去哪儿机票售前客服-LLM提示词深度优化，让你的提示词精准有效
陈力约 22 分钟文章概览
前言
意图识别优化：精准捕捉用户诉求的关键策略
上下文信息优化：精准投放背景知识，破解意图模糊难题
指令执行优化
模型能力激活优化：充分释放大模型的潜在能力
提示词结构优化：构建清晰、高效且稳定的表达框架
保障数据情况
作者介绍：
陈力，现任去哪儿网资深 Java 工程师，拥有十余年互联网应用研发经验，其中包括近三年 AIGC 应用开发实战经历。擅长基础技术的深度应用与系统开发，长期专注于技术落地与解决方案设计。目前主要负责机票事业部 AI 售前客服系统的研发与优化工作。
一、前言
在日常AI应用工作中，我们常常遇到提示词（Prompt）调整效果不及预期，甚至出现输出“失控”的情况。本文所分享的提示词优化经验，源于去哪儿机票售前客服项目的实际淬炼，具备较强的实践指导价值，旨在为编写和优化提示词提供参考。当你面临修改无效或逻辑混乱的困境时，不妨尝试文中提到的几种修订技巧，多次实践往往能带来意想不到的成效。
机票售前客服主要负责解答用户在购票前提出的各种疑问，例如机票信息及相关服务。在去哪儿App内，进入机票搜索列表页后，点击右上角的客服按钮，即可弹出与机票售前客服的对话窗口。客服的回答方式与内容如下图所示。
1.1、大模型应用常见问题与对策简述
a、大模型应用的典型问题与应对策略
为帮助区分大模型本身问题与提示词问题，我们梳理了以下常见问题矩阵。两者虽有交叉，但也存在明显差异。
了解这些模型层面的痛点及其对策后，在实际编写提示词过程中仍会遇到模型"跑偏"的问题。即使经过多次迭代，部分提示词仍可能失效。下表列出了编写提示词时的常见问题及相应对策。
b、提示词编写的典型问题与优化方向
接下来，我们将针对这些优化方向进行详细解析，为你提供实用的解决方案。
二、意图识别优化：精准捕捉用户诉求的关键策略
在智能对话系统中，意图识别的质量直接影响用户体验与业务效果。其核心目标在于准确理解用户的真实诉求与潜在动机，尤其当用户表达存在不完整或模糊的情况下。
实际业务中常遇到两类典型问题：
2.1、输入信息缺失
这类问题可能源于用户认知表达不完整，或仅是输入时的疏忽与笔误。针对此类情况，可通过在提示词中明确指令，要求模型对用户输入进行自动补全与修正。建议结合历史badcase总结高频缺失类型，必要时提供2-3个具有泛化能力的正交示例，引导模型实现有效补全。
正交示例是指不同维度、互不重叠且能覆盖常见错误的示例。
示例1：“查询下周的价”，这里结合上下文用户输入缺失，完整的表意可能是“查询这个航班下周的机票价格”。
示例2：“我想订一张从北京到纽月的机票”，这里根据上下文环境明显出现笔误，“纽月”应改正为“纽约”。
2.2、语言表达的歧义与模糊
例如用户提问“给我打个折？”，其潜在意图既可能是请求优惠，也可能是询问折扣规则，甚至隐含对价格的不满情绪。
若自动修补机制无法妥善处理，或问题本身存在多重解释可能，则需引入多轮对话澄清机制。尽管思路直观，实际设计中常面临两难：澄清不足可能导致误判，过于频繁的追问则易令用户感到冗繁。
我们的做法是以反问为主要交互形态，围绕三个层面展开：
意图边界不明；
工具参数缺失；
业务知识不清。
模型按从左至右的顺序进行反问控制，其触发依赖于预设的置信度打分机制。整个意图会话的体验与决策质量，高度依赖该置信度评价体系的合理性。
建议参考体育裁判打分或作文评分等机制，制定客观、可复现的评分标准，最大限度降低主观判断带来的波动。以下是一个清晰度置信度评分示例，供参考：
判定一下当前诉求的清晰度，0-5分：5-用户诉求非常明确，所有信息都在用户输入中;4-用户诉求比较明确，用户输入中缺失了少量信息,这些信息可以从历史消息或上下文推断出来且与xx领域外知识无字面上的可能关系;3-用户诉求一般明确，推断出用户诉求唯一，缺失的信息可以在上下文或[基础数据]中找到;2-用户诉求有些含糊，推断出用户诉求可能有两个及以上的备择项,用户可能在问xx知识领域外的常识信息;1-用户诉求比较含蓄，可能有多重意思和目的或者逻辑上必要的一些信息和数据在上下文和[基础数据]中找不到;0-用户诉求不明确，用户输入中缺失了很多信息或者只是一般问候语句。
