先說(shuō)結(jié)論P(yáng)rompt 是 Agent 的操作系統(tǒng)。不是夸張 — Agent 的每一次決策、執(zhí)行、校驗(yàn)都靠 Prompt 告訴 LLM 你是誰(shuí)、做什么、怎么做、不能做什么。Prompt 寫得好Agent 就聰明Prompt 寫得亂Agent 就胡說(shuō)八道。工程化的第一步模板化配置 變量注入。把 Prompt 從代碼里抽出來(lái)變成可配置、可版本管理的模板文件。一、System Prompt vs User Prompt角色分工LLM 的每次調(diào)用都有兩個(gè) Prompt 槽位分工明確System Prompt告訴 LLM 你是誰(shuí)定義角色身份、專業(yè)領(lǐng)域、行為邊界。LLM 會(huì)以此為世界觀來(lái)約束自己的輸出。你是一位美妝賽道的干貨科普專家風(fēng)格親和口語(yǔ)化。這一句話做了三件事角色干貨科普專家不是銷售、不是評(píng)測(cè)博主領(lǐng)域美妝賽道不會(huì)聊投資、不會(huì)聊健身風(fēng)格親和口語(yǔ)化不會(huì)寫論文腔User Prompt告訴 LLM 做什么具體的任務(wù)指令 上下文數(shù)據(jù)。每次調(diào)用都不同。標(biāo)題夏季防曬的5個(gè)誤區(qū) 選題方向夏季防曬推薦 風(fēng)格約束語(yǔ)氣親和emoji中頻 請(qǐng)創(chuàng)作正文內(nèi)容。為什么分兩層System PromptUser Prompt角色定義身份下達(dá)任務(wù)變化頻率同一人設(shè)不變每次調(diào)用都變存儲(chǔ)位置模板文件代碼動(dòng)態(tài)拼接類比操作系統(tǒng)應(yīng)用程序關(guān)鍵原則System Prompt 越穩(wěn)定LLM 的行為越一致。User Prompt 越具體LLM 的輸出越精準(zhǔn)。二、Prompt 的模板化從硬編碼到配置文件反面教材Prompt 寫死在代碼里# ? 硬編碼改一個(gè)詞要改代碼、發(fā)版 result await llm.generate( system_prompt你是一位美妝賽道的干貨科普專家風(fēng)格親和口語(yǔ)化。, user_promptf請(qǐng)寫一篇關(guān)于{topic}的文章, )問(wèn)題想改親和口語(yǔ)化為犀利直白 → 改代碼 → 提交 → 發(fā)版想加一條禁忌不要用眾所周知 → 改代碼 → 提交 → 發(fā)版想給不同賽道用不同 Prompt → if/else 堆積 → 代碼膨脹正面教材模板文件 變量注入項(xiàng)目中的prompts/body_generation.md你是一位{{ niche }}賽道的{{ persona_type }}風(fēng)格{{ writing_style }}。 ? # 任務(wù) 基于選題和標(biāo)題創(chuàng)作一篇{{ content_format }}正文。 ? # 結(jié)構(gòu)要求 1. 開(kāi)篇抓住眼球3秒內(nèi)留住讀者 2. 核心干貨分3-5段每段一個(gè)小標(biāo)題干貨內(nèi)容 3. 總結(jié)收尾簡(jiǎn)潔總結(jié)輕引導(dǎo)互動(dòng) ? # 風(fēng)格約束 - 語(yǔ)氣{{ writing_style }} - emoji頻率{{ emoji_frequency }} - 嚴(yán)格遵循禁忌規(guī)則 - 不要使用AI生硬書面語(yǔ)保持自媒體口語(yǔ)化表達(dá){{ niche }}、{{ writing_style }}是 Jinja2 占位符運(yùn)行時(shí)由代碼注入真實(shí)值。模板化的好處改 Prompt 不改代碼直接編輯.md文件不同人設(shè)自動(dòng)適配美妝人設(shè)注入niche美妝職場(chǎng)人設(shè)注入niche職場(chǎng)Prompt 可以版本管理、Code Review、A/B 測(cè)試模板引擎PromptManager項(xiàng)目用 Jinja2 做 Prompt 模板渲染核心代碼llm/prompt.pyclass PromptManager: def __init__(self, prompts_dir: str prompts): self.env Environment( loaderFileSystemLoader(str(self.prompts_dir)), keep_trailing_newlineTrue, ) ? def get_template(self, name: str) - str: 獲取原始模板不渲染 template self.env.get_template(f{name}.md) return template.render() ? def render(self, name: str, **kwargs: str) - str: 渲染模板占位符 → 真實(shí)值 template self.env.get_template(f{name}.md) return