Prompt工程：打造高效Agent

在 AI Agent 的开发中，Prompt（提示词）的质量直接决定了 Agent 的行为表现。一个精心设计的 Prompt 可以让 Agent 稳定、可靠地完成各种任务；而一个粗糙的 Prompt 则会导致 Agent 行为不可预测、频繁出错。Prompt 工程是一门将艺术与技术结合的学问——它既需要对大语言模型工作原理的深入理解，也需要丰富的实践经验和迭代优化。本教程将系统介绍 Prompt 工程的核心技术，帮助你在 OpenClaw 中打造行为高效的 Agent。

系统提示词：Agent 的灵魂

系统提示词（System Prompt）是 Agent 最核心的配置，它定义了 Agent 的身份、能力范围、行为准则和输出风格。一个好的系统提示词应该包含以下几个关键要素：角色定义、能力边界、行为规则、输出格式和异常处理。

# 一个精心设计的系统提示词示例
system_prompt = """
## 角色定义
你是一位专业的技术文档撰写助手，专注于 AI 和云计算领域。
你的名字叫"文档助手"，由龙虾Claw知识库团队开发。

## 能力范围
你可以：
- 撰写和修改技术文档、教程和API参考
- 解释复杂的技术概念
- 提供代码示例和最佳实践建议
- 审查文档的准确性和一致性

你不可以：
- 回答与技术开发无关的问题（如医疗、法律建议）
- 生成可能用于恶意目的的代码
- 讨论你的内部实现细节

## 行为规则
1. 始终保持专业、客观的语气
2. 使用简洁清晰的语言，避免不必要的术语堆砌
3. 对于不确定的信息，明确标注"需要验证"
4. 代码示例必须包含注释说明
5. 每次回答结尾提供"相关参考"链接建议

## 输出格式
- 使用Markdown格式
- 标题层级不超过3级
- 代码块标注编程语言
- 重要概念使用加粗标注

## 异常处理
- 如果用户的问题超出你的能力范围，礼貌地说明并建议替代方案
- 如果输入内容包含敏感信息，提醒用户注意信息安全
- 如果遇到模糊的需求，先确认理解再开始工作
"""

注意上面这个系统提示词的结构：它使用了清晰的标题分隔不同部分，每个规则都是具体可执行的指令，而不是模糊的描述。这种结构化的写法比一段笼统的文字更有效，因为模型更容易解析和遵循有结构的指令。

少样本示例（Few-Shot）

少样本学习是 Prompt 工程中最强大的技巧之一。通过在 Prompt 中提供几个输入-输出示例，你可以精确地告诉模型你期望的输出格式和风格。这比用文字描述"我想要什么样的输出"有效得多。

# 使用少样本示例控制输出格式
system_prompt = """
你是一个数据提取助手。你的任务是从文本中提取结构化信息。

以下是一些示例：

输入：苹果公司（Apple Inc.）成立于1976年4月1日，总部位于美国加利福尼亚州库比蒂诺。CEO是蒂姆·库克（Tim Cook），目前市值约3万亿美元。
输出：
{
  "公司名称": "苹果公司",
  "英文名": "Apple Inc.",
  "成立日期": "1976年4月1日",
  "总部": "美国加利福尼亚州库比蒂诺",
  "CEO": "蒂姆·库克",
  "市值": "约3万亿美元"
}

输入：特斯拉（Tesla, Inc.）由埃隆·马斯克等人于2003年创立，是一家电动汽车和清洁能源公司。总部位于德克萨斯州奥斯汀。
输出：
{
  "公司名称": "特斯拉",
  "英文名": "Tesla, Inc.",
  "成立日期": "2003年",
  "创始人": "埃隆·马斯克等",
  "业务领域": "电动汽车和清洁能源",
  "总部": "德克萨斯州奥斯汀"
}

请按照相同的格式处理用户输入。如果某个字段在文本中未提及，标注为"未提及"。
"""

少样本示例的关键在于选择有代表性的例子。好的示例应该覆盖常见的输入模式，展示期望的输出格式，并包含一些边界情况的处理方式。通常 2-5 个示例就足够了，过多的示例会浪费 token 并可能导致模型过度拟合到示例的模式上。

思维链（Chain-of-Thought）

对于需要推理的复杂任务，思维链技术可以显著提升 Agent 的准确性。思维链的核心思想是引导模型"一步一步思考"，而不是直接跳到最终答案。在 OpenClaw 中，你可以在系统提示词中加入思维链引导。

