第 3 课：提示词基础方法（BROF / S-P-O 框架）
🎯 核心实操目标
学习目标：从“零散提问”过渡到“系统化提问”。本课结束时，你需要建立并能够熟练默写 BROF (Background, Role, Objective, Format) 框架，从而更稳定地掌控 AI 的生成方向。
📋 课前准备（5 分钟自检）
账号
- [ ] 豆包（必备，国内零基础友好）：doubao.com
- [ ] 至少一个海外平台账号（任选其一）：GPT-5 / Claude 4.8 / Gemini 2.5
工具/环境
- [ ] 一台可上网的电脑（Windows / Mac / Linux 均可）
- [ ] 任意浏览器（推荐 Chrome / Edge / Safari 最新版）
- [ ] 一份用于记录提示词与对话的本地笔记（Markdown / Word / Notion）
数据/素材
- [ ] 一段你自己工作/学习中真实卡住的文字问题（用作实操对象）
应急通道
- 海外平台无法访问 → 用国产替代：Kimi K2 / DeepSeek V3 / 通义千问
- 浏览器卡顿 → 关闭其他标签后重试，AI 网页对内存敏感
- 不会注册 → 加入课程答疑群索取注册教程
场景导入：网上售卖的“万能提示词”为何往往无效
许多号称能帮你搞定查重或发刊的所谓“顶刊万能提示词库”，在网上标价几百，但拆开来看，往往只是几十句华丽堆砌的空话。
对科研工作者而言，你需要像编程一样来组织你对 AI 说出的话。可以把大模型类比为一座化工厂，你的提示词（Prompt）就是它的工艺管道：如果不限定进料的材质（背景）和管线的出口形状（格式），产出的往往是不合规格的结果。
BROF 四要素框架
一段稳定可靠的指令，需要锚定四根支柱。缺少其中任何一根，输出失控的风险都会明显上升。
📐 原理：结构化提示为什么有效（先理解，再套用）
要理解 BROF 为什么管用，先记住一个关于大模型的基本事实：它本质上是在按训练语料的统计规律，预测"下一个最可能出现的词"。当你的提示词笼统模糊时，符合它的"下一个词"候选非常多，模型只能退回到训练语料里最高频、最平均的那种写法——这就是"水题"和"正确的废话"的来源。
结构化提示之所以有效，可理解为它做了两件事：
- 把任务约束显式化，压缩了歧义空间。 你写明"研二 / 开题 / 问卷法 / 核心期刊"，相当于给模型层层加了条件；满足全部条件的"下一个词"分布被大幅收窄，输出自然更贴题。约束越具体，可选项越少，结果越可控——这也是为什么"背景写空一格，AI 就少一条约束"。
- 把答案分布从"全网平均"拉向"指定专家水平"。 训练语料里既有外行的泛泛而谈，也有专家的严谨论述。当你指定一个"核心期刊百篇发文的导师"角色，模型倾向于去匹配语料中与该身份相伴出现的措辞、判断标准与谨慎程度，于是输出向专家那一端偏移。注意：这是把已有的"专家风格文本"概率提上来，并不会让模型真的具备该专家的知识或事实核查能力——这一点在下文【边界与局限】会展开。
一句话：BROF 不是"咒语"，而是用显式约束把一个发散的预测过程，逼进你想要的那个窄分布里。
四要素自检口诀 + 填空模板
记不住四要素也没关系，记住一句口诀就行——「背景给料、角色定调、目标卡线、格式定模」。写提示词前，对着下面这张表逐格自问，缺哪格补哪格：
| 要素 | 自检追问（缺了就补） | 一句话作用 |
|---|---|---|
| 【B】背景 | 我是谁？卡在哪个环节？手头有什么、要交给谁？ | 给 AI 输入"原料"与约束 |
| 【R】角色 | 该让谁来答？这个领域的顶级专家会怎么看？ | 把答案标准从"平均"拉到"专家" |
| 【O】目标 | 我到底要几个、什么样、不要什么？硬指标是什么？ | 卡死交付的数量与红线 |
| 【F】格式 | 产出物长什么样？表格/列表/字段名是否锁死？ | 决定能否直接复用，免二次返工 |
📘 关键术语（首次出现，先对齐定义）
