做智能体项目最磨人的阶段，往往不是搭框架，而是调提示。我之前在某个跨平台客服智能体上卡过将近一周：文档检索正常、工具调用正常，任务一复杂就开始胡言乱语，要么跳过关键步骤，要么在同一个错误上反复打转。后来把各种设计模式过了一遍，最后发现真正的瓶颈不在模式本身，而在支撑这些模式运转的提示技术。

这篇内容对应《智能体设计模式详解》B部分的附录A，我把它单独拎出来写，是因为高级提示技术在智能体系统里太容易被当成"顺手调一下的参数"，实际上它是给所有设计模式提供行为逻辑的底层协议。看完你应该能回答三个问题：为什么同一个架构换一套提示效果天差地别；思维链、自一致性、反思、少样本这些技术分别在什么场景下必须上；提示出问题的时候该按什么路径排查，而不是靠瞎试。

1. 提示技术为什么是智能体模式的底层操作系统

很多入门的同学会把智能体和"一个大模型API加一圈工具函数"画等号，这种理解不能说错，但容易让人忽略一个事实：设计模式决定的是系统的骨架，而提示技术决定的是骨架里每一块肌肉怎么发力。骨架搭得再漂亮，提示写得稀烂，智能体表现出来的就是个"脑子清楚但手脚不听话"的状态。

1.1 设计模式给骨架，提示给行为

先理清一个概念。设计模式解决的是"结构"问题：ReAct模式决定了智能体要按照"思考→行动→观察"的循环来工作；规划-执行模式决定了系统要先把大任务拆成子任务，再逐个执行；多智能体模式决定了多个角色之间怎么分工、怎么汇报。但模式本身不会告诉你"每一步该怎么想"，这个"怎么想"就是提示技术要填充的内容。

我习惯把提示技术比喻成操作系统的指令集。模式是CPU的流水线结构，提示就是流水线上一条条具体的机器指令。同一个CPU架构，跑不同的指令集会得到完全不同的程序行为；同理，同一套ReAct循环，配上不同的思维链提示和工具描述，行为差异可能大到像两个产品。

这也是为什么我在实际项目里从来不建议直接抄别人的系统提示词。架构可以复用，模式可以复制，但提示必须针对你的任务域、你的工具集、你的模型能力重新设计。别人那份提示词是给他的指令集写的，搬过来跑在你的流水线上，大概率是乱码。

1.2 提示技术和设计模式的对应关系

为了后面讨论方便，我先给一张对应关系表。这张表不是严格的一一映射，更多是提醒你：在某个模式里，哪种提示技术是"缺了就跑不动"的关键依赖。

表格里每一行展开都是一套完整的提示设计工作。我在后面几章会挑最常用的几个拆开讲，这里先记住一个核心观点：选模式之前，先想清楚这个模式对提示有什么硬性要求。比如要做多智能体协作，你就必须解决角色提示之间的冲突问题；要做反思模式，你就得设计好批评者提示的"挑剔程度"——太严会让执行器缩手缩脚，太松则反思形同虚设。

2. 实战里最高频的几类提示技术拆解

高级提示技术这个名头听着唬人，实际高频使用的不超过十种。我按在智能体项目里的出现频率排序，讲透最核心的三类：思维链、自一致性、以及少样本与反思的搭配逻辑。

2.1 思维链不是咒语，是一种约束机制

思维链提示，就是让模型在给出结论之前，先把推理过程一条条写出来。很多人把它当成"加一句'让我们一步步思考'就完事"的咒语，这个理解太浅了。它真正的作用是给模型施加一个输出约束：要求模型把隐式的推理过程显式化，从而降低跳跃式推断的概率。

在智能体场景里，思维链还有一个额外的价值：可观测性。模型输出的推理过程会成为日志的一部分，让你能定位到是哪一步出了偏差。没有思维链的智能体，就像没有黑匣子的航班——结果错了你根本不知道是感知错了、推理错了还是动作错了。

我的建议是：凡是需要多步决策的智能体，无论是单智能体还是多智能体，默认开启思维链。但要注意控制格式，明确要求推理过程不超过一定长度，避免模型在思考环节长篇大论，挤占后面工具调用的上下文空间。

