【三个月 AI Agent 实战学习】Day 13：系统提示词设计 —— 打造你的专属 AI 助手

Day 13：系统提示词设计 —— 打造你的专属 AI 助手

欢迎来到第十三天！今天我们聚焦于一个看似简单却极其重要的主题：系统提示词（System Prompt）设计。系统提示词是大模型应用的“灵魂”，它定义了模型的行为准则、角色定位、任务边界和输出风格。一个精心设计的系统提示词能让同一个模型从“通用助手”蜕变为“领域专家”或“专属管家”。在构建 AI Agent 时，系统提示词的质量直接决定了 Agent 的稳定性、安全性和用户体验。

一、今日学习目标

二、详细实现步骤

步骤 1：理解系统提示词的关键要素

一个高质量的系统提示词通常包含以下几个部分（并非全部必须，但大多数应用会用到）：

• 角色（Role）：明确模型的身份，如“你是一位经验丰富的健身教练”。
• 背景（Context）：提供任务的背景信息，帮助模型理解场景。
• 任务（Task）：清晰描述模型需要做什么，例如“根据用户的身体数据和目标，制定个性化的健身计划”。
• 约束（Constraints）：设置边界和规则，如“不得给出医疗建议”、“回答需简洁友好”。
• 输出格式（Output Format）：指定回复的结构，如“用 JSON 返回”或“分点列出”。
• 示例（Examples）：提供一两个示例，帮助模型模仿（即 Few-shot）。
• 语气与风格（Tone/Style）：如“语气积极鼓励”、“使用口语化表达”。

我们将围绕这些要素设计一个系统提示词。

步骤 2：编写一个初步的系统提示词

我们以“AI 健身教练”为例。首先写一个简单版本，只包含角色和任务：

basic_coach_prompt = """
你是一个健身教练。请根据用户的目标提供健身建议。
"""

然后测试它，看看输出是否足够专业和个性化。我们将使用之前的 API 调用函数。

新建 system_prompt_design.py：

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()
client = OpenAI(
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com"
)

def chat_with_system(system_prompt: str, user_input: str, temperature: float = 0.7) –> str:
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_input}
],
temperature=temperature,
max_tokens=500
)
return response.choices[0].message.content

# 测试基础版
basic_prompt = "你是一个健身教练。请根据用户的目标提供健身建议。"
user_input = "我想减肥，但平时工作很忙，没时间去健身房，该怎么办？"
print("========== 基础版系统提示词 ==========")
print(chat_with_system(basic_prompt, user_input))

运行后，你会发现模型给出了比较通用的建议，但没有询问用户的具体情况（如体重、饮食、运动基础），也没有个性化的计划。这说明简单的角色设定不够。

步骤 3：编写结构化的高级系统提示词

现在，我们根据之前提到的要素，重新设计系统提示词：

advanced_coach_prompt = """
# 角色
你是一位拥有十年经验的私人健身教练，擅长为忙碌的上班族制定高效、可行的减脂和增肌计划。

# 背景
用户通常时间紧张，缺乏专业健身知识，容易因为看不到效果而放弃。你需要提供科学、实用、易于坚持的建议。

# 任务
根据用户提供的信息（如目标、时间安排、身体状况等），制定个性化的健身和饮食建议。如果信息不足，请主动询问关键细节（如身高体重、运动频率、饮食习惯、有无伤病等）。

# 约束
– 不得提供医疗建议，如有伤病或健康问题请建议咨询医生。
– 建议必须现实可行，不能要求用户每天锻炼两小时或购买昂贵器材。
– 语气积极鼓励，避免打击用户信心。

# 输出格式
用自然语言回复，但建议部分请分点列出，每点包含行动项和简要理由。

# 示例
用户：我想减肥，工作很忙，每天只有 30 分钟。
你：好的！30 分钟足够做高效训练。以下是我的初步建议：
1. 高强度间歇训练（HIIT）每周 3 次，每次 20 分钟，快速燃脂。
2. 利用碎片时间增加活动量，如爬楼梯、步行上下班。
3. 饮食上控制主食摄入，增加蛋白质和蔬菜比例。
请问你的身高体重是多少？这样我可以更精确地计算热量。

# 开始对话
"""

测试这个高级版：

print("\\n========== 高级版系统提示词 ==========")
print(chat_with_system(advanced_coach_prompt, user_input))

你会发现模型会先询问用户的详细信息，然后给出初步建议，并且分点清晰，语气积极。这就是系统提示词设计的威力。

步骤 4：使用 LangChain 管理系统提示词

在工程实践中，我们通常使用 LangChain 来管理提示词模板，使得提示词可以复用、参数化。下面我们演示如何使用 SystemMessage 和 ChatPromptTemplate。

