Day 003：Prompt 不是玄学，写好工业级 Agent 指令的稳定框架

2026/7/7 7:18:38

系列：100 天系统学习 AI Agent 开发
当前阶段：01 - Agent 基础与环境搭建
今日目标：彻底搞懂 Agent System Prompt 的核心骨架（角色、目标、边界、工具规则、输出格式、异常处理）。
标签：AI Agent大模型Agent开发Prompt Engineering

很多刚接触 Agent 开发的同学，写 System Prompt 就像在“求神拜佛”——疯狂堆砌形容词，一旦模型输出不稳定，就继续往里加约束条件，最后变成了一篇小作文。

今天是咱们 100 天系列的第 3 天，咱们要把地基打牢：Prompt 不是玄学，而是工程。如果 Agent 指令没有清晰地界定角色、边界、工具使用规则和异常兜底方案，后面做工具调用、长文本记忆和效果评测都会变成“凭感觉盲调”。

今天咱们不贪多，就讲透这一件事，并手撕一个你明天就能直接复制进项目里的工业级 Prompt 框架。

一、核心认知：Agent 指令到底在解决什么问题？

在写代码之前，我们需要先理清几个容易踩坑的概念边界。

1. 提示词越长 ≠ 越稳定
新手常有的误解是：只要我把每一种情况都写进 Prompt 里，Agent 就不会出错。
正解：真正重要的是规则可执行、指令无冲突、输出能验证。Prompt 是用来设定“工作流”，而不是用来穷举“所有异常”的。

2. 责任划分：模型与代码的边界
把普通聊天机器人叫成 Agent，往往是因为分不清谁该干什么。在真实的 Agent 开发中，务必记住这个原则：

大模型（LLM）负责：意图理解、逻辑推理、工具参数生成、最终文本润色。
代码负责：权限控制、数据校验、API 状态维护、报错重试（兜底）。

千万别让大模型去硬算精确的数学题，或者判断数据库的权限，这些是工程代码该干的事。

二、今日实战：为“资料整理助手”写一份标准 System Prompt

为了让理论落地，今天的主任务是为一个【资料整理助手 Agent】编写 System Prompt。一个稳定的工业级 Agent 指令，必须包含以下几个核心模块。

你可以把这个模板直接保存，作为以后开发 Agent 的基座：

# Role (角色定位) 你是一个专业、严谨的「资料整理助手」。你的主要职责是从杂乱的文本、链接或文档中，提取核心信息并进行结构化归纳。 # Objective (核心目标) 1. 快速理解用户输入的冗长资料。 2. 识别并提取关键数据（时间、地点、人物、核心结论）。 3. 使用指定工具查证缺失的背景信息。 4. 输出格式统一、没有废话的摘要报告。 # Constraints (边界与约束 - 极其重要) - 绝对忠实于原文：如果不确定某项信息，请明确标记为“未提及”或调用搜索工具，禁止自行捏造（幻觉）。 - 权限限制：仅执行资料整理与信息检索任务，拒绝回答与该领域无关的闲聊问题。 - 中立客观：不要在总结中加入你个人的主观评价。 # Tools & Strategy (工具策略) 你有权调用以下工具： 1. `web_search`: 当用户资料中存在明显的信息断层或需要最新数据佐证时调用。 2. `format_validator`: 在最终输出前，必须确保你的输出符合规定的 JSON 或 Markdown 格式。 - 工具使用原则：先理解原文，如信息足够则不调用工具；如遇“不确定信息”，必须先调用 `web_search`。 # Output Format (输出格式) 请严格按照以下 Markdown 格式输出最终结果： ## 1. 核心摘要 (100字以内) ## 2. 关键实体提取 (列表形式) ## 3. 待核实信息 (如无则写“无”)

三、最小闭环：Prompt 是如何在工程中跑通的？

前面写的 Prompt 如果只是停留在概念上，很容易出现“Demo 跑得通，一上生产就崩溃”的问题。

Agent 的核心在于输入 -> 决策 -> 工具调用 -> 观察 -> 输出这五步。我用一段伪代码，帮你直观理解这个最小闭环中，Prompt 和代码是如何配合的：

defrun_agent_loop(user_input,system_prompt):# 1. 初始化对话历史 (载入今天写好的框架)messages=[{"role":"system","content":system_prompt},{"role":"user","content":user_input}]whileTrue:# 2. 模型决策 (LLM 负责推理)response=llm.generate(messages)# 3. 解析模型输出，判断是否需要调用工具ifresponse.wants_to_call_tool:tool_name=response.tool_name tool_args=response.tool_args# 4. 代码执行工具 & 异常兜底 (工程代码负责)try:observation=execute_tool(tool_name,tool_args)exceptExceptionase:observation=f"工具执行失败，错误信息:{e}。请调整参数后重试。"# 将观察结果喂给模型，继续循环messages.append({"role":"tool_observation","content":observation})else:# 5. 任务完成，输出最终结果returnresponse.final_text

这段伪代码揭示了 Agent 开发中最重要的一点：Prompt 决定了wants_to_call_tool的准确率，而execute_tool的 try-catch 决定了系统的下限。

四、今日总结与反思

今天的内容可以浓缩成一张结构化的学习卡片，欢迎收藏：

{"Day":3,"Topic":"Agent 指令应该如何写才稳定","Core_Principle":"角色定位清晰 + 边界约束严格 + 工具策略明确 + 输出格式可解析","Pitfall":"试图用超长的 Prompt 解决所有工程 Bug。记住，逻辑错误用代码兜底，而不是加长提示词。","Next_Step":"明天我们把这个 Prompt 放进真实的开发环境中，看看模型在实际调用工具时会遇到什么坑。"}