- 结构化提示（structured prompting）：用分块、字段、显式约束来组织提示词，而非一段连续口语，目的是降低歧义、提升输出的可控性与可复用性。
- BROF 四要素：本课提出的提示词骨架——背景 Background（任务处境与素材/约束）、角色 Role（指定的专家人设）、目标 Objective（交付的硬指标与红线）、格式 Format（产出物的结构模板）。
- S-P-O：BROF 的轻量三档口述版——情境 Situation、目的 Purpose、产出 Output（详见下文对应小节）。
- 答案分布 / 输出分布：对"模型下一步可能生成哪些内容"的通俗说法。提示词越具体，这个分布越窄、越贴近你的目标。
- 消融实验（ablation）：刻意去掉某一要素（如只留 Objective），观察输出退化到什么程度，用以证明该要素的贡献（见下文消融对照）。
把口诀变成可直接填的模板——复制下去，逐格替换方括号里的内容即可：
📝 BROF 填空模板（复制 → 替换方括号 → 提交）
【B 背景】我是 [身份，如：社会学研二学生]，正卡在 [任务环节，如：开题选题]；
手头有 [素材/数据，如：两个关键词]，最终要交给 [对象，如：导师/核心期刊]。
【R 角色】请你扮演 [顶级专家人设，如：核心期刊百篇发文的社会学导师]，
以该领域最高标准来评判与产出。
【O 目标】请 [动作，如：生成] [数量，如：3] 个 [产物，如：可用问卷法的选题]；
硬约束：[要什么，如：三段式标题 + ≤60 字亮点]；
红线：[不要什么，如：禁用《关于XX的研究》式水题]。
【F 格式】用 [格式，如：Markdown 三线表] 输出，表头/字段锁定为：[字段1 | 字段2 | 字段3]。手艺细节：Role 与 Background 怎么写才"具体"
框架谁都会套，差距全在每一格"填得多具体"。下面针对最容易写空的 R 角色 和 B 背景，给出逐条「写砸 vs 写好」对照——左列是学员真实常见的写法，右列是把同一格"拧紧"后的写法。
【R 角色】：从"贴标签"到"可被检验的专家"
| 写砸 ❌ | 写好 ✅ | 为什么 |
|---|---|---|
| 你是一位专家 | 你是核心期刊百篇发文、长期带硕博开题的社会学方法论导师 | "专家"太泛，模型仍按全网平均水平答；给出可检验的资历，答案分布才被拉高 |
| 你很厉害，无所不知 | 你只在 [定量社会学 / 问卷设计] 这一窄领域内回答，超出范围请直说"不在我专长内" | 全能人设反而稀释专业度；窄角色 + 越界声明能逼出谨慎、专业的回答 |
| 你是个 AI 助手 | 你是会先质疑选题是否"可证伪、可操作化"的审稿型导师 | 角色里要藏"判断标准"，模型才会主动挑刺，而不是一味迎合 |
口诀：角色 = 窄领域 + 可检验资历 + 一条判断习惯，三者齐了角色才"立得住"。
【B 背景】：从"一句话"到"够 AI 决策"，且不泄密
| 写砸 ❌ | 写好 ✅ | 为什么 |
|---|---|---|
| 帮我想几个选题 | 我社会学研二、临近开题，只能做问卷法，最终要投省级核心、给导师过目 | 身份/阶段/方法/受众缺一项，AI 就少一条约束，只能给通用答案 |
| （把整段未发表手稿、被试真实姓名手机号全贴进去） | 只贴"做什么、给谁、有何硬限制"；涉密数据用占位符（如"样本量 N≈500"）替代原始记录 | 背景要"够决策"但不泄密：联网模型的对话可能被留存，原始隐私数据不该进提示词 |
| 我要写得高大上一点 | 红线写实：禁用《关于XX的研究》式水题、单题副标题须含理论机制词 | "高大上"不可执行；把模糊期望翻译成可判定的红线，AI 才知道什么算达标 |
🔍 背景泄密这条单独强调
"背景写具体"和"别把隐私塞进去"并不矛盾。具体指的是任务约束（身份、阶段、方法、交付对象、硬指标），不是原始敏感数据（被试个人信息、未公开的合同/病历、内部未发表结论）。需要 AI 处理真实数据时，先脱敏或用占位符描述其结构，把"真值"留在自己本地。
S-P-O：BROF 的轻量版（口语场景速记）
