AI Agent 学习笔记（一）：Prompt 工程，让大模型听话

AI Agent 学习笔记（一）：Prompt 工程，让大模型听话

上一篇我们认识了 Agent。这篇开始学第一块砖：Prompt（提示词）。学完你会明白：为什么同样一个模型，有人用得像个专家，有人用起来像个杠精。

一. Prompt 是什么

Prompt 就是你发给大模型的所有文字，包括指令、问题、背景信息、示例、格式要求等。

大模型的能力上限是固定的，但能不能发挥出来，全靠 Prompt。就像同一个员工，拿到一份写清楚的“工作说明书”和拿到一句“你看着办”，产出天差地别。

Prompt 工程（提示词工程）就是研究：怎么组织文字，让模型稳定、准确地输出我们想要的结果。

二. 先搞懂 messages 的结构

调用大模型 API 时，消息是一个数组，最常见的三种角色：

role 含义 谁写的 例子
system 系统提示词：定义模型的身份、规则、能力边界 开发者 “你是一个严谨的数学老师”
user 用户消息：本轮要解决的问题 用户 “请解这道题：3x+2=11”
assistant 模型回复（历史对话） 模型 “x=3” 
1
2
3
4
messages = [
    {"role": "system", "content": "你是博客网站的写作助手，只输出简体中文。"},
    {"role": "user", "content": "帮我写一段 50 字的文章简介。"},
]

初学者最容易犯的错：把所有要求全塞进 user 消息。正确做法是——身份和长期规则放 system，临时任务放 user。

三. 写好 Prompt 的四条黄金法则

3.1 法则一：角色设定（Role）

先告诉模型“你是谁”，它就会按照这个角色的语言风格和知识范围来回答。

1
2
3
❌ 差：请帮我检查这段代码有没有问题。
✅ 好：你是一位有 10 年经验的 Python 代码审查专家，请审查下面的代码，
   指出：1. 潜在的 bug；2. 安全隐患；3. 改进建议。用列表输出。

3.2 法则二：指令要具体、可执行

模糊的指令得到模糊的结果。把“好一点”“详细一点”翻译成可量化的要求。

模糊指令 具体指令
写个介绍 写 3 段、每段不超过 60 字、开头点明主题
解释一下 先给一句话定义，再举 1 个生活例子，最后总结要点
翻译一下 翻译成英文，保留 Markdown 格式，术语加粗

3.3 法则三：给示例（Few-shot）

模型是“模仿大师”。给它 1~3 个输入输出示例，它就知道你要什么格式。

1
2
3
4
5
6
7
8
9
10
11
12
13
请把用户评论分类为：好评 / 中评 / 差评。只输出分类结果。

示例1：
评论：物流快得离谱，包装也结实！
输出：好评

示例2：
评论：一般般吧，没有惊喜也没有失望。
输出：中评

现在分类：
评论：客服态度差，等了两小时没人理。
输出：

3.4 法则四：规定输出格式

尤其是做 Agent 开发，模型输出要被程序解析，格式必须稳定。最常用的是 JSON：

1
2
3
4
5
请把下面这段新闻提取成 JSON，字段如下：
{"title": "标题", "date": "日期(YYYY-MM-DD)", "keywords": ["关键词1", "关键词2"]}
只输出 JSON，不要输出其他任何文字。

新闻：2025年8月，某开源社区发布了新一代智能体开发框架……

四. 进阶技巧：思维链（CoT）

复杂问题直接问，模型容易“跳步出错”。思维链（Chain of Thought） 就是让模型把推理过程一步步写出来。

4.1 两种触发方式

1
2
3
4
5
6
7
8
9
10
方式一：直接要求（零样本 CoT）
请一步步思考，再给出答案。

方式二：给推理示例（Few-shot CoT）
示例：
问：小明有 3 个苹果，又买了 2 袋，每袋 4 个，一共几个？
答：先算买的：2×4=8；再加上原来的：3+8=11。所以一共 11 个。

问：一本书 240 页，每天看 30 页，看了 3 天后还剩多少页？
答：

4.2 在 Agent 里的用法：让模型“先想再说”

很多 Agent 框架在 Prompt 里会写这样的规则：

1
2
3
4
5
你的工作方式是：
1. 先分析用户需求，用 <thought> 标签写出你的思考；
2. 决定需要调用哪个工具（如果需要）；
3. 根据工具结果继续思考；
4. 最后给出对用户的回答。

