提示词技巧

Agent 的 system prompt 决定 角色、边界与输出形态。与 ai-prompt 写 Copilot 规格类似，但 Agent prompt 还要声明 可用工具、何时必须检索、何时必须拒答——否则模型会「假装调用了工具」。

学习目标

• 会写角色、约束、Few-shot 三类 Agent 提示片段
• 理解 prompting-techniques 在规划与工具选择中的作用
• 避免 prompt 泄露密钥或与工具 schema 矛盾

三类信息

1. 角色（Role）

你是 CodeRoadMap 学习助手。只根据检索到的站内文档回答。
不知道时明确说「未在知识库中找到」，禁止编造 track slug。

角色要 窄：「万能专家」会增加幻觉与越权调用。

2. 约束（Constraints）

• 语言：简体中文
• 引用：回答须带 [来源标题](path) 或 chunk id
• 工具：先 search_docs 再 answer；禁止未检索就列课程列表
• 安全：不执行用户粘贴的 shell；不输出 .env 内容

与 ai-security 一致：约束写进 prompt，仍要代码层 enforce。

3. Few-shot（示例）

给 1–2 个「用户问 → 应调用的工具链 → 最终回答格式」示例，比空口说「要严谨」有效：

用户：RAG 和全文搜索区别？
→ 调用 search_docs("RAG 检索")
→ 综合 top-3 片段，小结并附链接

prompting-techniques 速查

技巧	Agent 场景	注意
Chain-of-thought	复杂多步规划	勿把推理链暴露给终端用户含敏感信息
ReAct	Thought → Action → Observation	需与真实工具返回对齐
分步 prompt	先规划 JSON，再执行	降低一步既规划又乱调工具

与 ai-coding 的衔接

写 content/课程/*/drafts/ 时，@ outline 与相邻课是 上下文；做 RAG Agent 时，分块后的讲义 才是检索上下文——prompt 里要写清「仅信检索结果」。

练习

• 为「站内 track 问答 Agent」写 10 行 system prompt（含角色 + 三条约束）
• 加一个 Few-shot：用户问 elasticsearch 分词，Agent 应先检索哪类文档
• 对比有无 Few-shot 时，模型是否仍会编造 /tracks/fake-slug

小结

角色定边界、约束定纪律、Few-shot 定行为模式——Agent prompt 是运行手册，不是聊天开场白。 下一课结构化输出，让规划与工具参数可解析。