本课标题同时写了 BROF / S-P-O，二者不是两套对立的东西，而是详略两档：S-P-O 是 BROF 的"三字诀精简版"，适合在聊天框里临时口述、来不及搭完整框架时用。
- S — Situation（情境）：我现在的处境与素材 = BROF 里的 B 背景（口语版常把"该谁来答"的角色暗含其中）。
- P — Purpose（目的）：我要它做成什么 = BROF 里的 O 目标。
- O — Output（产出）：结果长什么样 = BROF 里的 F 格式。
| S-P-O（轻量三档） | 对应的 BROF 支柱 | 取舍 |
|---|---|---|
| S 情境 | B 背景（+ 隐含 R 角色） | 角色没单列，靠情境带出 |
| P 目的 | O 目标 | 一致 |
| O 产出 | F 格式 | 一致 |
一句话记牢：赶时间用 S-P-O 三句话开局，要交付物（论文/报告/表格）时升级成 BROF 四要素补上独立的 R 角色。
一个可复制的 S-P-O 速记范例（同样是选题需求，但压缩成三句）：
🗣️ S-P-O 极简范例（聊天框口述也能用）
【S 情境】我社会学研二，临近开题，手头有"空巢老人"和"算法沉迷"两个关键词。
【P 目的】把两者结合，给我 3 个能用问卷法、够投核心期刊的选题。
【O 产出】每个用"主标题：副标题"格式，并附一句创新亮点。升级提示：若对输出仍不满意，把 S 里"谁来答"显式抬成 R 角色（如"你是核心期刊百篇发文的社会学导师"），就回到了完整 BROF——这正是上文一键复制版做的事。
实战拆解：从零散关键词整理出论点脑暴树
📋 示例场景：你是一名正处于导师催促报题关键节点的社会学研二学生，手头只有两个较模糊的关键词——“城市空巢老人”与“短视频沉迷算法”。你需要构思出一批可以正式投给省级核心期刊的选题名称。
操作步骤：填写结构化模板
不要在聊天框里直接零散输入，而是利用电脑上的记事本和换行，把这套结构整齐地搭建起来。将下面这段集成了 BROF 结构 的完整提示词一次性提交给大模型处理：
【Role - 角色设定】
你是一位在核心期刊拥有百篇发文履历、思维极为发散跳脱但对学术规范有着刻板强迫症的高校顶尖社会学导师。
【Background - 背景域界】
我是一名社会学研二课题生，正濒临答辩开题生死线。我目前对“城市空巢老人的精神补偿”和“平台推荐算法致瘾性”这两个元素构件极度感兴趣。
【Objective - 核心交付硬约束】
1. 请调动你的交叉知识流，将上述两个元素强制对撞挂钩，为我裂变式生成 3 个具备理论深度、创新感极强且可实操开展问卷法的论文选题方向！
2. 绝对禁止给出《关于XX的研究》这种垃圾水文水准的题目。必须使用严密、克制的国际标准三段式标题（例如主标题+冒号副标题：基于XXX机制）。
3. 请为每一个精选裂变出的题目，撰写一句不超过 60 字的“打动核心主编的创新亮点简述”。
【Format - 物理格式模具锁死】
请使用结构化的 Markdown 极简三线表格输出。表头名称严禁改动，依次定为：研究命题冠名 | 主编视角的创新亮点 | 实操落地难度极简盲评 (🌟1-5星推荐制)。对照：结构化分块对 AI 输出质量的影响
当大模型看到用方括号 【 】 和换行清晰界定结构的提示词时，它的注意力会被更准确地引导到各个要素上。
💡 【输出样例预览】
它通常会输出一个对齐良好的表格，呈现类似这样的高质量构思结果：
| 研究命题冠名 | 主编视角的创新亮点 | 实操落地难度极简盲评 |
|---|---|---|
| 数字鸦片还是孤独解药？算法推送成瘾对空巢老人幸福感的非线性侵入模型透视 | 引入“补偿性数字依赖”理论，反逻辑论证适度成瘾在隔离群体中的积极防御效应，痛点奇特。 | 🌟🌟🌟🌟 |
| 跨越数字鸿沟的茧房囚徒：算法沉迷如何阻断代际反哺链条的实证研判 | 把通常指向年轻人的算法信息茧房套用至老龄群体，打破学术界针对老年群体的研究壁垒。 | 🌟🌟🌟 |
消融对照：去掉 Role/Background 后，输出会退化到什么程度
