Prompt=RFP

很多人刚接触 AI 时，总觉得 prompt 是一种魔法：只要说对了话，机器就会做出惊人的事情。现实却更平凡——也是更有趣的。Prompt 并不是咒语，它是一份规范。而任何规范，都有写得好与写得差的区别。写得好，会改变整个游戏规则。一个行之有效的方法，是把 prompt 当作 RFP（Request for Proposal，征求建议书） 来写。

一开始，这听起来似乎有些过于正式：prompt 不过是几句话，为什么要写得像征求建议书？答案很简单：任何复杂系统都只有在输入结构化的情况下，才会表现得可预测。写得模糊的 prompt，就像给承包商下了一个含糊的任务：事情总会做，但你得到的结果可能不尽如人意，还浪费时间。将 prompt 写成 RFP，可以让你更可控、更可重复，也更容易评估效果。

核心思想是把 prompt 模块化，分成五个部分，每个部分回答一个明确的问题。第一部分是 身份与目的（Identity & Purpose）。谁在使用这个 prompt？想达到什么目标？很多人觉得没必要告诉 AI 这些，毕竟它不需要知道你的职位或心情，对吧？但事实证明，背景信息很重要。一个适合数据分析师的 prompt，用在小说创作上可能就会出问题。身份和目的就像告诉承包商：“你在建桥，不是在做鸟屋。”它给 AI 的思路提供了约束。

第二部分是 背景 / 上下文（Context / Background）。这里提供 AI 需要知道的已有信息。可以把它理解为“你已经知道什么”。没有背景，AI 可能会重新发明轮子，或者给出与先前假设相矛盾的答案。背景可以是之前的对话内容、专业知识、数据集，或者任何能让任务落地的信息。原则很简单：系统不喜欢模糊，人类也不喜欢。想象一个城市规划的承包商，如果你没交代地形、人口、地势，那结果几乎必然是乱象丛生。

第三部分是 操作步骤（Steps / Instructions），这是 RFP 的核心。这里要明确告诉 AI 具体做什么、怎么做、顺序如何。是让它总结？翻译？比较？列清单？关键是具体但不死板。这在软件设计里也类似：明确输入、处理和输出。指令模糊，结果模糊；指令详细、模块化，结果可靠可用、可测试、可扩展。操作步骤还可以包括方法、风格、推理约束，例如“用五岁孩子能懂的方式解释”或“以简洁为主”。这就像 API 合约：明确双方预期。

第四部分是 输出格式 / 限制（Output Format / Constraints）。这部分的作用更像软件的接口。如果不指定输出格式，答案可能正确，但无法直接使用。你可能需要列表、JSON、表格、文章；可能要求数字保留小数点两位；可能要求每条清单都有引用。这些约束减少后处理工作，降低出错概率，也便于评估。在我经验里，这是很多程序员最容易忽视的部分。没有输出规范，就像建了座漂亮桥却架在河边——完美，但没用。

第五部分是 评估与价值（Evaluation / Value）。这个 prompt 为什么存在？怎么判断它成功了？RFP 总有评价标准：成本、时间、性能。Prompt RFP 同样应该说明什么算有价值，如何验证结果。是正确就行，还是需要创意？完整性重要还是可读性重要？提前定义评估标准，会影响前面部分的写法：上下文、步骤、约束都可以针对可量化目标优化。更重要的是，它让迭代变得容易：你不必让 AI 无止境地“再来一次”，只需调整 RFP 中哪一模块有问题。

将 prompt 写成 RFP，还有一个深层次的好处：它迫使人类理清自己的思路。很多时候，我们问 AI 问题，是因为自己还没想明白。通过 Identity / Context / Steps / Output / Evaluation 这样的模块化结构，我们不仅在指导 AI，也在整理自己的想法。这类似 Paul Graham 写代码的经验：写代码本身就是思考的工具。高质量的 RFP prompt，对人类的帮助甚至比对机器的更大。

这种方法也容易扩展。如果你同时使用多个 AI agent，或者构建人机协作流程，RFP 模块化让你可以复用部分内容，比如调整上下文或输出格式而不改全部指令。软件工程里叫函数库，我们这里也是同理。你不仅解决一个问题，还建立了可扩展的框架。

举个例子：你想让 AI 写一份新品咖啡机的产品简介。随便写的 prompt 可能是“写一份咖啡机产品简介”，得到的结果大多泛泛。但如果按 RFP 写：

• 身份与目的：你是消费电子创业公司的产品经理，需要一份设计与营销团队可用的产品简介。

• 背景 / 上下文：公司已有两款咖啡机，包括市场反响、目标人群、技术规格。

• 操作步骤：总结产品目标、主要功能、设计重点、预期零售价。

• 输出格式 / 限制：文档结构为概览、功能、设计说明、市场定位，每个功能用项目符号，内容不超过 100 字。

• 评估与价值：文档完整、逻辑清晰，符合公司定位，审阅者无需额外解释。

差别显而易见。一个是粗略草稿，一个是可直接使用的产物。更妙的是，RFP 的模块化意味着你只需要调整上下文或输出格式，就能适应新的任务，无需重写整个 prompt。

更广泛地说，prompt 并非无序的文字游戏，它们是人类语言写成的软件规范。认真、模块化、结构化书写 prompt，你就不再依赖运气，而是掌控了流程。写 RFP 风格的 prompt，是对自己和 AI 都有益的习惯：思考清楚、沟通清楚、获得有价值的输出。

总结一下，RFP prompt 的五个模块带来的价值：

1. 身份与目的：明确使用者和目标，让 AI 理解任务定位；

2. 上下文 / 背景：提供信息基础，让回答有据可依；

3. 操作步骤：定义流程，让输出可预测、可测试；

4. 输出格式 / 限制：规范接口，让结果可用、可复用；

5. 评估与价值：确定成功标准，让迭代有效、价值明确。

正如软件设计强调模块化、契约与清晰逻辑，RFP 风格的 prompt 同样让 AI 不再是黑箱，而是可以推理、可以规划、可以协作的伙伴。写这样的 prompt，你不仅获得更好的结果，更会在写作的过程中理清自己的思路，让人机协作真正高效。