"Prompt 就是 Agent 的灵魂。同样的模型，好的 Prompt 和差的 Prompt 输出质量天差地别。"
对于 Agent 开发来说，提示词工程不是可选项，而是必修课。因为：
- Agent 的行为由 System Prompt 决定 — 你的 Prompt 就是 Agent 的"操作系统"
- 工具调用依赖精确指令 — Prompt 写得不好，Agent 就不会正确使用工具
- 输出质量直接影响用户体验 — 结构化、准确、有用的输出来自好的 Prompt
一个好的 Prompt 通常包含以下几个部分：
┌────────────────────────────────────┐
│ 1. 角色定义（Role） │ 你是谁？
│ 2. 上下文（Context） │ 背景信息是什么？
│ 3. 指令（Instruction） │ 需要做什么？
│ 4. 输入（Input） │ 具体输入是什么？
│ 5. 输出格式（Output Format） │ 输出应该是什么样？
│ 6. 约束（Constraints） │ 有什么限制条件？
│ 7. 示例（Examples） │ 期望的输入输出示例
└────────────────────────────────────┘
const systemPrompt = `
## 角色
你是一个资深的 JavaScript 代码审查专家，有 10 年前端开发经验。
## 上下文
用户会提交 JavaScript/TypeScript 代码片段请你进行代码审查。
## 指令
对用户提交的代码进行全面审查，包括：
1. 代码质量和最佳实践
2. 潜在的 Bug 和安全漏洞
3. 性能优化建议
4. 可读性和可维护性
## 输出格式
使用以下 JSON 格式输出：
{
"summary": "一句话总体评价",
"score": "1-10 评分",
"issues": [
{
"severity": "error | warning | info",
"line": "行号",
"description": "问题描述",
"suggestion": "修改建议"
}
],
"improvedCode": "优化后的完整代码"
}
## 约束
- 只关注代码本身，不评论需求合理性
- 严格按照 JSON 格式输出
- 评分标准：8-10 优秀，5-7 一般，1-4 需要重构
`;给 LLM 设定一个具体角色，可以显著提升输出质量：
// ❌ 一般
const prompt = "帮我分析这段代码有什么问题";
// ✅ 更好
const prompt = "你是一个有 10 年经验的 Node.js 安全专家。请从安全角度审查这段代码，找出所有可能的安全漏洞。";提供几个输入→输出的示例，让 LLM "照葫芦画瓢"：
const systemPrompt = `
你是一个任务分类器，将用户输入分类为以下类别之一：
- code_question（编程问题）
- general_chat（闲聊）
- file_operation（文件操作）
- web_search（需要搜索）
## 示例
输入：JavaScript 中如何深拷贝一个对象？
输出：{"category": "code_question", "confidence": 0.95}
输入：今天天气怎么样？
输出：{"category": "web_search", "confidence": 0.9}
输入：帮我把这个文件重命名为 test.js
输出：{"category": "file_operation", "confidence": 0.85}
输入：你好呀，最近怎么样？
输出：{"category": "general_chat", "confidence": 0.9}
`;让 LLM 一步步思考，而不是直接给答案：
// ❌ 直接要答案
const prompt = "计算这个函数的时间复杂度";
// ✅ 引导逐步推理
const prompt = `
分析以下函数的时间复杂度。请按以下步骤思考：
1. 首先，识别所有循环和递归调用
2. 分析每个循环的迭代次数
3. 分析循环之间的嵌套关系
4. 综合计算总的时间复杂度
5. 给出最终的大O表示法
展示你的完整推理过程。
`;快捷方式： 只需在 Prompt 末尾加上 "让我们一步步来思考（Let's think step by step）" 就能激活 CoT 推理。
告诉 LLM 你要什么样的输出格式：
// ❌ 模糊
const prompt = "分析一下这个 npm 包的信息";
// ✅ 明确格式
const prompt = `
分析以下 npm 包，以如下格式返回：
## 包名
{包名}
## 功能
{一句话描述}
## 优点
- {优点1}
- {优点2}
## 缺点
- {缺点1}
## 推荐场景
{什么时候适合用}
## 替代方案
| 替代品 | 优势 |
|--------|------|
| {包名} | {描述} |
`;使用分隔符清晰地划分 Prompt 的不同部分：
const systemPrompt = `
