Agent提示词工程实战：如何设计高效可靠的智能体交互系统

1次阅读

共计 2300 个字符，预计需要花费 6 分钟才能阅读完成。

在构建基于大语言模型的智能体（Agent）系统时，提示词（Prompt）设计往往成为影响效果的关键因素。当前开发者面临两个主要挑战：

效果不可控性：相同的提示词在不同模型版本或上下文环境下可能产生差异巨大的输出，需要反复调试参数（如 temperature、max_tokens）
维护成本高：业务逻辑变更时，散落在代码各处的提示词片段需要同步修改，缺乏统一的版本管理和测试手段

采用 YAML 定义可复用的提示词模板，分离内容与逻辑：

# system_prompts.yaml
translation_agent:
  system: |
    你是一个专业翻译引擎，负责将 {source_lang} 内容精准转换为{target_lang}。遵守以下规则：- 保留专业术语（格式如[TERM]）- 输出 JSON 格式：{"translation": "","terms": []}
  examples:
    - input: "Hello world"
      output: "{\"translation\": \" 你好世界 \", \"terms\": []}"

Python 实现模板加载与变量替换：

import yaml
from string import Template

class PromptEngine:
    def __init__(self, template_path='system_prompts.yaml'):
        with open(template_path) as f:
            self.templates = yaml.safe_load(f)

    def render(self, template_name, **kwargs):
        raw = self.templates[template_name]['system']
        return Template(raw).safe_substitute(**kwargs)

# 使用示例
engine = PromptEngine()
prompt = engine.render(
    'translation_agent',
    source_lang='英文',
    target_lang='简体中文'
)

建立量化评估框架：

准确率：通过黄金测试集计算意图识别准确率
响应延迟：P99 API 响应时间需 <2 秒
成本效率：每千 token 的 API 调用费用
人工评分：抽样进行 1 - 5 分制人工评估

基础 Agent 类实现核心功能：

import json
from typing import Dict, Any

class BaseAgent:
    def __init__(self, engine: PromptEngine):
        self.engine = engine
        self.session_history = []

    def generate_prompt(self, template: str, **kwargs) -> str:
        """注入变量并保留历史上下文"""
        context = {'history': json.dumps(self.session_history[-3:]),
            **kwargs
        }
        return self.engine.render(template, **context)

    def parse_response(self, raw: str) -> Dict[str, Any]:
        """处理 LLM 返回的结构化数据"""
        try:
            return json.loads(raw.strip())
        except json.JSONDecodeError:
            return {'error': f'Invalid JSON: {raw}'}

# 使用异步请求处理多个提示词
import aiohttp

async def batch_predict(prompts: list[str], model: str = 'gpt-4'):
    async with aiohttp.ClientSession() as session:
        tasks = [
            session.post(
                'https://api.openai.com/v1/chat/completions',
                json={
                    'model': model,
                    'messages': [{'role': 'system', 'content': p}]
                },
                headers={'Authorization': f'Bearer {API_KEY}'}
            )
            for p in prompts
        ]
        return await asyncio.gather(*tasks)