AI提示词“配方”：RCTIOC框架实战指南

前文已探讨Positron平台集成Claude Code并对接本土大模型的方法，讲解了主流国产模型的配置流程。配置完成后，如何充分发挥其效能？确保AI生成内容专业可靠、过程可控、结果可追溯，关键在于设计优质的「AI提示词」。基于实践经验，我总结出一套RCTIOC框架用于撰写高效的AI提示词。

「R」ole（角色定义）

「C」ontext（背景信息）

「T」ask（目标设定）

「I」nput（输入资料）

「O」utput（输出规范）

「C」heck（风险管控）

界定模型的协作角色与应答风格

厘清任务背景、证据范围及应用场景

突出预期成果与成功标准

供给必需的材料、数据、文献、代码或方案文档

确定最终交付成果、格式规范、结构层次与实用价值

设立验证规则与风险审查准则

「接下来通过实例演示如何运用RCTIOC框架编写AI提示词：」

选取发表于《柳叶刀·糖尿病与内分泌学》的一篇论文作为案例，具体信息如下：

假设场景如下：「作为该临床试验的负责统计师，在方案设计阶段，如何利用AI辅助完成样本量估算？我仅需进行最终审核」。现遵循RCTIOC框架编写提示词，委托AI执行此项任务。

「第一步」依据RCTIOC框架构建提示词

「第二步」启动Positron并调用Continue插件，将上述提示词提交至AI，如图所示，获得样本量估算结果：各组需319例，考虑失访因素则各组需399例

AI自动生成的R语言代码：

「操作演示如下」：（静音动态展示）

「第三步」人工最终核验数据，可见AI输出结果与文献报道数据基本吻合，且与自主复核结果高度一致。