通过系统化的意图澄清机制与科学的置信度设计，可显著提升对话系统的理解精度与用户体验。
三、上下文信息优化：精准投放背景知识，破解意图模糊难题
在应对用户提问质量不佳、意图含糊的情况时，提供充分且结构化的上下文信息是一项关键手段。在实际优化过程中，我们发现大量badcase源于必要背景信息的缺失。为此，我们系统性地补全了以下几类背景信息：用户背景、业务与产品知识、Agent角色及其业务流程背景。需要注意的是，并非所有提示词都需载入全部信息，而应依据具体场景适度添加，可整合表述，也可分模块呈现。
如何发掘有哪些上下文信息缺失，又有哪些是不需要输入的呢？这个有两个基本方法：
1、尝试将交给模型的任务说明交给一个新人或者与对本业务不了解的人，如果这个人也能理解并知道该怎么做，那么说明给的信息是较充足的，反之可能有缺失的背景信息需要补充。
2、拿badcase中用户输入、提示词问模型和你期望的答案问模型“为什么得出不类似这样的答案，是否有必要的内容没有提供”。模型的答案可能不是准确的，这时你可以通过删减相关信息来验证。
下图是梳理的常见缺失和过载优化的内容。
随着背景知识、历史消息与召回知识不断增多，模型上下文负载过重的问题逐渐凸显。为解决这一挑战，我们采用了以下优化策略：
3.1、领域知识精减
专有名词精减:
首先，基于业务知识并结合badcase分析，抽取出一批关键业务名词；
将这些名词通过简易提示词进行理解性测试，剔除那些模型本就理解良好的部分；
将剩余名词按宏观、中观、微观三个层级排列，通过模型测试，剔除那些在宏观设定后可被推理出的名词；
若剩余名词数量仍较多，可改用关键词匹配或关联召回机制，避免将全部名词解释强行注入上下文。
业务知识精简优化
若业务知识体系复杂、难以简单描述，可尝试以下方法：
对业务进行建模，梳理核心业务流程并将其可视化；
模型描述尽量使用结构清晰的自然语言，流程推荐采用Mermaid等图表工具表达；
将构建的模型代入提示词，通过模型反馈识别可剪枝的部分。
实践表明，宏观性的公共知识流程对用户问题解答的帮助有限，回答质量更多依赖中观与微观知识；微观知识不宜过多静态载入，可联合开发人员通过知识库或知识图谱实现动态加载；中观知识则应优先选取垂直关联度高的部分。至于如何高效载入垂直领域知识，则需借助下文提到的“上下文拆分”策略。
3.2、上下文拆分
若经过上述处理上下文量仍然庞大，则需启动上下文拆分机制。我们主要从三个维度进行拆分：
水平拆分
按思维处理流程从前到后切分，例如机票售前客服场景可拆分为：意图交互（意图层）、数据收集（工具层）、业务分析与执行（业务层）。
垂直拆分
初期我们仅使用一个“超级业务Agent”处理所有问题，但提示词难以兼顾所有业务细节，且约束易冲突、长度易超标。通过归纳高频问题类型，我们为每一大类独立设立Agent，实现提示词与上下文的垂直解耦。
问题主题拆分
在提示词内部以主题为单元引导模型思考，使其在推理时聚焦当前主题，避免思维过度发散，从而将计算资源集中用于关键问题。这种做法本质上也是一种知识精简，与当前主流模型采用的MoE架构思想相通。
注：要充分发挥上下文拆分的效能，需配套设计Agent的记忆与协作机制。诸如提示词压缩、上下文筛选等策略属于更系统的Agent记忆设计范畴，本文不再赘述，感兴趣者可进一步阅读相关专题文章。
四、指令执行优化
指令执行优化旨在提升模型输出质量，尤其致力于解决指令不服从或错误执行的问题。若在提示词编写过程中频繁遭遇模型拒绝执行指令，或原本稳定的输出格式（如 JSON）突然失效，便意味着需启动指令执行优化机制。
4.1、指令不服从的根源分析
大模型无法完全遵循指令的现象，可归因于其训练机制、能力权衡及注意力分配等深层因素。
大模型的不可能三角
注：数据不可能三角是机器学习领域数据标注中常见的问题，(质量、规模、成本)的取舍和平衡的思想在数据管理能力成熟度评估模型（DCMM）中有体现；行为不可能三角：OpenAI 、Anthropic技术博客中关于模型对齐中“HHH”原则及“Constitutional AI”的讨论；应用不可能三解源自阿里云: 2024年GenAI技术落地白皮书）
模型在行为层面常面临“真实-灵活-安全”难以兼得的三角约束，因此在编写提示词时需结合场景进行取舍。
