Add prompt-optimizer skill with 57 prompt frameworks

This commit is contained in:
liuyang
2025-12-19 19:37:39 +08:00
parent 3ef18cc09a
commit 9ff0ce2ebd
62 changed files with 7570 additions and 2 deletions

View File

@@ -0,0 +1,141 @@
# SPAR Framework
## 网址
https://juuzt.ai/knowledge-base/prompt-frameworks/the-spar-framework/
## 应用场景
- 辩论准备
- 议论文写作
- 政策分析
- 决策论证
- 批判性思维训练
- 观点表达
## 概述
SPAR框架Situation, Problem, Action, Result是一种用于构建论证和分析问题的方法。通过描述情境、识别问题、提出行动和预测结果该框架帮助用户构建逻辑清晰、有说服力的论述特别适合需要分析因果关系和提出解决方案的场景。
## 框架构成
| 组成部分 | 英文 | 说明 |
|---------|------|------|
| 情境 | Situation | 描述当前的背景和上下文 |
| 问题 | Problem | 识别核心问题或挑战 |
| 行动 | Action | 提出解决问题的行动方案 |
| 结果 | Result | 预测或展示行动的结果 |
## 详细说明
### Situation情境
建立背景理解:
- 当前状态是什么
- 相关的历史背景
- 涉及的利益相关者
- 环境和约束条件
### Problem问题
清晰定义问题:
- 核心问题是什么
- 问题的严重性
- 问题的影响范围
- 问题的根本原因
### Action行动
提出解决方案:
- 具体的行动步骤
- 所需的资源
- 实施的时间表
- 责任人和角色
### Result结果
展示预期成果:
- 量化的预期结果
- 短期和长期影响
- 可能的风险
- 成功的衡量标准
## 优点
- **逻辑清晰**: 从问题到解决的完整思路
- **因果分明**: 行动与结果的关系明确
- **实用导向**: 聚焦于可执行的解决方案
- **说服力强**: 结构化论证增强可信度
## 缺点
- **可能过于简化**: 复杂问题可能需要更详细的分析
- **线性思维**: 可能忽略多因素交互
- **预测不确定**: 结果预测可能不准确
## 最佳实践
### 示例1业务问题分析
```
Situation情境:
公司是一家中型电商平台,过去两年增长迅速。
市场竞争日益激烈,新进入者不断涌现。
Problem问题:
客户获取成本CAC在过去一年上升了40%。
广告投放效率下降,同样的预算带来更少的新客户。
如果趋势继续,将严重影响盈利能力。
Action行动:
1. 优化广告投放策略,聚焦高转化渠道
2. 建立客户推荐计划,利用口碑获客
3. 加强内容营销,提高自然流量
4. 实施会员体系,提高客户留存
Result结果:
预计6个月内将CAC降低25%。
推荐计划带来的客户占比达到20%。
自然流量增长50%,减少对付费广告的依赖。
客户生命周期价值LTV提升30%。
```
### 示例2政策建议
```
Situation情境:
城市面临严重的交通拥堵问题。
人口持续增长,私家车保有量快速上升。
现有公共交通系统容量不足。
Problem问题:
上下班高峰期平均通勤时间超过90分钟。
交通拥堵导致每年经济损失超过50亿。
空气污染严重,居民健康受到影响。
Action行动:
1. 扩建地铁网络增加20%运力
2. 实施中心城区拥堵收费
3. 推广共享出行和拼车服务
4. 建设智能交通管理系统
Result结果:
预计3年内平均通勤时间减少30%。
中心城区私家车流量下降40%。
公共交通使用率提高50%。
空气质量指标改善25%。
```
### 示例3项目提案
```
Situation情境:
公司IT系统老旧多个独立系统难以集成。
数据孤岛导致决策效率低下。
员工花费大量时间在系统间手动转换数据。
Problem问题:
每月因数据不一致导致的错误成本约10万元。
生成一份综合报告需要3天时间。
无法实现实时业务监控和快速决策。
Action行动:
1. 实施统一的ERP系统
2. 迁移现有数据到新平台
3. 培训所有用户使用新系统
4. 分三个阶段在12个月内完成
Result结果:
错误成本降低80%每年节省约100万。
报告生成时间从3天缩短到1小时。
实现实时业务仪表板和预警系统。
员工效率提升30%,满意度提高。
```