提示词工程快速入门：小瑶的七天学习笔记
“Prompt the actor, and the play unfolds; prompt the mind, and wisdom speaks.” ——改编自莎士比亚戏剧谚语
引言：从词源到智慧——提示词工程的起源与意义
一、Prompt 的词源：舞台上的轻声低语
在 16 世纪末的伦敦，泰晤士河南岸的环球剧场里，莎士比亚的《哈姆雷特》正在上演。舞台上的演员沉浸在角色中，但突然，他的大脑一片空白——长达 1500 行的台词，他忘了一句。在那个没有提词器的年代，这将是致命的失误。然而观众毫无察觉，因为舞台地板的一个暗格中，一位**提词员（prompter）**轻声送出了那个关键词语，演员接上，演出继续。
这就是英语单词 prompt 最初的舞台形象。它源自拉丁语动词 promere，由前缀 pro-（向前）和 emere（拿取）组成，字面意思是“拿到前面来”。其过去分词 promptus 演变为形容词，意为“准备好的”“手边的”——正如提词员手中那本随时可用的剧本。14 世纪进入英语后，它从“促使行动”扩展到“给演员提词”，再到 17 世纪泛指“提醒或促使某人行动”，最终在计算机时代，演变为屏幕上等待用户输入的提示符。
每一次你对着 AI 对话框键入文字，你就在扮演那个舞台下的提词员。而 AI，就是那个等待提示的演员。
二、Engineering 的词源：天赋与创造的艺术
Engineering 同样有着高贵的血统。它源于拉丁语 ingenium，意为“天赋、才能、发明”。这个词根也衍生出 ingenious（ ingenious，有天才的）和 engine（引擎，原指天赋或机巧的工具）。到了中世纪，ingeniator 指设计或操作攻城器械的人；文艺复兴后，engineer 逐渐指向那些运用数学和科学知识解决实际问题的人。
所以，提示词工程（Prompt Engineering） 从词源上就蕴含了两层深意：一是“在恰当的时刻向前递出准备好的话语”（prompt），二是“运用天赋与智慧，创造性地设计解决方案”（engineering）。它不是简单的指令输入，而是一门融合了语言学、心理学、逻辑学和创造力的艺术与科学。
三、5W1H：精准定义提示词工程
为了让你从零开始透彻理解，我们不妨用经典的 5W1H 法来解析这门新兴学科。
| 维度 | 问题 | 答案 |
|---|---|---|
| What | 什么是提示词工程？ | 设计和优化输入给 AI 模型的文本（prompt），以引导其生成符合预期的输出的实践。 |
| Why | 为什么要学它？ | AI 的输出质量极大依赖于输入的质量。一个好的问题，已经解决了问题的一半。掌握它能让你从“被动接收”变为“主动驾驭”。 |
| Who | 谁需要学习？ | 任何与 AI 打交道的人：学生、教师、研究者、创作者、程序员、管理者……尤其是刚踏入大学的新生，因为 AI 将成为你们未来四年最强大的学习伙伴。 |
| When | 什么时候开始学？ | 现在。AI 技术正以指数级融入教育和工作，越早掌握，越早受益。 |
| Where | 在哪些场景应用？ | 学术写作、文献检索、创意生成、数据分析、编程调试、语言学习、日常问答……几乎无处不在。 |
| How | 怎么学？ | 通过结构化的思维框架。本文将用七天时间，带你掌握七种最实用的提示词框架，并以大一新生小瑶的视角，见证她从 AI 小白到熟练使用者的蜕变。 |
第 0 天：小瑶的 AI 初遇
九月清晨，阳光透过梧桐叶洒在校园里。小瑶拖着行李箱，站在信息科学与技术学院的新生报到处，心里既兴奋又忐忑。她是一名刚入学的大一新生，专业是数字媒体技术。高中时她听说过 ChatGPT，但从来没真正用过——感觉那是“高年级学长才玩得转的东西”。
报到后的第一次班会上，辅导员说：“大学四年，你们要学会的最重要的技能不是背知识点，而是学会提问、学会思考。人工智能时代，会提问的人，才是真正的主人。”