这样模型就不会一上来乱答，而是像人一样“想清楚再做”。（ReAct 论文中的经典模式，后面 Tool 篇还会细讲。）

五. 结构化输出：让程序能稳定解析

做 Agent 时，模型输出要给代码用，所以JSON 格式比 Markdown 更可靠。

5.1 用 API 强制 JSON 输出

OpenAI 兼容接口支持 response_format：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
from openai import OpenAI

client = OpenAI()

resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你只输出 JSON。"},
        {"role": "user", "content": "提取下面句子的地点和时间：明天下午3点在北京开会"},
    ],
    response_format={"type": "json_object"},
)

import json
data = json.loads(resp.choices[0].message.content)
print(data)  # {"地点": "北京", "时间": "明天下午3点"}

5.2 解析失败时的兜底

模型偶尔会多输出几个字，解析要容错：

1
2
3
4
5
6
7
8
9
10
11
12
13
import json
import re

def safe_json(text: str) -> dict:
    """从模型输出里尽可能提取出 JSON"""
    text = text.strip()
    # 去掉 ```json ... ``` 包裹
    m = re.search(r"```json\s*([\s\S]*?)\s*```", text)
    if m:
        text = m.group(1)
    # 找到第一个 { 到最后一个 }
    start, end = text.find("{"), text.rfind("}")
    return json.loads(text[start:end + 1])

六. 提示词模板化（工程化的关键）

真实项目中，Prompt 不是手打的，而是模板 + 变量拼出来的。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
SYSTEM_PROMPT_TEMPLATE = """你是一位{role}。
你的风格：{style}
你的限制：{constraints}
"""

USER_PROMPT_TEMPLATE = """请完成以下任务：
任务：{task}
背景资料：{context}
输出格式：{output_format}
"""

def build_messages(role, task, context, output_format):
    system = SYSTEM_PROMPT_TEMPLATE.format(
        role=role, style="简洁专业", constraints="不要编造数据，不知道就说不知道"
    )
    user = USER_PROMPT_TEMPLATE.format(
        task=task, context=context, output_format=output_format
    )
    return [
        {"role": "system", "content": system},
        {"role": "user", "content": user},
    ]

messages = build_messages(
    role="数据分析师",
    task="分析下面这段销售数据的趋势",
    context="1月销量100，2月150，3月120",
    output_format="用 3 句话总结，输出 JSON：{\"trend\": \"上升/下降/波动\", \"reason\": \"原因\"}",
)

注意：Python 的 .format() 遇到 Prompt 里的大括号（比如 JSON 示例）会报错，可以用 {{ 转义成字面大括号，或者改用 f-string / 占位符替换（replace），更省心的是用 string.Template 或 Jinja2。

七. 一套可以直接抄的 Agent 系统提示词模板

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# 角色
你是一个 AI 助手，名字叫{name}，服务于{scene}场景。

# 任务
你的任务是{task}。

# 工作流程
1. 理解用户意图；
2. 如果任务需要实时数据或外部操作，调用对应工具；
3. 如果信息不足，明确向用户提问，不要瞎猜；
4. 给出最终回答。

# 规则
- 始终使用{language}回答；
- 不知道的事情直接说“不知道”，禁止编造；
- 涉及{forbidden_topics}时拒绝回答并说明原因；
- 回答要简洁，优先使用列表。

# 输出格式
- 普通回答：Markdown；
- 结构化数据：只输出 JSON。

# 示例
（这里放 2~3 个典型问答示例）

八. 常见错误清单

错误 后果 正确做法
Prompt 太短太模糊 输出不可控 写清角色、任务、格式
要求互相矛盾 模型随机应变 规则去重、排序
一次问太多问题 回答漏项 拆成多轮或列出清单
没有给示例 格式跑偏 Few-shot 给 1~3 个例子
用词歧义 理解偏差 用具体数字、明确动词
格式要求写在最后一句 模型容易忽略 单独一段强调，或用 response_format
中文夹英文标点 解析出错 统一中文标点或显式说明

九. 小结与作业

小结

  1. Prompt 决定模型能力的发挥；身份放 system，任务放 user；
  2. 四条黄金法则：角色设定、指令具体、给示例、规定格式；
  3. 复杂问题用思维链（CoT）让模型逐步推理；
  4. Agent 项目里要用模板管理 Prompt，用 JSON 结构化输出。

作业

  1. 写一个“Python 导师”系统提示词，要求它：先给思路、再给代码、最后布置练习；
  2. 用 Few-shot 让模型把句子分成“事实 / 观点 / 行动”三类，并输出 JSON；
  3. 把 5.1 的模板改成用 replace 占位符实现，避免花括号冲突。

下一篇：Memory 记忆——让 Agent 记住聊过什么、知道什么。