引言
在AI技术快速发展的今天，如何让大模型精准理解需求并输出高质量内容，成为用户的核心痛点。不同的模型类型需要不同的“沟通方式”，而提示词框架正是这场人机对话的“翻译官”。本文将从实战角度解析两大热门框架——BRTR与STAR，揭秘它们如何适配非推理型与推理型大模型，助你成为AI协作高手。
一、BRTR框架：非推理型模型的“结构化指令书”
适用模型：豆包、Kimi等侧重内容生成的非推理型模型。
核心逻辑：通过结构化指令明确任务边界，减少模型“自由发挥”的偏差。
BRTR四要素解析：
1.背景（Background）：提供任务上下文，如“为小学数学教研组撰写学期总结”。
2.角色（Role）：定义AI身份，如“资深教研组长”以增强专业性。
3.任务（Task）：明确具体动作，如“总结教学成果，分析问题并提出改进措施”。
4.要求（Requirement）：细化格式、风格等，如“2000字，分章节带数据图表”。
优势：
精准性：通过角色和背景限定输出范围，避免“天马行空”。
高效性：结构化指令减少反复调试，尤其适合教学、文案生成等场景。
二、STAR框架：推理型模型的“逻辑导航仪”
适用模型：DeepSeek等需逻辑推理的复杂任务型模型。
核心逻辑：以目标为导向，拆解任务链条，引导模型分步推理。
STAR四要素解析：
1.场景（Scenario）：明确使用场景与受众，如“针对老年人推广超快吹风机”。
2.任务（Task）：定义核心目标，如“突出产品防水、透气、轻量化三大卖点”。
3.行动（Action）：指定执行步骤，如“先分析用户痛点，再设计话术结构”。
4.结果（Result）：设定输出标准，如“300字文案，包含emoji和流行语”。
优势：
逻辑性：分步骤引导模型思考，适合数据分析、策略制定等任务。
灵活性：支持动态调整中间环节，适配复杂问题求解。
三、如何选择框架？一张表说清关键差异
| 维度 | BRTR框架 | STAR框架 |
|---|---|---|
| 适用模型 |
|
|
| 核心目标 |
|
|
| 优势场景 |
|
|
| 指令特点 |
|
|
四、进阶技巧：框架融合与个性化迭代
1.混合使用：在复杂任务中，可先用STAR拆解步骤，再用BRTR细化子任务要求37。
2.动态优化：根据模型反馈调整框架要素，例如为Kimi增加“反例说明”（网页3建议）。
3.风格沉淀：积累高频场景的提示词模板，形成个人专属的AI协作库（网页2、网页4经验）。
结语
无论是BRTR的结构化指引，还是STAR的逻辑导航，本质都是“以用户为中心”的AI沟通艺术。掌握这两大框架，相当于拿到了开启不同模型潜力的钥匙。不妨从今日起，尝试用BRTR写一份教学方案，用STAR规划一次活动策略，感受AI协作的效率蜕变17。
转发收藏这份指南，让更多伙伴告别无效提问，解锁AI的真正实力！