2.2 自一致性：用投票抵消单条路径的偶然性

自一致性技术的思路其实特别朴素：同一个问题，让模型用较高的采样温度跑多次，每次得到一条不同的推理路径和答案，然后统计答案的众数作为最终结果。之所以有效，是因为模型的单次推理有随机性，可能这次绕了远路，下次撞进死胡同，但正确推理路径往往会在多次采样中更频繁地出现。

在智能体系统里，自一致性的最佳应用点是"决策环节"。比如在规划模式里，让规划器对同一个目标生成两三份不同的任务拆解方案，再做一次一致性合并，能明显减少那种灵光一现但方向错误的拆解。在工具选择上也可以这么做：拿不准调用哪个工具时，并行采样几次，看哪个工具名出现的频率最高。

不过这个方法有代价：推理成本成倍增加，延迟也会翻几倍。我的经验是只在两类场景启用：一是任务失败代价高的场景，二是模型已经表现出"答案随机波动大"的迹象时。至于采样次数，三四次是一个性价比还不错的区间，再往上收益递减明显。

2.3 少样本与反思提示的场景化用法

少样本提示在智能体里最常见的用途是给模型"打样"。比如你希望工具描述的调用格式是JSON，光在系统提示里写"请用JSON输出"还不够，给出一个完整的输入输出范例，模型几乎不会跑偏。我测试过，纯文字格式说明加上一个范例，格式合规率能从七八成提高到接近满分。

反思提示则是一种自我修正机制。基本结构是：先生成初始答案，再让模型以批评者的视角审视这份答案，找出漏洞，最后根据批评意见重新生成。这个技术在我们内部叫"双程提示"，因为它天然就是两个阶段的提示组合。要注意的是，批评者提示和生成者提示必须分工明确，最好用不同的角色描述来分隔，否则模型会陷入"自己肯定自己"的循环，批评环节形同虚设。

3. 把高级提示嵌进智能体循环的落地方式

前一部分讲的是单点技术，这一部分讲组合拳。真正跑起来的智能体，提示不是孤立的一段文本，而是由系统提示、任务提示、工具描述、输出格式约束共同组成的提示栈。下面按最常见的三种模式，演示我实际用的提示结构。

3.1 ReAct循环中的提示结构

ReAct模式的核心是让模型交替进行推理和行动。我常用的系统提示模板长这样：

你是一个能够调用外部工具完成任务的智能体。 在每一步中，请严格遵守以下输出格式： 思考：基于当前状态，简要说明你观察到了什么，以及下一步该做什么。 行动：选择需要调用的工具名称，并给出JSON格式的参数。 观察：等待工具返回结果，然后如实记录。 重复"思考→行动→观察"直到信息充分。 当你可以给出最终结论时，以"最终答案："开头输出。

这个模板有三个设计要点。第一，"思考"字段其实嵌入了一条轻量思维链，逼着模型每次行动前先解释动机，这样可以阻止它盲目调用工具。第二，"行动"字段要求JSON参数，比自由格式更利于下游代码解析，减少工具调用层的容错代码。第三，最后一句"重复循环直到信息充分"是循环终止条件，缺少这句，模型可能在拿到答案后还继续调用工具，白白消耗额度。

3.2 规划-执行模式的提示分工

规划-执行模式把系统拆成两个角色：规划器负责拆任务，执行器负责跑任务。两个角色用两套独立的提示来约束。

规划器提示的核心是"目标分解指令"：

你是任务规划器。你的职责是把用户目标拆解为不超过5个可独立执行的子任务。 要求： 1. 每个子任务必须明确输入、操作对象和预期输出。 2. 子任务之间如果存在依赖关系，请标注顺序。 3. 输出为编号列表，不要包含任何解释性前言。

执行器提示的核心则是"单任务专注指令"：

你是任务执行器。你只需要完成当前分配给你的子任务。 忽略其他无关信息，不要在回答中主动提出规划建议。 完成任务后，用三行以内的文字汇报结果。

拆开成两套提示的意义在于隔离复杂度。如果让一个提示同时管规划和执行，模型很容易在规划阶段就开始执行，在遇到中途变化时又无法重新规划。分工之后，规划器可以专注全局视角，执行器可以专注局部操作，各自提示的上下文长度也会更可控。

