在大模型辅助编程日益普及的今天，许多开发者发现 AI 的输出质量极不稳定：有时能给出惊艳的架构方案，有时却连一个简单的测试用例都写不对。这种差异的核心往往不在于模型本身的能力，而在于提示词（Prompt）的结构化程度。

一、两大核心框架

在选择提示词策略前，必须明确两大框架的设计哲学差异。它们并非互相替代，而是分别解决了人机协作中的两个核心痛点：思考深度与表达精度。

1. CRISPE 框架：深度推理引擎

CRISPE 侧重于让 AI “像专家一样思考”，适合处理需要逻辑推演、权衡利弊或强约束生成的复杂任务。

• C - Capacity and Role (能力与角色)：设定 AI 的专家身份，激活特定领域的知识权重。
• R - Request (请求)：清晰定义核心任务。
• I - Insight (洞察)：提供技术栈、业务背景、现有约束等关键上下文，防止 AI 产生脱离实际的“幻觉”。
• S - Statement (陈述)：精炼核心目标或需求边界。
• P - Personality/Personalization (个性/个性化)：注入团队规范、编码风格或安全基线。
• E - Experiment (实验)：要求 AI 提供多种方案、分步验证或解释思考过程，鼓励批判性输出。

2. CO-STAR 框架：精准输出控制器

CO-STAR 侧重于让 AI “按特定格式说话”，适合内容创作、文档生成、代码审查及跨角色沟通等对输出形式有严格要求的任务。

• C - Context (背景)：描述问题发生的具体环境。
• O - Objective (目标)：明确期望达成的结果。
• S - Style (风格)：指定写作范式（如 Stripe API 文档风格、AWS 白皮书风格）。
• T - Tone (语气)：控制情感色彩（客观严谨、教学式、商务积极）。
• A - Audience (受众)：定义读者画像，决定内容的详略与术语密度。
• R - Response (响应格式)：强制规定输出的结构（Markdown 表格、Mermaid 图、YAML、Diff 补丁等）。

💡 选型黄金法则

• 需要 AI动脑（分析、设计、生成复杂代码）→ 选CRISPE
• 需要 AI动笔（写文档、做汇报、格式化输出）→ 选CO-STAR
• 简单问答或快速脚本 →自然语言即可，避免过度工程化

二、核心开发场景实战解析

本章将两大框架应用于程序员日常最高频的四个开发环节，展示如何通过结构化提示词显著提升产出质量。

2.1 代码生成（CRISPE）

代码生成不是简单的“写个函数”，而是需要在特定技术栈和规范下生成可集成的模块。

[Capacity and Role] 你是一名资深 Python 后端工程师，精通 FastAPI、SQLAlchemy 和异步编程。 [Request] 请帮我生成一个用户认证模块的代码。 [Insight] 项目为 FastAPI + PostgreSQL + SQLAlchemy 2.0，已配置数据库连接并遵循 Repository 模式。Python 3.10+。 [Statement] 核心需求：提供用户注册、登录、令牌刷新和登出四个接口。 [Personalization] 团队规范：所有函数必须有 type hints，使用 Pydantic v2 校验，日志使用 structlog。 [Experiment] 请分模块提供：1. User 表模型；2. Pydantic Schema；3. 认证 Service 逻辑；4. API 路由代码。

• 关键点：Insight提供了“Repository 模式”等项目现状，避免 AI 生成与现有架构冲突的代码；Personalization确保了代码风格与团队一致，减少后期格式化成本。

2.2 Bug 诊断与修复（CO-STAR）

修 Bug 的痛点往往在于 AI 给出的解释冗长且修复方案不可直接应用。CO-STAR 通过控制响应格式解决此问题。

[Context] Next.js 14 Monorepo 项目，packages/ui/components/UserProfile.test.tsx 单元测试失败，报错：TypeError: Cannot read property 'avatar' of undefined。 [Objective] 定位并修复该测试失败问题，不影响其他组件。 [Style] 简洁、符合 TypeScript 习惯用法。 [Tone] 客观、直接，专注技术解决方案。 [Audience] 代码审查者为团队高级工程师。 [Response] 按以下格式输出：1. 3-5 个要点解释根本原因；2. 分步修复计划；3. 修改文件的 unified diff 格式补丁。

• 关键点：Audience设为“高级工程师”，AI 会跳过基础概念解释，直击底层原因；Response要求unified diff，使修复方案可直接复制应用。

2.3 代码审查（CO-STAR）

让 AI 充当 Reviewer 时，需明确审查维度和反馈对象，避免泛泛而谈。

[Context] 以下是一段处理用户上传图片的 Python 代码：[粘贴代码] [Objective] 以代码审查员身份，找出潜在性能瓶颈和安全漏洞。 [Style] 清单（Checklist）风格，逐条列出。 [Tone] 严谨、客观，提供建设性改进建议。 [Audience] 代码提交者为初级开发人员。 [Response] 每个问题按格式输出：- 问题描述 - 风险等级（高/中/低） - 具体修复建议（含代码示例）

