与大模型对话时，最常见的问题不是模型能力不够，而是提问方式太随意。比如直接丢一句"帮我写个文案"，模型只能靠猜测补全你的意图，输出的结果自然难以令人满意。5W1H是一个源自新闻学领域的经典分析框架，它把任何问题拆解为What（是什么）、Why（为什么）、Who（谁）、When（何时）、Where（何地）、How（如何）六个基本维度。将这个框架迁移到Prompt设计中，可以系统性地覆盖任务定义、目标动机、目标受众、时间场景、上下文环境和执行方式，让模型对任务的理解几乎与你保持一致。
5W1H框架各维度在Prompt中的含义与写法
5W1H的每一个字母都对应提示词中一个必须交代清楚的要素。理解每个维度的作用，是构建结构化提示词的第一步。
What（做什么）是任务的核心定义，需要明确告诉模型要产出什么类型的内容。是写一篇文章、生成一段代码、做一份分析报告，还是回答一个知识性问题？任务定义越具体越好。比如"写一篇关于 Prompt 工程的入门文章"就比"写篇文章"要好得多。如果可能，还应说明任务的边界，例如篇幅限制、格式要求、必须覆盖的要点等。
Why（为什么做）交代任务的背景和动机。模型知道了目的，就能在措辞风格、详略取舍上做出更合适的判断。比如同样是写产品介绍，"为了投放社交媒体吸引年轻用户"和"为了提交给投资人做商业计划书"会导向完全不同的输出风格。很多新手写提示词时会忽略Why，结果模型给出的答案虽然正确却不对味。
Who（给谁看/谁来扮演）包含两层含义：一是输出的目标受众是谁，二是希望模型扮演什么角色。指定角色是Prompt工程中最有效的技巧之一，例如"你是一位有十年经验的资深后端工程师"会激活模型在相应领域的知识分布。而明确受众，比如"读者是刚入行的产品经理"，则决定了内容的深度和用词的专业程度。
When（何时/时效性）界定内容的时间背景和时效要求。例如"基于当前主流的前端技术栈"、"针对2024年之后的行业趋势"，或者"这是一条春节前两周发布的促销信息"。时间信息能帮助模型避免输出过时的技术方案或不合时宜的表达。
Where（何地/场景）说明内容的使用场景和渠道。是发布在微信公众号、抖音短视频文案，还是用于内部技术评审文档？不同平台的内容风格、字数限制、排版习惯差异巨大，交代清楚场景能让输出更贴合实际需要。
How（怎么做）是最能体现提示词功力的部分，它规定执行方式：输出的结构安排、语言风格、禁止事项、思考步骤等。例如"先给出结论，再分三点展开论证，每点不超过100字"、"使用口语化的表达，避免专业术语"。How部分写得好，可以直接决定输出的可用性。
用5W1H框架构建提示词的完整实例
光说不练假把式，下面用一个真实需求演示如何用5W1H框架逐项推导出一份完整的提示词。假设需求是"为一家线上咖啡品牌写推广文案"。
先逐项填写5W1H分析表：What是撰写一条短视频平台的推广文案；Why是提升新品燕麦拿铁的销量，制造话题度；Who是18到30岁、注重健康生活方式的年轻消费者；When是新品上市首周；Where是抖音和小红书平台；How是轻松活泼的语调，150字以内，带一个吸引人的开头和明确的行动号召。
把这些要素组合成一份结构化提示词，示例如下：
你是一位擅长社交媒体营销的文案专家（Who）。 请为我们的新品"燕麦拿铁"撰写一条短视频推广文案（What）， 目标是新品上市首周内提升销量并制造话题度（Why、When）。 文案将发布在抖音和小红书平台（Where）， 目标受众是18到30岁、注重健康生活方式的年轻人（Who）。 要求：语调轻松活泼，150字以内， 开头三秒抓住注意力，结尾带明确的购买行动号召， 可以适当使用网络流行语，但不要涉及夸大功效的表述（How）。
可以看到，六个维度不是机械的六个段落，而是可以灵活合并到一段自然语言中。框架的价值在于确保思考时不遗漏关键信息，而非要求固定格式。再来看一个技术场景的例子，需求是让模型审查一段Python代码：
你是一位资深的Python代码审查专家（Who角色）。
请审查下面这段用于订单处理的Python代码（What），
重点关注潜在的性能瓶颈、异常处理缺失和安全隐患（How）。
这段代码即将上线到电商生产环境（Why、Where），
本周五发布窗口前需要给出修改建议（When）。
输出格式：按严重程度分为"高、中、低"三级，
每条问题给出具体代码位置、问题描述和建议的修复方案（How）。
代码如下：
def process_order(order):
...
这两个例子说明，5W1H框架对创意类任务和技术类任务同样适用。写作前花两分钟填写这张分析表，往往能节省大量反复修改提示词的时间。
5W1H框架的局限性与进阶搭配技巧
5W1H并非万能钥匙，它有几个明显的局限需要正视。首先，它本质上是一个"问题分析"框架，适合梳理需求，但对输出质量的约束有限，比如复杂任务需要分步骤执行、需要模型先推理再回答时，单靠5W1H不够。其次，六个维度并非每个任务都需要全部填写，强行凑齐反而会让提示词臃肿。第三，对于开放式创作任务，过度结构化可能限制模型的发挥空间。
在实际使用中，推荐将5W1H与其他Prompt技巧组合。最常见的是与少样本示例（Few-shot）结合：先用5W1H定义任务，再给出一两个符合要求的示例，让模型模仿输出风格。例如在文案任务中附上"参考这个风格：……"，效果往往比单纯堆砌要求更好。
另一个有效组合是与思维链（Chain of Thought）结合。在How部分加入"请先逐步分析目标用户的心理，再产出文案"这样的指令，引导模型先思考后输出，能显著提升复杂任务的推理质量。此外，还可以在提示词末尾追加"如果有不清楚的地方，请先向我提问确认"，把单向指令变成多轮对话，进一步降低理解偏差。
最后要注意迭代的重要性。5W1H框架写出的第一版提示词未必是最优的，建议每次根据输出结果反向检查：是哪个维度没交代清楚导致偏差？缺受众信息就补Who，风格不对就细化How。经过两三轮迭代，一份高质量的提示词就成型了。长期坚持这种结构化的提问习惯，不仅能提升与AI的协作效率，也会反过来训练你自己分析问题、拆解需求的能力，这才是Prompt工程真正的价值所在。