安装 LangChain（如果尚未安装）：

pip install langchain langchain-openai

然后编写代码：

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 初始化 LangChain 的 ChatOpenAI
llm = ChatOpenAI(
model="deepseek-chat",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com",
temperature=0.7
)

# 定义系统提示词模板
system_template = """
# 角色
你是一位拥有十年经验的私人健身教练，擅长为忙碌的上班族制定高效、可行的减脂和增肌计划。

# 背景
用户通常时间紧张，缺乏专业健身知识，容易因为看不到效果而放弃。你需要提供科学、实用、易于坚持的建议。

# 任务
根据用户提供的信息（如目标、时间安排、身体状况等），制定个性化的健身和饮食建议。如果信息不足，请主动询问关键细节（如身高体重、运动频率、饮食习惯、有无伤病等）。

# 约束
– 不得提供医疗建议，如有伤病或健康问题请建议咨询医生。
– 建议必须现实可行，不能要求用户每天锻炼两小时或购买昂贵器材。
– 语气积极鼓励，避免打击用户信心。

# 输出格式
用自然语言回复，但建议部分请分点列出，每点包含行动项和简要理由。
"""

# 创建 ChatPromptTemplate
prompt_template = ChatPromptTemplate.from_messages([
("system", system_template),
("user", "{user_input}")
])

# 构建消息
def chat_with_langchain(user_input: str):
messages = prompt_template.format_messages(user_input=user_input)
response = llm.invoke(messages)
return response.content

print("\\n========== 使用 LangChain ==========")
print(chat_with_langchain(user_input))

这样，系统提示词就与业务逻辑分离，便于维护和修改。

步骤 5：系统提示词的调试与优化

设计系统提示词往往需要多次迭代。以下是一些调试技巧：

• 观察输出是否符合约束：比如是否给出了医疗建议？如果有，加强约束。
• 测试边界情况：例如用户输入“我有心脏病，怎么锻炼？”，模型应该建议咨询医生。
• 调整语气：如果输出过于机械，可以在提示词中加入更多情感描述。
• 加入 Few-shot：如果模型仍然偏离要求，提供 1-2 个标准对话示例。

我们可以测试一下边界情况：

edge_input = "我有高血压，还能做 HIIT 吗？"
print("\\n========== 边界测试 ==========")
print(chat_with_system(advanced_coach_prompt, edge_input))

观察模型是否遵守了“不得提供医疗建议”的约束。

三、常见问题与调试

Q1：系统提示词写得很详细，但模型仍然不遵守某些规则。
→ 可以尝试：

• 将最重要的规则放在提示词开头或结尾（首因效应和近因效应）。
• 使用更强烈的措辞，例如“必须”、“严禁”、“绝对禁止”。
• 提供反例或强调违反后果（但不宜过度）。
• 降低 temperature，增加确定性。

Q2：系统提示词太长会不会影响模型性能？
→ 系统提示词会占用上下文窗口，并且可能导致模型“迷失”在大量指令中。建议简洁明了，重点突出。如果规则很多，可以分条列出，或使用 Markdown 格式增加可读性。通常 500-1000 字以内比较合适。

Q3：如何让系统提示词适应不同的用户？
→ 可以使用参数化的方式，例如在系统提示词中留出占位符，根据用户信息动态填充。比如加入用户姓名、偏好等。LangChain 的模板很好地支持了这一点。

Q4：系统提示词和用户提示词的分工是什么？
→ 系统提示词定义“你是谁、你的规则、任务背景”，用户提示词描述“当前具体要做什么”。两者配合，使模型既有全局约束又有局部目标。在 Agent 中，系统提示词通常还包含可用工具的说明和决策规则。

Q5：如何评估系统提示词的好坏？
→ 可以通过构建测试集，评估输出是否满足要求（格式正确、内容相关、约束遵守）。也可以使用另一个模型或人工进行评分。在实际项目中，迭代优化是常态。

四、今日总结与作业

今天你完成了：

• ✅ 理解了系统提示词的核心要素及其作用。
• ✅ 编写了一个结构化的“AI 健身教练”系统提示词，并通过实验对比了基础版和高级版的差异。
• ✅ 学习了使用 LangChain 管理系统提示词模板。
• ✅ 掌握了调试和优化系统提示词的常用方法。

今日作业（必做）：

明日预告： 我们将进行第二周的阶段总结——项目复盘，通过一个综合实战“简历优化器”来巩固所学知识，并整理代码到 GitHub。

有任何问题欢迎随时提问！