同样一句提示词，同一个模型，两次问出来的东西可能差很远——这不是模型出了故障，而是你没写的部分，它每次都要自己猜一个填上。真正决定答案质量的，往往不是"模型多强"，而是角色、任务、上下文、格式这四件事有没有交代清楚。这套写法出自 Google Workspace 官方发布的《Prompting guide 101》，简单、好记，也足够让新手写出第一条能直接用的提示词。
设想一个场景：公司要换办公区，你想让 AI 帮你写一条通知发给全组。你在对话框里敲了一句"帮我写个搬办公室的通知"，连续问了三次，拿到的东西却完全不一样——第一次是一份写清时间地点的简洁通知，第二次是一份公文腔十足的正式行文，第三次是一句随口提醒式的口语文案。
三次用的是同一句话，为什么结果差这么多？答案是：你交代的信息本来就只有两件事——"要一个通知"、"内容跟搬办公室有关"。至于这份通知发给谁、要写得多正式、具体什么时候搬、搬到哪里，你心里其实都有数，但一个字都没打出来。AI 拿不到这些信息，只能按照这类通知里最常见的写法，把空白处各自填上一个答案。填法不固定，同一句话问两次，拿回来的组合自然不会完全一样。
这里有两层空白,需要分开看。一层是形态：写成短通告、正式公文,还是口语提醒，AI 替你挑了一种，形态挑得不对，你扫一眼就能看出来。另一层是内容：搬迁时间、新工位地址,你一个字都没给过，它却能写得有模有样——第一次写"本周五、B 座 5 层"，第三次写"下周三、A 栋"。这类内容填得不对，反而更难发现，因为它写得跟真的一样。
这背后还有一个技术因素：生成过程本身带有一定的随机性，"温度"这个参数管的正是随机性的大小，不过日常对话界面通常调不到它，它更多出现在开发接口那一侧。但随机性只是让结果"抖动"一点，真正拉开差距的，还是那些你从没写进提示词里的信息。一条提示词能定的是方向——把结果往哪一类写法、哪一段背景上推;方向给得越具体,落进你想要的那个范围的概率就越高，但没法做到像下指令一样精确控制每一个细节。
既然空白是问题的根源，那该补的到底是哪些空白?可以先看一组对比。同一件事,两种说法：
第一种是"帮我写封邮件催一下进度",AI 只能给出一封套话连篇、放在哪个场景都通用的模板邮件。第二种说法是:"你是项目协调人员。帮我写一封邮件,催一下供应商的设计稿。这版稿子原定上周五交,对方是长期合作方,语气要客气,但得给出新的截止时间。写成三段,两百字以内。"这一次,AI 交出的邮件把具体的交付节点、语气分寸、时间要求都落到了实处，可以直接用。
两条说的是同一件事,差别就在于第二条多说的那几句话。把这些多说的话拆开看，会发现一条说得清的提示词通常在交代四件事:
角色决定了回答的取材倾向和语气。不写角色，AI 就按最通用的口径回答;写了角色,它取材的范围和用词习惯都会往那个身份上靠。哪怕只写一句"你是一位资深文案",差别也看得出来——这也是 Google、Anthropic 等模型厂商官方教程里都会提到的标准技巧。
任务是四项里最要紧的一项,必须说清你要的那个动作。写、改、列、比、总结,任务里要有一个明确的动词或指令。"帮我看看这份材料"里没有动作,AI 不知道你要的是校对、提炼要点,还是给一句评价;换成"把这份材料提炼成五条要点",动作就落地了。
上下文补的是 AI 自己拿不到的信息:这份东西给谁看、用在什么场合、有哪些前提和限制。这些信息平时你和同事交代工作时根本不用说,因为对方跟你共享着一份默认的背景;换到 AI 这边,这份共有背景是零,你不写,它就永远拿不到,这跟模型多强完全没关系。
格式说清的是你要的交付形态:列表还是表格、几段话还是一句话、多少字以内。不指定,AI 会按自己的默认习惯给,通常是一大段文字，还得你自己再返工排版。
这四项漏掉的后果并不一样。上下文属于 AI 拿不到的信息，漏了它就会照最常见的情况把事实"猜"错;角色和格式属于你的偏好，漏了 AI 会自己定一个默认值,而默认值未必是你想要的——前一类漏了是错,后一类漏了是要多改一遍。
不过这四项不是一张必须填满的表格。那份指南本身也补了两句限定:不需要每条提示词都用满四项，用上其中几项就已经有帮助——一句问路式的短提问不需要配角色,一件对方已经知道来龙去脉的事也不用再补上下文;而任务里的那个动词或指令,是一条提示词中最重要的组成部分——角色、上下文、格式都空着,只要动作说清楚了,AI 至少知道要干什么;角色写得再足,没有那个动作,它也只能自己定一个任务方向。
学会四要素之后,只要再往外搜一圈,就会撞见另一套写法：有人说该分三项,有人说五项、六项,名字也各不相同——CRISPE、BROKE、RTF、CO-STAR 都是常见的框架,项数从三项到六项不等。面对这么多套说法,该信哪一套?