小瑶似懂非懂地记下了这句话。回到宿舍，她打开笔记本电脑，第一次点开了 DeepSeek 的对话框。光标在屏幕上闪烁，仿佛在问：“你想让我做什么？”
她输入：“你好。”
AI 立刻回复：“你好！有什么我可以帮你的吗？”
小瑶愣住了。她不知道接下来该说什么。那个闪烁的光标，就像舞台上等待提词的演员，而她却忘了自己才是提词员。
她关上电脑，决定先了解这门“提词的艺术”。她在图书馆找到了几本关于 AI 和提示词的书，又看了不少网上的教程。接下来的七天，她每天学习一个框架，并用自己的真实需求进行练习。
第 1 天：CLEAR 框架——让模糊想法变清晰
1.1 小瑶的困惑
第一节课后，老师布置了一篇小论文，主题是“芯片产业现状分析”。小瑶觉得这很简单，于是打开 DeepSeek，输入：
“帮我写点关于芯片产业的东西。”
结果 AI 输出了一大段文字，从芯片定义讲到制造工艺，再到市场格局，洋洋洒洒一千多字。但小瑶看完却皱起了眉头：“这内容太泛了，我想要的是作业需要的分析，不是科普啊！”
她尝试第二次输入：
“写一篇关于芯片产业的文章。”
结果类似。小瑶有点沮丧：“为什么 AI 总是不懂我想要什么？”
1.2 引入 CLEAR 框架
这时她想起了辅导员的话：“会提问的人，才是真正的主人。”她开始搜索“如何更好地提问”，然后找到了一个叫CLEAR的提示词框架：
- C - Concise（简洁）：去除冗余信息，直击核心
- L - Logical（逻辑清晰）：确保思路连贯，结构合理
- E - Explicit（明确）：具体说明需求，避免歧义
- A - Adaptive（适应性）：根据反馈灵活调整提示
- R - Reflective（反思）：评估输出质量并持续优化
小瑶恍然大悟：原来问题出在自己身上——她的提示词太模糊了！就像走进餐厅只说“给我来点吃的”，厨师当然不知道是该端米饭还是红烧肉。
1.3 实战：用 CLEAR 重新提问
小瑶拿起纸笔，用 CLEAR 的五个要素重新设计提示词：
| 要素 | 思考过程 | 体现在提示词中 |
|---|---|---|
| 简洁 | 要控制篇幅，不能太长 | “简要说明” |
| 逻辑 | 需要上下游信息和历史脉络 | “关键上下游信息”“主要发展脉络” |
| 明确 | 作业需要客观，不确定的要说明 | “若有不确定信息，直接说明并给出可能来源” |
| 适应 | 给 AI 留出调整空间 | “可能来源”——允许 AI 提出假设 |
| 反思 | 输出后要检查是否符合要求 | 先不写，但会在收到回答后反思 |
最终提示词：
“请简要说明芯片产业的关键上下游信息，并逻辑清晰地给出其主要发展脉络与现状。若有不确定信息，直接说明并给出可能来源。”
这一次，AI 的输出完全不同了：清晰地列出了上游材料（硅片、光刻胶）、中游制造（设计、制造、封测）、下游应用（消费电子、汽车、通信），以及从集成电路发明到 AI 芯片的演进脉络，还标注了未来 3nm 量产时间的预测分歧。这正是小瑶需要的。
1.4 小瑶的反思（R）
“原来不是我‘不会用 AI’，而是我‘不会提问’。”小瑶在本子上记下：
CLEAR 心法：写提示词前，先问自己——我的需求简洁吗？逻辑清楚吗？要求明确吗？给 AI 留了调整空间吗？如果结果不理想，我该怎么修改？
她还意识到，CLEAR 框架不仅适用于 AI 提示，也适用于日常沟通。从此以后，她给同学发微信、给老师发邮件，都会下意识地检查是否清晰明了。
第 2 天：ART 框架——为谁写比写什么更重要
2.1 小瑶的新挑战
周末，小瑶给妈妈打电话，聊起经济学课上学到的“供需关系”。妈妈说：“啥是供需关系？你能用我能听懂的话给我讲讲不？”
小瑶试着用课本上的定义解释：“供给是指生产者在一定时期内愿意并能够出售的商品数量，需求是消费者愿意并能够购买的数量……”
“停停停！”妈妈打断她，“你讲得太专业了，我听不懂。你就说这东西跟我买菜有什么关系？”
小瑶愣住了。她发现自己能写作业，但没法让不懂经济学的妈妈听懂。
2.2 引入 ART 框架
