首先欢迎大家点进文章，其次

申明：本系列内容是作者通过AI学习Agent得到的内容，如若有错误之处，欢迎批评指正

在上一篇博客中，我们学习了大模型的核心基础——它是Agent的“大脑”，而上下文窗口、Token、思维链等知识点，是我们理解“大脑”工作原理的关键。

但只有“大脑”还不够，就像一个天赋异禀的人，如果没有清晰的指令引导，也无法高效完成复杂任务。而Prompt工程，就是Agent的“灵魂”——它是连接用户需求与大模型输出的桥梁，是引导大模型生成正确思考过程、精准执行任务的核心手段。

开发Agent时，会遇到这样的问题：调用同一个大模型，有的时候输出精准、符合预期，有的时候却答非所问、逻辑混乱；明明是同样的需求，大模型却给出完全不同的结果。核心原因，就是没有掌握Prompt工程的技巧。

这篇博客，我们就聚焦Prompt工程，从“是什么”“为什么重要”，到“核心技巧”“Agent开发专属用法”，再到“避坑指南”，全是开发中能直接复用的干货，帮你真正掌握Agent的“灵魂技能”，让大模型听话、高效，为后续Agent架构、工具调用打下坚实基础。

一、Prompt工程到底是什么？

通俗来讲，Prompt（提示词）就是你对大模型说的“指令”，而Prompt工程，就是“设计、优化提示词，让大模型精准理解需求、输出符合预期结果”的过程。

举个简单的例子：同样是让大模型帮Agent生成工具调用参数，不同的Prompt，输出效果天差地别。

• 反面示例（无效Prompt）：“帮我生成工具调用参数。”

输出可能是：“请告诉我需要调用什么工具、具体参数是什么。”——完全没有达到预期，还需要进一步追问，无法支撑Agent自主执行。

• 正面示例（有效Prompt）：“你是一个数据分析Agent，现在需要调用联网工具查询2024年全国GDP数据，请生成JSON格式的工具调用参数，工具名称为search，参数包含keyword（查询关键词）、type（查询类型，设为data），无需多余解释，只输出JSON。”

输出会是：{"tool":"search","parameters":{"keyword":"2024年全国GDP数据","type":"data"}}——精准、简洁，能直接被Agent的工具调用模块识别，支撑自主执行。

这就是Prompt工程的价值：它不是“随便说一句话”，而是“有目的、有结构、有引导”地设计指令，让大模型的输出贴合Agent的开发需求，避免无效输出、减少幻觉，提升Agent的稳定性和效率。

结合上一篇的知识点，我们可以这样理解：大模型是Agent的“大脑”，Prompt就是“大脑的指令系统”——指令越清晰、越规范，大脑的决策和输出就越精准。

二、为什么Prompt工程是Agent的“灵魂”？

很多人觉得“Prompt就是写一句话，没必要花时间学习”，但在Agent开发中，Prompt工程的重要性远超你的想象——它直接决定了Agent的“智商”和“效率”，甚至能弥补大模型的部分缺陷。

核心原因有3点，尤其适合Agent开发场景：

1. 引导大模型生成“思维链”，支撑Agent自主决策

上一篇我们提到，思维链（CoT）是Agent自主决策的关键——让大模型“先思考、再输出”。而Prompt，就是引导大模型生成思维链的核心手段。

如果没有Prompt引导，大模型可能直接输出结果，没有任何推理过程，Agent无法判断结果的合理性，也无法根据思考过程调整下一步行动；而通过Prompt明确要求“先呈现思考过程，再给出结果”，就能让大模型输出清晰的推理链，支撑Agent的“思考→行动→观察→再思考”闭环。

示例Prompt（Agent任务拆解场景）：“你是一个任务拆解Agent，用户需求是‘分析近3个月的产品销量，生成可视化报告’。请先呈现你的思考过程，一步步拆解任务，判断需要调用哪些工具，再给出任务拆解步骤，思考过程要详细，步骤要清晰可执行。”

