结构化意图作为类协议通信层：跨模型鲁棒性、框架比较与弱模型补偿效应

结构化意图表示能否在不同AI模型、语言和提示框架之间可靠地保留用户目标？先前工作表明，PPS（Prompt Protocol Specification）这一基于5W3H的结构化意图框架能提升中文场景的目标对齐，并可推广到英语和日语。本文在三个方向上扩展这一研究路线：跨Claude、GPT-4o和Gemini 2.5 Pro的跨模型鲁棒性；与CO-STAR和RISEN的受控比较；以及在生态效度良好的现实环境下关于AI辅助意图扩展的用户研究（N=50）。在3,240个模型输出（3种语言 x 6种条件 x 3个模型 x 3个领域 x 20个任务）上、由独立裁判（DeepSeek-V3）评估，我们发现结构化提示相比非结构化基线大幅降低了跨语言评分方差。最强的结构化条件将跨语言sigma从0.470降至约0.020。我们还观察到弱模型补偿模式：基线最低的模型（Gemini）的D-A增益（+1.006）远大于最强模型（Claude，+0.217）。在当前评估分辨率下，5W3H、CO-STAR和RISEN取得了相近的高目标对齐分数，表明维度分解本身就是重要的有效成分。在用户研究中，AI扩展的5W3H提示将交互轮次减少60%，并将用户满意度从3.16提升至4.04。这些发现支持了结构化意图表示作为人机交互中鲁棒的类协议通信层的实用价值。