template.render(**kwargs)調(diào)用方式# 獲取 System Prompt模板已渲染占位符 system_prompt prompt_mgr.get_template(body_generation) ? # 或者動(dòng)態(tài)渲染 rendered prompt_mgr.render(body_generation, niche美妝, writing_style親和口語(yǔ)化)三、Prompt 的多段式像搭積木一樣組裝一個(gè)好的 Prompt 不是一段文字而是多段組裝每段有明確職責(zé)角色設(shè)定 任務(wù)描述 約束條件 輸出格式項(xiàng)目中的實(shí)戰(zhàn)正文生成的完整 Prompt 拼裝content/body.py中的generate_text()方法展示了 User Prompt 如何多段組裝user_prompt ( # ━━ 第1段上下文信息 ━━ f賽道{persona.niche}\n f人設(shè)類型{persona.persona_type}\n f文案風(fēng)格{persona.writing_style}\n f內(nèi)容形式{persona.content_format}\n\n ? # ━━ 第2段任務(wù)數(shù)據(jù) ━━ f標(biāo)題{title}\n f選題方向{topic.title}\n f選題分類{topic.category}\n\n ? # ━━ 第3段結(jié)構(gòu)約束 ━━ f結(jié)構(gòu)要求\n f1. 開(kāi)篇{opening_rendered}\n f2. 核心干貨分3-5段每段一個(gè)小標(biāo)題干貨內(nèi)容\n f3. 總結(jié)收尾{closing_rendered}\n f4. 段落字?jǐn)?shù)≤{persona.paragraph_max_chars}字\n\n ? # ━━ 第4段風(fēng)格約束 ━━ f風(fēng)格約束\n f- 語(yǔ)氣{persona.writing_style}\n f- emoji頻率{persona.emoji_frequency}\n f- 禁忌{banned_rules}\n\n ) ? # ━━ 第5段風(fēng)格畫像動(dòng)態(tài)注入 ━━ style_hint StyleLearner.build_style_hint(persona) if style_hint: user_prompt style_hint \n\n ? # ━━ 第6段執(zhí)行指令 ━━ user_prompt 請(qǐng)創(chuàng)作正文內(nèi)容。6段式 Prompt每段職責(zé)清晰段職責(zé)變化頻率來(lái)源上下文信息告訴LLM當(dāng)前環(huán)境每個(gè)人設(shè)不同PersonaConfig任務(wù)數(shù)據(jù)具體要處理的內(nèi)容每篇文章不同Topic Title結(jié)構(gòu)約束輸出的格式要求相對(duì)人設(shè)穩(wěn)定PersonaConfig風(fēng)格約束輸出的風(fēng)格限制相對(duì)人設(shè)穩(wěn)定PersonaConfig風(fēng)格畫像從修改中學(xué)習(xí)的偏好隨使用積累StyleLearner執(zhí)行指令最終的動(dòng)作指令固定硬編碼為什么不能寫成一段試想如果把上面6段揉成一段你是美妝專家寫一篇關(guān)于夏季防曬的文章風(fēng)格親和emoji中頻 不要用眾所周知你之前3次要求語(yǔ)氣活潑段落別太長(zhǎng) 開(kāi)篇要抓眼球結(jié)尾要引導(dǎo)互動(dòng)請(qǐng)創(chuàng)作正文內(nèi)容。LLM 看到這一坨大概率會(huì)遺漏一半約束。分段 標(biāo)題 編號(hào) LLM 能逐條遵循。四、約束的藝術(shù)禁忌規(guī)則怎么寫Prompt 中最容易被忽略、但最影響質(zhì)量的部分 —禁忌規(guī)則。項(xiàng)目中的禁忌規(guī)則構(gòu)建def _build_banned_rules(self, persona: PersonaConfig) - str: rules [] if persona.banned_words: rules.append(f禁止使用{, .join(persona.banned_words)}) if persona.banned_topics: rules.append(f禁止涉及{, .join(persona.banned_topics)}) # 通用禁忌 rules.append(禁止使用眾所周知、不言而喻等AI書面語(yǔ)) rules.append(禁止編造數(shù)據(jù)或引用不存在的來(lái)源) return .join(rules)禁忌規(guī)則的三層設(shè)計(jì)人設(shè)級(jí)禁忌banned_wordsbanned_topics每個(gè)人設(shè)不同通用禁忌所有賽道都適用的規(guī)則不編造數(shù)據(jù)、不用AI書面語(yǔ)風(fēng)格畫像禁忌從修改記錄中學(xué)到的偏好我之前3次要求減少emoji踩坑禁忌太松 vs 太嚴(yán)太松LLM 編造數(shù)據(jù)、用眾所周知、寫論文腔 → 讀者一眼看出是AI太嚴(yán)禁了太多詞LLM 無(wú)話可說(shuō) → 輸出空洞解法禁AI書面語(yǔ)不禁專業(yè)術(shù)語(yǔ)禁編造數(shù)據(jù)不禁引用常識(shí)五、輸出格式約束讓LLM輸出結(jié)構(gòu)化數(shù)據(jù)Prompt 最后一段通常是輸出格式要求這直接決定下游代碼能不能解析。