写好 Agent Prompt：不是越长越好

写好 Agent Prompt：不是越长越好

Agent 的 Prompt 写法，和聊天机器人的 Prompt 不是一回事。聊天机器人可以写一长串人设、语气、规则，Agent 的 Prompt 是给机器执行用的——每个 token 都有成本，每个多余的指令都可能让模型走偏。

这篇聊 Agent Prompt 的实操经验。

系统指令：精确比全面重要

常见的错误写法：

1
2
3
4
5
6
你是一个专业的客服Agent。你需要礼貌、专业地回答用户的问题。
你的回答要简洁明了，不要过长。如果用户问到退款，你需要先核实
订单状态，然后根据退款政策判断是否可以退款。退款一般需要3-5
个工作日。如果用户问到物流，你需要查询物流信息并告知用户当前
状态。注意保护用户隐私，不要泄露用户信息。回答时要先确认理解
了用户意图，再给出答案……

问题在哪？全是要求，没有结构。模型看到的是一堆”你要怎样”，但不知道优先级。当要求冲突时（”简洁”vs”先确认理解”），模型会自己猜。

好的写法：

1
2
3
4
5
6
7
8
9
10
11
你是客服Agent。按以下规则处理请求：

1. 意图识别：判断用户意图（退款/物流/投诉/其他）
2. 信息获取：调用工具查询必要信息（订单、物流、账户）
3. 执行动作：根据查询结果执行（发起退款/转人工/直接回答）
4. 回复用户：一句话结论 + 相关细节

规则：
- 只基于工具返回的数据回答，不编造
- 涉及退款/改地址必须转人工确认
- 不确定时回答"我帮您转人工处理"

区别：有流程、有优先级、有兜底。 模型不需要理解”礼貌”是什么意思，它只需要知道该走哪个流程。

工具描述：越短越准

Agent 的工具描述经常写成这样：

1
2
3
query_order: 查询订单状态。使用此工具可以查询用户订单的当前状态，
包括订单是否已支付、是否已发货、物流单号等信息。需要提供订单号
作为参数。如果用户询问订单相关的问题，请使用此工具。

浪费了。模型需要知道的核心信息只有三个：这工具干嘛的、什么参数、什么时候用。

1
2
query_order(order_id: str) → 订单状态+物流信息
触发：用户问订单/物流/到货时间

三行搞定。省了 60% 的 token，信息量一样。

批量工具更要精简。 Agent 常用 5-10 个工具，每个省 50 token，一次调用就省 500 token。一天跑 1000 次，省 50 万 token。

Few-shot 示例：3 个够用

Few-shot 示例能显著提升 Agent 的格式遵从度。但不是越多越好。

实验数据（GPT-4o，客服 Agent）：

示例数 格式正确率 Prompt tokens 性价比
0 72% 800 低
1 85% 950 中
3 94% 1250 高
5 95% 1600 低（边际递减）
10 96% 2200 很低

3 个示例是甜点。选示例的原则：覆盖不同的输入模式，不要重复。

1
2
3
4
5
6
7
8
9
10
11
示例1（简单查询）：
用户：我的快递到哪了
→ query_logistics(order_id="...") → "您的包裹已到达北京分拣中心"

示例2（多步操作）：
用户：我要退货，东西坏了
→ query_order → confirm_damage → initiate_return(order_id="...")

示例3（需要转人工）：
用户：你们的价格和官网不一样
→ transfer_to_human(reason="价格争议")

三个示例覆盖了三种典型路径：单步查询、多步操作、转人工。

角色设定：能省则省

“你是一个专业的、礼貌的、善于沟通的客服Agent”——这种角色设定在聊天场景有用，在 Agent 场景基本是废话。

Agent 不需要”礼貌”，它需要”准确”。角色设定应该服务于功能：

1
2
❌ 你是一个热心的助手，总是乐于帮助用户解决问题
✅ 你是订单处理Agent，只处理退款和物流请求，其他问题转人工

如果你的 Agent 需要特定的输出风格，直接规定输出格式比角色设定有效：

1
2
❌ 像专业客服一样回答
✅ 回复格式：[动作] + [结果]。例："已查询：您的订单正在配送中，预计明天到达"

对话历史：窗口比长度重要

Agent 跑久了，对话历史越来越长。直接把完整历史塞进 prompt 有两个问题：token 暴涨，模型注意力分散。

控制历史窗口：

1
2
3
4
5
6
7
8
9
10
def build_messages(system: str, history: list, current: str, max_history: int = 6):
    """保留最近N轮对话"""
    messages = [{"role": "system", "content": system}]
    
    # 只保留最近几轮
    recent = history[-max_history:]
    messages.extend(recent)
    
    messages.append({"role": "user", "content": current})
    return messages

更高级：滑动窗口 + 摘要。 最近的 3 轮保持原样，更早的对话压缩成摘要。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def build_messages_with_summary(system: str, history: list, current: str):
    messages = [{"role": "system", "content": system}]
    
    if len(history) > 6:
        # 旧对话压缩成摘要
        old_summary = compress_history(history[:-6])
        messages.append({
            "role": "system", 
            "content": f"对话摘要：{old_summary}"
        })
        messages.extend(history[-6:])
    else:
        messages.extend(history)
    
    messages.append({"role": "user", "content": current})
    return messages

常见 Prompt 反模式

1. 矛盾指令。 “回答要详细”同时又”回答要简洁”。模型会随机选一个。

2. 否定式指令。 “不要回答不知道的信息”——模型对否定指令的遵从度比肯定指令低。换成”只基于工具返回的数据回答”。

3. 角色扮演过头。 “你是一个经验丰富的SRE工程师，在Google工作了10年”——这些背景信息占 token 但不影响输出质量。Agent 不是在演戏。

4. 无限追加。 每次出问题就加一条规则，prompt 越来越长，模型越来越容易遗漏。定期精简，合并重复的规则。

5. 工具描述和系统指令重复。 系统指令说了”退款要转人工”，工具描述又写了”退款操作需要人工确认”。说一遍就够。

自检清单

写完 Agent Prompt，过一遍：

  • 删掉所有角色设定词，影响输出吗？不影响就删
  • 工具描述能不能再短？每个工具控制在3行以内
  • Few-shot 示例有几个？超过3个就砍
  • 有没有矛盾的指令？有的话合并或删除
  • 对话历史有截断机制吗？
  • 100 token 以内能说清楚核心规则吗？不能就重写

Prompt 是 Agent 的灵魂，但灵魂不需要啰嗦。每个 token 都要干活，不干活的 token 就删掉。

相关阅读：

  • OpenAI Prompt Engineering Guide
  • Anthropic Prompt Engineering Guide
    -《提示词工程完全指南》- 更详细的prompt技巧（在我们博客上）

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

程序员，关于技术我所知甚少，唯有探索，方得真知。