AI提示词编写指南：掌握CO-STAR与BROKE核心框架

很多人面对聊天机器人时，最常遇到的挫败感并非来自模型的“笨”，而是源于我们自己的“懒”。我们习惯像对搜索引擎那样扔出几个关键词，或者像对熟人那样随口说句“帮我写个文案”，然后期待对方能读懂未尽之言。然而，大语言模型没有读心术，它只有概率预测。模糊的输入必然导致随机的输出，这是人机交互中最基本的守恒定律。

要打破这种低效循环，关键不在于背诵多少条“魔法咒语”，而在于建立一套稳定的思维结构。CO-STAR和BROKE正是目前业界公认的两套高效框架，它们将原本散乱的指令拆解为可执行的模块。掌握这两套逻辑，意味着你不再是在“碰运气”，而是在“下订单”。

CO-STAR：六维定义的精准控制

CO-STAR框架由新加坡政府科技局提出，它强调在单次交互中提供完整的上下文闭环。当你需要模型完成一个相对独立、标准明确的任务时，这套框架能最大程度减少歧义。

C代表Context（背景），O代表Objective（目标），S代表Style（风格），T代表Tone（语气），A代表Audience（受众），R代表Response（响应格式）。这六个维度并非都要长篇大论，但缺一不可。

想象一下，你需要让AI协助撰写一份产品周报。如果只说“写个周报”，模型可能会生成一篇通用的流水账。但若套用CO-STAR：

• 背景：我是某SaaS软件的产品经理，本周完成了用户登录模块的重构。
• 目标：总结本周工作进展，突出性能提升数据，并规划下周测试计划。
• 风格：专业、简洁、数据驱动。
• 语气：自信且客观。
• 受众：公司CTO及技术团队负责人。
• 格式：Markdown列表，包含“本周成果”、“关键数据”、“下周计划”三个板块。

CO-STAR六维定义模型图示

在这种结构下，模型不仅知道写什么，更知道为谁写、怎么写。特别是“受众”这一项，往往被初学者忽略。告诉模型读者是“小学生”还是“行业专家”，其用词密度和解释深度会有天壤之别。结构化不是束缚，而是为了释放模型在特定轨道上的最大潜能。

BROKE：迭代优化的动态思维

如果说CO-STAR适合“一次性交付”的标准任务，那么BROKE框架则更适合解决复杂问题或进行创意探索。它源自提示工程社区的最佳实践，强调背景、限制、优化、知识和示例的结合，尤其注重通过“示例”来校准模型的理解偏差。

BROKE的核心在于：Background（背景）、Role（角色）、Objectives（目标）、Key Results（关键结果/限制）、Evolve（改进/迭代）。这里的“Evolve”是该框架的灵魂，它承认第一次输出可能不完美，因此要求在提示词中预留调整空间或直接提供 Few-Shot（少样本）示例。

例如，你想让AI帮你设计一个小红书爆款标题。单纯给目标往往得到平庸的结果。使用BROKE思路：

• 背景与角色：你是一位拥有百万粉丝的美妆博主，擅长挖掘平价好物。
• 目标：为一款新的保湿面霜创作5个标题。
• 关键结果：标题需包含emoji，字数控制在20字以内，必须制造悬念或痛点。
• 改进（示例）：不要只说“要好”，而是给出正反例。“错误示范：这款面霜很好用；正确示范：熬夜脸救星？这罐面霜让我素颜也发光✨”。

BROKE框架中的示例与迭代逻辑

通过提供具体的“正确示范”，你实际上是在向模型展示你心中的“好”是什么标准。这种基于示例的微调，比任何形容词都更有效。BROKE框架提醒我们，提示词编写不是一锤子买卖，而是一个通过反馈不断逼近目标的过程。

场景实战：从模糊需求到结构化指令

理论的价值在于落地。让我们看一个常见的办公场景：整理会议录音转文字稿。很多人直接把几万字的杂乱文本丢给AI，要求“总结重点”，结果往往得到一堆无关紧要的寒暄记录。

运用CO-STAR框架重构这个指令：

1. 背景：这是一段关于“Q3市场营销策略”的内部脑暴会议录音转录，包含多位发言人的观点，存在口语化重复和无关闲聊。
2. 目标：提取所有关于“社交媒体投放”的具体建议，并剔除无效信息。
3. 受众：市场执行团队，需要直接落地的行动点。
4. 格式：表格形式，列名为“建议内容”、“提出人”、“预计执行难度（高/中/低）”。

使用CO-STAR框架生成的会议摘要表格

再看一个创意写作场景，运用BROKE框架：

1. 角色：你是一位擅长悬疑风格的科幻小说家。
2. 目标：为一个关于“时间循环”的故事写一个开头。
3. 关键结果：开头必须在第一段就制造强烈的违和感，禁止使用“有一天”、“很久以前”等陈词滥调。
4. 改进（示例）：参考《土拨鼠之日》的突兀感，但要结合赛博朋克背景。例如：“闹钟显示7:00，但我记得我已经按掉它第三次了，窗外的霓虹灯牌却还在闪烁昨天的广告。”

通过对比可以发现，高质量的提示词本质上是将人类脑海中的隐性知识显性化。你越能清晰地界定边界和标准，模型就越能成为得力的助手而非随机的鹦鹉。

避坑指南：常见误区与边界

即便掌握了框架，新手仍容易陷入几个误区。首先是“过度堆砌”，认为写得越长越好。事实上，如果背景信息与当前任务无关，反而会分散模型的注意力。精简且相关的信息优于冗长且杂乱的描述。

其次是“忽视否定约束”。很多时候，告诉模型“不要做什么”比“要做什么”更难执行。例如，“不要写得太正式”不如直接指定“请使用口语化、朋友间的聊天语气”。正向指令通常比负向指令更稳定。

最后，要认识到模型的边界。对于需要实时数据、极度专业的医疗法律建议或复杂的逻辑数学计算，提示词框架只能优化表达，不能弥补模型能力的缺失。在这些领域，提示词的作用是辅助检索和格式化，而非替代专业判断。

模糊指令与结构化指令的效果对比

回到最初的那个取舍：我们是愿意花两分钟梳理思路，还是愿意花二十分钟去修改那些因指令模糊而产生的垃圾输出？CO-STAR和BROKE提供的不仅是模板，更是一种与智能协作的思维纪律。当你能熟练地将需求拆解为背景、目标、约束和示例时，你会发现，AI不再是那个需要猜谜的黑盒，而是一把精准的手术刀。

不必追求每次都用全所有要素，根据任务复杂度灵活裁剪。简单的查询只需明确目标和格式，复杂的创作则需要背景和示例的加持。真正的技巧，在于对任务本质的洞察，而非对框架的死记硬背。