選題生成要求JSON輸出prompts/topic_generation.md的末尾# 輸出格式 JSON對(duì)象 { topics: [ { title: 選題方向, category: knowledge/pitfall/comparison/tutorial/experience, content_format: 適配內(nèi)容形式, estimated_potential: high/medium/low } ] }標(biāo)題生成要求JSON數(shù)組 額外字段prompts/title_generation.md的末尾# 輸出格式 JSON數(shù)組[{title: ..., formula_type: ..., estimated_ctr: 0.0-1.0}]為什么必須指定輸出格式不指定指定LLM 可能返回一整段散文返回結(jié)構(gòu)化JSON下游代碼無(wú)法解析json.loads()直接用每次格式不同格式穩(wěn)定可預(yù)期但即使指定了JSONLLM也可能返回 json 代碼塊所以下游一定要加容錯(cuò)解析# 容錯(cuò)解析去掉 markdown 代碼塊 result result.strip() if result.startswith(): lines result.split(\n) lines [l for l in lines if not l.startswith()] result \n.join(lines).strip() data json.loads(result)六、風(fēng)格畫像注入Prompt 的動(dòng)態(tài)進(jìn)化這是項(xiàng)目中最有Agent味的 Prompt 設(shè)計(jì) —風(fēng)格畫像不是寫死在模板里的是從修改記錄中動(dòng)態(tài)學(xué)習(xí)、動(dòng)態(tài)注入的。# content/body.py — 風(fēng)格畫像注入 from ..persona.style_learner import StyleLearner style_hint StyleLearner.build_style_hint(persona) if style_hint: user_prompt style_hint \n\n當(dāng)人設(shè)積累了風(fēng)格畫像后Prompt 會(huì)自動(dòng)多出一段【風(fēng)格畫像】 傾向于活潑口語(yǔ)化表達(dá)emoji使用克制喜歡用數(shù)據(jù)支撐觀點(diǎn)段落簡(jiǎn)短有力 【風(fēng)格偏好提醒】 - 語(yǔ)氣活潑我之前 3 次要求此調(diào)整 - emoji低頻我之前 2 次要求此調(diào)整這不是開(kāi)發(fā)者寫的 Prompt是 Agent 自己從用戶行為中學(xué)到的 Prompt。這就是 Agent 和普通軟件的本質(zhì)區(qū)別 — Agent 的 Prompt 會(huì)進(jìn)化。踩坑總結(jié)坑根因修復(fù)Prompt 寫死在代碼里沒(méi)有模板化抽成.md模板文件 Jinja2 渲染改一個(gè)詞要改代碼發(fā)版Prompt 和邏輯耦合Prompt 獨(dú)立文件代碼只負(fù)責(zé)注入變量LLM 輸出格式不穩(wěn)定沒(méi)有指定輸出格式Prompt 末尾加 JSON schema 約束LLM 返回 json 代碼塊LLM 的 markdown 習(xí)慣加容錯(cuò)解析去掉代碼塊標(biāo)記禁忌太松AI書面語(yǔ)滿天飛通用禁忌缺失加禁止AI書面語(yǔ)通用規(guī)則風(fēng)格每次隨機(jī)Prompt 沒(méi)有記憶風(fēng)格畫像動(dòng)態(tài)注入 Prompt經(jīng)驗(yàn)總結(jié)Prompt 是 Agent 的操作系統(tǒng)System Prompt 定義身份User Prompt 下達(dá)任務(wù)兩者分工明確模板化 變量注入是工程化的第一步改 Prompt 不改代碼不同人設(shè)自動(dòng)適配多段式 Prompt 角色設(shè)定 任務(wù)描述 約束條件 輸出格式分段越清晰LLM 遵循越好下篇預(yù)告下一篇講Pydantic 數(shù)據(jù)建?！?給 Agent 裝上結(jié)構(gòu)化思維讓 LLM 的輸出不再胡說(shuō)八道。