2. 规范输出格式，降低Agent开发成本

Agent的开发中，大模型的输出往往需要被其他模块（如工具调用模块、记忆模块）识别和解析，这就要求输出格式必须规范（如JSON、XML、固定列表）。

通过Prompt工程，我们可以强制大模型输出指定格式的内容，避免输出杂乱无章的文本，减少Agent模块的解析成本，提升开发效率。比如：让大模型输出JSON格式的工具调用参数、输出固定结构的任务步骤、输出标准化的总结报告。

3. 弥补大模型缺陷，提升Agent稳定性

上一篇我们提到，大模型有幻觉、逻辑易出错、不会主动行动等缺陷。而优秀的Prompt，能有效缓解这些问题：

• 缓解幻觉：通过Prompt要求大模型“基于已知信息输出，不确定的内容标注‘未知’，不编造信息”；

• 减少逻辑错误：通过Prompt引导大模型“分步推理，每一步都说明理由”；

• 引导主动行动：通过Prompt明确Agent的角色和职责，让大模型“主动判断是否需要调用工具、是否需要追问用户”。

总结：Prompt工程不是“锦上添花”，而是Agent开发的“必备技能”——没有优秀的Prompt，再强大的大模型，也无法发挥出应有的作用，Agent也无法实现真正的自主执行。

三、Prompt工程核心技巧

Prompt工程没有统一的“标准答案”，但有一些通用的核心技巧，尤其适配Agent开发场景，掌握这些技巧，能让你的Prompt效率翻倍，输出更精准。下面我们结合Agent开发的实际需求，逐一讲解，每个技巧都配示例，方便直接复用。

技巧1：明确Agent角色，给大模型“定身份”

大模型的输出会受“角色设定”的影响——明确Agent的角色，能让大模型快速进入状态，输出符合角色定位的内容。角色设定要具体，不能模糊，要包含“身份”“职责”“能力范围”。

适用场景：Agent的System Prompt（全局指令），用于定义Agent的核心定位。

示例（数据分析Agent角色设定）：

你是一个专业的数据分析Agent，负责帮用户完成各类数据查询、分析、可视化任务。你的职责包括：1. 拆解用户的数据分析需求；2. 判断需要调用的工具（销售数据查询工具、Excel分析工具、联网工具）；3. 生成规范的工具调用参数；4. 分析工具返回的数据，生成结构化报告。你只能输出与数据分析相关的内容，不回答无关问题，不确定的信息标注“未知”，不编造数据。

避坑点：角色设定不要太模糊（如“你是一个Agent”），要具体到Agent的类型、职责，让大模型明确自己该做什么、不该做什么。

技巧2：结构化Prompt，让需求更清晰

大模型对结构化的信息更敏感，杂乱无章的Prompt容易让大模型误解需求。Agent开发中，建议采用“角色+任务+要求+格式”的结构化Prompt，让大模型快速抓取核心信息。

结构化Prompt模板（可复用）：

【角色】你是一个[Agent类型，如：代码开发Agent]，负责[核心职责，如：生成Python代码、调试代码、解释代码逻辑]。

【任务】[具体任务，如：生成一段用Pandas读取Excel文件、计算平均值并输出结果的Python代码]。

【要求】1. [核心要求，如：代码简洁、注释清晰、能直接运行]；2. [补充要求，如：不使用第三方库，只使用Pandas原生函数]；3. [思维链要求，如：先呈现代码的思考过程，再输出代码]。

【输出格式】[指定格式，如：先输出思考过程（分点），再输出代码（用代码块包裹），最后简单解释代码逻辑]。

示例（代码开发Agent结构化Prompt）：

【角色】你是一个代码开发Agent，负责生成Python代码、调试代码，专注于数据分析相关的代码开发。

【任务】生成一段Python代码，用Pandas读取本地Excel文件（路径为./data/sales.xlsx），读取“销量”列，计算该列的平均值、最大值、最小值，并将结果输出为JSON格式。