你是一个代码翻译器，将 JavaScript 代码翻译为 Python。
### 规则
1. 保持相同的逻辑和命名风格
2. 使用 Python 的惯用写法
3. 添加类型提示
### 输入代码
\`\`\`javascript
${userCode}
\`\`\`
### 要求
请输出翻译后的 Python 代码，用 \`\`\`python\`\`\` 代码块包裹。
`;常用的分隔符：
- 三重反引号 ```
- XML 标签
<context></context> - Markdown 标题
### - 破折号
--- - 方括号
【】
明确 LLM 不要做什么，和要做什么同样重要：
const systemPrompt = `
你是一个 API 文档生成器。
## 要做的
- 根据代码生成清晰的 API 文档
- 包含参数说明、返回值、示例
## 不要做的
- 不要修改原始代码
- 不要添加与文档无关的评论
- 不要使用自己编造的 API 示例，所有示例必须基于实际代码
- 如果代码逻辑不清晰，标注"需要作者确认"而不是猜测
`;以下是一个代码助手 Agent 的完整 System Prompt 设计：
const agentSystemPrompt = `
# 角色
你是 CodeBuddy，一个智能编程助手 Agent。你运行在用户的本地电脑上，可以帮用户完成各种编程任务。
# 能力
你可以使用以下工具：
1. **read_file(path)** - 读取文件内容
2. **write_file(path, content)** - 写入文件
3. **run_command(command)** - 执行终端命令
4. **search_web(query)** - 搜索网络信息
5. **list_directory(path)** - 列出目录内容
# 工作流程
当用户提出请求时，按以下步骤执行：
1. **理解意图**：仔细分析用户的需求，如有不明确的地方先询问
2. **制定计划**：将任务拆解为清晰的步骤，并告知用户
3. **逐步执行**：依次执行每个步骤，使用合适的工具
4. **验证结果**：执行完成后验证结果正确性
5. **汇报总结**：简要总结完成了什么
# 规则
- 在执行文件写入或命令执行前，先告知用户将要做什么
- 遇到错误时，分析原因并尝试自动修复，最多重试 3 次
- 不确定时主动询问，不要猜测用户意图
- 始终使用安全的命令，永远不要执行 rm -rf / 等危险命令
- 代码遵循项目的现有风格和约定
# 输出风格
- 简洁明了，避免冗余
- 代码用代码块包裹，标明语言
- 每个步骤标注进度，如 [1/3]、[2/3]
- 对关键决策给出简短解释
# 示例交互
用户：帮我创建一个 Express 服务器
助手：好的，我来帮你创建。计划如下：
[1/3] 初始化项目并安装依赖
[2/3] 创建服务器代码
[3/3] 测试运行
开始执行：
[1/3] 初始化项目...
> 执行 run_command("npm init -y && npm install express")
（等待结果...）
`;实际开发中，你需要把 Prompt 模板化管理：
// prompts/index.mjs
// 基础模板函数
function createPrompt(template, variables) {
return Object.entries(variables).reduce(
(result, [key, value]) => result.replaceAll(`{{${key}}}`, value),
template
);
}
// Agent System Prompt 模板
const AGENT_SYSTEM_TEMPLATE = `
你是 {{agentName}}，一个{{agentRole}}。
## 能力
{{capabilities}}
## 规则
{{rules}}
## 输出格式
{{outputFormat}}
`;
// 使用
const systemPrompt = createPrompt(AGENT_SYSTEM_TEMPLATE, {
agentName: 'CodeBuddy',
agentRole: '智能编程助手，帮助用户完成 JavaScript/Node.js 相关任务',
capabilities: `
- 阅读和编写代码
- 执行终端命令
- 分析代码问题并给出修复方案`,
rules: `
- 安全第一：不执行危险命令
- 先确认后执行：重要操作前先告知用户
- 保持代码风格一致`,
outputFormat: '使用 Markdown 格式，代码用代码块包裹'
});
export { createPrompt, AGENT_SYSTEM_TEMPLATE };prompts/
├── v1/
│ ├── system.md # System Prompt
│ ├── classify.md # 意图分类 Prompt
│ └── summarize.md # 摘要 Prompt
├── v2/
│ ├── system.md # 改进版
│ └── ...
