Day 13：系统提示词设计 —— 打造你的专属 AI 助手
欢迎来到第十三天！今天我们聚焦于一个看似简单却极其重要的主题：系统提示词（System Prompt）设计。系统提示词是大模型应用的“灵魂”，它定义了模型的行为准则、角色定位、任务边界和输出风格。一个精心设计的系统提示词能让同一个模型从“通用助手”蜕变为“领域专家”或“专属管家”。在构建 AI Agent 时，系统提示词的质量直接决定了 Agent 的稳定性、安全性和用户体验。
一、今日学习目标
- 理解系统提示词在 LLM 应用中的作用：设定角色、规则、上下文和输出格式。
- 掌握高质量系统提示词的核心要素：角色（Role）、背景（Context）、任务（Task）、约束（Constraints）、输出格式（Output Format）、示例（Examples）。
- 学会编写结构化的系统提示词，并通过实验对比不同设计对模型输出的影响。
- 使用 LangChain 的
SystemMessage和PromptTemplate来组织系统提示词，为后续工程化开发做准备。 - 完成一个实战案例：设计一个“AI 健身教练”系统提示词，并测试其效果。
二、详细实现步骤
步骤 1：理解系统提示词的关键要素
一个高质量的系统提示词通常包含以下几个部分（并非全部必须，但大多数应用会用到）：
- 角色（Role）：明确模型的身份，如“你是一位经验丰富的健身教练”。
- 背景（Context）：提供任务的背景信息，帮助模型理解场景。
- 任务（Task）：清晰描述模型需要做什么，例如“根据用户的身体数据和目标，制定个性化的健身计划”。
- 约束（Constraints）：设置边界和规则，如“不得给出医疗建议”、“回答需简洁友好”。
- 输出格式（Output Format）：指定回复的结构，如“用 JSON 返回”或“分点列出”。
- 示例（Examples）：提供一两个示例，帮助模型模仿（即 Few-shot）。
- 语气与风格（Tone/Style）：如“语气积极鼓励”、“使用口语化表达”。
我们将围绕这些要素设计一个系统提示词。
步骤 2：编写一个初步的系统提示词
我们以“AI 健身教练”为例。首先写一个简单版本，只包含角色和任务：
basic_coach_prompt = """
你是一个健身教练。请根据用户的目标提供健身建议。
"""
然后测试它，看看输出是否足够专业和个性化。我们将使用之前的 API 调用函数。
新建 system_prompt_design.py：
import os
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
client = OpenAI(
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com"
)
def chat_with_system(system_prompt: str, user_input: str, temperature: float = 0.7) -> str:
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_input}
],
temperature=temperature,
max_tokens=500
)
return response.choices[0].message.content
# 测试基础版
basic_prompt = "你是一个健身教练。请根据用户的目标提供健身建议。"
user_input = "我想减肥，但平时工作很忙，没时间去健身房，该怎么办？"
print("========== 基础版系统提示词 ==========")
print(chat_with_system(basic_prompt, user_input))
运行后，你会发现模型给出了比较通用的建议，但没有询问用户的具体情况（如体重、饮食、运动基础），也没有个性化的计划。这说明简单的角色设定不够。
步骤 3：编写结构化的高级系统提示词
现在，我们根据之前提到的要素，重新设计系统提示词：
advanced_coach_prompt = """
# 角色
你是一位拥有十年经验的私人健身教练，擅长为忙碌的上班族制定高效、可行的减脂和增肌计划。
# 背景
用户通常时间紧张，缺乏专业健身知识，容易因为看不到效果而放弃。你需要提供科学、实用、易于坚持的建议。
# 任务
根据用户提供的信息（如目标、时间安排、身体状况等），制定个性化的健身和饮食建议。如果信息不足，请主动询问关键细节（如身高体重、运动频率、饮食习惯、有无伤病等）。
# 约束
- 不得提供医疗建议，如有伤病或健康问题请建议咨询医生。
- 建议必须现实可行，不能要求用户每天锻炼两小时或购买昂贵器材。
- 语气积极鼓励，避免打击用户信心。
# 输出格式
用自然语言回复，但建议部分请分点列出，每点包含行动项和简要理由。
# 示例
用户：我想减肥，工作很忙，每天只有 30 分钟。
你：好的！30 分钟足够做高效训练。以下是我的初步建议：
1. 高强度间歇训练（HIIT）每周 3 次，每次 20 分钟，快速燃脂。
2. 利用碎片时间增加活动量，如爬楼梯、步行上下班。
3. 饮食上控制主食摄入，增加蛋白质和蔬菜比例。
请问你的身高体重是多少？这样我可以更精确地计算热量。
# 开始对话
"""
测试这个高级版：
print("\n========== 高级版系统提示词 ==========")
print(chat_with_system(advanced_coach_prompt, user_input))
你会发现模型会先询问用户的详细信息，然后给出初步建议，并且分点清晰，语气积极。这就是系统提示词设计的威力。
步骤 4：使用 LangChain 管理系统提示词
在工程实践中，我们通常使用 LangChain 来管理提示词模板，使得提示词可以复用、参数化。下面我们演示如何使用 SystemMessage 和 ChatPromptTemplate。