她想到：如果让 AI 来讲解，会怎么讲？于是她找到了ART 框架：
- A - Audience（受众）：明确目标读者（如专业背景、知识水平、兴趣点）
- R - Response（预期回答）：期望 AI 输出的内容和形式（如解释、故事、清单）
- T - Tone（语气）：规定语言风格（亲切、正式、幽默、批判等）
2.3 实战：两个版本，一个概念
版本一：给妈妈（非专业受众）
受众：我的妈妈，50 岁，家庭主妇，对经济学一无所知，但每天买菜。 预期回答：用买菜的例子解释供需关系，500 字以内，生动有趣。 语气：亲切，像聊天一样。
提示词：“请用妈妈每天买菜的例子，向她解释什么是供需关系。要用她熟悉的场景（比如白菜涨价了、猪肉便宜了），避免任何专业术语。语气像和妈妈聊天一样自然。”
AI 输出（节选）：
“妈，您不是常问我：为什么有时候白菜一块钱一斤，有时候三块钱一斤？这就是供需关系在起作用。您想想，夏天白菜大量上市，卖菜的人多（供给多），买的人也就那么多（需求不变），所以价格就便宜。可到了冬天，本地白菜少了，得从南方运过来（供给少），大家还都得吃白菜（需求不变），价格自然就涨了。这就是‘供不应求’涨价，‘供过于求’降价。猪肉便宜也是同理，去年猪肉贵，养猪的人多了，今年猪多了（供给增加），价格就下来了……”
小瑶把这段话读给妈妈听，妈妈哈哈大笑：“这下我懂了！原来我买菜的时候一直在用经济学啊！”
版本二：给同学（专业初学）
受众：大学经济学专业新生，刚学过供求曲线。 预期回答：一篇 500 字的学术风格综述，包含定义、基本定律和现实例子。 语气：正式但通俗，避免复杂数学模型。
提示词：“目标读者是大学经济学专业新生，请生成一篇关于供需关系的学术风格简短综述，口吻保持正式，包含定义、基本定律和一个现实例子（如房地产市场）。”
AI 输出清晰规范，正好可以用来复习功课。
2.4 小瑶的收获
ART 心法：动笔之前，先问自己——我在对谁说话？他们需要什么？用什么语气最合适？对不同的人，说不同的话，这不是虚伪，而是尊重。
她开始用 ART 框架写不同风格的自我介绍，应对不同的社团面试，每次都很成功。
第 3 天：RICE 框架——让 AI 扮演专业角色
3.1 小瑶的微积分难题
高等数学课上，老师讲到极限的ε-δ定义，小瑶完全懵了。她试着让 AI 解释：
“请解释一下极限的ε-δ定义。”
AI 输出了一堆数学符号和严谨定义，小瑶看了更晕了。她意识到：不是 AI 解释得不对，而是解释方式不适合自己这个“初学者”。
3.2 引入 RICE 框架
这时她学到了RICE 框架，一个强调“角色扮演”的提示词设计方法：
- R - Role（角色）：指定 AI 扮演的角色（如导师、助教、学伴）
- I - Instructions（指令）：清晰说明要执行的任务
- C - Context（背景信息）：提供必要的背景资料
- E - Expectations（预期结果）：明确输出的格式和内容要求
3.3 实战：让 AI 当我的专属数学导师
小瑶重新设计提示词：
角色：你是一位擅长用生活类比解释抽象概念的数学导师，教过很多对极限感到困惑的大一学生。 指令：请用我能听懂的方式解释极限的ε-δ定义。 背景：我是一名刚接触微积分的大一新生，对极限的直观概念（“趋近于”）已经了解，但严格定义让我困惑。 预期结果：先给出一个生活类比，再逐步过渡到数学语言，最后出两道简单的练习题帮我巩固。
AI 的输出让小瑶眼前一亮：
生活类比：
“想象你是一个狙击手，目标是击中靶心（极限值 L）。你的教练要求你：无论他把靶心画得多小（任意小的ε），你都必须能够找到一个瞄准点（δ），使得只要你瞄准的点距离靶心足够近（小于δ），子弹就一定落在靶心的小圈内（误差小于ε）。你证明自己神枪手的方式，就是能针对任何一个小的目标圈，给出一个相应的瞄准范围。”
数学翻译：
对应到极限定义：对任意给定的正数ε（目标圈大小），总存在一个正数δ（瞄准范围），使得当 x 与 a 的距离小于δ时（瞄准点足够近），f(x）与 L 的差小于ε（子弹落在圈内）。
