custom-skills/skills/prompt-optimizer/references/frameworks/20_APE_Framework.md

APE Framework

网址

https://juuzt.ai/knowledge-base/prompt-frameworks/the-ape-framework/

应用场景

• AI提示词优化
• 任务指令设计
• 自动化工作流设计
• 代码生成提示
• 数据分析请求
• 创意内容生成

概述

APE框架（Action, Purpose, Expectation）是一种简洁高效的AI提示词工程方法。通过明确行动（要做什么）、目的（为什么做）和期望（想要什么结果），该框架帮助用户快速构建清晰有效的提示词，确保AI准确理解任务需求。

框架构成

组成部分	英文	说明
行动	Action	明确需要执行的具体任务
目的	Purpose	解释执行任务的原因和背景
期望	Expectation	描述期望的输出结果和标准

详细说明

Action（行动）

清晰描述需要AI完成的具体任务：

• 使用明确的动词开头
• 描述任务的范围和边界
• 指明输入数据或素材

Purpose（目的）

解释为什么需要完成这个任务：

• 提供背景信息
• 说明任务的重要性
• 帮助AI理解上下文

Expectation（期望）

明确期望的输出结果：

• 格式要求（长度、结构）
• 质量标准
• 特定包含或排除的内容

优点

• 极简高效: 三个元素涵盖提示词核心
• 快速应用: 容易记忆和快速使用
• 目的明确: 强调任务目的提高AI理解
• 结果导向: 明确期望确保输出质量

缺点

• 可能过简: 复杂任务可能需要更多细节
• 缺少角色: 未明确指定AI的角色或身份
• 上下文有限: 可能需要额外的背景信息

最佳实践

示例1：数据分析报告

Action: 分析过去12个月的销售数据。
Purpose: 为即将到来的季度规划会议准备洞察。
Expectation: 生成包含关键指标、趋势图表和三个主要发现的报告，控制在2页以内。

示例2：邮件撰写

Action: 撰写一封客户回访邮件。
Purpose: 了解客户对新产品的使用体验并收集反馈。
Expectation: 邮件应该友好专业，控制在150字以内，包含3-5个简短问题。

示例3：代码生成

Action: 编写一个Python函数来验证用户邮箱格式。
Purpose: 用于用户注册流程中的输入验证。
Expectation: 函数应该使用正则表达式，包含错误处理，并附带使用示例和单元测试。

示例4：内容创作

Action: 为新推出的健身应用写5条社交媒体帖子。
Purpose: 吸引健身爱好者下载和试用应用。
Expectation: 每条帖子50-80字，风格活泼有感染力，包含行动号召和相关话题标签。

示例5：研究总结

Action: 总结关于远程工作对员工生产力影响的最新研究。
Purpose: 为公司制定混合工作政策提供证据支持。
Expectation: 总结应包含5-7个关键发现，正反观点均需涵盖，附带数据来源引用。

APE与其他框架对比

框架	核心元素	复杂度	适用场景
APE	行动、目的、期望	低	快速简单任务
RACE	角色、行动、上下文、期望	中	需要角色定义
CRISPE	清晰、相关、迭代、具体、参数、示例	高	复杂迭代任务