在与大型语言模型（LLM）交互时，一个高质量的提示（prompt）往往决定了输出结果的优劣。无论你是开发者、产品经理，还是日常使用 AI 工具的普通用户，掌握一套系统化的提示设计原则都能显著提升效率与准确性。
本文将为你详解 C.L.E.A.R. 框架——一套简洁实用的提示工程核心原则。C.L.E.A.R. 是五个关键词的首字母缩写：**Concise（简洁）、Logical（逻辑清晰）、Explicit（明确具体）、Adaptive（可迭代）、Reflective（善于反思）**。你可以将其作为每次编写提示时的检查清单，持续优化你与 AI 的协作体验。
1. Concise（简洁）：直击要点，避免冗余
AI 模型擅长处理清晰、直接的指令。模糊或冗长的语言反而会引入歧义，导致输出偏离预期。
✅ 好例子：
“写一篇 200 字的摘要，说明气候变化对沿海城市的影响。”
❌ 差例子：
“你能大概写点关于科学话题的东西吗？”
实践建议：
删除无意义的填充词（如“也许”“能不能”“随便写点”）。
只保留对任务有指导意义的信息。
追求 **精准** 与 **简练**，用最少的词传达最明确的需求。
2. Logical（逻辑清晰）：结构化你的请求
复杂的任务应拆解为有序步骤。AI 更擅长处理结构清晰、层次分明的指令，而非一团混乱的“大杂烩”。
✅ 好例子：
“首先，使用 Supabase 实现一个包含邮箱和密码的用户注册表单。注册成功后，显示一个展示用户总数统计信息的仪表盘。”
❌ 差例子：
“帮我做个用户注册功能，顺便也显示一些使用数据。”
实践建议：
使用“首先…然后…”、“步骤1、2、3…”或项目符号（bullet points）组织内容。
将不同目标分离开，避免多个任务混杂在一个句子中。
逻辑流越清晰，模型越能系统性地完成每个子任务。
3. Explicit（明确具体）：别让 AI 猜你的心思
AI 虽然知识广博，但它无法读心。你需要明确说明**要什么、不要什么、格式如何、风格怎样**。
✅ 好例子：
“用项目符号列出 5 条关于金毛寻回犬的独特事实。”
“请以 JSON 格式返回结果。”
“用轻松随意的语气解释量子计算。”
❌ 差例子：
“讲讲狗的事情。”（过于开放，缺乏边界）
实践建议：
指定期望的输出格式（如 JSON、Markdown、表格等）。
明确内容范围、长度、语气或目标受众。
把 AI 当作一个聪明但“零上下文”的新手——任何你觉得“显而易见”的细节，都值得写出来。
4. Adaptive（可迭代）：提示不是一次性的
不要因为第一次输出不理想就放弃。LLM 的强大之处在于支持 多轮对话与持续优化。你可以基于前一次结果调整提示，逐步逼近理想答案。
✅ 迭代示例：
“你上次提供的代码缺少用户认证步骤，请在注册流程中加入 Supabase 的身份验证逻辑。”
更进一步，你甚至可以问 AI：
“我该如何改进这个提示，才能得到更准确的响应？”
（这被称为 Meta Prompting，即“元提示”，我们将在后续文章中深入探讨。）
实践建议：
把每次交互看作一次“协作对话”，而非单次问答。
主动指出问题：“缺少XX”“格式不对”“太冗长”。
利用反馈闭环，让 AI 成为你解决问题的“智能协作者”。
5. Reflective（善于反思）：从每次交互中学习
提示工程不仅是技术，更是一种可积累的技能。每次与 AI 交互后，花几秒钟复盘：哪些措辞有效？哪些导致了误解？
✅ 反思实践：
记录成功提示的模板，建立个人“提示库”。
在复杂任务结束后，可要求 AI 总结最终方案或推理过程（这称为 Reverse Meta Prompting，后续将介绍）。
问自己：“如果重来一次，我会怎么改写这个提示？”
关键认知：
提示的质量 = 你的思考深度 × 表达清晰度。
越是反思，越能形成高效的“人机沟通肌肉记忆”。
结语
C.L.E.A.R. 框架不是教条，而是一套可实践、可迭代、可内化的提示设计思维。无论你是初学者还是资深开发者，只要在每次输入前默念这五个原则，就能显著提升 AI 输出的准确性、相关性与实用性。
记住：你不是在“命令”AI，而是在“引导”它与你共创价值。而 C.L.E.A.R.，就是那座连接人类意图与机器理解的桥梁。