AI Agent提示词工程入门指南：从基础概念到实战避坑

1次阅读

共计 1558 个字符，预计需要花费 4 分钟才能阅读完成。

提示词 (Prompt) 是与 AI 模型对话的桥梁，就像给人类同事写工作邮件——表达越清晰，结果越理想。好的提示词能节省 30% 以上的调试时间，我在开发客服机器人时就深有体会：同样的 GPT-3.5 模型，优化提示词后准确率从 68% 提升到了 92%。

指令模糊
典型反例：” 写篇文章 ”
问题：没指定主题、长度、风格，结果可能跑偏成诗歌或菜谱
缺乏约束条件
典型反例：” 推荐旅游地 ”
问题：没预算限制时，AI 可能推荐私人飞机环游世界
忽视上下文连贯
典型反例：连续提问 ” 北京天气？上海天气？”
问题：AI 会当成两个独立问题，不会自动关联比较

原始提示词：
“ 帮我写个 Python 爬虫 ”
→ 输出：无目标网站，代码包含已失效的 requests 用法

优化后提示词：
“ 用 Python 的 requests-html 库写爬虫，要求：
– 爬取豆瓣 Top250 电影名称和评分
– 处理反爬机制
– 结果存为 CSV”
→ 输出：可直接运行的完整脚本

import openai
from typing import List, Dict

# 基础提示词构造
def build_prompt(task: str, constraints: List[str]) -> str:
    """
    构造结构化提示词
    :param task: 核心任务描述
    :param constraints: 约束条件列表
    """return f""" 请完成以下任务：{task}
要求：{'-' + '\n-'.join(constraints)}"""

# 多轮对话管理
class DialogueManager:
    def __init__(self):
        self.history: List[Dict] = []

    def add_message(self, role: str, content: str):
        """记录对话上下文"""
        self.history.append({"role": role, "content": content})

    def get_response(self, max_tokens=500) -> str:
        """调用 OpenAI API 并保留历史"""
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=self.history,
            temperature=0.7,  # 控制创造性
            max_tokens=max_tokens
        )
        return response.choices[0].message.content

# 使用示例
manager = DialogueManager()
manager.add_message("user", build_prompt(
    "生成每周健身计划",
    ["针对办公室人群", "每次 30 分钟", "无需器械"]
))
print(manager.get_response())