Vue.js

Appearance

On this page

P.I.C.A. 框架：构建结构化提示词 ​

1. 为什么需要结构化框架 ​

在实际工作中，我们经常遇到这样的问题：

用户: "帮我写个 Python 脚本处理 CSV 文件"
AI: [返回一个泛泛的脚本，可能不符合实际需求]

这个请求的问题在于信息缺失：

  • 处理什么？找重复？统计？转换格式？
  • CSV 的结构是什么？
  • 输出应该是什么格式？
  • 有什么特殊要求？

P.I.C.A. 框架的价值在于：提供一个系统性的检查清单，确保你的提示词包含了 AI 完成任务所需的所有关键信息。

2. P.I.C.A. 四要素详解 ​

┌─────────────────────────────────────────────────────┐
│                   P.I.C.A. 框架                      │
├─────────────┬─────────────┬─────────────┬───────────┤
│      P      │      I      │      C      │     A     │
│   Persona   │ Instruction │   Context   │  Action   │
│   角色设定   │   指令下达   │   情境提供   │  输出规范  │
├─────────────┼─────────────┼─────────────┼───────────┤
│  定义AI的   │  描述任务   │  提供背景   │  指定输出  │
│  专业身份   │  目标和约束  │  信息和数据  │  格式要求  │
└─────────────┴─────────────┴─────────────┴───────────┘

2.1 P - Persona（角色设定） ​

作用：引导模型调用特定领域的知识和表达风格。

原理：LLM 在训练时学习了大量不同角色（程序员、律师、医生等）的文本。设定角色可以"激活"相关的知识和表达模式。

示例对比：

无角色设定有角色设定
"如何优化这段代码？""作为一位有 10 年经验的性能优化专家，分析这段代码的性能问题"
输出：泛泛的优化建议输出：专业的性能分析，包括时间复杂度、内存使用、具体优化方案

有效角色的特征：

  • 具体而非笼统："Python 性能优化专家" > "程序员"
  • 包含经验层级："资深"、"10年经验"
  • 明确专业领域："熟悉 NumPy 和 Pandas"

2.2 I - Instruction（指令下达） ​

作用：清晰、无歧义地描述任务目标和约束条件。

常见问题：

问题类型错误示例改进示例
目标模糊"改进这段代码""将这段代码的时间复杂度从 O(n²) 优化到 O(n)"
约束缺失"写一个排序函数""写一个排序函数，不使用内置排序，空间复杂度 O(1)"
歧义表达"简短地总结""用 3 个要点总结，每个要点不超过 20 字"

指令编写技巧：

  1. 使用动词开头：分析、生成、比较、提取...
  2. 量化约束：字数、条数、格式
  3. 说明禁止项："不要包含..."、"避免使用..."

2.3 C - Context（情境提供） ​

作用：提供完成任务所需的背景信息、数据、约束条件。

常见的情境类型：

类型示例作用
背景知识项目使用 React 18 + TypeScript确保技术栈匹配
输入数据CSV 包含 id, name, email 三列明确数据结构
业务规则VIP 用户打 8 折，普通用户打 9 折确保逻辑正确
限制条件必须使用标准库，不能引入第三方包约束实现方式
目标受众面向初级开发者的教程控制表达难度

判断情境是否充分：问自己"如果我是一个什么都不知道的人，拿到这个任务能完成吗？"

2.4 A - Action（输出规范） ​

作用：精确定义输出的格式，确保结果可直接使用。

注意：原始定义中 A 代表"行动触发"，但实践中它更多用于输出格式规范。我们采用更贴近实际使用的定义。

常见输出格式：

python
# JSON 格式 - 适合程序解析
{
  "summary": "...",
  "key_points": ["...", "..."],
  "confidence": 0.95
}