3.3 多智能体协作中的角色提示

多智能体模式是提示冲突的高发区。多个智能体共享同一个底座模型时，如果每个角色的提示不够鲜明，模型会表现出"角色串味"：主管智能体开始亲自干活，执行智能体开始发号施令。

我的解决方法是给每个角色提示里加一个"角色禁区"段落。比如主管智能体的提示会写明："你只负责分配、协调和汇总，不要直接执行子任务，不要修改下属返回的数据。" 执行智能体的提示会写明："你无权调用其他智能体的工具，无权更改任务目标，只能操作分配给自己的工具集。"

除此之外，多智能体之间的消息协议也要写进提示。我在一个模拟项目X里用的是简单的结构化消息格式，要求所有智能体的输出必须符合这个格式，包括发送方、接收方、消息类型和载荷内容。别嫌这种格式啰嗦，它能把智能体之间的通信从"自由的散文"降维成"可解析的数据"，调试时一眼就能看出是谁说了什么、说给了谁。

4. 高级提示失效的典型场景与排查链路

提示技术不是加了就一定有效，恰恰相反，高级提示在智能体循环里出问题的概率非常之高。这一章记录几个我踩过的坑，以及完整的排查链路。

4.1 思维链导致的行为漂移

思维链在长循环场景里有一个隐蔽的副作用：模型会把"思考"当成一种表演。连续跑了几轮之后，它可能开始输出大量与任务无关的自我怀疑，比如"这里我不太确定""也许用户想要的是另一种结果"，然后行动开始畏缩，甚至出现"思考→思考→思考"的循环，就是不调用工具。

我遇到的一次典型情况是：某个模拟项目X的检索智能体，在第五轮循环之后突然不再调用搜索工具，反而开始根据已有信息猜测答案。排查过程是这样的——先看日志里每轮的"思考"内容，发现模型在第三轮已经开始输出"我猜测"这样的词；接着对比工具调用记录，发现工具调用频率从每轮一次骤降到零；最后定位到系统提示里一条"可以基于已有信息推断"的宽松表述，它给了模型偷懒的借口。

修复方案很简单：把系统提示改为"严禁在未调用工具的情况下给出结论性内容。如果你认为信息已充分，必须先输出'信息充分'，再给出答案。"同时把思维链的格式从自由文本改成固定结构，限定"思考"部分最多两行，堵住长篇自我怀疑的空间。

4.2 上下文膨胀：提示越长不代表越好

高级提示技术往往伴随着更长的提示文本——思维链要求输出推理过程，少样本要求附加范例，反思模式要求两轮输出。这些内容叠加在一起，会让上下文窗口快速膨胀，最终挤占掉真正重要的工具返回结果的空间。

最典型的表现是：模型在循环后期开始遗忘早期步骤的结果，或者把不同轮次的观察结果混为一谈。我在某个数据分析智能体里就碰到过：模型把第一轮的统计结果和第五轮的新结果做了对比，然后得出了一个完全错误的结论。问题的根源就是上下文里塞满了中间推理过程，早期的观察被"挤"出了模型的注意力范围。

处理思路有两条。第一，给推理过程设置长度上限，能用一两句话说明白就不允许写一整段。第二，引入摘要机制，在每轮循环结束时，用一个独立的摘要提示把当前的中间结论压缩成一段简短记录，替代原始的长文本。这样上下文里保留的是高价值的结论性信息，而不是冗长的过程性描述。

4.3 排查提示问题时的记录方法

排查提示问题最忌讳的就是一次改多个变量。改了温度、换了提示结构、加了范例，效果变好了，但你根本不知道是哪个改动起的作用。我后来养成了一个很笨但有效的习惯：维护一份提示变更记录表。

每次只改一个变量，跑同一批测试用例，把结果记下来。坚持两到三周，你对自己系统里提示的敏感性会有一个非常直观的感知：哪类问题该动系统提示、哪类问题该动输出格式、哪类问题其实是参数设置不对而不是提示的问题。

