Agent开发基础---提示词编写

当前，AI Agent（智能体）的开发热潮正席卷而来。无论是基于LangChain、agno还是AutoGen，开发者们都致力于打造能自主理解、决策和执行任务的AI智能体。然而，许多开发者都会遇到一个共同的痛点：​​为什么同一个大模型，在不同的人手里表现出的能力天差地别？​​

答案往往隐藏在​​提示词（Prompt）​​ 中。提示词是与大模型交互的核心接口，是驱动Agent的“灵魂”。它就像是给一个能力超强但需要明确指令的新员工下达的“任务书”。模糊的指令只会得到模棱两可的结果，而精准、清晰的提示词则能彻底激发大模型的潜能，构建出真正高效、可靠的智能体。

本文将抛开理论，直击实战，带你深入掌握Agent开发中提示词编写的核心原则与高级技巧。

一、提示词的核心四要素：构建清晰指令的基石

编写高质量的提示词，就像是在编写一段给AI看的特殊“代码”。它需要包含以下四个关键要素：

1. 角色扮演（Role Playing）：给它一个“人设”

这是最重要的一步。通过为模型设定一个明确的角色，你可以将其能力范围聚焦到特定领域，从而得到更专业、更符合预期的结果。

• •

  ​​反面教材​​： “帮我写点代码。”

• •

  ​​正面教材​​： “你是一名资深的全栈安全专家，尤其精通Python和Web安全。你的代码必须符合OWASP安全规范。”

2. 任务定义（Task Definition）：清晰、具体、无歧义

任务描述必须像函数定义一样清晰，避免使用模糊的词汇。

• •

  ​​反面教材​​： “处理一下这份数据。”

• •

  ​​正面教材​​： “请对用户提供的JSON数组进行清洗和转换。具体任务：1. 过滤掉‘age’字段小于0或大于120的记录。 2. 将‘name’字段的首字母大写。 3. 计算‘score’字段的平均值。”

​​3.高级技巧：Few-Shot（示例学习）​​

对于复杂任务，在提示词中提供一两个输入输出的例子，能让模型瞬间理解你的意图，效果远超千言万语。CoT（Chain of Thought，CoT）是一种思维工具，通过逐步延伸和拓展一个主要想法，帮助人们进行更深层次的思考，并得出更复杂、更全面的结论。在一些逻辑推理、数学运算等场景下，考虑使用 CoT 分解问题，通过输出一些推断过程，可以增加模型输出正确结果的概率。

zero-shot：

在 prompt 中加上 Let's think step by step 或者 让我们一步一步分析思考

few-shots：

以下是将用户输入的数字进行一系列加减乘除的例子。

你是一个计算器，请你将用户输入的数字分别加上2，减去3，乘以3，除以2后直接输出计算结果，以','作为分隔符进行返回。
示例如下：
"""
输入：1，2，3，4，5
答案：0, 1.5, 3, 4.5, 6
"""
输入：2，4，6，8，10

我们会发现，模型无法给出正确的答案，所以，让模型处理这种复杂、多步骤的问题时，我们可以遵循以下步骤：提供实例 > 分解问题 > 提供解释。
以下是将 CoT 融入到 prompt 的例子，分步骤地提供解释。

CoT（Chain of Thought，CoT）是一种思维工具，通过逐步延伸和拓展一个主要想法，帮助人们进行更深层次的思考，并得出更复杂、更全面的结论。在一些逻辑推理、数学运算等场景下，考虑使用 CoT 分解问题，通过输出一些推断过程，可以增加模型输出正确结果的概率。

加入cot的示例：

你是一个计算器，请你将用户输入的数字分别加上2，减去3，乘以3，除以2后直接输出计算结果，以','作为分隔符进行返回。
你可以参考以下的计算过程来帮助解决，
"""
对于输入：1，2，3，4，5
计算过程如下。
首先分别对输入1，2，3，4，5加上2，得到：3, 4, 5, 6, 7
然后将3，4，5，6，7分别减去3，得到：0, 1, 2, 3, 4
然后将0，1，2，3，4分别乘以3，得到：0, 3, 6, 9, 12
最后将0，3，6，9，12分别除以2，得到：0, 1.5, 3, 4.5, 6
答案是：0, 1.5, 3, 4.5, 6
"""
输入：2，4，6，8，10

4. 输出格式化（Output Format）：让结果可直接使用

对于Agent开发而言，这是至关重要的一环。明确的输出格式能让Agent的后续步骤（如解析、存储、传递）实现无缝自动化。

• •

  ​​示例​​：

  `“请将分析结果以JSON格式输出，必须包含以下字段：

  {

  "risk_level": "高危 | 中危 | 低危",

  "reason": "字符串，简要说明原因",

  "suggestions": ["建议1", "建议2"]