下面用同一个选题需求做一次"消融实验"（ablation）：第一版只保留 Objective（仅提出需求），第二版补齐完整 BROF。把两版的真实输出并排放在一起，差距一目了然。
帮我把"城市空巢老人"和"短视频算法沉迷"结合，想 3 个论文选题。【Role】资深社会学导师，核心期刊百篇发文，思维发散但严守学术规范。
【Background】社会学研二，临近开题；锚定"城市空巢老人的精神补偿"与
"平台推荐算法致瘾性"两个元素。
【Objective】两元素强制对撞，生成 3 个有理论深度、可用问卷法的选题；
禁用《关于XX的研究》式水题，须用"主标题：副标题"三段式；
每题附一句 ≤60 字的创新亮点。
【Format】Markdown 三线表，表头固定：研究命题冠名 | 创新亮点 | 落地难度（🌟1-5）。并排看两版真实输出——注意不是"换了说法"，而是可用度的代差：
| 维度 | ① 只有 Objective 的输出 | ② 完整 BROF 的输出 |
|---|---|---|
| 选题 1 | 老年人短视频成瘾研究 | 数字鸦片还是孤独解药？算法推送成瘾对空巢老人幸福感的非线性侵入模型透视 |
| 选题 2 | 空巢老人与短视频的关系探讨 | 跨越数字鸿沟的茧房囚徒：算法沉迷如何阻断代际反哺链条的实证研判 |
| 选题 3 | 短视频对老年人生活的影响分析 | 补偿性触达的悖论：推荐算法介入下空巢老人社会支持网络的重构与异化 |
| 标题规范 | 全是《关于XX的研究》式水题，无副标题机制 | 三段式"主标题：副标题"，自带理论机制词 |
| 创新亮点 | 无，需自己再追问 | 每题附 ≤60 字主编视角亮点，可直接放进开题报告 |
| 可投性 | 几乎为零，导师一眼判"本科生水平" | 可直接进入"筛选 + 微调"环节 |
🔍 对照结论
①缺的不是"目标"，而是 Role（专家视角的判断力） 和 Background（"研二/开题/问卷法/核心期刊"这些约束）。少了这两根支柱，AI 没有"该对谁负责、该卡哪条线"的参照系，只能退回到最安全、最平庸的通用答案。 补上 Role/Background 不是让输出"更花哨"，而是把 AI 的输出分布从"全网平均水平"提升到"核心期刊导师水平"。
跨学科迁移：把同一套 BROF 搬到经管面板研究（Case B）
上面的例子是社会学选题脑暴。BROF 的价值在于换学科只换填空内容，框架四格不变。下面用一个完全不同领域的课程配套教学数据集（模拟数据）——Case B：经管面板数据，30 省 × 10 年，含三列 DigEcon_Index（数字经济指数）、HumanCap_per10k（每万人人力资本存量）、Innovation_Index（创新指数）——演示同一框架的迁移。
这一次的任务不是"想标题"，而是经管学生更常卡住的环节：面对一份面板数据，请专家帮我设计可落地的实证分析路线。注意四格如何逐一对应。
【Role - 角色设定】
你是一位长期在经济学核心期刊（如《经济研究》《管理世界》）发表面板数据实证论文的
计量经济学导师，对识别策略与内生性问题有审稿人级别的敏感度；
遇到不严谨的因果话术会直接指出，绝不附和。
【Background - 背景域界】
我是应用经济学研二学生，准备做一篇关于"数字经济能否提升区域创新"的实证论文。
手头有一份省级面板数据：30 个省份 × 10 年（2014—2023），三个核心变量为
数字经济指数 DigEcon_Index、每万人人力资本存量 HumanCap_per10k、创新指数 Innovation_Index。
最终要投经管类 CSSCI 期刊，方法须可被审稿人复现。
【Objective - 核心交付硬约束】
1. 围绕"DigEcon_Index → Innovation_Index"这一核心关系，给出 1 条主回归路线，
并把 HumanCap_per10k 设计成中介或调节变量（请你判断哪种更合理并说明理由）。
2. 必须明确：基准模型选择（固定效应/随机效应及判断依据）、至少 1 个内生性应对策略