5. 参数配合与一套可复用的提示模板

最后一部分讲两个实操层面的事：模型参数怎么和提示技术配合，以及我在多个项目里沉淀下来的一套提示模板框架。这部分内容能直接拿来当检查清单用。

5.1 温度与采样参数如何配合提示技术

模型参数中影响最大的是温度。很多人有个误区：推理任务一律把温度调到最低，认为越"确定"越好。但在智能体场景里并非如此——温度的作用要结合提示技术来看。

当你使用自一致性技术时，刻意把温度调高一些反而更有价值。因为自一致性需要多条多样化的推理路径，温度太低会让多次采样结果趋同，投票变成"自己投自己"，失去了多路径校验的意义。我在实践中一般把温度设在0.4到0.7之间跑自一致性，这能保证路径多样性，又不至于让输出散到没法看。

反过来，在规划器和执行器这些要求稳定输出的环节，温度调低是合理的，通常0.1到0.3比较合适。还需要提一个容易被忽略的点：如果提示里已经明确要求了输出格式，而模型依然偶尔不按格式来，问题往往不在温度，而在格式指令和上下文里的范例数量不足。先补范例，再动参数，这是顺序问题。

5.2 不同能力模型下的提示写法差异

不同能力的模型对提示的响应模式差异很大，这一点在我同时用过多个底座模型之后感受尤其明显。能力强的模型，你给它一个简洁的约束描述，它自己就能推断出具体行为；能力弱的模型，必须把规则写到"不容误解"的程度。

具体来说，对于能力偏弱的模型，提示要更"啰嗦"：每个约束都要配正例和反例，输出格式要给完整模板，角色描述要直接声明"你是""你不是"。对于能力强的模型，反而可以适当精简提示，过度的少样本范例会引入冗余信息，甚至干扰它的判断。这是个反直觉的点：当你换到更强的模型时，不是简单把提示原样搬过去就能获得更好的效果，有时候需要删掉一部分范例才能发挥模型的真正水平。

一个实用建议是：在任何模型迁移之前，先跑一个最小提示测试——只保留系统角色和任务描述，不做任何高级提示包装，看看模型的基线行为是什么。然后逐步叠加提示技术，每一步都做对比。这个过程能帮你判断，哪些提示技巧是在弥补模型的短板，哪些是在放大模型的已有能力。

5.3 我沉淀下来的提示模板框架

这套框架在几个模拟项目和某跨平台系统中反复验证过，Basic结构是五段式，从左到右分别是角色、目标、约束、范例、输出格式。每一段都有明确的职责，改提示时也能精准定位段落。

[角色段] 你是XX智能体，负责XX。你不是XX，不要做XX。 [目标段] 本次任务的最终目标是：XXX。 判断任务成功的标准是：XXX。 [约束段] 必须遵守的规则： 1. ... 2. ... 禁止行为： 1. ... 2. ... [范例段] 示例输入：... 示例输出：... [输出格式段] 请严格按照以下格式输出： 字段1：... 字段2：...

别小看这个看起来普通的框架，它最大的价值是强制你把"角色"和"约束"分开写。很多提示翻车，就是因为角色描述里混入了行为约束，导致模型对自身职责的理解出现偏差。分开之后，角色段负责身份认同，约束段负责行为边界，目标段负责价值导向，范例段负责具体打样，输出格式段负责解析稳定性。哪一环出问题，直接改对应段落，不需要重写整份提示。

我在实际运用中还有个习惯：把输出格式段里每条字段的说明都写得能让"一个只看格式不看其他内容的人"也能照着输出。这一步对下游代码的解析至关重要，能把你从"反复解析模型自由文本"的泥潭里彻底拉出来。

最后再分享一个经验。高级提示技术的价值上限，取决于你对自己任务域的理解深度。技术本身是公开的，思维链的论文谁都能看，自一致性的原理也不复杂，但"在你的系统里，哪一步最容易出错、哪个决策需要多路径校验、哪个角色需要更强的约束"，这些判断只能来自对项目的反复观察和记录。我建议每个智能体项目从第一天起就建立提示的版本管理意识，把每一次改动当成一次小实验来对待。坚持下来，你会发现自己对智能体行为的掌控感会越来越强——那才是高级提示技术真正带给你的东西。