结构化提示词（Structured Prompting）：从“对话”升级为“指令集”的炼金术

很多人在使用 LLM 时，习惯于像聊天一样发送一段话。但如果你想让 AI 稳定地输出高质量、格式统一且逻辑严密的内容，你需要将“对话”升级为“指令集”。

这就是**结构化提示词（Structured Prompting）**的核心：通过定义角色、目标、约束和工作流，将模糊的请求转化为一个可执行的程序。

为什么需要结构化？

传统的自然语言提示词（Free-form Prompting）存在三个痛点：

1. 随机性高：同样的请求，今天输出 A 格式，明天输出 B 格式。
2. 指令丢失：当提示词过长时，AI 容易忽略中间的约束条件（Lost in the Middle）。
3. 调试困难：你不知道是哪个词导致了结果偏差，无法精准优化。

结构化提示词通过类似 Markdown 的层级结构，为 AI 建立了清晰的“认知地图”。

核心框架：Role-Goal-Constraint-Workflow (RGCW)

一个完整的结构化提示词应包含以下四个维度：

1. Role (角色定义)

不要只说“你是一个翻译”，要定义其专业背景、语气和思维模式。

• ❌ 错误示例：你是一个文案专家。
• ✅ 正确示例：你是一位拥有 10 年经验的顶级营销心理学家，擅长利用 Cialdini 的影响力原则编写高转化率的落地页文案，语气专业且具有煽动性。

2. Goal (具体目标)

明确定义“成功”的标准是什么。

• ❌ 错误示例：帮我写一篇关于 AI 的文章。
• ✅ 正确示例：撰写一篇 1200 字的深度分析文章，探讨 AI Agent 对传统 SaaS 软件架构的影响，目标读者是 CTO 级别技术决策者，旨在让他们意识到迁移到 Agentic Workflow 的紧迫性。

3. Constraints (约束条件)

这是防止 AI “跑题”或产生幻觉的关键。包括格式要求、禁忌词、字数限制等。

• 清单式约束：
  • 禁止使用“总之”、“综上所述”、“在当今社会”等 AI 味浓重的连接词。
  • 所有技术术语必须在首次出现时提供英文原称。
  • 输出格式必须严格遵守 JSON Schema（见下方）。

4. Workflow (执行步骤)

将复杂任务拆解为线性步骤，强制 AI 按顺序思考（Chain-of-Thought）。

• 步骤示例：
  1. 第一步：分析用户提供的原始素材，提取出 3 个核心痛点。
  2. 第二步：针对每个痛点设计一个对比场景（Before vs After）。
  3. 第三步：基于上述分析撰写正文，每段不超过 150 字。

---

实战案例：从“写个周报”到“自动化周报生成器”

普通版 (Free-form)

“帮我写个周报，这周我完成了 API 文档更新，修复了三个 Bug，还参加了两次需求评审会。”

结构化版 (Structured)

# Role: 高级软件工程师周报专家

# Goal: 将碎片化的工作记录转化为具备“价值感”和“结果导向”的高管汇报文档。

# Constraints:
- 语气: 专业, 精炼, 不卑不亢。
- 核心逻辑: 不要只写 "做了什么", 要写 "解决了什么问题" $\rightarrow$ "带来了什么价值"。
- 禁止词: "大概", "尝试", "可能"。

# Workflow:
1. 分析输入记录中的具体动作 $\rightarrow$ 推导其背后的业务目标。
2. 将成果量化（如：性能提升 X%, 时间缩短 Yh）。
3. 按以下模板输出：【本周核心产出】 $\rightarrow$ 【关键问题与对策】 $\rightarrow$ 【下周计划】。

# Input: [在此输入你的碎片记录]

Gotchas & Tips (避坑指南)

1. 不要过度工程化：如果只是问个简单问题，不需要结构化。过度复杂的 Prompt 会增加 Token 开销并可能导致 AI 在处理简单逻辑时变得僵硬。
2. 使用分隔符：用 --- 或 ### 分隔不同模块，帮助模型快速定位指令区域。
3. 少用否定句：与其说“不要啰嗦”，不如说“请保持回答在三句话以内”。正向指令的遵循率通常更高。
4. 迭代测试：结构化 Prompt 是需要“调优”的。如果发现某个环节失效，尝试将该步骤在 Workflow 中进一步拆解为子步骤（Sub-steps）。

Checklist: 发送前检查清单

• 是否定义了具体的专业角色？ (Role)
• 是否有可量化的成功标准？ (Goal)
• 是否列出了明确的禁忌项/格式要求？ (Constraints)
• 是否将复杂过程拆解为了 Step 1, Step 2...？ (Workflow)