AI量化提示词框架对比：CRISPE、BROKE与ICIO怎么选

一、为什么AI量化中的提示词需要被当作工程问题对待

在AI辅助量化投研的流程中，模型能力只是上限，输入质量往往决定实际产出。同样的模型，面对“分析一下某家公司”和“以财报分析视角，提取管理层关于研发投入与产能扩张的表述变化，并给出未来三个季度净利润影响概率”这两种输入，输出差异可能从“公开信息复述”到“可辅助决策的结构化判断”。

造成这种差距的根本原因不在于模型参数规模，而在于提示词中是否包含足够明确的角色边界、分析目标、约束条件、输出格式和判断标准。提示词工程要解决的，就是把这些原本只存在于分析师脑中的隐式要求，转化为模型可以稳定执行的显式指令。

在AI量化场景中，提示词需要同时应对三类问题：

1. 专业语境缺失：模型默认输出面向通用知识问答，未必自动进入“财务分析”或“事件驱动归因”语境；
2. 分析边界模糊：用户想要的是“边际变化”而不是“全面介绍”，但模型默认倾向概括性表达；
3. 输出不可控：自由生成容易产出篇幅膨胀、重点分散的内容，不利于后续量化或人工复核。

结构化提示词框架的价值，在于为上述问题提供可复用的拆解模板。目前比较常见的CRISPE、BROKE、ICIO三种框架，虽然都强调“给AI更明确的指令”，但它们的组织逻辑和适用范围并不相同。对量化投研团队而言，理解这些差异比记住某个框架的名字更重要。

二、三种提示词框架的核心定义

1. CRISPE框架

CRISPE可以拆解为五个部分：

• C（Capacity，角色能力）：明确AI扮演的角色或具备的专业能力；
• R（Request，请求描述）：说明具体任务或需要回答的问题；
• I（Insight，背景洞察）：提供任务所需的事实、数据、行业背景或约束条件；
• S（Statement，表述要求）：限定输出的语气、详略程度、表达方式；
• P（Personality，风格特征）：定义输出的语言风格、格式偏好或思考方式；
• E（Experiment，实验迭代）：通过多次尝试不断调整提示词以优化输出。

在实际使用中，CRISPE更偏向一种“完整命题描述”的思路。它要求用户在提出请求前，先把角色、背景、表达要求都想清楚。这种方式在任务复杂、输出要求高、需要多轮迭代的场景中优势明显。

例如在AI量化场景中，一个CRISPE风格的任务描述可以是：

“你是一名长期跟踪A股高端制造行业的财务分析师。请根据近三年年报中管理层关于研发投入和产能扩张的表述变化，判断未来三个季度净利润修正方向。输出时使用表格列出关键表述原文、情感倾向打分、对净利润影响的概率区间，语言保持审慎，避免夸大判断。”

这个例子中，角色、任务、背景、表述风格和输出人格都相对完整，模型更容易进入专业分析状态，而不是生成百科式介绍。

2. BROKE框架

BROKE框架也可以拆为五个部分：

• B（Background，背景说明）：向AI交代任务发生的背景、目标用户或使用场景；
• R（Role，角色设定）：定义AI在执行任务时扮演的角色；
• O（Objectives，目标定义）：明确任务要达到的具体结果，包括中间产物和最终产出；
• K（Key Results，关键结果）：给出可检验的结果指标、输出要素或完成标准；
• E（Evolve，持续演进）：在结果基础上持续调整、扩展或深化。

与CRISPE相比，BROKE更强调“目标—结果”之间的映射关系。它不只是告诉AI“你是谁、要做什么”，还进一步要求说明“做到什么程度才算完成”，以及“结果需要包含哪些可验证的要素”。

