第02章 Prompt 工程 — 让 LLM 精准听话

本章是「任务助手 Agent」的第一次能力升级：从"随便聊聊"变成"精准执行任务"。 我们会用原生字符串模板（f-string / 模板字符串）手写 4 种核心 Prompt 技术， 不依赖任何第三方抽象库。

TL;DR

30 秒速读：Prompt 工程的四种核心技术是 System Prompt（定身份）、Few-shot（给示例教模式）、Chain-of-Thought（引导逐步推理）、结构化输出（强制 JSON），它们是所有 Agent 指令设计的基础。

如果只记一件事：system prompt 的优先级高于 user message，把关键规则放在 system 里才能防止用户输入覆盖你的指令。

为什么 Prompt 工程是 Agent 的地基

LLM 本身只是一个"什么都会一点"的通用引擎。真正让它变成 Agent 的， 是你给它的 指令质量——也就是 Prompt。

一个模糊的 Prompt（"帮我处理一下"）和一个精确的 Prompt（"你是任务管理助手， 请从用户输入中提取任务标题、优先级、描述，以 JSON 格式返回"）， 差距不只是"好一点"，而是 能不能用 的区别。

本章教你的 4 种技术，是你后续写 Agent 的基础设施：

1. System Prompt：Agent 的"灵魂"

System prompt 是发送给 LLM 的第一条消息（role: "system"）， 它定义了模型的 身份、能力边界和行为规范。

消息优先级

LLM 对消息的遵从程度有隐含优先级：

system > user > assistant

这意味着：如果 user 说"忽略你之前的指令"，一个写得好的 system prompt 应该能顶住（虽然现实中不完美，但这是设计意图）。

无 System vs 有 System：同一问题，截然不同的回答

# 无 system prompt — 模型以"通用助手"身份回答
messages_no_system = [
    {"role": "user", "content": "我明天要开会，帮我准备一下"}
]

# 有 system prompt — 模型以"任务助手"身份回答
messages_with_system = [
    {"role": "system", "content": "你是任务管理助手。用户提到任何事项，"
     "你都要提取为结构化任务（标题、优先级、描述）。"
     "优先级规则：紧急=high，重要=medium，其他=low。"
     "始终用 JSON 格式回复。"},
    {"role": "user", "content": "我明天要开会，帮我准备一下"}
]

无 system 时，模型可能泛泛回复"建议你准备议程、资料……"。 有 system 后，它会直接返回结构化的任务 JSON。

System Prompt 设计要点

1. 明确身份："你是任务管理助手"（不是"你是一个 AI"）
2. 定义能力边界：只做任务管理，不写诗、不翻译
3. 指定输出格式：JSON、Markdown、纯文本
4. 设定规则：优先级判断标准、错误处理方式

2. Few-shot：用示例教模型

Few-shot prompting 是在 prompt 中给出 几个输入-输出示例， 让模型"学会"你想要的模式，然后对新输入做同样的事。

这是 Agent 做分类任务的核心技术——你不需要训练模型， 只需要在 prompt 里"展示"几个例子。

情感分类示例

few_shot_prompt = """你是一个情感分类器。根据用户输入判断情感倾向。

示例：
输入：这家餐厅的菜太好吃了，下次还来！
分类：正面

输入：等了一个小时才上菜，服务态度还很差。
分类：负面

输入：餐厅在商场三楼，营业到晚上10点。
分类：中性

现在请分类：
输入：{user_input}
分类："""

Few-shot 最佳实践

• 2-3 个示例足够：太多浪费 token，太少模型学不会
• 覆盖边界情况：正面、负面、中性各一个
• 格式一致：所有示例用完全相同的格式
• 示例要有代表性：选典型、不选边缘

3. Chain-of-Thought (CoT)：让模型"想"出来

Chain-of-Thought 是在 prompt 中引导模型 逐步推理， 而不是直接跳到答案。这对数学、逻辑、多步骤问题特别有效。

标准 CoT vs 直接回答

# 直接回答 — 容易出错
"一个商店有 15 个苹果，卖掉了 8 个，又进了 12 个，还有多少个？"

# CoT 引导 — 更准确
"一个商店有 15 个苹果，卖掉了 8 个，又进了 12 个，还有多少个？
请一步一步思考："

CoT 的两种触发方式

1. 显式引导：在 prompt 中加"请一步一步思考"、"让我们逐步分析"
2. Few-shot CoT：在示例中展示推理过程

cot_few_shot = """问题：小明有 5 个苹果，给了小红 2 个，又买了 3 个，他现在有几个？
思考过程：
1. 小明开始有 5 个苹果
2. 给了小红 2 个，剩下 5 - 2 = 3 个
3. 又买了 3 个，现在有 3 + 3 = 6 个
答案：6 个