练习题：
- 用ε-δ语言解释为什么 lim_{x→2} (3x-2)=4。
- 对于函数 f(x)=x²，如果要让 f(x）与 4 的误差小于 0.1，x 应该离 2 多近？
小瑶恍然大悟：“原来ε-δ就是‘你不管要求多精确，我都能满足你’！”她第一次觉得数学定义这么亲切。
3.4 拓展应用
小瑶开始收集有用的“角色卡”：
- 雅思口语考官（练英语）
- 学术写作导师（改论文）
- 效率专家（做规划）
- 心理咨询师（解心结）
RICE 心法：给 AI 一个角色，就是给它一个视角。同样的知识，从不同“人”嘴里说出来，效果天差地别。
第 4 天：PAIR 框架——在对话中迭代完美
4.1 小瑶的文献检索困境
专业课要求写一篇文献综述，主题是“人工智能在教育中的应用”。小瑶在 Web of Science 上试了几个关键词，要么结果太多（5000+），要么结果太少（不到 10 篇）。她向 AI 求助：
“帮我找一下关于人工智能在教育中的应用的英文文献。”
AI 给出了一堆通用建议，但小瑶尝试后依然不理想。
4.2 引入 PAIR 框架
这时她学到了PAIR 框架，一个专为多轮迭代设计的框架：
- P - Problem（问题）：清晰表达要解决的问题
- A - AI（人工智能）：让 AI 参与分析，提供初步见解
- I - Interaction（互动）：通过多轮交互优化生成的内容
- R - Reflection（反思）：评估 AI 的答案并调整提示细节
小瑶意识到，她之前的提问是一次性的，但文献检索是一个需要不断调整的过程。她决定把 PAIR 框架用起来。
4.3 实战：三轮对话，层层深入
第一轮（P - 问题定义）：
“我的研究主题是‘人工智能在教育中的应用’，重点关注个性化学习。我已经在 Web of Science 上试了关键词组合，但结果要么太多要么太少。请帮我优化检索策略。”
AI 建议：
建议使用以下关键词组合：
- ("artificial intelligence" OR "AI") AND ("education" OR "learning")
- 限定时间范围：近 5 年
- 考虑加入"personalized learning"作为二级关键词
第二轮（I - 互动反馈）：
“我试了第一个组合，得到 5000+结果，太多了。我的研究更侧重 K-12 教育，不是高等教育。怎么进一步缩小范围？”
AI 优化：
可以加入以下限定：
- ("K-12" OR "primary education" OR "secondary education")
- 文献类型限定为"review"（综述），先了解领域概况
- 用"adaptive learning"替代部分"AI"关键词
第三轮（I - 继续互动）：
“综述文章是个好主意。我找到了几篇关键文献。现在想基于这些文献的参考文献进一步扩展检索，有什么方法？”
AI 建议：
尝试“雪球采样法”：
- 找出核心文献的被引次数
- 在 Web of Science 中查看“引用参考文献”功能
- 关注该领域的权威作者，用“author:”字段检索
- 也可以试试“connected papers”工具，可视化文献关系
经过三轮对话，小瑶不仅找到了 20 多篇高质量文献，还学会了文献检索的系统方法。
4.4 小瑶的反思
她总结出 PAIR 框架的关键：
- 一次只问一个问题：不要在第一轮抛出一堆问题。
- 提供具体反馈：告诉 AI 什么有用、什么没用。
- 记录迭代过程：可以要求 AI 记录每次修改点。
PAIR 心法：好的答案不是问出来的，是聊出来的。把单次提问变成一场对话，就像和朋友一起探索未知。
第 5 天：SCAMPER 框架——让创意无限迸发
5.1 小瑶的社团活动难题
小瑶加入了学生会宣传部，部长要求每个干事为即将到来的“社团招新嘉年华”设计一个创意活动。小瑶绞尽脑汁，想出来的无非是“发传单”“贴海报”“摆摊玩游戏”这些老套路。她急需一些新鲜点子。
