“ 為了引導提升大模型輸出質量，因此輸入大模型的提示詞需要有特定的模板。”

在前面的文章中說過大模型的應用開發，本質上就是對提示詞對封裝，那么在一個大模型應用中，提示詞應該有那幾個模塊呢？

下面，我們以智能體開發為例，闡述一下提示詞應該有那幾個模塊組成。

智能體中的提示詞模塊

1、System Prompt（系統提示）

作用：

• 為大模型定義角色、風格、邊界和全局目標。
• 常包含：

     a.智能體身份（如“你是一個智能項目工單生成智能體”）

     b.行為原則（準確、簡潔、先澄清再回答）

     c.輸出風格（是否 JSON / Markdown / 嚴格格式）

     d.禁止事項（不要編造、不要提供法律建議等）

2 、Tools / Functions Schema（工具或函數描述模塊）

作用：

• 告訴模型當前可用的工具和如何調用
• 通常包含：

     a.工具名稱

     b.工具用途描述（對模型而非用戶）

     c.參數名稱、類型、含義（JSON Schema）

在 LangGraph / LangChain智能體中，每次推理都需要注入，以便大模型調用合適工具。

3、Chat History（對話歷史）

作用：

• 讓大模型在當前對話中“有記憶”，知道用戶已說過什么
• 避免重復澄清問題
• 支持多輪連續上下文理解

在 LangChain / LangGraph 中使用：
MessagesPlaceholder(variable_name="chat_history")

來動態注入完整或摘要化的對話歷史。

四、User Input（用戶輸入）

作用：

• 本次用戶真實問題 / 指令
• 用于讓大模型根據當前輸入做推理

在提示詞模板中通常占位為：
{user_input}
或使用：
HumanMessagePromptTemplate.from_template(human_prompt)

五、Output Format Constraints（輸出格式約束）

作用：

• 指定輸出的格式結構，方便解析和自動處理。
• 可包含：

     a.嚴格要求輸出 JSON / Markdown

     b.限制字段名、字段順序

     c.示例輸出

在生成結構化數據、SQL、工單時非常關鍵，常結合 ??StructuredOutputParser???或 ??ResponseSchema??使用。

? 匯總結構（記憶示范）

【智能體提示詞典型結構】
1?? System Prompt
    - 定義角色、風格、目標
    - 限制行為
2?? Tools / Functions Schema
    - 工具名稱、描述
    - JSON Schema 參數定義
3?? Chat History
    - 注入多輪對話歷史或摘要
4?? User Input
    - 用戶本輪輸入
5?? Output Format Constraints
    - 明確格式要求
    - 示例結果

? 在 LangGraph / LangChain 中如何組織？

from langchain.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate, MessagesPlaceholder
system_prompt = "你是一個項目智能工單生成智能體..."
human_prompt = "{user_input}"
prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(system_prompt),
    MessagesPlaceholder(variable_name="chat_history"),
    HumanMessagePromptTemplate.from_template(human_prompt)
])

并通過：? ??StructuredOutputParser??確保輸出結構? 工具描述在 Agent 初始化時注入

實現完整提示詞編排，讓智能體穩定且可解析。

? 是否需要全部模塊？

不同場景可裁剪：

• 若不調用工具，可去掉工具描述
• 若無記憶需求，可去掉 chat_history
• 若只生成純文本可弱化輸出格式約束但在生產級智能體中，上述五模塊通常完整保留。

本文轉載自??AI探索時代?? 作者：DFires