在量化投研中，这种框架适合需要明确产出标准的任务。例如：

“我正在准备一份关于新能源汽车产业链的季度风险报告。你作为行业研究员，目标是从最新年报和季报中提取产能扩张与研发投入的边际变化。关键结果包括：找出至少三处与上一年度明显不同的措辞；对每处变化给出正面、中性或负面的判断；形成不超过300字的结论摘要。完成后，我会根据结果再调整分析范围。”

这种写法比单纯说“帮我分析年报”多出了“完成标准”和“结果要素”，能够有效抑制模型输出空泛内容。

3. ICIO框架

ICIO框架的核心结构更为精简：

• I（Instruction，指令）：直接说明要完成的任务或要回答的问题；
• C（Context，上下文）：提供任务相关的背景信息、数据来源或前置条件；
• I（Input Data，输入数据）：明确需要处理的具体文本、指标或样本范围；
• O（Output Format，输出格式）：规定输出的结构、字段、顺序和展示方式。

ICIO框架的突出特点是输出导向。它不像CRISPE那样关注角色人格，也不像BROKE那样强调结果指标，而是把“输出格式”作为一个独立且强制的部分来要求。这种设计在工程化、自动化流程中非常实用。

例如在批量处理财报文本时，ICIO风格的任务描述可以是：

“请对以下三段管理层经营讨论内容进行情感分析，判断其对未来资本开支的态度。输入数据为2024—2026年年报中‘产能建设’相关段落。输出格式为JSON，字段包括：年份、原始表述、情感标签、置信度、影响方向。”

在这种场景中，输出格式的确定直接决定了后续能否自动化解析、入库或参与量化打分。ICIO框架更适合与程序化流程结合，也更容易被工程团队接受。

三、三者的相同点：不是玄学，而是信息结构化

CRISPE、BROKE和ICIO在表面结构上差异明显，但它们的底层逻辑高度一致：将模糊需求拆解为模型可识别的信息单元，减少模型自行推断的空间，从而提升输出的可控性。

具体来说，三者都包含以下共同原则：

1. 角色与语境界定

三种框架都要求用户明确AI“以什么身份、在什么背景下”执行任务。角色明确后，模型更可能调用相应的专业知识表达，而不是给出通用回答。CRISPE中的C、BROKE中的R、ICIO中的C，本质上都在完成类似工作。

2. 目标与任务分离

好的提示词会把“任务是什么”和“为什么要做”分开。BROKE将这两者拆得最清楚，CRISPE也通过Request和Insight实现部分分离。ICIO虽然没有单独的目标字段，但Instruction和Context之间同样体现了“做什么”与“在什么条件下做”的区别。

3. 输出约束的必要性

三种框架都对输出提出了约束要求，只是强度不同。CRISPE通过Statement和Personality控制表达风格，BROKE通过Key Results定义完成标准，ICIO则直接规定输出格式。无论哪种方式，目的都是防止模型自由发挥导致结果不可用。

4. 迭代优化意识

CRISPE的Experiment和BROKE的Evolve都显式包含迭代步骤，ICIO虽然没有明确的迭代字段，但其结构化输出本身就便于快速检查、修正和再次调用。在实际使用中，没有一种提示词是一次写成就能长期沿用的，都需要根据模型输出不断调整。

四、核心差异：结构重心决定适用边界

尽管三者都服务于“让AI输出更可控”这一目标，但各自的结构重心不同，这决定了它们在不同应用场景中的优劣势。

1. CRISPE：重“角色完整性”

CRISPE的信息颗粒度最细，尤其是Personality和Experiment两个字段，在另外两个框架中基本没有对应项。它要求用户在提示词阶段就考虑输出风格和迭代策略，因此输出质量上限高，但编写成本也最高。

在AI量化中，CRISPE适合需要深度专业判断的场景，例如：

• 管理层语调变化分析；
• 财报风险点识别；
• 行业比较研究；
• 多轮对话式投研助手。

这些任务往往没有固定格式要求，但需要模型表现出“资深研究员”的判断力和表达方式，CRISPE的结构能提供更好的支撑。但如果是高频、批量、格式固定的任务，CRISPE的完整编写方式会显得过重。