【要求】1. 代码简洁，注释清晰，能直接运行；2. 处理可能的异常（如文件不存在、“销量”列不存在）；3. 先呈现代码的思考过程，再输出代码；4. 不使用额外的第三方库。

【输出格式】思考过程（分点）→ 代码（用Python代码块包裹）→ 代码逻辑解释（1-2句话）。

技巧3：加入“思维链引导”，强制大模型“思考”

如前所述，思维链是Agent自主决策的关键，因此在Prompt中，必须明确要求大模型输出思考过程。引导方式有两种，可根据Agent场景选择：

• 方式1：直接要求“先思考，再输出”，适合复杂任务（如任务拆解、工具调用决策）；

• 方式2：给出思维链示例，让大模型模仿（少样本学习），适合简单任务（如固定格式输出、简单推理）。

示例1（直接引导，任务拆解场景）：

你是一个任务拆解Agent，用户需求是“生成一份2024年Q2产品销售复盘报告”。请先呈现你的思考过程，一步步拆解任务，包括需要获取哪些数据、调用哪些工具、报告的结构的是什么，思考过程要详细，再给出具体的任务拆解步骤，不要跳过任何环节。

示例2（少样本引导，工具调用场景）：

你是一个工具调用Agent，负责根据用户需求，生成对应的工具调用参数（JSON格式）。请先呈现思考过程，再输出参数，参考以下示例：

示例：用户需求“查2024年Q2全国GDP数据”

思考过程：用户需要查询2024年Q2全国GDP数据，属于实时数据，需要调用联网工具；工具名称为search，参数需要包含keyword（查询关键词）、time（时间范围），因此生成对应的JSON参数。

输出：{"tool":"search","parameters":{"keyword":"2024年Q2全国GDP数据","time":"2024年4-6月"}}

现在用户需求：“查近3个月A产品的销售数据”，请按照示例格式，先思考，再输出参数。

技巧4：规范输出格式，适配Agent模块

Agent的工具调用模块、记忆模块，往往需要解析大模型的输出，因此Prompt中必须明确输出格式，避免杂乱无章的文本。常用的输出格式包括JSON、XML、固定列表、代码块等，根据Agent模块的需求设定。

关键技巧：用“强制指令”+“格式示例”，确保大模型严格按照格式输出，避免多余内容。

示例（工具调用参数输出，JSON格式）：

你是一个工具调用Agent，用户需求是“用Excel工具分析./data/sales.xlsx文件中的销量数据，计算各品类的销量占比”。请生成JSON格式的工具调用参数，工具名称为excel_analysis，参数包含file_path（文件路径）、analysis_type（分析类型，设为proportion）、target_column（目标列，设为“品类”“销量”）。只输出JSON，不添加任何多余解释、不换行，确保能直接被工具调用模块解析。

示例输出：{"tool":"excel_analysis","parameters":{"file_path":"./data/sales.xlsx","analysis_type":"proportion","target_column":["品类","销量"]}}

技巧5：加入“约束条件”，减少无效输出和幻觉

大模型容易出现幻觉、输出无关内容，因此在Prompt中，需要加入约束条件，明确“不能做什么”，提升输出的准确性和规范性。

Agent开发中常用的约束条件：

• 不编造信息：“不确定的内容标注‘未知’，不编造数据、不虚构知识点”；

• 不输出无关内容：“只输出与当前任务相关的内容，不回答无关问题、不添加多余解释”；

• 严格遵循格式：“必须按照指定格式输出，不改变格式、不遗漏参数”；

• 控制输出长度：“输出内容控制在500Token以内，简洁明了”。

示例（带约束条件的Prompt）：

你是一个信息检索Agent，负责帮用户查询“2024年Q2A产品的市场占有率”。请调用联网工具，生成工具调用参数（JSON格式），约束条件：1. 不编造任何数据，不确定的参数留空；2. 只输出JSON，不添加任何多余解释；3. 工具名称固定为search，参数包含keyword、time_range两个字段；4. keyword必须精准，包含“2024年Q2”“A产品”“市场占有率”。

