五段式提示词框架：让LLM从“差不多”到“能上线”

大多数提示词技巧文章只会说“要具体”，却从不告诉你具体怎么做。一位开发者在实践中总结出一套五段式提示词模板，声称能让同一模型输出从“泛泛而谈”变成“可直接交付”。

为什么普通提示词总差一口气

原文作者直言，大部分提示词教程毫无用处，因为它们缺乏可操作的颗粒度。他给出的反例很典型：一句“为我的SaaS写产品介绍”，GPT返回的是“欢迎来到AcmeCloud，领先的云管理平台，帮助企业简化运营……”——这段话可以套在任何一家SaaS公司身上。

问题的根源不在模型能力，而在于输入缺少结构性约束。作者由此提出一个判断：提示词里每缺失一个部分，就会对应一种可预测的失败模式。

五段式结构拆解

这套模板由五个区块构成，每个区块承担明确职责。

角色（Role）

第一段定义模型扮演的角色与经验背景，例如“你是一位有10年经验的B2B SaaS营销人员，为200人规模公司的运营总监写作”。角色段落的作用是校准语气和词汇库，让模型从特定视角组织语言，而不是从通用语料里随机采样。

上下文（Context）

第二段交代项目背景、目标受众和具体目标。原文示例中明确了产品是Kubernetes成本优化工具、受众是B轮SaaS公司的运营总监、目标是获取合格的演示预约。上下文越具体，模型越不容易跑偏到通用营销话术。

输出结构（Output Schema）

第三段用字段化的方式规定返回格式。原文要求返回JSON，包含headline（最多10词）、subheadline（最多20词）、3条卖点（每条15词）、CTA按钮文案（3词）。作者的解释是：当模型必须填充字段时，它就无法漫谈，结构化输出倒逼结构化思考。

JSON Schema 与结构化输出

原文要求模型返回包含 headline、subheadline、卖点、CTA 等固定字段的 JSON，这背后涉及 LLM 的“结构化输出”能力。现代 API（如 OpenAI 的 JSON mode、Structured Outputs，以及 Anthropic 的工具调用）允许开发者用 JSON Schema 精确声明返回对象的字段名、类型、长度和必填项，模型在解码阶段就被约束为只能生成符合 schema 的内容。相比仅在提示词里口头描述字段，schema 级约束能显著降低格式错误和字段缺失率。不过要注意，字段化输出主要保证“形状正确”，并不自动保证“内容优质”——卖点是否切中受众痛点，仍取决于角色、上下文和示例段落的质量。因此输出结构应与其余四段配合使用，而非单独依赖。

约束条件（Constraints）

第四段列出硬性限制：字数上限、语气要求、必须包含的元素、禁止出现的词汇。原文特别点名禁用“leverage”“synergy”“revolutionize”，作者称仅这一条就能消除80%的企业套话。

禁用词与负面约束的作用机制

原文点名禁用“leverage”“synergy”“revolutionize”等词，这类做法的原理是压缩模型的输出分布。LLM 在生成时会对每个 token 计算概率，企业套话之所以高频出现，是因为它们在营销语料中统计上极为常见。负面约束相当于在解码时对特定 token 序列降权或屏蔽，迫使模型绕开这些高概率但低信息量的表达，转而选择更具体的措辞。实践中，负面约束最好与正面要求配对使用，例如“不要使用抽象动词，改用可量化的动作和数字”，否则模型可能只是换一批同义套话。此外，禁用词列表应针对具体场景定制，过度宽泛的禁词表反而会损害表达的流畅性。

示例（Examples）

第五段给出一个正例和一个反例。原文的正例是“30天内把K8s账单砍掉40%”，反例是“释放云优化的力量”。作者的经验是：一个好例子胜过十条规则。

实际效果对比

在原文给出的案例中，使用框架后同一模型返回了完整的JSON：标题“30天内把K8s账单砍掉40%”，副标题点明自动调整集群规格、运营团队每周节省12小时，三条卖点分别包含年省1.8万美元、15分钟配置无需写代码、SOC 2合规且数据不出VPC，CTA是“查看你的节省金额”。

同一模型、同一产品，输出质量差异显著。这个对比说明，提示词工程的收益主要来自输入结构的完整性，而非模型本身的升级。

四个生效机制

作者归纳了这套框架起作用的原因：角色为模型提供写作人格，校准语气与词汇；输出结构迫使模型按字段组织答案，无法东拉西扯；约束条件直接封堵常见失败模式；示例则锚定质量基准线。

这四点并不玄妙，本质上是把人类给下属布置任务时的隐含要求显式化。日常沟通中我们默认对方知道背景和标准，但对LLM而言，没写出来的就是不存在的。

上下文窗口与指令遵循

四个机制能生效，前提是模型具备足够的指令遵循能力和上下文窗口容量。五段式提示词通常有数百到上千 token，现代模型的上下文窗口（从数万到数十万 token 不等）足以容纳，但在长对话中，早期写入的角色和约束可能因“中间遗忘”现象而被稀释。缓解办法包括：把最关键的角色与约束放在提示词开头和结尾（利用首因与近因效应），在多轮对话中定期重申约束，或把固定不变的模板部分放入系统提示。理解这一点有助于解释为何同一模板在单轮任务中效果稳定，而在长会话中需要额外维护。

工具化尝试与局限

作者因厌倦手写脚手架，做了一个名为PromptOpt的工具：粘贴粗略想法，返回上述格式的结构化提示词，免费额度为10次优化。

需要客观看待的是，这类工具的价值取决于模板本身的通用性。五段式框架适合内容生成、营销文案、结构化数据抽取等任务，但对于多轮对话、复杂推理链或需要外部工具调用的场景，固定模板可能反而限制模型的发挥空间。原文并未讨论这些边界情况。

更务实的做法是把这个框架当作检查清单：写完提示词后逐项核对五个部分是否齐全，缺哪补哪，而不是机械套用。作者自己在文末也抛出了开放问题——你心中那个“必写”的部分是什么？这说明框架本身仍在迭代。

对日常使用LLM的开发者来说，最直接的行动是：挑一条最近写过的提示词，补上五个部分，在同一模型上重跑一遍，对比输出差异。这个实验成本很低，但通常能直观感受到结构化输入带来的变化。