2. BROKE：重“结果可验证性”

BROKE框架的独特之处在于Key Results字段。它要求用户事先想清楚哪些结果指标可以判断任务是否成功，这种思路与OKR管理方式类似。在量化投研中，这意味着提示词不仅是给模型的输入，也是给人看的任务说明和验收标准。

BROKE适合以下场景：

• 需要向团队其他成员交代分析任务；
• 输出结果需要被复现或审计；
• 一次任务包含多个中间产物；
• 需要根据阶段性结果动态调整后续分析范围。

例如在研究一个产业链传导逻辑时，BROKE可以这样组织：

“背景：我们正在研究上游原材料价格对中游制造环节利润率的影响。角色：你是量化产业链研究员。目标：从最近两个季度的业绩说明会纪要中提取价格传导相关表述。关键结果：至少找到五条明确提价或降价传导的信息；每条标注影响方向和传导时滞；最后形成一个传导路径图。完成后根据路径图再调整样本范围。”

这种写法的优势在于，用户可以明确判断模型输出是否达标，也能根据关键结果的完成情况调整后续任务。其劣势在于，如果任务目标本身不清晰，Key Results很难提前定义。

3. ICIO：重“输出结构化”

ICIO框架最大的特征是Output Format被提升到核心位置。它不像CRISPE那样追求角色人格的完整，也不像BROKE那样强调结果指标，而是要求用户把输出格式当作首要约束条件来设计。

这一特征使ICIO在工程化场景中优势显著，尤其是在以下情况：

• 需要将AI输出直接接入下游量化程序；
• 批量处理年报、公告、研报等文本；
• 需要统一多个任务之间的输出结构；
• 团队中有明确的工程规范，要求输出可解析、可入库。

例如在批量读取公告后抽取“管理层业绩指引变化”时，ICIO风格的任务设计可以是：

“指令：判断公告中管理层是否上调或下调下一季度业绩指引。上下文：这是某公司2026年一季度业绩预告。输入数据：公告中‘业绩变动原因’段落。输出格式：JSON，字段包括company、statement、direction、confidence、reason。”

这种设计不追求华丽的语言，也不要求模型展示推理过程，一切以“后续程序能稳定解析”为优先。它的缺点是在需要开放判断、多角度比较、深度解释的场景中表现一般，因为过强的格式约束可能限制模型的推理深度。

五、关键维度对比表

维度	CRISPE	BROKE	ICIO
结构重心	角色完整性与表达风格	目标与结果可验证性	输入与输出结构化
字段复杂度	高，最多六段	中，五段	低，四段
编写成本	高	中高	低
适合任务类型	深度分析、多轮交互	阶段式研究、团队协作	批量抽取、工程化处理
输出稳定性	依赖提示词质量，上限高	通过关键结果约束，稳定性较好	通过格式约束，稳定性最高
推理深度	高，适合开放判断	中高，取决于目标定义	中，过强格式约束可能抑制推理
可复现性	中	高	高
可维护性	中，需持续调优角色和风格描述	高，关键结果可追踪	高，格式变更即可批量更新
入门门槛	偏高	中	较低

六、典型场景选择：什么时候用哪个框架

1. 深度财务分析

如果任务是分析某公司年报中管理层的语调和措辞变化，并给出未来几个季度的业绩影响判断，CRISPE是更合适的选择。这类任务需要模型展示专业判断力，不仅要给出结论，还要展示推导过程。角色设定越完整，模型越可能调用财务分析的表达习惯。同时，Personality字段可以约束模型避免使用夸张或绝对的表述，这在投研场景中尤为重要。

