APE框架是什么
APE框架是一个提示词模板，强制大语言模型把思考过程拆分为分析、规划和执行三部分。 你得到的不再是一个笼统的答案，而是可以看到模型如何理解问题、打算如何解决，以及最终产出。这种结构提升了可靠性，因为每个阶段都可以单独检查。
APE在处理复杂或高风险任务时尤其有用。要求模型明确展示推理路径，可以降低隐藏假设或走捷径而不被发现的风险。同样的三段式结构适用于所有模型——云端API和通过Ollama或LM Studio运行的本地模型都一样——从而保持结果的一致性。
三个步骤：分析、规划、执行
APE框架的核心在于：每个提示词都指示模型先分析问题，再规划解决方案，最后才执行给出最终答案。 这三个步骤直接对应人类处理推理的方式，为你提供清晰的检查点。
典型的拆分方式如下：
- 分析：用自己的话复述任务，识别关键约束，指出缺失的信息。
- 规划：提出一个简短的分步方案，说明将如何解决这项任务。
- 执行：按照该方案产出最终答案，采用要求的结构和格式。
什么时候使用APE框架
当任务复杂到你不仅关心最终输出、还关心模型推理过程时，就应该使用APE框架。 这包括技术分析、多步骤研究、战略写作，以及任何出错代价高昂的场景。
典型用例包括：
- 把产品需求拆解为用户故事和验收标准。
- 基于原始笔记和市场信息设计内容战略。
- 审查和重构代码，同时说明其中的取舍与风险。
- 规划和撰写长篇报告，其中结构与措辞同等重要。
⚠️ 注意
APE会带来额外的token开销——分析和规划阶段会在最终执行之前消耗输出token。对于只需要最终答案、不检查推理过程的大批量生产任务，请改用更简单的单步提示词，以降低成本和延迟。
如何撰写APE提示词
有效的APE提示词会明确点出三个阶段的名称，并说明你对每一部分的预期：分析笔记、分步方案和最终产出。 这些内容可以写得很紧凑，因此它仍然算作一条提示词。
通用模式如下：
"你是角色。首先，分析这项任务，列出关键目标、约束条件和缺失信息。然后，用3–5条要点规划你的方案。最后，严格按照你的方案执行，产出期望的输出格式。"
接着，你可以为这个基础模式补充领域细节，例如受众、语气、文件结构或引用要求。一旦定义完成，只需更改目标和上下文，就能把同一条APE提示词复用到多项任务上。
🔍 专业提示
模型完成分析和规划后，请在查看执行结果之前先读这两部分。如果分析遗漏了某个约束，或者方案中有一步是错的，就让模型修改——这比重新生成整个回答更省钱、更快。
示例：糟糕的APE提示词与优秀的APE提示词
把无结构提示词和APE提示词放在同一项任务上对比，差别就非常明显。 下面是一个产品发布邮件的简单示例。
糟糕的提示词
"写一封邮件，宣布我们新的分析仪表板。"
优秀的提示词
"你是SaaS产品营销人员。目标：为我们新的分析仪表板撰写一封面向现有客户的发布邮件。APE结构：1）分析：简要列出目标受众、他们的主要痛点，以及这个仪表板所解决的核心价值。2）规划：用3–5条要点勾勒邮件结构（开场钩子、核心价值、行动号召等）。3）执行：以清晰、专业的语气写出最终邮件（不超过220个词），包含主题行、预览文本和正文。"
使用APE框架后，模型会在撰写邮件之前先展示它对问题的理解和方案，这样你就能尽早发现偏差。
PromptQuorum如何实现APE框架
PromptQuorum是一款多模型AI分发工具，将APE框架作为内置提示词结构之一，让用户一键应用分析–规划–执行式提示。 当你在PromptQuorum中选择APE选项时，应用会自动围绕你的目标和上下文注入这套三步结构。
在PromptQuorum中，APE框架能够：
- 为分析、规划和执行的预期提供带标签的区块，你不必每次都记住这套模式。
- 把同一条APE结构的提示词并行发送给多个模型，方便比较不同模型在每个阶段的表现。
- 保存为模板，用于代码审查、战略备忘录或研究简报等重复性工作流。
APE还是其他框架
当你需要明确的推理步骤，但不需要大量参数或区块时，应优先选择APE框架。 APE刻意保持紧凑：三个阶段通常足以提升清晰度，又不会让用户感到负担。
在实践中：
- 复杂但自成一体、推理过程重要的任务，选APE。
- 如果你已经明确知道输出格式，只需要一条规格清晰的指令，就选单步式框架。
- 只有当必须把严格的内部标准编码进提示词时，才选择更详细的框架（包含大量区块和参数）。
框架 | 阶段/区块数 | 最适合 | 推理是否可见 |
|---|---|---|---|
| APE | 3（分析、规划、执行） | 需要可检查推理过程的复杂任务 | 是——阶段明确 |
| 单步式 | 1（一条指令） | 简单、定义明确的任务 | 否 |
| CRAFT | 5（Context, Role, Action, Format, Target） | 全面的上下文定义 | 可选 |
| CO-STAR | 6（Context, Objective, Style, Tone, Audience, Response） | 营销与传播 | 否 |
| SPECS | 5（Situation, Problem, Examples, Constraints, Style） | 基于示例的问题解决 | 可选 |
| Chain-of-Thought | 1（加上"一步步思考"） | 数学、逻辑、单轮推理 | 是——但不结构化 |
🔍 你知道吗
