Amazon Quick 提示工程基础：核心原则与可复用框架
在 Amazon Quick 中，提示工程直接决定了 AI 驱动功能对你自然语言请求的响应准确性与可靠性。无论你是构建自定义代理、编写自动化流程，还是通过对话式分析查询数据，提示的结构方式都会直接影响输出质量。
为什么提示工程至关重要
当团队要求 Quick“分析客户数据”时，可能只得到泛泛的摘要，错过关键洞察。但如果要求它“识别上一季度医疗保健行业中参与度下降的前五大企业客户，按收入影响排序，并找出与流失风险相关的具体产品使用模式”，就能获得可推动留存策略的可操作情报。
差异不在于 AI 的能力，而在于你如何传达需求。有效的提示工程能带来：
- 首次尝试即获得更好结果，节省时间
- 减少迭代和优化次数
- 无需自定义代码即可自动化复杂工作流
- 可复用的模式，能在整个组织内扩展
这些好处会随着团队共享提示词汇而不断累积。当一个人发现某种特定表述对季度报告有效，这个模式就成为所有人的可复用资产。
基础：核心提示原则
在探索组件特定技巧之前，先掌握适用于所有 Quick 功能的基本准则。可以把它们看作提示工程的语法：一旦内化，其他一切都会变得更容易。
通过具体性实现清晰
模糊的请求产生模糊的结果。比较以下两种写法：
- 通用：“显示销售信息”
- 具体：“展示我们企业软件部门 2025 年第三、四季度每月收入趋势，突出增长最快的三条产品线，并识别与第三季度营销活动发布之间的任何关联”
具体版本明确了时间范围、部门、指标和期望的分析维度，让 AI 能够精准响应。
设定上下文
除了具体性，提供背景信息同样关键。例如，在查询数据时，说明数据源、时间范围、业务目标等，能帮助 Quick 更好地理解你的意图。
少样本示例
通过给出几个输入输出示例，可以引导 AI 模仿你期望的格式和风格。这在需要高度结构化输出时尤其有效。
CRISPE 框架
CRISPE 是一个可复用的结构化框架，包含：
- Capacity and Role（能力与角色）：定义 AI 的角色
- Request（请求）：明确任务
- Insight（洞察）：提供背景信息
- Statement（声明）：指定输出格式
- Personality（个性）：设定语气
- Experiment（实验）：鼓励尝试不同方案
这一框架能帮助你在各种场景下构建一致、高质量的提示。
总结
本文是两部分系列的第一部分，聚焦于通用原则和可复用框架，适用于任何 Quick 组件。第二部分将深入探讨 Research、Flows、Sight、Chat Agents 和 Action Integrations 等组件的特定技巧。掌握这些基础，你将能更高效地利用 Amazon Quick 的 AI 能力，提升团队生产力。