问题：{question}
思考过程："""

何时用 CoT

• 数学计算（加减乘除、百分比）
• 逻辑推理（如果A则B，已知C……）
• 多步骤决策（先分析X，再考虑Y，最后判断Z）
• 不需要 CoT 的场景：简单分类、格式转换、翻译

4. 结构化输出：让 Agent 返回可编程数据

Agent 的核心价值是 自动化——这意味着它的输出必须能被代码解析， 而不是给人看的自然语言。

OpenAI 兼容 API 提供了 response_format 参数来强制 JSON 输出：

response = client.chat.completions.create(
    model=cfg.model,
    messages=[...],
    response_format={"type": "json_object"},  # 强制 JSON
)

从 JSON 到类型安全

拿到 JSON 字符串后，用 Pydantic（Python）或 Zod（TypeScript）做类型校验：

from pydantic import BaseModel

class TaskInfo(BaseModel):
    title: str
    priority: str  # "high" | "medium" | "low"
    description: str

# 直接从 JSON 字符串解析 + 校验
task = TaskInfo.model_validate_json(response.choices[0].message.content)
print(task.title)      # 类型安全，IDE 自动补全
print(task.priority)   # 如果 JSON 缺字段或类型错，Pydantic 会报错

import { z } from "zod";

const TaskSchema = z.object({
  title: z.string(),
  priority: z.enum(["high", "medium", "low"]),
  description: z.string(),
});

// parse 会校验，失败抛 ZodError
const task = TaskSchema.parse(JSON.parse(response.choices[0].message.content!));
console.log(task.title);  // 类型安全

response_format 兼容性

建议：优先用 json_object 模式（最通用），配合 Pydantic/Zod 做后置校验。

反模式：这些坑你一定会踩

❌ 反模式 1：Prompt 模糊

# 太模糊——模型不知道你要什么
"帮我处理一下这个任务"
"分析一下数据"
"写个总结"

修正：明确输入、输出格式、规则。

# 明确——模型知道该做什么
"从以下文本中提取任务标题和优先级，以 JSON 格式返回：
文本：{text}
格式：{\"title\": \"...\", \"priority\": \"high|medium|low\"}"

❌ 反模式 2：过度约束

# 规则太多——模型僵化，反而容易违反
"你必须用 JSON 格式回复。JSON 必须有 title 字段。title 不能超过 50 字符。
priority 只能是 high/medium/low。description 必须用中文。
你不能说任何与任务无关的话。你不能问用户问题。你不能……"

修正：只约束关键规则（格式 + 核心字段），其余让模型自由发挥。

❌ 反模式 3：忽略 System Prompt 优先级

# 在 user message 里设规则——容易被用户输入覆盖
messages = [
    {"role": "user", "content": "请用 JSON 格式回复。用户输入：{input}"}
]

# 应该放在 system prompt 里——优先级更高
messages = [
    {"role": "system", "content": "你是一个任务助手，始终用 JSON 格式回复。"},
    {"role": "user", "content": input}
]

❌ 反模式 4：Few-shot 示例不一致

# 示例格式不一致——模型困惑
"输入：好棒 → 正面
 输入：太差了，负面
 输入：还行吧 => 中性"

修正：所有示例用完全相同的格式。

常见错误

概念懂了，实际写代码还是会踩坑。这些是初学者最常犯的错误。

代码路径

本章代码演示了以上 4 种技术，围绕「任务助手 Agent」展开：

运行方式：

# Python
python3 02-prompt-engineering/python/main.py

# TypeScript
cd 02-prompt-engineering/typescript && npm install && npx tsx main.ts

下一步

本章让你的「任务助手」学会了"听懂指令"。下一章（第03章 工具调用） 将让它学会"动手干活"——通过 function calling 调用外部工具（查日历、发邮件、算账）。