（工具变量/滞后项/双重差分，任选其一并说明适用前提）、以及 2 个稳健性检验方向。
3. 红线：不得使用"证明了因果""必然导致"等过度因果话术；每条方法都要写清"前提假设"。
【Format - 物理格式模具锁死】
用 Markdown 三线表输出，表头严禁改动，依次定为：
分析环节 | 具体做法（含变量/模型设定） | 关键前提与审稿人可能的质疑。💡 【输出样例预览】
模型通常会回一张对齐的表格，每行是一个可落地的分析环节（节选三行）：
| 分析环节 | 具体做法（含变量/模型设定） | 关键前提与审稿人可能的质疑 |
|---|---|---|
| 基准回归 | 以 Innovation_Index 为被解释变量、DigEcon_Index 为核心解释变量，控制省份与年份双向固定效应；先做 Hausman 检验在 FE/RE 间取舍 | 前提：个体效应与解释变量相关时用 FE。质疑：是否遗漏了影响创新的时变省级变量（如财政投入） |
| 机制设计 | 将 HumanCap_per10k 设为中介变量，按"数字经济→人力资本→创新"做中介效应检验（逐步法 + Bootstrap） | 前提：中介路径需有理论支撑。质疑：人力资本也可能是调节而非中介，须给出理论依据二选一 |
| 内生性应对 | 用 DigEcon_Index 的滞后一期作工具变量，缓解反向因果（创新强的省也更易发展数字经济） | 前提：滞后项需满足相关性与外生性。质疑：滞后项是否仍与误差项相关，需做弱工具变量检验 |
🔁 迁移要点
对比社会学例子，四个方括号一个没变，变的只是每格的内容：角色从"社会学导师"换成"计量经济学导师"，背景从"两个关键词"换成"一份面板数据 + 变量名"，目标从"想 3 个标题"换成"设计 1 条回归路线 + 内生性策略"，格式仍是锁死表头的三线表。学会一套框架，理工、经管、医学、教育都能照搬——把"角色"换成你学科的顶级评判者，把"背景"换成你的真实数据结构即可。
注：上表出现的几个计量术语，按标准译名对齐一下——中介变量（mediator）：自变量通过它再影响因变量（数字经济→人力资本→创新）；调节变量（moderator）：它改变自变量对因变量的影响强弱，而非传导路径；内生性（endogeneity）：解释变量与误差项相关（如反向因果、遗漏变量），会让回归系数有偏。这三者"用中介还是调节、要不要做内生性处理"由研究者的理论判断决定，不能让模型替你拍板——这正引出下一节的边界。
边界与局限：BROF 能做什么、不能做什么
BROF 是一套"把话说清楚"的方法，它能稳定地改善输出的结构、视角与可控性，但它不改变大模型的底层能力边界。把以下几条边界条件记牢，比多背一个模板更重要。
| 边界 / 失效场景 | 为什么会这样（基于可观察到的模型行为） | 你应该怎么做 |
|---|---|---|
| 指定专家角色 ≠ 获得专家事实 | 角色提升的是"措辞与判断风格"的概率，模型并未接入可信事实数据库；它仍可能自信地编造文献、数据或公式，即幻觉（hallucination）。 | 凡涉及具体文献、统计量、政策条文，一律人工核验（参见本课四维质检与红线）。 |
| 背景前提错了，输出会顺着错下去 | 模型默认配合你给定的前提，不会主动质疑 Background 的真伪。前提涉密/涉私/虚假时，它会产出"逻辑自洽但有害"的内容。 | Background 只写经你核实的任务约束；真值与隐私留在本地（见下方红线框）。 |
| 超长任务会"丢前文" | 本轮对话由上下文窗口（context window）承载；一旦对话过长、超出窗口，早先设定的角色与红线可能被挤出、不再生效，表现为"越聊越跑题"。 | 关键约束在新一轮里重述一遍，或开新对话重新搭 BROF，别指望它永远记得开头。 |
| 格式锁不住 = 任务本身没想清 | 你自己都说不清字段，模型只能猜；它倾向于补一个"看起来合理"的结构，未必是你要的。 | 先在记事本里把表头/字段定死，再粘进去；F 格式是你思路清晰度的镜子。 |