把这几套摆在一起比较会发现,重复的部分其实比不同的部分更多。每一套里都有一项在交代"要它做什么"，都有一项在交代"结果该长什么样",差别只是身份、背景、语气这些要不要单独列出来、拆得多细、叫什么名字、排在第几位。换句话说,它们是同一件事的不同分法,每一套都在替你问同一个问题:这次要交代的信息,有没有漏掉的地方。
还有一点值得说清楚:CRISPE、BROKE、RTF 这几套框架,都查不到公开的原始出处，谁最先提出、发表在哪里都没有留下记录，能查到的多是转载和二次整理，其中 CRISPE 流传的不同版本甚至连每个字母代表什么都对不上。这不代表这些框架没用,照着用一样能写出好提示词,只是它们没有一个可以回去核对的权威源头。
本文用的"角色 / 任务 / 上下文 / 格式"四项，选它的理由有三条:它由模型厂商官方发布(Google Workspace《Prompting guide 101》,2024 年 10 月版);它是写给普通办公场景看的,不是写给开发者的技术文档;四项也是这几套里最少的，入门最容易记住。至于更细致的 CO-STAR 六项框架,同样查得到正式出处，适合想进一步拆解的读者。
所以真正不用纠结的一点是:不必把力气花在背哪一套公式上。公式会变,写公式的人也不一定留下过出处,不变的是每一项在替你回答的那个问题——这件事,对方还缺什么信息才能动手。
如果四要素还是不好记，有一个更简单的检验办法,不需要记住任何一套框架:把写好的提示词原样发给一位不了解这件事的同事,请对方照着做。如果对方要回头问你一句才能动手，说明这条提示词里缺了东西——AI 在同一个地方也会卡住,只是它不会开口问你,而是自己按最常见的情况填一个答案交出来。这条准则来自 Anthropic 的官方文档。
拿一条真实的提示词试一下:"帮我把这次会议的要点整理一下。"同事拿到手,大概率会回头问你三个问题——"哪次会议？"(缺的是上下文)、"整理给谁看？"(缺的是角色)、"要多长？"(缺的是格式)。而"整理"这个动词本身没有漏,任务这一项是齐的,四项里最重要的部分已经交代到了,缺的是另外三项。
四要素其实就是这条准则的展开,而这条准则才是真正能一直带着走的东西。公式的名字可能会忘,但"拿给一个不了解情况的同事读一遍"这句话不会。以后再撞见一套没见过的框架,不用急着去背,挑一条手边真要发出去的提示词,用这句话过一遍就够了。
同一句话问两次,AI 给的答案不一样,是模型坏了吗？ 不是。那句提示词里没限定的地方——比如发给谁看、要多正式、什么时候搬到哪儿——AI 每次都要在这几处各自重新选一个,选出来的组合不完全一样,交出来的结果自然不同。这不是"记性不好"或者"换花样",模型本身不带记忆,每次都是从这一轮拿到的内容重新开始生成;有些产品额外加了跨对话记忆功能,那是产品层加的能力,不是模型自己记住了什么。
四要素是不是必须写全,少一项结果就会跑偏? 不是。用上其中几项就已经有帮助，不必每次都凑齐四项。四项本身也有轻重之分:任务里的动词或指令是最重要的一项,角色、上下文、格式即使都空着,只要那个动作说清楚了,AI 至少知道要做什么;但反过来,角色写得再详细,没有明确的动作,它也只能自己猜一个任务方向。
角色设定(Persona)到底有没有用,写不写差别大吗？ 有用。写一句"你是一位资深文案",AI 取材的范围和用词习惯就会往这个身份上靠;不写角色,它就按最通用的口径回答。多家模型厂商的官方文档都把设定角色列为标准技巧,区别在于给内行看还是给外行看,用词和取材的侧重常常就差在这一句话上。
市面上除了角色/任务/上下文/格式,还有别的提示词框架吗，该学哪个? 有,比如 CRISPE、BROKE、RTF、CO-STAR 等,项数从三项到六项不等,命名和切分方式各不相同。但这些框架重复的部分远比不同的部分多——每一套都在确认"要做什么"和"结果长什么样"。不必执着于哪一套是"标准答案",更值得记住的是它们共同回答的那个问题:这件事,对方还缺什么信息才能动手。
这些内容出自哪里？要付费吗？
不用付费，也不需要编程基础。本文改编自 BotLearn 免费 AI 公开课第 13 讲《提示词入门：四要素写好第一个 Prompt》，每讲 15-20 分钟。BotLearn是面向人与AI Agent的学习平台：为终身学习者提供AI新职业课程及免费AI通识课；为AI Agent提供A2A（Agent对Agent）评测与学习社区。
出品方：BotLearn免费AI公开课 ｜ 对应课程：第 13 讲《提示词入门：四要素写好第一个 Prompt》，免费 ｜ 更新日期：2026-08-28
