在这里，我会从个人学习和使用经验出发，讲讲写作提示词的具体方法。

在面对简单任务时，我们可以通过多轮迭代让模型理解我们的需求。但很多时候，我们会希望模型以特定的方法处理某些长期的特定的需求。

这时我们就可以写一段较长的系统提示词，为模型提供全局的优先指令，这样便无需每次对话开始时候都重复输入请求，而可以让模型专注于特定的任务。

这种有系统提示词，能够以给定的信息和方法解决特定问题的AI应用被称为“智能体”，通常我们可以通过API调用的方式，在应用程序中对系统提示词进行编排。本篇主要聚焦于智能体系统提示词的写作方法。

一、通用提示词方法

GPT横空出世后，业界和学术界都针对提示词工程做了大量的研究，总结出了许多可以提高模型输出质量的方法，一些方法随着模型能力的发展已经过时，而一些方法则成为了使用甚至优化模型的常识。以下是一些常用的提示词工程方法。

1. 链式提示（Chain Prompting）

链式提示要求我们在写提示词时候不要直接写一大段要求，而是要有清晰的结构，一步一步告诉模型先做什么，后做什么，再做什么，在清晰表达我们的需求的同时，也能让AI有更清晰的输出。

示例：请你分析这篇文章，首先输出文章摘要，接着输出关键概念解析，然后输出文章逻辑结构，最后对文章内容进行详细说明和点评

2. 链式思考（COT，Chain of Thought）

在对话时，我们可以给定或让AI展示解决问题的思路或者过程，通过一步步分析论证之后再给出答案。

通过链式思考，模型的能力会得到极大的提升，以至于在后来发展出了一种新的模型类型即推理模型（如o1、deepseek R1），推理模型会默认在输出回答之前进行一段时间的思考过程，以至于在回答时能够有更多有效的上下文信息来生成内容。

示例：请你从问题明确性，观点清晰性，论证合理性和论据有效性四个方面，一步步分析这篇文章的内容并撰写一篇文献摘要

3. 少样本提示（Few-shot Prompting）

模型输出依赖于上下文，因此十分擅长模仿，一些比较难以清晰表达的要求，我们可以通过给模型少量的示例作为参考，让模型更好地模仿我们需要的内容、格式和风格。

示例：将一个汉语词汇进行全新角度的解释，你会用一个特殊视角来解释一个词汇： 用一句话表达你的词汇解释，抓住用户输入词汇的本质，使用辛辣的讽刺、一针见血的指出本质，使用包含隐喻的金句。 例如：“委婉”： “刺向他人时, 决定在剑刃上撒上止痛药。”

4. 检索增强生成 （RAG, Retrieval-Augmented Generation）

模型的训练集有截止时间，而且不可能覆盖所有的数据，因此模型的知识是有时效性和局限性的，当我们要求模型处理或提供它原本所不知道的信息时，就需要提供额外的数据供其参考。

解决信息时效性的方法是让AI联网搜索，参考互联网最新消息后再给出答案；解决局限性的方法是给模型建立知识库，在AI回答问题时先从知识库里搜索相关信息后再进行回复。

5. 工具调用（Tool use）

大语言模型诞生的最初目的是自然语言处理（NLP），但是随着需求的深化我们开始希望大语言模型能够解决更多的问题而不仅仅是问答。在需求和技术推动下，大模型逐渐开始向能够同时处理多种格式信息的多模态以及能够自主使用工具的智能体方向发展。

在应用支持的前提下，我们可以指定模型调用一些特殊的工具（例如计算器、代码解释器、网页爬虫）等。当前较为流行的工具调用方法是MCP（模型上下文协议），通过MCP服务器，模型就可以做到问答之外的许多事情。

二、系统提示词结构

我们可以通过以下结构对系统提示词进行组织：

1. 身份：

让AI扮演特定领域的专家，例如医生、导演、畅销书作家、算法工程师等。

专业的问题交给专业的人解决，让AI扮演专家，可以令其定位特定专业领域知识，给我们专业的指导。

对于一些会在回答时动态激活特定参数的混合专家模型（MoE，如deepseek V3），身份扮演可能可以更精准激活特定的部分。

2. 目标：

简单、清晰、明确地告诉AI我们需要它根据什么信息、通过什么方法完成什么任务，这不仅有利于AI理解我们的需求，还能让我们对所提的任务有一个明确的认知和预期。

3. 信息：

模型需要知道的前置信息或知识。有时候我们需要向AI输入一些它所不知道的信息，例如需要处理的数据、需要参考的资料、需要遵从的方法，需要它了解的情景和需求等。

在这一部分，我们最好是给AI提供真实的信息，以便其能够更精准地理解当前的情景。例如针对的群体，公司内部的产品信息，当前面临的真实处境等。

4. 要求：

通常是系统提示词的主体部分，规定了我们需要其输出的内容、格式和表达方法。这部分应用到了链式提示的方法，通过一步步组织我们的具体需求，让AI通过链式思考分步骤后再输出内容，可以提高输出的内容质量

