评估5W3H结构化提示在人机交互中的意图对齐效果

自然语言提示常受意图传递损耗困扰：即用户实际所需与其向AI系统所表达内容之间的鸿沟。我们评估PPS（Prompt Protocol Specification），一个基于5W3H的框架，用于人机交互中的结构化意图表示。在一项受控三条件研究中，覆盖三个领域（商业、技术和旅行）的60个任务、三个大语言模型（DeepSeek-V3、Qwen-Max和Kimi）以及三种提示条件——(A)简单提示、(B)原始PPS JSON、(C)以自然语言呈现的PPS——我们收集了540个由LLM评审打分的AI生成输出。我们提出goal_alignment这一以用户意图为中心的评估维度，发现呈现式PPS在该指标上优于简单提示和原始JSON。PPS的收益依赖任务类型：在高模糊度的商业分析任务中收益显著，而在低模糊度的旅行规划中收益反转。我们还发现标准LLM评估中存在一种测量不对称：无约束提示会推高约束遵从得分，掩盖结构化提示的实用价值。一项初步回溯调查（N = 20）进一步显示，所需追问轮次减少66.1%，从3.33轮降至1.13轮。这些发现表明，结构化意图表示可以改善人机交互中的对齐与可用性，尤其是在用户意图本身模糊的任务中。