第一章 引言重新认识提示词工程很多人第一次接触提示词工程时会自然地把它理解为“向 AI 问一个好问题”。这种理解没有错但远远不够。当你从构建一个简单的聊天机器人升级到搭建一个复杂的Agent 系统时提示词的角色发生了质变——它不再是用户与模型之间的“对话开场白”而是嵌入系统内部的行为控制指令。打个比方如果说普通对话中的提示词是“方向盘上的轻轻一转”那么 Agent 工程中的提示词就是“整辆车的自动驾驶算法”——它不仅要决定方向还要决定速度、刹车、避障甚至应对突发状况。理解这个区别是正确学习提示词工程的起点。第二章 提示词工程的核心作用驯服概率获得确定性大语言模型LLM本质上是概率机器——它根据前文语境预测下一个最可能的词。这种“创造性”在闲聊中很迷人但在 Agent 系统中却可能成为灾难。试想如果你的简历分析器偶尔把“工作经验”字段输出成“工作经历”或者代码审查工具在 JSON 里混入一句注释整个下游逻辑就会崩溃。因此提示词工程在 Agent 场景下的核心使命是让 LLM 的输出变得高度可预测。这里的“可预测”不是指每次回答一模一样而是指输出格式严格符合预期如有效的 JSON遵循指定 Schema行为边界清晰不会越权调用工具不会编造不存在的 API内容忠实于给定上下文不产生与事实冲突的“幻觉”始终运行在安全护栏内不偏离角色设定不回应敏感话题。简言之弱提示词创造不稳定的 Agent强提示词创造可靠的系统。你的目标不是让 AI 更“聪明”而是让 AI 更“守规矩”。第三章 让 LLM 输出可预测的五大关键技能要实现上述可预测性我们需要在提示词中嵌入明确的“契约”。以下是五项核心技能它们相互配合共同构成 Agent 系统的稳定性基石。3.1 结构化输出提示这是确保机器可读性的第一道防线。你需要在提示中明确要求模型返回JSON、XML或YAML并给出完整的字段定义、类型和示例。例如“请返回一个 JSON 对象包含name字符串、years整数和skills字符串数组不得添加任何额外字段或解释文字。”3.2 工具调用提示当 Agent 需要调用外部工具如查询数据库、发送邮件、执行代码时提示词必须清晰地约定工具的名称、所需参数、调用条件以及如何处理工具返回的结果。你甚至可以通过“思维链”引导模型先判断是否需要调用工具再生成调用指令从而避免无效或重复调用。3.3 角色提示给模型一个明确“人设”不仅能提升用户体验更重要的是限制知识的来源。例如“你是一位资深的 Java 代码审查员只关注代码规范性和潜在 bug不回答任何关于前端或数据库的问题。” 这样模型的输出就被牢牢锚定在特定领域减少了“胡说八道”的空间。3.4 护栏实现护栏是 Agent 的“安全气囊”。你需要在提示词中明确禁止的言论、行为和话题并设定当遇到边界情况时的默认回复。例如“如果用户询问如何破解软件请统一回复‘我无法提供此类帮助’。” 护栏必须写在系统指令的最前面优先级高于其他所有指令。3.5 上下文约束为了避免幻觉提示词应强制模型“只基于提供的上下文作答”。例如“请严格根据以下文档片段回答如果文档中没有相关信息请直接说‘未找到相关信息’不要自行编造。” 这在检索增强生成RAG场景中尤为重要。第四章 掌握三类经典提示技术除了上述系统级技能你还需要熟练掌握三种基础的提示范式。它们不是互相排斥的而是在不同复杂度场景下的“工具箱”。直接指令提供示例引导逐步推理零样本Zero-shot模型直接推理少样本Few-shot思维链Chain-of-Thought更准确、更可控的输出4.1 零样本提示Zero-shot这是最基础的用法——不给任何示例只给清晰的任务描述。适用于模型已经熟悉的任务如翻译、摘要、情感分类。关键在于指令要“具体而明确”避免歧义。4.2 少样本提示Few-shot在提示中提供 2~5 个输入-输出示例让模型“照葫芦画瓢”。这对于格式要求严格、输出风格固定的任务非常有效如生成结构化简历摘要、分类客户反馈。示例的选择要覆盖边缘情况且标签必须准确无误。4.3 思维链提示Chain-of-Thought当任务需要多步推理如数学应用题、逻辑推理、代码调试时引导模型在最终答案前输出推理步骤。你可以用“请逐步思考”或给出带推理过程的示例来触发。思维链能显著提高复杂任务的准确率并且让错误可追溯。在 Agent 场景中它还能帮助我们理解模型“为何”调用某个工具增强可解释性。第五章 在实战项目中打磨技能理论知识只有通过项目才能内化为能力。我建议你按难度递进构建以下四个典型 Agent 应用每个项目侧重点不同共同覆盖所有核心技能。练习练习练习练习聊天机器人角色提示 护栏简历分析器结构化输出 上下文约束代码审查工具工具调用 思维链研究助手少样本 防幻觉 多步推理综合掌握所有提示技能聊天机器人重点练习角色提示和护栏实现。设置一个具有特定人格、知识范围和边界的客服或陪伴机器人测试它在各种越狱问题下的稳定性。简历分析器输入一份纯文本简历要求模型输出固定 JSON Schema包含姓名、教育经历、工作经历、技能标签等。重点打磨结构化输出提示并强制模型只基于简历内容提取杜绝幻觉。代码审查工具给定一段代码让模型先分析潜在问题思维链然后决定是否需要调用“静态分析工具”模拟工具调用最后返回格式化报告。这里你同时锻炼了工具调用提示和思维链。研究助手给定一批文档让模型根据用户问题生成摘要、关键点对比甚至推论。需要大量使用少样本示例来规范回答风格并用上下文约束确保所有结论都有出处。每完成一个项目回头检查你的提示词是否足够“鲁棒”——即改动提问方式或增加干扰信息后模型仍能稳定输出预期结果。第六章 总结从“工程师”到“系统架构师”提示词工程不是一门“玄学”而是一套可学、可练、可度量的工程实践。它的进阶之路本质上是从“如何让 AI 回答得好”转向“如何让 AI 在系统中安全、准确、服从地运行”。回顾一下你的学习路径观念转变——提示词是系统指令不是对话开场白掌握五个技能——结构化输出、工具调用、角色设定、护栏、上下文约束灵活运用三种范式——零样本、少样本、思维链因任务制宜投身四个实战项目——在真实场景中检验和迭代。当你能够为任何一个 Agent 任务编写出清晰、完备、防失误的系统提示词时你就已经不再仅仅是“提示词工程师”而是具备了Agent 系统架构师的思维。而这一切的起点就是此刻——带着对“可预测性”的执着。