四、Agent开发中Prompt的两种核心类型

在Agent开发中，Prompt主要分为两种类型：System Prompt（全局指令）和User Prompt（用户指令），两者分工不同、相辅相成，必须合理设计，才能让Agent高效运行。

1. System Prompt（全局指令）——Agent的“行为准则”

System Prompt是全局生效的指令，用于定义Agent的角色、职责、行为准则、输出规范，相当于Agent的“行为手册”，大模型会全程遵循这个指令处理所有用户需求。

核心要点（必须包含）：

• Agent的角色和核心职责（如：数据分析Agent，负责数据查询、分析、报告生成）；

• 行为准则（如：不编造信息、不输出无关内容、严格遵循格式）；

• 工具调用规则（如：能调用哪些工具、工具调用参数的格式）；

• 思维链要求（如：必须先呈现思考过程，再输出结果）；

• 输出格式规范（如：默认输出JSON格式、任务步骤用列表呈现）。

示例（数据分析Agent System Prompt）：

你是一个专业的数据分析Agent，核心职责是帮用户完成各类数据分析任务，包括数据查询、数据处理、趋势分析、报告生成。你的行为准则如下：

1. 严格遵循用户需求，不偏离任务主题，不回答无关问题；

2. 所有输出必须先呈现思考过程（分点拆解，详细说明每一步的目的），再给出最终结果；

3. 可调用的工具包括：销售数据查询工具（tool_name: sales_query）、Excel分析工具（tool_name: excel_analysis）、联网工具（tool_name: search），工具调用参数必须为JSON格式，只包含tool和parameters两个字段；

4. 不确定的信息标注“未知”，不编造数据、不虚构分析结果；

5. 报告生成类任务，输出格式为：思考过程→数据来源→分析结果→结论建议，简洁明了，重点突出。

注意：System Prompt是全局指令，不需要频繁修改，一旦设定，大模型会全程遵循，因此设计时要全面、严谨，覆盖Agent的所有核心行为。

2. User Prompt（用户指令）——Agent的“具体任务”

User Prompt是用户输入的具体需求，是Agent需要完成的具体任务，相当于“临时指令”，需要结合System Prompt的规则，引导大模型输出符合要求的结果。

核心要点（必须包含）：

• 具体任务描述（如：分析近3个月A产品的销量趋势，生成可视化报告）；

• 补充需求（如：需要调用Excel工具，报告包含折线图、数据表格）；

• 输出格式要求（如：报告用Markdown格式，折线图用文字描述大致趋势）。

示例（User Prompt，结合System Prompt）：

任务：分析近3个月（2024年4-6月）A产品的销量趋势，生成可视化报告。

补充需求：1. 调用销售数据查询工具获取A产品近3个月的每日销量数据；2. 调用Excel分析工具绘制销量折线图，分析趋势（上升/下降/波动）；3. 报告中包含数据表格（每日销量）、趋势分析、可能的影响因素；4. 严格按照System Prompt要求，先输出思考过程，再输出报告。

注意：User Prompt要具体，避免模糊（如“分析销量”改为“分析近3个月A产品的销量趋势，生成包含折线图的报告”），这样才能让大模型精准理解任务，结合System Prompt的规则输出结果。

五、Prompt工程避坑指南

很多新手掌握了Prompt技巧后，依然会出现输出不符合预期的情况，核心是踩了一些高频坑。下面整理了Agent开发中Prompt工程的5个高频踩坑点，帮你避坑，提升Prompt的有效性。

