AWS发布Amazon Quick提示工程基础指南：CRISPE框架与五类核心原则
AWS机器学习博客发布Amazon Quick提示工程系列文章第一部分，介绍适用于该平台各AI组件的通用提示原则和CRISPE等结构化框架，作者为Daiquan Nkere。
AI解读：AWS在机器学习博客上发布了Amazon Quick的提示工程入门指南，这是两篇系列文章的第一部分，作者Daiquan Nkere。文章的核心主张很直接：你向Quick提需求的方式，决定了它给出的是泛泛的总结还是能直接用的分析结果。
这对正在用Quick搭建自定义代理、自动化流程或做对话式数据分析的团队最有用。文章给出的不是某一个组件的技巧，而是跨组件通用的原则，意味着团队可以先把提示写法标准化，再针对具体功能做调整。
不过文章目前只覆盖通用原则，具体到Research、Flows、Sight、Chat Agents和Action Integrations的技巧要等第二部分。而且RFI自动化案例中的“小时变分钟”是AWS自己的说法，没有公开的基准测试数据可以验证。
如果你不急着动手，这份指南可以当作团队建立提示词库的参考起点。真正受益的可能是那些已经在Quick里反复调提示、但还没形成统一写法的组织。
AWS机器学习博客发布了一篇面向Amazon Quick的提示工程基础指南，作者为Daiquan Nkere，这是两篇系列文章的第一部分。文章称，提示的写法直接决定Quick各AI功能对自然语言请求的响应准确度和可靠性。
文章聚焦适用于所有Quick组件的通用原则和可复用框架，第二部分将分别介绍Research、Flows、Sight、Chat Agents和Action Integrations的组件专项技巧。
AWS给出的五条通用提示原则
文章将以下原则称为提示工程的“语法”，认为掌握后其他技巧会更易上手。
清晰具体：模糊请求得到模糊结果。文章对比了“展示销售信息”和“显示2025年Q3至Q4企业软件部门的月度收入趋势，突出增长最快的三条产品线，并识别与Q3营销活动发布的相关性”两种写法，指出后者定义了指标、时间范围、范围、分析类型和决策背景。
上下文驱动相关性：文章举例说明，无上下文时“创建客户留存分析”与带有“下周向高管团队汇报”的上下文时，分析深度、呈现格式和建议具体程度都会不同。
示例优于描述：当需要特定输出格式时，文章建议用少样本学习方式给出一个具体模板，再让AI按同样结构生成其余内容，而不是抽象地描述格式要求。
CRISPE：面向复杂请求的六要素模板
文章为复杂企业场景推荐CRISPE框架，称其可确保不遗漏关键上下文。该框架包含六个要素，文章逐一给出了示例。
上下文与约束：设定业务环境和边界，例如分析SaaS平台客服效率时排除个人身份信息、聚焦上一财年。
角色与职责：定义AI的专业身份和目标，例如“作为专注于支持运营优化的客户成功分析师，目标是将平均解决时间至少降低20%”。
意图与输入：说明目标和数据来源，例如使用工单管理数据、客户满意度评分和支持团队产能指标。
步骤与范围：将分析拆成清晰阶段，文章示例列出五步，包括按类别和优先级分析解决时间、找出前三个瓶颈、对标B2B SaaS行业标准、推荐流程改进及时间表、预测每项建议对关键指标的影响。
视角与呈现：定义分析视角和输出格式，文章示例要求考虑运营可行性、预算约束和团队产能，以执行摘要加详细分析呈现，建议用要点列出并标注置信水平。
评估标准：设定成功衡量标准，文章示例要求建议可在一个季度内实施、需要极少额外人手、有明确ROI，并与客户优先的服务理念一致。
- CRISPE：Context and constraints、Role and responsibility、Intent and inputs、Steps and scope、Perspective and presentation、Evaluation criteria
- RADAR：用于知识检索，涵盖检索策略、分析方法、文档定位、答案形成和推理透明度
- ARCHITECT：用于构建自定义代理，涵盖代理身份、响应参数、上下文与知识、特殊情况处理、交互模式、工具与动作使用、伦理准则、持续改进、测试与验证，文章称每个元素直接对应Quick代理构建界面中的字段
- QUEST：用于复杂查询，涵盖问题框架、用户上下文、明确要求、范围定义和目标输出
元数据检索、多视角分析和场景规划
文章将元数据驱动检索、多视角分析、场景规划列为面向企业用例的高级技巧。
元数据驱动检索：在企业文档量大时，按名称引用具体文档、澄清缩写和内部术语、指定要搜索的空间或知识库。文章以“Employee Handbook 2025.pdf”为例，说明可精确要求查找远程办公安排中关于eligibility、设备报销、可用性与沟通期望以及申请流程的内容。
多视角分析：文章建议为复杂业务决策指定多个视角，列出每个视角应回答的问题，最后要求给出综合建议。示例包括财务视角（初始投资、第1至3年收入预测、盈亏平衡时间表、货币风险）、运营视角（基础设施、GDPR合规、供应链、人员配置）和战略视角（竞争格局、品牌定位、合作机会、长期增长）。
场景规划：文章建议用三到四个命名场景，每个场景定义驱动假设、业务影响、需要准备的动作和早期预警指标，最后要求综合出无论哪个场景出现都有价值的行动。
RFI自动化案例与提示效果的衡量方式
文章用一个RFI（信息请求）问卷处理的自动化案例说明上述原则如何落地。该任务原本需要数小时手动解析Excel文件、转换问题并准备回答。
挑战包括：从格式不一致的多标签Excel工作簿中提取问题，将子问题结合父问题上下文转换为独立问题，保留原文措辞和元数据，输出结构化CSV供下游处理。
解决方案是一个Quick Flow，配合文章给出的提示词，包含识别规则（主问题格式为X.Y或X.YZ，子问题为缩进或嵌套行，类别文本出现在问题组前的列标题中）、转换逻辑（将子问题与父问题上下文合并为独立问题）、关键约束（逐字提取类别文本、原样保留响应类型值、子问题重叠时合并为综合问题）。文章称该流程将数小时工作缩短为几分钟，并通过对话式调试实现错误处理。
文章还列出了评估提示效果的五个维度：准确性、一致性、完整性、效率、可用性；以及改进流程：记录成功模式建立提示库、分析失败原因、建立反馈回路、跟踪时间节省和迭代次数等指标、跨团队共享最佳实践、定期复查关键提示。
文章结尾称，CRISPE模式在跨标签数据不一致时收益最明显，并建议从清晰的角色和上下文开始、明确定义输出格式、用真实数据测试。第二部分将进入各Quick组件的实操模式。