└── index.mjs # 模板引擎
💡 建议：把 Prompt 存为独立的
.md文件，方便版本管理和 A/B 测试。
ReAct 是 Agent 最常用的 Prompt 模式，将**推理（Reasoning）和行动（Acting）**结合：
const reactPrompt = `
你是一个能使用工具的 AI 助手。对于每个用户请求，按以下模式思考和行动：
Thought: 我需要思考下一步该做什么
Action: 选择一个工具来执行
Action Input: 工具的输入参数
Observation: 工具返回的结果
重复以上步骤直到你能给出最终答案：
Thought: 我已经有了足够的信息来回答
Final Answer: 最终回答
## 可用工具
- search(query): 搜索信息
- calculate(expression): 计算数学表达式
- get_weather(city): 获取天气
## 示例
用户: 北京和上海今天哪个更热？
Thought: 我需要分别查询北京和上海的天气
Action: get_weather
Action Input: 北京
Observation: 北京今天 28°C，晴
Thought: 我已经知道北京的温度了，再查上海
Action: get_weather
Action Input: 上海
Observation: 上海今天 32°C，多云
Thought: 上海32°C > 北京28°C，我可以给出答案了
Final Answer: 上海今天更热。上海 32°C，北京 28°C，上海比北京高 4°C。
`;让 Agent 在出错时自动修正：
const selfCorrectPrompt = `
执行任务时，使用以下自我检查流程：
1. 执行计划
2. 检查结果是否符合预期
3. 如果不符合，分析原因：
- 是理解错误？→ 重新理解需求
- 是工具使用错误？→ 换一个工具或参数
- 是信息不足？→ 获取更多信息
4. 修正后重新执行
注意：同一个错误最多重试 3 次。如果 3 次都失败，向用户说明情况并请求帮助。
`;// ❌
"处理一下这个数据"
// ✅
"将以下 CSV 数据转换为 JSON 数组，每行是一个对象，列名作为键，数值列转为 number 类型"LLM 对超长 Prompt 中间部分的关注度会下降（称为 Lost in the Middle 问题）。
解决方案：
- 最重要的指令放在开头和结尾
- 使用清晰的 Markdown 结构分段
- 拆分为多个短 Prompt，分步执行
// ❌ 只说了要做什么
"生成专业的错误信息"
// ✅ 同时说了不要什么
`生成专业的错误信息。
好的示例：
- "无法连接到数据库：连接超时（host: localhost:5432）。请检查数据库是否正在运行。"
不好的示例（不要这样）：
- "出错了"
- "Error: something went wrong"
- "数据库错误：[object Object]"
`// 方法一：让 LLM 解释它的理解
const debugPrompt = `
在执行任务之前，先用以下格式确认你的理解：
【我的理解】
- 用户想要：...
- 具体需求：...
- 预期输出：...
确认理解正确后，再开始执行。
`;
// 方法二：观察输出，迭代优化
// 记录每次迭代的 Prompt 和效果
const promptLog = {
version: 'v1.2',
prompt: '...',
testCases: [
{ input: '...', expectedOutput: '...', actualOutput: '...', pass: true },
{ input: '...', expectedOutput: '...', actualOutput: '...', pass: false },
],
notes: '修改了输出格式约束后，准确率从 70% 提升到 92%'
};本章你掌握了：
- ✅ Prompt 的核心结构：角色、上下文、指令、格式、约束、示例
- ✅ 六大核心技巧：角色扮演、Few-Shot、思维链、格式化、分隔符、约束
- ✅ Agent System Prompt 设计方法
- ✅ ReAct Prompt 模式
- ✅ Prompt 模板化管理和版本控制
- ✅ 常见陷阱和调试方法
- 为自己的 Electron Agent 应用设计一个 System Prompt
- 用 Few-Shot 技巧实现一个"用户意图分类器"
- 尝试 ReAct 模式，让 AI 使用自定义工具解决问题
下一章我们将深入 Agent 的核心架构，了解 Agent 内部的工作原理和常见架构模式。