2. 研究任务拆解与团队协作

如果任务不是一次性的，而是需要根据阶段性结果不断调整分析范围，例如先找出产业链上下游的传导路径，再针对关键环节展开深入分析，BROKE框架更为适用。Key Results字段可以帮助团队明确阶段成果，也便于将一个大任务拆解为多个可验收的小任务。在量化投研团队中，分析师、策略人员和工程人员可以围绕同一套关键结果对齐认知。

3. 批量公告分析与数据抽取

如果任务是从大量公告、研报、新闻中抽取固定字段，例如业绩指引方向、风险提示类型、产能扩张进展等，并且这些字段需要进入数据库或量化因子计算流程，ICIO框架是最优选择。它的输出格式约束可以保证不同批次、不同模型之间的结果一致性。工程团队也可以基于统一的输入输出契约编写解析程序，实现提示词即接口。

4. 混合使用：框架之间并非互斥

在实际项目中，三种框架可以混合使用。例如在批量处理场景中，先用ICIO框架定义输入输出契约，再在深度分析的单条任务中融入CRISPE的角色设定，或者在阶段性研究中用BROKE管理整体流程、用ICIO约束每个节点的输出。关键是理解每个框架解决了什么问题，而不是拘泥于框架名称。

七、AI量化提示词的工程实践建议

1. 先定义输出，再设计输入

在量化投研中，如果输出内容无法解析或无法与其他环节衔接，AI生成的内容价值会大打折扣。因此，在编写提示词时，可以先用ICIO的思路确定输出格式，再补充角色和背景信息。这样既能保证稳定性，又不会过度限制推理深度。

2. 用事实约束代替形容词

“认真分析”“深入解读”这类表述对模型几乎没有约束力。更好的做法是像BROKE的Key Results字段那样，给出可以检查的数量、范围、格式或判断标准。例如“找出至少三处与上一年度不同的措辞”远比“仔细比较”更有效。

3. 把Recall和Precision当作提示词设计指标

在抽取类任务中，可以借用信息检索中的召回率和准确率概念来评估提示词效果。如果担心漏掉重要信息（低召回），可以减少过滤条件，让输出更完整；如果担心错误信息过多（低准确），可以增加上下文约束或要求模型给出置信度。这些调整都需要在提示词中显式写出。

4. 建立提示词版本管理

结构化提示词本质上是配置资产，应该像代码一样管理。团队可以维护一个提示词模板库，记录每个模板的适用任务、输入字段、输出格式、已知问题和修改历史。在模型版本升级或任务范围变化时，能够快速追踪哪段提示词需要调整。

5. 为人工复核预留空间

无论提示词设计得多好，AI输出在投研场景中都不应直接作为最终决策依据。提示词中可以加入“标注不确定性”“说明推断依据”“列出暂未覆盖的风险因素”等要求，为后续人工复核提供抓手。这与量化模型输出需要人工确认风险敞口的思路一致。

八、总结：选择框架的本质是选择信息组织方式

CRISPE、BROKE与ICIO之间的差异，不在于谁更高级，而在于它们分别回答了不同类型的问题：

• CRISPE回答的是“AI应该以什么身份、用怎样的判断力来回答”，适合深度分析和多轮交互；
• BROKE回答的是“任务做到什么程度才算完成”，适合阶段式研究和团队协作；
• ICIO回答的是“输入什么、输出什么、格式是什么”，适合批量处理和工程化接入。

在AI量化场景中，选择哪个框架，本质上是在选择“你愿意在提示词中投入多少结构和信息，来换取多少输出确定性”。如果任务简单且使用频率低，用ICIO快速定义输入输出即可；如果任务需要深度判断，CRISPE能提供更好的语境支撑；如果任务需要逐步推进且结果需要验收，BROKE则更契合。

对于量化投研团队而言，更务实的做法不是统一使用某一个框架，而是根据任务类型建立分层提示词模板：批量抽取用ICIO，深度研究用CRISPE，多阶段项目用BROKE。最终目标都是一致的——让AI的输出从“看似合理”走向“可验证、可复用、可复核”。