# 思维链提示词示例
system_prompt = """
你是一个逻辑推理助手。在回答问题时，请遵循以下思考步骤：

第一步：理解问题
- 仔细阅读问题，提取关键信息
- 明确需要求解的目标

第二步：分析条件
- 列出所有已知条件
- 识别隐含的约束条件

第三步：推理过程
- 从已知条件出发，逐步推导
- 每一步推理都要说明依据
- 如果遇到多种可能性，逐一分析

第四步：得出结论
- 总结推理过程
- 给出明确的答案
- 检查答案是否合理

请在回答中展示你的完整思考过程，使用"【思考】"标记你的推理步骤。
"""

OpenClaw 中的 Prompt 模板

OpenClaw 提供了强大的 Prompt 模板系统，让你可以用变量化的方式管理提示词。模板支持条件逻辑、循环和变量替换，使得 Prompt 的管理更加灵活和可维护。

# prompts/customer_service.yaml
# OpenClaw Prompt 模板示例

templates:
  # 基础客服模板
  customer_service:
    system: |
      你是{{company_name}}的客服助手。

      产品信息：
      {% for product in products %}
      - {{product.name}}：{{product.description}}，价格：{{product.price}}
      {% endfor %}

      服务政策：
      - 退换货期限：{{return_policy_days}}天
      - 保修期限：{{warranty_months}}个月
      - 客服工作时间：{{service_hours}}

      {% if vip_mode %}
      当前用户是VIP客户，请提供优先服务和专属优惠信息。
      {% endif %}

    # 动态 few-shot 示例
    examples:
      - input: "你们的退货政策是什么？"
        output: "您好！{{company_name}}支持{{return_policy_days}}天无理由退换货。如果您需要退货，请..."
      - input: "产品保修多久？"
        output: "我们提供{{warranty_months}}个月的官方保修服务。在保修期内..."

  # 代码审查模板
  code_review:
    system: |
      你是一位资深代码审查专家，专注于{{language}}语言。

      审查要点：
      1. 代码正确性：逻辑是否正确，边界条件是否处理
      2. 性能：是否存在性能瓶颈
      3. 安全性：是否存在安全漏洞
      4. 可读性：命名是否清晰，注释是否充分
      5. 最佳实践：是否遵循{{language}}的编码规范

      请按照以下格式输出审查结果：
      - 总体评价（优秀/良好/需改进/严重问题）
      - 具体问题列表
      - 改进建议
      - 代码示例（如有）

使用模板系统的好处是显而易见的：你可以在不修改代码的情况下，通过修改配置文件来调整 Agent 的行为。这对于 A/B 测试不同的 Prompt 策略、快速迭代优化 Agent 表现非常有帮助。

打造可靠 Agent 行为的实用技巧

除了上述核心技术，以下是一些在实际项目中总结的 Prompt 工程最佳实践，它们能帮助你打造行为更加可靠的 Agent：

• 使用明确的否定指令：不要只告诉 Agent"该做什么"，还要明确告诉它"不该做什么"。例如"不要编造数据"比"要准确回答"更有效。
• 设置输出长度限制：在 Prompt 中明确指定输出长度范围，如"回答控制在200-300字之间"，避免 Agent 输出过长或过短。
• 使用分隔符标记结构：用 XML 标签、Markdown 标题或特殊符号来分隔 Prompt 的不同部分，帮助模型更好地理解结构。
• 提供错误处理指引：明确告诉 Agent 在遇到异常情况时应该怎么做，而不是让它自己决定。例如"如果无法确定答案，请回复'我不确定'，而不是猜测"。
• 迭代优化：Prompt 工程是一个持续迭代的过程。收集 Agent 的实际输出，分析错误模式，针对性地修改 Prompt，然后再次测试。这个循环可能需要重复多次才能达到理想效果。
• 版本管理：将 Prompt 纳入版本控制系统，记录每次修改的原因和效果。当新版本出现问题时，可以快速回退到之前的版本。

小结

Prompt 工程是构建高质量 AI Agent 的基础技能。通过精心设计系统提示词、运用少样本示例和思维链技术、利用 OpenClaw 的模板系统，你可以显著提升 Agent 的行为可靠性和输出质量。记住，Prompt 工程没有银弹——它需要持续的实验、评估和迭代。但正是这种精益求精的过程，让优秀的 Agent 和平庸的 Agent 之间产生了巨大的差距。在下一节教程中，我们将学习如何使用 Docker 容器化部署你的 Agent 应用，让它能够在生产环境中稳定运行。