快速体验

在开始今天关于 Agent智能体提示词实战：从零构建高效对话系统的核心技巧 的探讨之前，我想先分享一个最近让我觉得很有意思的全栈技术挑战。

我们常说 AI 是未来，但作为开发者，如何将大模型（LLM）真正落地为一个低延迟、可交互的实时系统，而不仅仅是调个 API？

这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。

从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验

Agent智能体提示词实战：从零构建高效对话系统的核心技巧

刚接触智能体开发时，最让我头疼的就是明明模型能力很强，但实际对话时总出现答非所问的情况。后来发现，问题的关键往往出在提示词设计这个"隐形关卡"上。今天就用最直白的方式，分享如何用提示词打造一个听得懂人话、记得住上下文的AI助手。

为什么你的智能体总在"装傻"？

开发第一个客服机器人时，我遇到过这些典型问题：

• 用户说"太热了"，机器人回复"建议多喝热水"（实际需要调空调温度）
• 问完"北京天气"后追问"那上海呢"，机器人要求重新说明城市
• 遇到"帮我找个吃饭地方"这种模糊请求直接报错

这些问题的本质，都是提示词没做好三件事：

1. 明确角色定位（你是谁）
2. 规范处理流程（怎么思考）
3. 管理对话记忆（上下文）

三种设计思路大比拼

试过市面上主流的方法后，我的体验对比如下：

• 规则模板（最早尝试）

if "天气" in query:
    return get_weather(city=extract_city(query))

优点：响应快，成本低
缺点：要穷举所有可能，遇到"闷得慌"这种说法就失效

• Few-shot learning（中期方案） 在提示词里添加示例：

用户：今天适合出门吗  
AI：需要您提供城市名称查询天气后判断

优点：处理部分模糊表达
缺点：示例太多会占用token

• 思维链(CoT)（现在主力）

prompt = """请按步骤思考：
1. 识别用户意图：{query}
2. 提取关键参数
3. 检查是否需追问"""

优点：适合复杂任务
缺点：响应稍慢

手把手搭建分层提示系统

现在展示我的标准模板，这个天气查询助手已经稳定运行半年：

def generate_response(query, history):
    system_msg = """你是一个专业天气助手，必须：
    - 用中文回答
    - 不确定时主动询问
    - 保持友好但专业"""
    
    user_msg = f"用户最新询问：{query}"
    
    history_msg = "对话历史：" + "\n".join(history[-3:]) if history else ""
    
    full_prompt = f"{system_msg}\n{history_msg}\n{user_msg}"
    
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": full_prompt}],
        temperature=0.7  # 控制创造性
    )
    
    return response.choices[0].message.content

关键改进点：

1. 用temperature=0.7平衡准确性与亲和力
2. 保留最近3轮对话避免遗忘
3. 系统指令强调"必须"条款

必须掌握的避坑技巧

踩过坑后总结的防护措施：

防注入攻击

import re

def sanitize_input(text):
    return re.sub(r"[<>{}[]]", "", text)  # 移除特殊符号

隐私过滤

def filter_sensitive(text):
    return re.sub(r"\d{11}", "[电话]", text)  # 隐藏手机号

性能优化实战心得

当响应变慢时，我会检查：

1. 是否在提示词里堆砌示例（控制在3个以内）
2. 历史对话是否太长（超过5轮就摘要）
3. 是否过度使用CoT（简单任务直接用指令）

完整天气助手案例

def weather_agent(query):
    # 系统角色设定
    role = "你是气象局官方助手，回答需包含：1)温度 2)天气现象 3)出行建议" 
    
    # 参数提取
    params = {
        "city": extract_city(query),  # 自定义提取函数
        "date": "今天" if "明天" not in query else "明天"
    }
    
    # 异常处理
    if not params["city"]:
        return "请问您想查询哪个城市？"
        
    # 调用天气API
    data = get_weather_api(params)  
    
    # 生成回复
    return f"{data['city']} {params['date']}：{data['temp']}℃，{data['cond']}，建议{data['advice']}"

三个优化思考题

1. 当用户问"周五的天气怎么样"，你的系统如何正确识别日期？（时间解析挑战）
2. 如何设计提示词让AI在回答"杭州和上海天气"时能比较两地差异？（多任务处理）
3. 发现用户连续询问不同城市天气时，怎样优化能减少API调用次数？（缓存策略）

想自己动手实现这样的智能体？推荐这个零门槛实验：从0打造个人豆包实时通话AI，我用周末时间就完成了第一个能语音对话的天气助手，关键代码都有详细注释，特别适合练手。

实验介绍

这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。

你将收获：

• 架构理解：掌握实时语音应用的完整技术链路（ASR→LLM→TTS）
• 技能提升：学会申请、配置与调用火山引擎AI服务
• 定制能力：通过代码修改自定义角色性格与音色，实现“从使用到创造”

从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验