| 过度堆砌角色反而稀释专业度 | "全能 / 无所不知"的人设在语料中与"泛泛而谈"高度相伴，窄而具体的角色才对应严谨文本。 | 角色宁窄勿宽（见上文 R 角色对照），一个角色只压一个专长。 |
🚧 准确性与伦理：BROF 用得越顺，越要守住这两条
- BROF 提升的是"可用度"，不是"可信度"。 它让输出更像专家写的，但像不等于对。结构越漂亮，越容易让人放松核查——这恰恰是最危险的时刻。
- 角色与红线不能替代你的学术责任。 让模型"扮演审稿人"挑刺很有用，但最终对选题是否成立、数据是否真实、因果是否能下结论负责的，始终是你本人，不是被你赋予人设的模型。
⚠️ 学术红线提示
这套结构法能帮助你更充分地发挥 AI 的能力。但这也意味着，如果你提供的 Background（背景前提） 或数据本身是涉密、涉私或虚假的信息，AI 会顺着这套错误的前提产出极具误导性的内容。 因此，务必确保所有输出所依据的原始事实可靠，这一底线要掌握在自己手中。
常见误区与纠正
学员初学 BROF 时，问题几乎都集中在"框架套了，但某一格是空的或写歪了"。下表是最高频的 5 个，照着对号入座即可：
| 常见误区 | 症状（输出会怎样） | 纠正方法 |
|---|---|---|
| 角色太泛 | 写"你是专家"，输出仍是全网平均水平、无专业判断 | 角色 = 窄领域 + 可检验资历 + 一条判断习惯（见上文 R 角色对照） |
| 目标没红线 | 只说"帮我想几个"，AI 给一堆水题，还得自己再删 | 把"不要什么"显式写成红线（禁用句式、必须含某要素），让 AI 自己先过滤 |
| 格式没锁死 | 没指定表头/字段，每次输出排版都不同，无法复用 | 锁死表头名称与字段顺序，写明"表头严禁改动"，产出才能直接进文档 |
| 背景泄密 | 把被试隐私、未发表手稿、内部数据原文贴进提示词 | 只描述任务约束 + 数据结构，敏感真值用占位符（N≈500、变量名）代替 |
| 四要素糊成一段 | 背景、目标、格式挤在一句话里，AI 抓不住重点 | 用 【 】 分块 + 换行，一格一块；记事本里搭好再粘进聊天框 |
输出仍不满意？如何迭代
即使 BROF 四格都填了，首版输出也未必一步到位——这很正常，提示词是"调"出来的，不是"一次写对"的。不要推倒重写，按下面顺序做小步纠偏：
- 先定位是哪一格的问题：选题太水 → 多半是 R 角色不够硬或 O 红线太松；格式乱 → F 格式没锁死；答非所问 → B 背景缺了关键约束。哪格出问题就只改哪格，其余不动。
- 用负向纠偏追加一句：在原对话里直接补"刚才第 2 条不符合要求，因为……请只重做该条"，比重发整段更省力——这正是 第 2 课 讲的负向纠偏 / 迭代法。
- 把改好的那一格沉淀回模板：一旦调出满意版本，把那格的写法存进你的 BROF 个人模板，下次同类任务直接复用，避免重复踩坑。
一句话
首版不满意不是框架失灵，而是某一格还没"拧紧"。定位到格 → 局部纠偏 → 回填模板，三步就能把 60 分的输出迭代到可交付。
📦 本课交付物
按本节实操任务完成并提交以下内容，提交 AI 初审，按 Module_Rubrics.md 对应维度评分：
- [ ] 本节实操产出：本节任务区块要求的具体文件 / 文本 / 截图
- [ ] AI 协作日志：至少 1 段完整的"任务描述 → AI 输出 → 人工修正"对话记录
- [ ] 四维质检记录：用
Course_QA_Checklists.md（事实/逻辑/格式/引用）核查本节 AI 输出的笔记 - [ ] 沉淀模板：将本课关键 Prompt / 流程 / 检查清单加入你的个人工具箱
🏁 本章小结
把本课凝练成可据以复习的几条要点：
- 核心方法：用 BROF（背景 Background / 角色 Role / 目标 Objective / 格式 Format）把一段提示词搭成四根支柱；赶时间口述时用其轻量版 S-P-O（情境 / 目的 / 产出），需要正式交付物时再补上独立的 R 角色升级回 BROF。