• 关键点：Audience为“初级开发人员”，AI 会自动调整解释的详细程度，既指出问题又起到指导作用；Style的清单格式使反馈一目了然，便于逐项确认。

2.4 单元测试生成（CRISPE）

生成测试需要 AI 理解业务逻辑边界，而非仅做语法层面的覆盖。

[Capacity and Role] TDD Java 专家，精通 JUnit 5 和 Mockito。 [Request] 为以下 Service 类的 createOrder 方法生成完整单元测试。[粘贴代码] [Insight] 依赖 ProductRepository 和 OrderRepository。Spring Boot 项目，测试需隔离，不连真实数据库。 [Statement] 覆盖三种场景：正常流程、库存不足、产品不存在。 [Personalization] 使用 BDD 命名风格（given_when_then）。 [Experiment] 提供完整测试类代码，并解释每个用例的意图。

• 关键点：Insight明确了“不连真实数据库”的约束，引导 AI 正确使用 Mock；Statement枚举了具体场景，防止 AI 只生成 happy path 测试。

三、高阶扩展场景——超越“写代码”

真正的效率跃迁发生在代码之外。以下五个场景展示了如何用提示词框架解决架构、运维、文档及沟通等系统性难题。

3.1 技术方案与架构设计（CRISPE）

架构选型没有标准答案，需强制 AI 展示权衡过程。

[Capacity and Role] 10年经验分布式系统架构师，擅长消息队列选型。 [Request] 为新订单系统推荐消息中间件。 [Insight] 日均50万单，峰值QPS 2000。团队熟悉 RabbitMQ，对 Kafka 经验不足。要求消息零丢失、支持延迟消息。K8s 部署。 [Statement] 在“运维复杂度”、“数据可靠性”、“功能匹配度”间权衡，不追求极致吞吐。 [Personalization] 参考 AWS Well-Architected Framework 白皮书风格，避免营销术语。 [Experiment] 对比 RabbitMQ/Kafka/RocketMQ，给出推荐排名及理由，列出首选方案的潜在风险与缓解措施。

• 核心价值：Insight中“团队技能栈”这一非技术约束，避免了 AI 推荐团队无法驾驭的“最优解”；Experiment要求列出风险，迫使 AI 进行批判性思考。

3.2 遗留代码重构与解释（CO-STAR）

面对无注释的“屎山”代码，首要任务是将其转化为结构化知识。

[Context] 2018年编写的无注释 Perl 财务对账脚本：[粘贴代码] [Objective] 解释业务逻辑，识别金额计算错误隐患。 [Style] Mermaid 流程图描述主流程，表格列出关键变量。 [Tone] 耐心、教学式。 [Audience] 不熟悉 Perl 的 Java 开发者。 [Response] 1. 业务逻辑摘要（200字内）；2. Mermaid 流程图代码；3. 变量映射表；4. Top 3 风险点及验证方法。

• 核心价值：Audience触发 AI 用 Java 概念类比 Perl 特性；Response将非结构化代码转化为可维护的文档资产。

3.3 技术文档 / API 文档生成（CO-STAR）

锚定行业标杆风格，比泛泛要求“写好一点”有效百倍。

[Context] 用户支付接口 Go Handler 代码及 Protobuf 定义：[粘贴代码] [Objective] 生成 OpenAPI 3.0 规范接口文档片段。 [Style] 严格遵循 Stripe API 文档风格：简洁、含请求/响应示例、错误码清晰。 [Tone] 专业、中性。 [Audience] 外部合作伙伴的前端/移动端开发者。 [Response] YAML 格式 OpenAPI spec，字段加中文注释。单独列出所有 HTTP 4xx/5xx 错误码及触发条件。

• 核心价值：Style锚定 Stripe 作为质量标杆；Audience确保文档自包含、无内部黑话，适合外部集成。

3.4 DevOps / CI-CD 配置生成（CRISPE）

运维配置容错率低，需植入企业级安全规范。

[Capacity and Role] SRE 专家，精通 GitHub Actions 和 Docker 多阶段构建。 [Request] 编写 Node.js pnpm monorepo 项目的 CI/CD Pipeline。 [Insight] 3个应用+2个共享库。镜像推私有 Harbor。需 Trivy 安全扫描。缓存兼顾速度与成本。 [Statement] 实现 PR 检查（lint+test）和 main 分支自动构建发布两个 workflow。 [Personalization] 安全基线：禁止硬编码密钥，所有 action 用 SHA 哈希锁定版本。 [Experiment] 提供完整 YAML，关键步骤注释解释“为什么这样配置”。

• 核心价值：Personalization植入 SHA 锁定等企业安全规范，避免生成“能用但不安全”的配置；Experiment要求解释原因，将配置转化为团队可复用的运维知识。

3.5 非技术沟通与汇报（CO-STAR）

将技术语言翻译为业务价值，是工程师晋升的关键能力。

[Context] MySQL 迁移 TiDB，耗时2周，期间2次各30分钟只读窗口。原因：单表超5000万行，查询P99延迟达3s。 [Objective] 向产品总监和业务方同步变更计划，争取理解支持。 [Style] 商务邮件，突出业务价值。 [Tone] 积极、透明、强调风险可控。 [Audience] 非技术背景业务决策者，关心用户体验和业务连续性。 [Response] 1. 邮件主题；2. 正文（背景、收益、影响、时间）；3. FAQ预案（预判3个业务方最可能问的问题及回答）。

• 核心价值：Audience触发 AI 将“P99延迟3s”转化为“用户搜索等待过长导致流失风险”；Response的 FAQ 预案帮助提前应对质疑。

结语

掌握 CRISPE 与 CO-STAR 的本质，远比记忆模板更重要。