  }”`

二、提示词模版：快速填充提示词

任务型模版

假如你是{某个角色}，你将根据{上下文信息}，来解决{具体某个任务}。根据以下规则一步步执行：
1.规则1
2.规则2参考例子：
示例1：
问题：{具体问题}
输出：{该问题的结果}示例2：
问题：{具体问题}
输出：{该问题的结果}请回答问题：
问题：{具体问题}
输出：要求：
1 指定输出格式
2 格式中需要满足的详细规范

角色型模版（生成System Prompt）

你是{某个具体人物}，人称{xxx}，出身于{交代背景信息和上下文}。性格特点：语言风格：人际关系：过往经历：经典版台词or口头禅：{台词1(补充信息: 即你可以将动作、神情语气、心理活动、故事背景放在（）中来表示，为对话提供补充信息。)}
{台词2}

三、参数设置：精细调控模型输出的“旋钮”

在使用大语言模型（LLM）调用其API时，我们并非只能被动接受模型的原始输出。实际上，开发者可以通过配置一系列关键参数，像调节“旋钮”一样，精细地控制生成结果的特性，使其更贴合具体应用场景的需求。这些参数直接影响着模型的语言生成策略，理解并掌握它们，是进行高质量Agent开发的必备技能。本节将深入探讨两个最核心的参数：Temperature（温度）和 Top_p（核采样），并阐明其背后的概念与最佳实践。

关键参数详解

​​1. Temperature（温度）​​

• •

  ​​概念解释​​：该参数用于控制模型输出结果的​​随机性​​（Randomness）和​​创造性​​。它影响着模型在生成下一个词时，对其概率分布进行重新调整的程度。

• •

  ​​工作原理​​：一个较低的Temperature值会锐化模型的概率分布，使得高概率的token被选中的机会远大于低概率的token，从而让输出变得​​更可预测、更稳定、更聚焦​​。反之，一个较高的Temperature值会平滑概率分布，让低概率的token也有更多机会被选中，从而增加输出的​​多样性和出乎意料性​​。

• •

  ​​应用场景​​：

  • •

    ​​低温度（如0.1~0.3）​​：非常适合​​分类任务、事实性问答、代码生成、摘要​​等需要高度准确性和一致性的场景。模型会倾向于给出最直接、最确定的答案。

  • •

    ​​高温度（如0.7~1.0）​​：非常适合​​诗歌创作、故事编写、头脑风暴、广告文案生成​​等需要创造力和多样性的场景。

​​2. Top_p（核采样）​​

• •

  ​​概念解释​​：也称为“概率核采样”（Nucleus Sampling）。该参数通过控制候选词集合的大小，来影响生成结果的​​确定性与多样性​​。它定义了从一个累积概率最高的小范围token集合中进行采样的规则。

• •

  ​​工作原理​​：模型会计算所有可能的下一个词的概率，并从高到低排序并累加，直到累积概率刚好超过设定的top_p值。然后，模型仅从这个动态大小的“核”集合中采样下一个词。

  • •

    ​​较低的top_p值（如0.5）​​：候选集合很小，仅包含那些最可能、最确定的token，输出结果​​更集中、更保守​​。

  • •

    ​​较高的top_p值（如0.9）​​：候选集合更大，包含了一些概率稍低但依然合理的token，输出结果​​更多样、更不可预测​​。

• •

  ​​应用场景​​：Top_p通常与Temperature配合使用。当你的提示词写得非常清晰、具体，为模型提供了充足的上下文时，可以设置较高的top_p（如0.9~1.0），让模型在高质量的候选词中自由发挥。如果提示词很短很模糊，再设置高top_p可能会导致输出偏离主题。

参考配置与实践建议

重要提示​​：以上配置仅为参考起点，​​实际效果务必以您的具体业务场景进行实测和调整为准​​。不同的模型、不同的提示词，对参数的敏感度也不同。

关键概念：Token

• •

  ​​定义说明​​：Token是模型处理和生成文本的基本单位。它通常由几个字符组成，可以是一个词、一个字、一个标点或一个词的一部分。例如，中文词语“智能体”、英文单词“apple”、数字“123”或符号“？”通常都被计为1个token。

• •

  ​​为何重要​​：模型的上下文窗口长度（如32K）和API的计费均以​​token数量​​为单位。由于不同模型采用的分词器（Tokenizer）不同，同一段文本可能会被切分成不同数量的tokens。

• •

  ​​最佳实践​​：在编写长提示词或处理长文本时，务必注意token消耗。清晰的提示词和参数设置，最终都是为了在有限的token预算内，获得最优的输出效果。