5.2 引入 SCAMPER 框架
在 AI 的帮助下，她找到了SCAMPER 框架，一个经典的创意激发工具：
- S - Substitute（替换）：能否替换某些部分？
- C - Combine（组合）：能否与其他元素组合？
- A - Adapt（调整）：如何适应新场景？
- M - Modify（修改）：放大或修改某些特性？
- P - Put to other uses（转换用途）：还有其他用途吗？
- E - Eliminate（删除）：能否简化或去除？
- R - Reverse/Rearrange（颠倒/重组）：颠倒顺序或重新排列？
5.3 实战：从“无聊发传单”到“校园寻宝”
她把“发传单”这个传统活动作为起点，用 SCAMPER 逐项提问：
| 角度 | 问题 | 创新点子 |
|---|---|---|
| 替换 | 能不能把纸质传单换成别的？ | 换成 AR 传单：用手机扫描校园标志，弹出社团介绍视频 |
| 组合 | 能不能和别的活动组合？ | 发传单+小游戏：传单背面印有谜题，猜对可到摊位领奖品 |
| 调整 | 能不能调整时间、地点？ | 不在食堂门口发，而是在晚自习教室发，顺便做 10 分钟宣讲 |
| 修改 | 能不能放大传单的作用？ | 传单设计成“集章卡”，集齐五个社团印章可抽奖 |
| 他用 | 传单还有什么其他用途？ | 传单背面印有课程表、备忘录，变成实用物品，同学不舍得扔 |
| 删除 | 能不能干脆不发传单？ | 完全数字化：用校园表白墙、抖音号发布社团招新短视频 |
| 颠倒 | 如果让新生来发传单？ | 邀请新生体验一天社团工作，由他们向其他新生介绍社团 |
小瑶把七个点子整理成一份创意清单，发给部长。部长看后大为惊喜，尤其喜欢“AR 传单”和“集章卡”的点子，决定在招新活动中采用。
5.4 用 SCAMPER 创作童话
小瑶还试了用 SCAMPER 写故事：
“请帮我创作一个现代童话故事，主角是狐狸和公主。运用 SCAMPER：颠倒时间顺序（先从结局讲起），组合科技元素（全息投影、机器人），替换魔法道具为科技设备。”
AI 创作了一个精彩故事：狐狸通过破解城市全息地图，帮公主找到了失落的古代森林。
5.5 小瑶的心得
SCAMPER 心法：创新不是凭空想象，而是有套路地改造现有事物。七个角度就像七把钥匙，逐一试过去，总能打开一扇新的门。
第 6 天：PESTEL 框架——像专家一样分析问题
6.1 小瑶的选专业纠结
学校要求大一结束前确定专业方向。小瑶在数字媒体技术、计算机科学、人工智能三个方向之间纠结。她找了很多资料，但信息太多太杂，反而更迷茫了。
6.2 引入 PESTEL 框架
AI 给她推荐了PESTEL 框架，一个常用于商业分析和战略规划的宏观环境分析工具：
- P - Political（政治）：政策、法规、政府支持
- E - Economic（经济）：行业前景、薪酬水平、就业市场
- S - Social（社会）：社会需求、文化接受度、伦理争议
- T - Technological（技术）：技术成熟度、发展速度、突破方向
- E - Environmental（环境）：对环境的影响、可持续性
- L - Legal（法律）：法律风险、知识产权、合规要求
6.3 实战：用 PESTEL 分析三个专业
她让 AI 帮忙，用 PESTEL 框架分别分析三个专业的前景。以人工智能为例，AI 的输出节选：
| 维度 | 关键点 |
|---|---|
| 政治 | 各国将 AI 上升为国家战略，政策支持力度大；但也面临数据安全、技术出口管制等风险 |
| 经济 | 相关岗位薪资高，投融资活跃；但资本泡沫风险存在，部分领域可能洗牌 |
| 社会 | 公众对 AI 的认知逐渐加深，接受度提高；但存在“AI 取代工作”的焦虑 |
| 技术 | 大模型、多模态等技术突破快；但理论创新进入瓶颈期，算力成本高 |
| 环境 | 大模型训练耗电耗水，引发环保争议；绿色 AI 成为新方向 |
