结构化提示词 (Structured Prompting)是将提示工程 (Prompt Engineering)从“玄学”变成“工程学”的关键一步。
简单来说，结构化提示词就是把你的自然语言（人话），按照一定的逻辑框架，组织成类似“代码”或“表单”的格式，喂给 AI。
与其说你在跟 AI “聊天”，不如说你是在用自然语言给 AI“编程”。
1. 🆚 对比：乱炖 vs. 套餐
为了理解它的威力，我们看一个对比：
❌ 非结构化提示词 (小白写法)：
“帮我写个卖咖啡的文案，要吸引人一点，针对上班族的，不要太长，稍微幽默点，带上我们的优惠活动买一送一。”
缺点：信息混杂，重点不突出，AI 容易漏掉“幽默”或“针对上班族”的要求，输出结果很随机。
✅ 结构化提示词 (高手写法)：
Markdown：# Role (角色) 你是一名为拥有10年经验的资深文案策划，擅长通过痛点营销打动都市白领。 # Project (项目背景) 我们需要为一款“特浓醒脑冰美式”撰写朋友圈推广文案。 # Target Audience (目标受众) 经常加班、早起困难、急需提神的 CBD 上班族。 # Constraints (约束条件) 1. 语气风格：幽默、调侃、像朋友聊天。 2. 字数限制：100字以内。 3. 核心卖点：3倍浓度，一口回魂。 4. 必须包含：本周五“买一送一”活动。 # Output Format (输出格式) 请提供 3 个不同版本的文案，按“标题 + 正文”格式输出。优点：AI 一眼就能看到角色、背景、约束、格式。这就好比给 AI 填好了一张“需求单”，它想跑偏都难。
2. 🏗️ 核心原理：利用 AI 的“注意力机制”
为什么加了#号和换行，效果就好这么多？
这利用了我们在第一节课讲过的Transformer 架构：
Markdown 语法 (如 #, ##)：在大模型的训练数据（如 GitHub 代码、技术文档）中，标题通常意味着“重点”。使用结构化符号，相当于给 AI 画了重点，告诉它的注意力机制 (Attention)该关注哪里。
模块化思维：将复杂的任务拆解成小模块（角色、背景、任务）。AI 处理“小而清晰”的指令，比处理“大而模糊”的一段话要准确得多。
3. 🧩 结构化提示词的标准框架 (LangGPT 等流派)
目前业界最流行的结构化框架（如 LangGPT）通常包含以下模块：
| 模块 | 关键词 (Tag) | 作用 |
| 角色设定 | # Role | 激活参数。圈定 AI 的知识范围（你是律师，不是厨师）。 |
| 背景信息 | # Context | 提供上下文。让 AI 知道前因后果，减少幻觉。 |
| 任务目标 | # Goals | 明确终点。你要得到什么结果？ |
| 约束条件 | # Constraints | 划红线。字数、语气、禁止词汇。这是防止 AI 放飞自我的关键。 |
| 技能要求 | # Skills | 强化能力。比如“你需要熟练使用 Python”或“你需要懂马斯洛需求理论”。 |
| 工作流 | # Workflow | 思维链 (CoT)。强制 AI 按步骤思考（1.分析... 2.构思... 3.输出...）。 |
| 示例 | # Few-Shot | 照猫画虎。给它一两个理想的例子，让它模仿风格。 |
| 初始化 | # Initialization | 开场白。让 AI 确认收到指令，并准备开始。 |
4. 🎨 进阶技巧：分隔符与标记
为了让结构更清晰，我们通常会配合使用各种分隔符，让 AI 知道哪里是数据，哪里是指令：
Markdown 标题：
# Role,## Rules(最推荐，通用性最强)XML 标签：
<role>...</role>,<context>...</context>(Claude 等模型特别喜欢这种格式)三引号：
"""这里是你要处理的文章"""(用于包裹长文本，防止 AI 混淆指令和内容)
总结
结构化提示词 (Structured Prompting)是普通用户进阶为AI 驾驭者 (Prompt Engineer)的必修课。
它体现了一种思维方式的转变：
以前：你把 AI 当人，跟它说“车轱辘话”。
现在：你把 AI 当机器，给它发“伪代码指令”。
一旦你习惯了这种写法，你会发现 AI 的智商似乎瞬间提高了 20 分。