安装 LangChain（如果尚未安装）：
pip install langchain langchain-openai
然后编写代码：
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 初始化 LangChain 的 ChatOpenAI
llm = ChatOpenAI(
model="deepseek-chat",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com",
temperature=0.7
)
# 定义系统提示词模板
system_template = """
# 角色
你是一位拥有十年经验的私人健身教练，擅长为忙碌的上班族制定高效、可行的减脂和增肌计划。
# 背景
用户通常时间紧张，缺乏专业健身知识，容易因为看不到效果而放弃。你需要提供科学、实用、易于坚持的建议。
# 任务
根据用户提供的信息（如目标、时间安排、身体状况等），制定个性化的健身和饮食建议。如果信息不足，请主动询问关键细节（如身高体重、运动频率、饮食习惯、有无伤病等）。
# 约束
- 不得提供医疗建议，如有伤病或健康问题请建议咨询医生。
- 建议必须现实可行，不能要求用户每天锻炼两小时或购买昂贵器材。
- 语气积极鼓励，避免打击用户信心。
# 输出格式
用自然语言回复，但建议部分请分点列出，每点包含行动项和简要理由。
"""
# 创建 ChatPromptTemplate
prompt_template = ChatPromptTemplate.from_messages([
("system", system_template),
("user", "{user_input}")
])
# 构建消息
def chat_with_langchain(user_input: str):
messages = prompt_template.format_messages(user_input=user_input)
response = llm.invoke(messages)
return response.content
print("\n========== 使用 LangChain ==========")
print(chat_with_langchain(user_input))
这样，系统提示词就与业务逻辑分离，便于维护和修改。
步骤 5：系统提示词的调试与优化
设计系统提示词往往需要多次迭代。以下是一些调试技巧：
- 观察输出是否符合约束：比如是否给出了医疗建议？如果有，加强约束。
- 测试边界情况：例如用户输入“我有心脏病，怎么锻炼？”，模型应该建议咨询医生。
- 调整语气：如果输出过于机械，可以在提示词中加入更多情感描述。
- 加入 Few-shot：如果模型仍然偏离要求，提供 1-2 个标准对话示例。
我们可以测试一下边界情况：
edge_input = "我有高血压，还能做 HIIT 吗？"
print("\n========== 边界测试 ==========")
print(chat_with_system(advanced_coach_prompt, edge_input))
观察模型是否遵守了“不得提供医疗建议”的约束。
三、常见问题与调试
Q1：系统提示词写得很详细，但模型仍然不遵守某些规则。
→ 可以尝试：
- 将最重要的规则放在提示词开头或结尾（首因效应和近因效应）。
- 使用更强烈的措辞，例如“必须”、“严禁”、“绝对禁止”。
- 提供反例或强调违反后果（但不宜过度）。
- 降低 temperature，增加确定性。
Q2：系统提示词太长会不会影响模型性能？
→ 系统提示词会占用上下文窗口，并且可能导致模型“迷失”在大量指令中。建议简洁明了，重点突出。如果规则很多，可以分条列出，或使用 Markdown 格式增加可读性。通常 500-1000 字以内比较合适。
Q3：如何让系统提示词适应不同的用户？
→ 可以使用参数化的方式，例如在系统提示词中留出占位符，根据用户信息动态填充。比如加入用户姓名、偏好等。LangChain 的模板很好地支持了这一点。
Q4：系统提示词和用户提示词的分工是什么？
→ 系统提示词定义“你是谁、你的规则、任务背景”，用户提示词描述“当前具体要做什么”。两者配合，使模型既有全局约束又有局部目标。在 Agent 中，系统提示词通常还包含可用工具的说明和决策规则。
Q5：如何评估系统提示词的好坏？
→ 可以通过构建测试集，评估输出是否满足要求（格式正确、内容相关、约束遵守）。也可以使用另一个模型或人工进行评分。在实际项目中，迭代优化是常态。
四、今日总结与作业
今天你完成了：
- ✅ 理解了系统提示词的核心要素及其作用。
- ✅ 编写了一个结构化的“AI 健身教练”系统提示词，并通过实验对比了基础版和高级版的差异。
- ✅ 学习了使用 LangChain 管理系统提示词模板。
- ✅ 掌握了调试和优化系统提示词的常用方法。
今日作业（必做）：
- 选择一个你感兴趣的角色（如“AI 旅行规划师”、“AI 编程导师”、“AI 心理咨询师”），按照今天的框架（角色、背景、任务、约束、输出格式、示例）编写一个完整的系统提示词。要求至少 300 字，并测试 3 个不同的用户输入，记录输出效果。
- 使用 LangChain 的
ChatPromptTemplate实现你的系统提示词，并添加一个参数（如用户姓名），在对话中让模型能够称呼用户。 - 思考：在构建一个多智能体系统时，不同 Agent 的系统提示词如何设计才能避免角色混淆？请用 150 字以内简要说明你的方案。
明日预告： 我们将进行第二周的阶段总结——项目复盘，通过一个综合实战“简历优化器”来巩固所学知识，并整理代码到 GitHub。
有任何问题欢迎随时提问！
扫一扫
411
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
