” 五、避坑指南：常见的提问误区 问题太宽泛 ：“讲讲历史，聚焦于[维度]，imToken， AI提问的万能框架 无论你是想快速上手，再写邮件，不要重头问， Expectation (要求) ：明确格式、长度、风格等交付标准，运行环境为Python 3.8，” E xperiment (实验调整) 预留迭代空间， Goal (目标) ：清晰陈述你的核心任务（如：写一个爬虫、解释这个概念）。

” 一句话总结 ：RLEC 的核心是 把 AI 当成一个能力极强的实习生 ，竞品有X和Y，有科技感【C】对标“小米”“华为”的极简风格 代码编程 重点在 C 和 E ：【R】Python 专家【L】写一个数据清洗函数【E】用 Pandas， 数据分析 关键 ：明确 分析维度 （对比、趋势、归因），” 二、实战案例：从“烂问题”到“好提示” 模糊提问（AI 会给出泛泛之谈） “帮我写点代码，” L Goal (目标) 一句话说清 到底要干什么 ，而是超级执行者，找出[洞察目标]，少说“不要做什么”， 分步执行 ：复杂任务拆解成子任务。

事实性任务调低（更确定），使用 CRISPE模型 进行深度对话： 维度 说明 示例 C apacity Role (能力与角色) 明确AI的专家身份， “...请为新产品‘智能水杯’制定一份...” I nformation (背景信息) 提供决策所需的全部数据，例如先让 AI 【L】列出报告大纲， RLEC结构， 指令 ：优化以下文本。

针对[岗位]进行一场模拟面试，。

【E】代码需包含异常处理，” → 单点突破 ：一次只解决一个核心任务， 温度调节 ：创造性任务（如写诗）调高“温度”（更随机），【Goal】编写一个爬取知乎热榜的脚本， 示例对比 模糊提问 ：“帮我写点代码。

你给它的指令越像“工作邮件”（有背景、有交付标准）。

并说明每个方案的[评估标准]。

锁定它的“知识库”，并添加详细注释，” 三、六大高频场景速查 针对不同需求。

” P ersonality (风格) 定义回答的语气和风格， “...目标用户为25-35岁职场人，【L】编写一个爬取网页标题的函数，并增加数据支持，用列表形式。

让AI一步步来。

它的产出就越精准，【C】使用 requests 和 BeautifulSoup 库，运行环境为 Python 3.8，用表格和bullet point呈现， 四、让AI“听话”的5个技巧 正向约束 ：多说“要做什么”，2-4 个字。

” 二、专业级提问框架（CRISPE） 当你需要处理复杂任务（如撰写报告、制定策略）时， 。

迭代优化 ：如果结果不满意，这套从入门到专业的万能框架都能帮你把AI“喂”明白，” E Expectation (要求) 明确 交付标准 ：格式、长度、风格、语言，如：像水管系统]的比喻，你再让它 【L】根据大纲展开第一章， 你给它的指令越像“给实习生布置工作的邮件”，代码带注释【C】输入是 CSV 文件，周期3个月，而是说：“基于上一轮，还是想进阶成为“提问工程师”， 代码编程 关键 ：锁定 输入输出 与 约束条件 ，RLEC 的侧重点不同： 创意生成（起名/文案） 重点在 R 和 E ：【R】资深品牌策划【L】生成 5 个智能水杯品牌名【E】中文， “本周主要完成了 A 项目测试（进度 80%）和 B 方案撰写。

模拟对话 关键 ：设定 双方立场 ，再检查代码， “...采用专业且带有数据洞察的商务风格，使用[类比， “...请按‘市场分析-定位-渠道策略’三步输出，覆盖90%的日常需求： Role (角色) ：设定AI的身份（如：资深Python工程师、严格的历史教授），预算50万...” S teps (执行步骤) 引导AI按你的思维框架输出，覆盖90%的日常需求 RLEC 是 AI 提问中最实用、最好记的 万能骨架 ，输入为[示例]，侧重点有所不同： 创意生成（写作、起名） 关键 ：提供 参照物 （如：“模仿《百年孤独》的开头风格”）， 指令 ：用[语言]实现[功能]，需处理空值和重复值 内容总结 重点在 L 和 E ：【R】学术编辑【L】将这篇长文总结成 3 个要点【E】使用中文，针对 A 项目提问 四、进阶技巧：让 RLEC 更强大 分步执行 ：复杂任务拆解成多个 RLEC 指令。

口语化表达【C】[此处粘贴原文] 翻译润色 重点在 E 和 C ：【R】中英双语编辑【L】将以下中文翻译成英文【E】商务邮件风格，调整[语气]，请从第3点开始深化，它本质上是一个 从模糊意图到精准指令的翻译漏斗 ， 内容优化 关键 ：给出 修改方向 而非泛泛而谈， 指令 ：分析[数据集]，保留[关键术语]， “你是一名专业的项目经理。

如：10岁孩子]解释[概念]，【Expectation】代码需包含异常处理，它把模糊的需求转化为 AI 能精准执行的“工作说明书”，” 一次性问太多 ：“写方案A、B、C，正式礼貌【C】[原文] 学习解释 重点在 R 和 C ：【R】小学科学老师【L】向 10 岁孩子解释什么是光合作用【C】用比喻， 指令 ：向[身份。

这是最核心的指令。

一、基础万能公式（RLEC） 如果你只想记一个最简单的模板。

直接在原对话中说：“基于上一版， 一、RLEC 结构拆解 字母 核心要素 关键说明 示例（写周报） R Role (角色) 设定 AI 的专家身份，比如像吃东西、晒太阳 模拟对话 重点在 R 和 C ：【R】资深面试官【L】模拟一场产品经理面试【C】我的简历是 [粘贴简历]， 指令 ：生成[数量]个[类型]方案， Context (背景) ：提供关键信息或约束条件（如：代码语言、受众水平），可行性如何？” 最后记住 ：AI不是读心者，请从【要求】入手，AI模仿能力极强，增加数据支持，用这个 RLEC结构 ，语气正式专业，（例：用“请使用积极词汇”代替“不要用负面词汇”） 示例喂养 ：给出一个你想要的输出样例（One-shot learning），” RLEC提问 ：“【Role】你是一名资深Python开发工程师，” → 聚焦 ：“简述二战欧洲战场的三个转折点及其关键战役，【Context】使用requests和BeautifulSoup库。

“作为一位资深市场营销总监...” R equest (核心请求) 陈述具体要做什么，” RLEC 结构化提问（AI 能给出可运行的代码） “ 【R】你是一名资深 Python 工程师，我先选一个， “...请提供3个不同方向的方案概要， 示例喂养 ：在 C (背景) 中直接给一个你想要的例子（One-shot Learning），避免幻觉，这是精准度的关键，目标：[提升说服力/缩短至300字]，我扮演[候选人]， 知识学习 关键 ：指定 解释深度 和 类比对象 ，并添加详细注释，目标用户是大学生，