| 法律 | 各国 AI 监管法案陆续出台，合规成本上升；知识产权问题（如训练数据版权）待解 |
计算机科学和数字媒体技术的分析也类似。对比之后，结合自己从小爱画画的特点，小瑶选择了数字媒体技术。
6.4 进阶应用：交叉分析
AI 还教她做交叉分析：技术如何影响社会？政策如何推动技术？这样能看到动态图景。
PESTEL 心法：做选择时，不能只看眼前，要看大环境。六个维度就像六盏探照灯，帮你照亮未来的路。
第 7 天：LIGHT 框架——让思考有温度
7.1 小瑶的公益项目
学院组织“科技向善”公益项目大赛，小瑶和几个同学组队参加。他们想设计一个帮助社区老人的 APP，但讨论了半天，想法始终停留在“功能列表”层面：紧急呼叫、用药提醒、健康监测……总觉得少了点什么。
7.2 引入 LIGHT 框架
AI 给小瑶推荐了一个特别的框架——LIGHT，一个价值导向型框架：
- L - Love of Wisdom（爱智慧）：追求深度思考和理性探索，不满足于表面答案
- I - Inquiry for Truth（求真理）：基于事实和证据，避免偏见和盲从
- G - Gain Freedom（得自由）：通过知识和真理实现精神或行动的自由
- H - Humanity in Service（以服务）：以服务他人为核心，体现同理心和社会责任
- T - Towards Peace（创和平）：致力于和谐与和解，促进理解与合作
小瑶读着这些词，心里涌起一股暖流。她意识到，团队之前只想着“做什么功能”，却很少想“为什么做”“为谁做”“怎么做得更好”。
7.3 实战：用 LIGHT 重新设计项目
她用 LIGHT 框架引导团队重新思考：
爱智慧：
“我们真的了解老人吗？他们的真实需求是什么？是缺一个紧急呼叫按钮，还是缺一份安心和陪伴？”
团队决定先去社区调研，和老人聊天。他们发现，很多老人并不怕突发疾病（因为社区医院很近），但很怕孤独。有位奶奶说：“我手机里装了八个 APP，但最想要的，是有人能教我用微信视频和孙子聊天。”
求真理：
调研结果颠覆了最初的设计假设。
得自由：
团队重新定义目标：不是“监控老人健康”，而是“帮助老人保持独立、有尊严的生活”。APP 的功能不再是“提醒老人该干嘛”，而是“让老人能主动学习、自主社交”。
以服务：
他们决定增加“银发课堂”板块，由志愿者（大学生）录制简单易懂的手机使用教程，还可以在线答疑。
创和平：
考虑到老人和子女之间常因“教不会用手机”产生矛盾，他们设计了一个“亲子同步学习”模式：子女在 APP 上认领学习任务，老人完成学习后，双方都可以获得积分奖励。
最终，他们设计的 APP 叫“暖阳”，在比赛中获得一等奖。评委说：“你们不仅设计了一个 APP，更设计了一种有温度的社区关系。”
7.4 小瑶的升华
LIGHT 心法：技术是冷的，人心是热的。LIGHT 框架提醒我，无论做什么，都要问自己：这真的有用吗？为谁有用？会不会有伤害？能不能让世界更好一点点？
框架选择指南：小瑶的速查表
| 任务类型 | 首选框架 | 为什么 |
|---|---|---|
| 写作业、日常提问 | CLEAR | 先让需求清晰 |
| 向不同人解释同一件事 | ART | 受众决定表达 |
| 需要专业视角 | RICE | 给 AI 一个角色 |
| 复杂问题多轮解决 | PAIR | 好的答案需要聊 |
| 头脑风暴、创意生成 | SCAMPER | 七个角度破定势 |
| 分析趋势、做决策 | PESTEL | 六个维度看大局 |
| 思考价值、设计公益 | LIGHT | 让技术有温度 |
组合运用：小瑶的期末大作业
期末，老师布置了一个大作业：设计一款面向大一新生的校园服务产品。小瑶决定把七个框架全部用上：
- PESTEL分析宏观环境：小程序比 APP 更合适，聚焦新生入学痛点（报到、选课、社交）。
- SCAMPER激发创意：设计出“小禾”小程序，含 AR 实景导航、学长学姐问答社区、教材循环、失物招领等功能。