# Markdown 表格 - 适合人类阅读
| 项目 | 优点 | 缺点 |
|------|------|------|
| A    | ...  | ...  |

# 代码块 - 适合代码生成
```python
def solution():
    ...

**输出规范的关键要素**：
1. 格式类型：JSON、Markdown、纯文本、代码
2. 结构要求：字段名、层级关系
3. 排除项："只输出代码，不要解释"

## 3. P.I.C.A. 实战演示

### 3.1 任务：生成代码审查意见

**改进前（缺乏结构）**：

帮我审查这段代码，看看有什么问题。 [代码...]


**改进后（完整 P.I.C.A.）**：
```markdown
# P - 角色
你是一位具有 10 年经验的 Python 代码审查专家，熟悉 PEP 8 规范和常见的安全漏洞。

# I - 指令
审查以下代码，从以下维度进行分析：
1. 代码规范性（是否符合 PEP 8）
2. 潜在 bug（边界条件、异常处理）
3. 安全问题（注入、敏感信息泄露）
4. 性能问题（时间/空间复杂度）

# C - 情境
这是一个处理用户上传文件的 Flask 接口，将部署在生产环境。
```python
@app.route('/upload', methods=['POST'])
def upload():
    file = request.files['file']
    file.save(f'/uploads/{file.filename}')
    return 'OK'

A - 输出规范 ​

请以 JSON 格式输出审查结果：

json
{
  "issues": [
    {
      "severity": "high|medium|low",
      "category": "security|bug|style|performance",
      "line": 行号,
      "description": "问题描述",
      "suggestion": "修复建议"
    }
  ],
  "overall_score": 1-10
}

只输出 JSON，不要添加其他说明。


## 4. P.I.C.A. 的适用边界

### 4.1 何时使用完整 P.I.C.A.

| 场景 | 是否需要完整 P.I.C.A. | 原因 |
|------|---------------------|------|
| 复杂的代码生成 | ✅ 是 | 需要明确技术栈、约束、输出格式 |
| 专业领域问答 | ✅ 是 | 需要设定专家角色，提供领域上下文 |
| 结构化数据提取 | ✅ 是 | 需要精确的输出格式定义 |
| 简单的事实查询 | ❌ 否 | "法国首都是哪里"不需要框架 |
| 头脑风暴 | ⚠️ 部分 | 可能只需要角色设定 |
| 闲聊对话 | ❌ 否 | 过度结构化反而不自然 |

### 4.2 常见误区

| 误区 | 正确做法 |
|------|---------|
| 角色设定过于夸张："你是世界上最厉害的..." | 具体、可信的角色描述 |
| 指令过于冗长 | 聚焦核心任务，次要信息放 Context |
| 情境信息过载 | 只提供必要信息，避免干扰 |
| 输出格式过于复杂 | 从简单开始，按需增加复杂度 |

### 4.3 框架的局限性

P.I.C.A. 不是万能的：

1. **不能解决模型能力问题**：如果任务本身超出模型能力，再好的提示词也无效
2. **不能消除幻觉**：模型仍可能生成错误信息
3. **有时过度结构化适得其反**：创意类任务可能需要更自由的提示

## 5. 本章小结

P.I.C.A. 框架的核心价值：

| 要素 | 核心问题 | 检查清单 |
|------|---------|---------|
| P | AI 应该扮演什么角色？ | 领域、经验、风格 |
| I | AI 需要完成什么任务？ | 目标、约束、禁止项 |
| C | AI 需要知道什么背景？ | 数据、规则、限制 |
| A | AI 应该如何输出？ | 格式、结构、排除项 |

记住：**框架是工具，不是教条**。根据实际任务灵活使用，而非机械套用。

---

## 练习

1. 将以下模糊请求改写为完整的 P.I.C.A. 格式：
   - "帮我写个爬虫"
   - "分析一下这份数据"
   - "给我一些营销创意"

2. 回顾你最近使用 AI 的一次不满意经历，分析是 P.I.C.A. 中的哪个要素缺失导致的。

在 GitHub 上编辑此页