坑1：Prompt过于模糊，没有明确需求和格式

常见错误：“帮我做数据分析”“生成工具调用参数”——需求模糊、没有格式要求，大模型无法精准理解，输出杂乱无章。

解决方案：按照“角色+任务+要求+格式”的结构化Prompt设计，明确任务细节和输出格式，避免模糊表述。

坑2：忽略思维链引导，直接要求输出结果

常见错误：“生成A产品近3个月的销量分析报告，直接输出结果”——没有引导大模型输出思考过程，大模型可能出现逻辑错误、幻觉，Agent无法判断结果的合理性。

解决方案：无论任务简单还是复杂，都要在Prompt中明确要求“先呈现思考过程，再输出结果”，复杂任务可加入思维链示例。

坑3：没有约束条件，大模型输出多余内容

常见错误：只要求大模型输出结果，没有约束“不输出无关内容”，导致大模型输出大量冗余解释，Agent模块无法解析。

解决方案：在Prompt中加入明确的约束条件，如“只输出JSON，不添加任何多余解释”“输出内容控制在500Token以内”。

坑4：System Prompt和User Prompt冲突

常见错误：System Prompt要求“输出JSON格式”，User Prompt要求“输出Markdown格式”，导致大模型输出混乱，无法适配Agent模块。

解决方案：设计User Prompt时，必须遵循System Prompt的规则，若需要修改输出格式，可在User Prompt中明确说明，但要确保与Agent模块的解析需求一致。

坑5：Prompt过长，超出上下文窗口

常见错误：将大量无关信息、历史对话加入Prompt，导致Prompt过长，超出大模型的上下文窗口，大模型遗忘核心需求。

解决方案：Prompt要简洁，只保留核心信息（角色、任务、要求、格式），无关信息、历史对话可通过Agent的记忆模块存储，不需要加入Prompt。

六、核心总结：Prompt工程与Agent的核心关联

结合上一篇的大模型基础，我们可以用一句话总结Prompt工程与Agent的关系：

大模型是Agent的“大脑”，Prompt工程是“大脑的指令系统”，思维链是“大脑的思考方式”，工具调用是“大脑的行动能力”——Prompt工程连接了用户需求、大模型和Agent的其他模块，是Agent实现自主执行的核心桥梁。

再梳理一下核心逻辑，帮你串联起前两篇的知识点：

1. 大模型（LLM）提供“理解能力”和“生成能力”，是Agent的核心；

2. Prompt工程通过设计规范、清晰的指令，引导大模型生成“思维链”，让大模型的输出贴合Agent的需求；

3. 思维链支撑Agent的“自主决策”，让Agent能一步步拆解任务、判断下一步行动；

4. 工具调用（Function Calling）是Agent的“手脚”，而Prompt工程规范了工具调用参数的输出格式，让Agent能自主调用工具；

5. 最终，通过Prompt工程的引导，大模型、思维链、工具调用、记忆模块整合在一起，形成一个完整的Agent，实现“自主感知→决策→执行→迭代”的闭环。

写在最后

这篇博客，我们详细讲解了Prompt工程的核心知识点、技巧、避坑点，以及它在Agent开发中的具体应用——它不是“玄学”，而是有规律、可复用的实用技能。

很多新手开发Agent时，会陷入“追求更强大的大模型”的误区，却忽略了Prompt工程的重要性。其实，在Agent开发中，“用好Prompt”比“用好大模型”更重要——同一个大模型，通过优秀的Prompt引导，能发挥出远超预期的效果；反之，即使是最强大的大模型，没有合理的Prompt引导，也无法支撑Agent自主执行。

建议你结合上一篇的大模型基础，再反复研读这篇博客的技巧和示例，多动手实践——尝试设计System Prompt、User Prompt，测试不同Prompt的输出效果，慢慢掌握Prompt工程的精髓。

下一篇，我们将讲解Agent的“手脚”——Function Calling（工具调用），教你如何让Agent自主调用工具、执行行动，真正实现“能思考、能做事”，逐步搭建起一个完整的Agent框架。