- RICE细化功能：让 AI 扮演产品经理，完善问答社区的交互逻辑和激励机制。
- ART调整表达：为新生、学长学姐、评委写不同版本的产品介绍。
- PAIR迭代方案：收集同学试用反馈，与 AI 多轮对话优化功能。
- CLEAR撰写文档：用 CLEAR 生成产品说明初稿，再润色。
- LIGHT校准价值：增加“新生关怀”板块，由志愿者发布鼓励话语，让产品有温度。
最终方案被学院推荐参加校级比赛并获奖。小瑶真正内化了七个框架。
结语：小瑶的七天，与你的无限可能
七天的学习结束了，但小瑶与 AI 的协作才刚刚开始。她养成了习惯：每次提问前，都想想用哪个框架。她更明白：框架是工具，灵活运用才是关键。CLEAR 让她清晰，ART 让她贴心，RICE 让她借力，PAIR 让她深入，SCAMPER 让她创新，PESTEL 让她远见，LIGHT 让她温暖。
回到词源的故事——Prompt，从“拿到前面来”到“准备好的”，再到“人与机器协作的艺术”；Engineering，从“天赋”到“创造性解决问题”。提示词工程，就是运用天赋，在恰当的时刻递出准备好的话语，唤醒 AI 的智慧，共同演绎精彩的篇章。
亲爱的读者，如果你也是一名大一新生，或者任何想与 AI 深度协作的人，希望小瑶的笔记能给你一些启发。记住：
会提问的人，才是 AI 时代的主人。 而一个好的问题，已经解决了问题的一半。
现在，轮到你上场了。打开你的 AI 助手，开始你的第一次“提词”吧。
“愚者自以为智，智者自知其愚。” ——莎士比亚《皆大欢喜》
后记：给小瑶们的三点心里话——来自大瑶博士的温馨提醒
亲爱的小瑶，以及所有正在阅读这篇笔记的朋友：
当你学完七个框架，准备开启与 AI 的协作之旅时，我想以心理语言学研究的视角，和你分享三点心里话。这不是“正确答案”，而是希望你在享受 AI 便利的同时，也能守护好自己的心智健康。
第一，记住：AI 是工具，不是人
故事里，我让 AI“扮演导师”“创作故事”，用拟人化的方式让你更容易理解。但请一定记住：AI 本质上是一个复杂的模式匹配和文本生成系统。它不真正“理解”你的情感，没有“意识”，也不会“思考”。它的输出基于海量数据的统计规律，而非人类意义上的意图或信念。
把它想象成一个超级智能的提词器，而不是另一个人类伙伴。这样，你既能享受它的强大，又不会过度依赖或误解它的能力——比如，别向它倾诉情感问题期待共情，别把它的话当作绝对真理不加验证。
第二，框架是帮你思考的，不是让你焦虑的
学完七个框架后，你可能会像我一样紧张——每次提问前都要想“该用哪个框架”，反而更累了。这是正常的认知负荷阶段，心理学告诉我们：这是学习新技能时的必经之路。
我的减负建议是：
- 新手期，只记三个：先掌握 CLEAR（清晰）、ART（受众）、RICE（角色），应对 80%的场景。
- 进阶期，随用随查：把 SCAMPER、PESTEL、LIGHT 的速查表存手机里，需要时再看。
- 熟练期，内化习惯：慢慢地，你会自然地问“我的受众是谁？”“还有什么角度没考虑？”——这时框架已成为你思维的一部分。
如果哪个框架让你觉得累，说明你还没准备好用它，放一放，先从简单的开始。
第三，对 AI 的输出，永远保持一份审慎
故事里我常常“满意地接受”AI 的回答，但现实中，你一定要多做一步：核实。AI 可能生成“幻觉”——看似合理但完全错误的信息；它的训练数据可能存在偏见和时效性问题；它没有能力核实信息的真实性。
每次使用 AI 的输出，都问自己三个问题：
- 这个信息我能从哪里核实？（教材、官网、原始论文？）
- AI 的表述中，哪些是事实，哪些是观点，哪些是猜测？
- 如果我错了，会有什么后果？
AI 的答案，需要你的验证。 它像一位知识渊博但偶尔会出错的学长，你可以借助它的智慧，但最终要对信息的真实性负责。这不是不信任 AI，而是对自己负责。
最后，送你三句话，愿你在 AI 时代： 清醒地使用，而不沉迷； 批判地接受，而不盲从； 温暖地协作，而不依赖。
你的朋友， 大瑶