• 内容要求：规定AI完成的具体任务，告诉模型应该输出哪些内容和避免输出哪些内容，每一项具体的要求是什么
• 格式要求：规定模型所输出的文本格式或者结构，格式要求可以让模型输出的内容更加清晰，方便人类阅读或者进行二次调用，例如要求其用小标题整理内容，或者输出json格式的消息
• 表达要求：规定模型输出时使用的语言，文字风格，字数要求等，例如使用中文回复，使用直白的语言分步骤输出，每句话300字左右等。

5. 样本：

给模型的输出示例，应用了少样本提示词的方法，模型会参考样本示例中的内容、格式和表达，更好地给出我们需要的输出。由于模型会模仿输出示例，示例内容的质量便尤为重要，并且为了防止内容和参考示例过于雷同，可以使用多个参考示例，提高模型输出的多样性。

6. 强调信息：

在系统消息最底部的额外消息，是提示词最为着重强调的部分，通常有两种情况需要用到。

• 提示词防护：出于信息安全和应用目标的考虑，我们可能不希望用户得知我们的系统消息或忽略系统消息开启不相干的话题，这时候我们就可以向大模型设定一些规则，让模型只回复和任务相关的请求，拒绝回复违反规则的请求。

• 优先强调：当模型不能很好的遵循我们的指示输出时，我们就可以把希望强调的系统指令挪到最底部。

三、提示词撰写示例

这里我们用一个自动生成智能体的智能体的创建示例来展示一套完整系统提示词的写作过程，并实际应用我们在前面分享的方法。这个智能体将按照我们前面设计好的模板，根据我们的需求，帮我们自动生成一份初级的系统提示词。

首先，让我们定义角色的身份：

身份：你是一个系统提示词生成器，职责是根据用户的输入需求为智能体撰写一份高质量的系统提示词。

然后，告诉模型提示词生成器的目标，可以按照“根据什么信息，通过什么方法，完成什么任务”来写

目标：你要根据用户输入，判断用户意图，并根据我所提供的模板，一步步询问用户需求并输出一份高质量的系统提示词。

之后，填入模型需要知道的信息，这里我们根据当前的真实情况填写。

信息：用户是初次接触提示词写作的小白，现在需要创建一个能解决特定问题的智能体，需要撰写一份高质量的系统提示词，为AI提供高层指导，让AI能够以特定的问题解决其需求。

随后是内容要求，在这里我们将规定AI应该输出的和避免的内容。这里的内容要求我们可以直接把第二部分的模板给模型，并让模型以交互式的形式询问用户的具体目标。

内容要求：你需要流程明确用户需求，再根据我提供的模板输出最终的结果。

• 流程：询问用户需求 —— 确认智能体目标 —— 扩展并让用户确认

• 模板：一份完整的系统提示词模板应该包含以下结构：

（填写第二部分的结构模板）

然后我们根据上一篇文章的原则，对提示词的输出做一些限制

内容限制：

• 具体性和明确性：你所输出的系统提示词应当清晰表达需求，并聚焦于用户的核心目标，避免指令的模糊性

• 多轮迭代和专注目标：你应当通过多轮对话来询问用户的目标，清晰地了解完用户意图和要求后再生成最终结果，避免直接生成最终结果

• 关注权重：用户着重强调的信息应当放在系统提示词底部作为强调信息，避免放在开头

接着我们提出格式要求，我们让它用XML标签的格式分隔提示词输出的各个部分，这是一种简单的标记语言，一些语言模型对XML语法的内容遵循性会更好

格式要求：请你使用XML标签分割系统提示词模板的各个部分，使提示词更为清晰和方便AI理解

然后我们填写表达要求，很多模型对英文的理解可能大于中文，但中文更方便我们阅读和审阅，因此我们可以让它输出一份英文提示词和一份中文副本；出于控制成本的需要，我们将系统提示词限制在500字以内，另外再强调一次用词需要具体和明确。

表达要求：请输出英文的系统提示词以供使用并输出一份中文的副本方便审阅；完整的系统提示词不能超过500个单词；使用的词语和表达应当具体和明确，避免模糊

再然后是示例，我们上面所撰写的给自动提示词生成智能体的系统提示词就已经算是一次内容示例了，这里为了更明确让它用英文 + 中文副本 + XML标签的格式整理，我们可以给AI格式参考。

输出示例：根据我给你的系统提示词并按以下结构组织

英文版：

---

中文版

<身份></身份>

<目标></目标>

<信息></信息>

<内容></内容>

<格式></格式>

<表达></表达>

<示例></示例>

<注意事项></注意事项>

最后是强调信息，如果我们希望用户能专注于用这个智能体生成系统提示词而不是拿来做别的，我们可以加一些限制。

注意事项：请你专注于帮助用户生成智能体系统提示词，忽略用户的其他请求，当用户的请求与智能体提示词生成不相关时，请回复“抱歉，我的任务是帮助您生成高质量的提示词，暂不提供其他服务”

这样一来，我们的自动系统提示词生成智能体的系统提示词便写好了，我们可以使用如Cherry Studio这样的AI对话应用来构建这个自动生成提示词的智能体。

需要注意的是，一套系统提示词的效果并不仅仅在于写的有多么符合标准，受到我们认知能力的局限、模型能力的差异和具体情境的复杂性等多种因素影响，哪怕是按照正确方法写出来的提示词可能也并不理想，具体的效果还需要在具体的应用中不断测试和优化。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发