析这段代码是否有内存泄漏。请一步步说出你的分析：
1. 第一步先，识别所有内存分配的地方。2. 接下来，找出每个分配对应的释放点。3. 然后，检查是否存在分配但未释放的方法。4. 第四步，检查是否有重复释放。5. 最终结论，"

为什么有效？

• 促使模型仔细审视问题。
• 降低自欺式错误。
• 捕捉更多细节。

框架 3️⃣：RISEN——约束化任务 ⭐⭐⭐

Simplified formula: RISEN = Role。Input,Steps,Expectations,Notes。

Input的观点是，Steps:
1. 阅读完整 PRD。2. 列举 PRD 中所有假设。3. 为每个假设打风险等级。4. 提出每个假设最坏场景下的反驳。5. 建议补充验证方案，Expectations:
- 必须覆盖所有假设，不得遗漏。老实说，- 风险等级要量化。- 每个最坏场景要具体，不能笼统。- 验证方案必须可执行，说到Notes，- 不要太委婉，要直言不讳指出问题。- 优先级：完整性> 友善> 速度

• 任务流程明确，需要严格输出质量。
• Coding review、文档评审等需要自检的任务。老实说，

框架 4️⃣：RODES——多维分析 ⭐⭐⭐⭐

Dessert: RODES = Role。Objective,Details,Examples,Scope。

Role这方面，你是一个数据产品经理
Objective: 分析我们推荐程序的冷启动问题
Details:
- 使用者量：100 万 DAU
- 推荐准确率目标：>10%
- 当前冷启动使用者准确率：5%
Examples:
- 好案例：Spotify 如何处理冷启动
- 坏案例：常见错误做法
Scope这方面。范围内：推荐算法层面的调整
范围外这方面，使用者界面、推广方法

优势：

• A) 明确范围防止跑题；B) 给出示例帮助模型对齐水平；C) 多维度约束提高答案深度。

框架 5️⃣：密度链——递归改进 ⭐⭐⭐⭐⭐⭐

 不是一次性提问，而是让模型**循环**自我评审并改进答案。

1.  "写一份年度包括业绩、问题、明年目标"
2.  "这份有什么问题？哪些地方不够深入，"
3.  "针对这些问题重新写一份，需要： - 用数据支撑每个观点；- 每个问题提供根本原因分析；- 目标必须可测量，"
4.  "再检查一次有没有自相矛盾或遗漏关键点？"

• #1 输出质量 50 → #2 65 → #3 80 → #4 88 分。不过，

再看对比表。一眼看清 5 个框架

帮我写一个使用者认证程序的安全架构

我得到的是一通笼统建议，只提到 JWT、加密、数据库之类的大概方向。而同事得到的是清晰三层结构设计、每层实现细节、安全边界定义甚至代码示例。 一样的问题。同一个 AI 模型，为何输出差距如此巨大？ 他直接回复这方面。“问题不在 AI，而在你的提问方式”。

经过反复实验，我归纳出一个规律：“不同提问方式会让 LLM 的思考深度截然不同”。就像医生，如果只说“我不舒服”，只能给笼统建议；如果描述“右下腹疼已三天且按压加剧”，医生就能精准诊断。同理，LLM 的表现取决于我们如何“问诊”。 痛点嵌入 ：

• - 不知道如何组织需求导致答复总是模糊不清；
• - 重复手动修改答案浪费时间；
• - 高价值任务常因低质量输出而需二次投入。

Role这方面，你是
Task这方面，我要你做
从Format来看，用回答
**例子**
makefile
❌ 弱问法 “帮我写个”
✅ RTF 框架
Role的观点是，你是深度学习论文专家审稿人
至于Task。请该论文主要贡献与局限
Format的观点是，用三个段落分别阐述创新点、实验结果与不足
**适用场景**


快速任务 

内容归纳、分类或轻量转换 

创意需求不强时 
…​
**质量提高** : 从基础 **50分 → 70分**。其实，**Token 成本** : 极低。仅额外约 **30 token**。

 主要原理  : 要求 LLM **展示推理过程** 而非直接给答案。**例子**
text
这段代码有没有内存泄漏？按理说，✅ 思维链提示
“请一步步分析此代码是否存在内存泄漏：
1️⃣ 标记所有内存分配位置；其实，2️⃣ 对应寻找释放点；3️⃣ 检查是否有分配未释放方法；4️⃣ 检查重复释放情况；老实说，最终给出结论”，**为何有效**


强迫模型逐行审视，提高细节捕获率；

降低“一键答复”导致的不可靠性；

推理过程可追溯，有助后期校验。


RISEN = **R**ole + **I**nput + **S**teps + **E**xpectations + **N**otes
当任务拥有明确流程或严苛标准时用此模板可锁定输出方向。text
Input这方面，Steps:
1. 通读全文。2. 列举所有隐含假设，3. 为每个假设标记风险等级。4. 给出每个假设最坏情境下反驳点。5. 提供补充验证方案，Expectations:
– 必须覆盖全部假设，无遗漏。不过，– 风险等级需量化说明。– 每条反驳需具体实例，其实，Notes的观点是，– 言辞直白，不必过于委婉。– 优先级顺序为 完整性 ＞ 友好性 ＞ 速度。**适用场景**


有固定工作流 

输出需满足明确质量指标 

中等复杂结构化任务 
​
**效果提高**
从基础 **50分 → 85分**。

RODES = **R**ole + **O**bjective + **D**etails + **E**xamples + **S**cope
适用于需要全方位、多角度剖析的问题，让模型聚焦关键维度并避免跑题。diff
Role这方面，你是数据产品经理
Objective: 分析推荐程序冷启动难题
Details:
– DAU=100万
– 准确率目标＞10%
– 冷启动当前准确率=5%
Examples:
– 正面案例：Spotify 冷启动方案
– 常见误区：“一次性全量特征”。Scope的观点是，范围内 – 推荐算法层面的技术实现
范围外 – UI 与推广方法
*通过限定 Scope 与提供 Examples。引导模型产生符合业务期望且具备参考价值的答案*。

 主要思想 : 不一次完成。而是让模型循环自评、自改，从草稿到精稿逐层提高。
示例流程
1️⃣ 第一次生成初稿：「写年度」
薄弱环节？」
​ - 模型返回缺失数据支撑、逻辑跳跃等反馈。​
​
​
​
​
​
​​
​
​​
​
​​
​​
​​
​​​
​​​
​​​
​​​

示例递归
第1轮 初稿：
写一份年度业务回顾，包括业绩概览与挑战。第2轮 自评：
① 缺少关键 KPI 数据；② 挑战描述过于笼统，③ 未列出下一年可衡量目标。第3轮 改进：
加入 Q1‑Q4 销售额图表；为每项挑战提供根因分析，制定 SMART 型目标。第4轮 打磨：
检查前后逻辑一致性；确认无重复信息，确保篇幅控制在1500字以内。

 }
{
}