- 为什么有效：大模型按训练语料的概率预测下一个词。BROF 的两层作用是——显式约束压缩歧义空间（背景越具体，输出越贴题），指定角色把答案分布从"全网平均"拉向"专家水平"。它逼出的是专家的风格与判断，不是专家的事实。
- 怎么填才对：角色 = 窄领域 + 可检验资历 + 一条判断习惯；背景 = 够 AI 决策但不泄密（任务约束用具体值，敏感真值用占位符）；目标 = 数量 + 硬指标 + 红线（写清"不要什么"）；格式 = 锁死表头与字段顺序，以便直接复用。
- 跨学科可迁移：四个方括号不变，只换填空内容——社会学选题、Case B 经管面板分析路线用的是同一套框架。
- 边界要诚实：BROF 提升"可用度"不等于"可信度"；模型会幻觉、会顺着错误前提、会因超出上下文窗口而丢失开头的约束。涉及文献/统计/因果的输出，最终核验责任在你本人。
- 不满意就迭代：定位到具体哪一格 → 局部纠偏（一句负向纠偏胜过重发整段）→ 把调好的写法回填进个人模板。
自测清单（可保留逐项打勾）
- [ ] 我能不看讲义默写 BROF 四要素及其一句话作用，并说清 S-P-O 与 BROF 的对应关系。
- [ ] 我能讲出"结构化提示为什么有效"的两层原理，且不编造模型内部机制。
- [ ] 我已用
[一键复制]提示词在模型端跑通至少一个学科的完整流程，并拿到可进入"筛选+微调"的输出。 - [ ] 我能指出 BROF 的至少三条边界（幻觉 / 错误前提被放大 / 上下文窗口丢约束），并知道对应的核验动作。
- [ ] 我提问时不再发无排版的连续文字块，而是用
【 】分块 + 换行；敏感真值一律用占位符。
✍️ 思考与练习
下列练习用于把本节概念用起来（区别于"本课交付物"里的任务），建议写在你的本地笔记中。
练习 1（原理辨析）。 有同学说"只要把角色写成'诺贝尔奖得主、宇宙第一专家'，AI 就最聪明"。请用本课的原理（概率预测下一个词、窄角色对应严谨语料）说明这种写法为什么往往不会让输出更专业，甚至可能更差。
好答案要点：指出"全能/最强"人设在语料中与泛泛而谈相伴，稀释专业度；真正起作用的是窄领域 + 可检验资历；并能点明角色只改风格分布、不改事实能力。
练习 2（消融与定位）。 取 Case A 心理问卷数据集（N=500，列含 Anxiety_1..12、Strategy_1..8、Efficacy_1..7、反向计分题 Anxiety_4_R、Age）。先只用一句 Objective 写一版"帮我分析这份数据"的提示词，再补齐完整 BROF（角色=心理测量学导师、背景=量表结构与反向题、格式=锁死表头的分析路线三线表）。对比两版输出，指出少了 R/B 后具体退化在哪一格。
好答案要点：能命名退化的格（多半是缺角色→无信效度/反向题处理意识，缺背景→不知道
Anxiety_4_R需反向重编码）；能说明补齐后输出多了哪些可执行环节，而不是泛泛说"更好了"。
练习 3（边界识别）。 你让 AI 基于 Case C（300×3，三模型质量评分 Quality_GPT5/Quality_Claude47/Quality_Gemini25，1–5 分、3 名标注者） "写一段引用了三篇支持该结论的权威文献的讨论"。它给出了三条格式完美、作者年份俱全的文献。请说明：此处最可能踩中本课哪条边界？你会做哪一步核验？
好答案要点：识别为幻觉（hallucination）——格式漂亮不等于真实存在；正确动作是逐条到数据库/检索核实文献真伪，不可直接采信，呼应"可用度≠可信度"。
练习 4（脱敏改写）。 给定一段含隐私的劣质背景："这是我导师王××（手机 138××××）课题组未发表的访谈原文，受访者张××说……"。请把它改写成够 AI 决策但不泄密的 Background，并说明你保留了什么、用占位符替换了什么、为什么。
好答案要点：保留任务约束（研究主题、要做什么、交付对象、硬限制），用占位符替换姓名/电话/未发表原文（如"某高校课题组的 N≈20 半结构化访谈转写"）；能讲清理由——联网模型对话可能被留存，原始隐私不该进提示词。