Agent提示词工程入门指南：从零构建高效对话系统的核心技巧

1次阅读

共计 1831 个字符，预计需要花费 5 分钟才能阅读完成。

在构建对话系统时，提示词 (Prompt) 的质量直接影响 Agent 的表现。新手常遇到以下问题：

意图混淆：用户询问 ” 如何退货 ” 时，系统却返回 ” 商品推荐 ”，因为提示词未明确区分相似意图
多轮对话断裂：当用户追问细节时，系统丢失上文语境，导致重复提问或答非所问
输出不稳定：同一问题在不同时间得到不一致的回答，缺乏确定性约束

这些问题往往源于提示词设计时缺乏系统性的方法论。

{
  "role": "system",
  "content": "你是一个专业电商客服，主要处理退货、物流查询、产品咨询三类问题"
}

优点：
机器可解析性强
支持多模态输入输出
便于版本管理和 A / B 测试

"你是一个 helpful 的客服助手，请礼貌回答用户问题"

优点：
人类可读性好
快速原型开发
缺点：
容易产生歧义
难以维护扩展

选择建议：生产环境优先采用结构化提示，配合 JSON Schema 等验证工具。

import json

# 系统角色定义
system_prompt = {
    "role": "system",
    "content": """
    你是一个天猫电商客服助手，需遵守以下规则：1. 仅处理退货退款、物流进度、商品咨询三类问题
    2. 对于无法处理的需求，引导用户拨打 95018
    3. 必须要求用户提供订单号后再查询具体信息
    """
}

# 对话历史处理
def build_messages(history):
    return [system_prompt] + [{"role": "user" if i%2==0 else "assistant", "content": msg}
        for i, msg in enumerate(history)
    ]

# 输出格式约束
response_schema = {
    "type": "object",
    "properties": {"reply": {"type": "string"},
        "suggested_actions": {"type": "array"}
    },
    "required": ["reply"]
}

# 错误处理机制
def safe_generate(prompt):
    try:
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=build_messages(prompt),
            response_format={"schema": response_schema}
        )
        return json.loads(response.choices[0].message.content)
    except Exception as e:
        return {"reply": "系统繁忙，请稍后再试", "suggested_actions": []}

关键设计点说明：

角色定义明确业务边界，避免 ” 万能助手 ” 幻觉
对话历史采用交替存储模式(user/assistant)
JSON Schema 确保输出结构一致性
try-catch 防止 API 异常导致服务中断

敏感词过滤
问题：用户输入或模型生成违规内容

方案：

BLACKLIST = ["发票", "投诉 12315"]
def contains_sensitive(text):
    return any(word in text for word in BLACKLIST)

超时控制
问题：复杂提示导致响应时间超过 5 秒

方案：

import signal

class TimeoutException(Exception): pass

def handler(signum, frame):
    raise TimeoutException()

signal.signal(signal.SIGALRM, handler)
signal.alarm(3)  # 3 秒超时