APE的三阶段结构直接对应人类专家处理复杂问题的方式：理解问题（分析）、设计方案（规划）、产出交付物（执行）。认知科学研究表明，这种分离能同时降低人类推理和AI推理中的错误率。
APE的另一个含义：Automatic Prompt Engineering（不同概念）
说明："APE"也可以指Automatic Prompt Engineering（自动提示词工程）——这是一项与上文所述分析-规划-执行框架完全不同的技术。Automatic Prompt Engineering（Zhou等人，2022）利用AI自动生成并给提示词变体打分，无需人工反复试错即可找到最优表述。其做法如下：
- 1定义任务、成功指标和几个种子示例。 例如：任务＝"对客户反馈进行情感分类"。成功指标＝"在20个带标签样本上的准确率"。种子示例＝3条带正确情感标签的多样化客户消息。
- 2使用APE工具或ChatGPT自动生成提示词变体。 提供你的任务和示例，然后要求："生成5个可能解决这项任务的不同提示词变体。在指令风格、示例和约束上做出变化。"再在测试集上评估每个变体。
- 3按成功指标为每个变体打分。 在留出样本上运行所有变体，记录准确率、速度和成本。APE的目标是在不做人工试错的情况下找到最优提示词。
- 4迭代：选出得分最高的2个变体，让优化器基于它们生成变体。 如果变体3的准确率为85%、变体5为82%，就要求优化器"生成与变体3类似但带有具体调整的变体"，逐步打磨。
- 5得到强提示词后，在新数据上测试以确认其泛化能力。 优化后的提示词在测试集上表现良好——现在要验证它在全新、未见过的样本上是否同样有效。如果性能下降，说明你可能对测试数据过拟合了。
常见问题
APE代表什么？
APE代表分析（Analyze）、规划（Plan）、执行（Execute）。这是一个三步骤的提示框架，将复杂推理分为三个明确的阶段：理解问题、规划方法和执行解决方案。
APE与直接向模型要一个答案有什么区别？
使用APE，你能看到模型的思考过程。得到的不是单一答案，而是模型如何理解你的任务、选择了什么方案，以及最终输出。这样更容易发现错误，结果也更可靠。
什么时候该用APE而不是单步提示词方法？
当推理过程对你的任务至关重要时使用APE：技术分析、代码审查、战略制定，或出错代价高昂的场景。如果目标一开始就很明确、主要追求执行速度，就用单步方法。
可以在Ollama或LM Studio等本地模型上使用APE吗？
可以。APE适用于任何模型——OpenAI、Anthropic和Google的前沿模型，或通过Ollama和LM Studio运行的本地模型。同样的三步结构适用于所有平台。
APE提示词需要多长？
APE提示词可以很紧凑。只要一个段落提到分析、规划和执行，并说明你对每个阶段的预期，就足够了。这个框架关乎结构，而非长度。
可以把APE提示词保存为PromptQuorum中的模板吗？
可以。当你创建出一条在特定工作流（例如代码审查、客户摘要）中表现良好的APE结构提示词后，就可以在PromptQuorum中把它保存为模板，并与团队共享。
如果我的任务对APE来说太简单怎么办？
如果任务很直接、不需要可见的推理过程，那么单步提示词方法很可能就够了。APE会增加额外开销——它的价值在于让你能够检查并改进模型的推理。
如何判断一条APE提示词效果好不好？
在3–5个有代表性的示例上运行你的APE提示词，然后检查：（1）分析是否抓住了核心挑战？（2）方案是否合理且可执行？（3）执行是否遵循了方案？如果某一步较弱，就改进提示词并重新测试。
APE（分析-规划-执行）和APE（Automatic Prompt Engineering）有什么区别？
它们共用一个缩写，但是完全不同的技术。APE（分析-规划-执行）是你自己撰写的手动提示词结构。APE（Automatic Prompt Engineering，Zhou等人2022）是一项由AI自动生成并给提示词变体打分、以找到最优表述的技术。本文两者都涵盖——主框架是分析-规划-执行；自动提示词优化在最后一节介绍。
延伸阅读
- 思维链提示词 —— APE将其形式化为三个阶段的推理技术
- 该用哪个提示词框架？ —— APE与CRAFT、CO-STAR、SPECS的对比
- 单步提示词方法 —— 当你不需要APE三阶段的时候
- 每条提示词都需要的5个构件 —— APE各阶段所组织的通用构件
- 角色提示词 —— 与APE的角色定义结合，用于特定领域的分析
- 提示词链 —— 对于单条APE提示词过于复杂的任务，可串联多个APE步骤
来源
- White et al. (2023). "A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT." arXiv:2302.11382 —— 提示词模式分类法，包含结构化推理模式
- Zhou et al. (2022). "Large Language Models Are Human-Level Prompt Engineers." arXiv:2211.01910 —— Automatic Prompt Engineering（APE）的原始论文
- Anthropic. "Prompt Engineering Guide." docs.anthropic.com —— 结构化提示词的最佳实践
- OpenAI. "Prompt Engineering Guide." platform.openai.com —— 分步推理与结构化输出指南