训练机制的内在缺陷
大模型训练通常经历预训练、指令微调（SFT）与价值对齐三阶段，其中指令遵循能力高度依赖 SFT 阶段。若该阶段标注数据质量不足或参数设置不当，将直接影响模型对指令细节的捕捉能力。
为提升复杂任务（如数学推理）的处理能力，模型常通过思维链（CoT）技术进行强化训练，但这往往会削弱其对格式、语言等指令细节的敏感性。例如，MathIF 基准测试表明，强化推理训练后模型的指令遵循率平均下降超过 20%。
推理能力与指令遵循的冲突
模型在处理高难度任务时需生成较长的推理链，但过长的文本容易分散其注意力，导致忽略指令约束。研究表明，推理链长度每增加 50%，指令遵循准确率（HAcc）下降 15-20%。
CoT 提示还会改变模型的注意力分布。Amazon 研究显示，在推理过程中，模型对指令关键词（如“必须包含”）的注意力减少 30%，尤其影响中间层的语义理解。
多重约束的组合挑战
用户指令常包含多重要求（如“JSON 格式 + 不超过 100 词 + 包含关键词”）。在 MathIF 测试中，面对三重约束时，模型的指令遵循率低于 25%。
4.2、指令不服从优化手段
4.2.1 指令逻辑一致性检测
许多提示词存在隐含的逻辑冲突，导致模型表现降级或部分指令未被有效执行。为减少此类问题，可通过以下方式进行检测：
矛盾检测
重点关注不同模块之间的潜在冲突，如基本要求与约束条件之间的矛盾，或示例与逻辑表述不完全对应。
示例:
你是一个文章总结助手。请用100字以内简洁地概括以下新闻的核心内容。同时，务必详细解释文章中提到的所有科学概念和背景信息，包括历史脉络和相关人物。
优化方案:
你是一个文章总结助手，擅长提炼核心要点并提供必要的背景。请首先用100字以内简洁地概括以下新闻的核心内容。然后，针对文章中出现的关键科学概念或复杂背景（最多选2个），在单独的段落中用100-150字进行简要说明。
优化思路：
明确优先级与结构，将核心总结置于首位；
缩小详细解释的范围，限定关键概念数量；
为解释部分单独设定篇幅，避免冲突；
通过“首先…然后…”的分步指令避免逻辑矛盾。
死循环检测:
提示词的描述中可能存在逻辑循环，这和写代码一样，一定要设置必有的退出条件，且这个退出条件一般不能是变量记录，模型的心算能力一般比较弱，在有复杂推理的时候计数条件很可能永不变化。
示例:
你是一个对话模拟器。我将扮演顾客，你扮演客服。我们模拟解决一个产品技术问题。你必须持续询问用户问题以获取更多细节，直到完全确定问题根源。
优化方案:
你是一个技术客服对话模拟器。我将扮演顾客，你扮演客服。我们模拟解决一个产品技术问题。你的目标是：1. 通过最多5轮关键提问收集必要信息。2. 在收集信息后，基于信息给出最可能的故障原因及解决方案（1-3个）。如果信息不足无法给出可靠诊断，请直接说明需要用户联系线下维修。
优化思路:
设定量化退出条件： 明确的回合数限制（“最多5轮关键提问”）。
定义明确产出目标： 提问后的明确行动指令（“给出最可能的故障原因及解决方案”或“说明信息不足需线下维修”），这就是循环的出口。
接受不确定性： 允许模型在信息不足时终止诊断流程（建议联系线下维修），避免了强迫模型“完全确定”的死胡同。
强调“关键”提问： 引导模型聚焦于核心信息收集。
约束合理性检测:
确保所设约束符合逻辑且基于模型可获取的信息，而非依赖“理所当然”的背景知识。
前两者的检测基本可能借助大模型自己完成，约束合理性检测则有一部分依赖于人工审阅。
4.2.2 指令逻辑复杂度精简
模型对指令的遵循能力存在上限，需通过精简复杂指令减少其认知负荷。
拆分与合并
将复杂问题拆解为子任务，合并重复或关联指令。
示例:
你是一个AI文档分析助手。请执行以下任务：阅读用户上传的文档。找出文档中提到的人物姓名。识别文档中出现的所有组织机构名称。定位文档中所有的地理位置信息。将第2步找到的所有人物姓名列出来。将第3步找到的所有组织机构名称列出来。将第4步找到的所有地理位置列出来。最后，根据文档内容总结核心观点。
优化方案：
你是一个AI文档分析助手。请执行以下任务：1. 阅读用户上传的文档。2. 提取并清晰列出文档中提到的：人物姓名、组织机构名称、地理位置信息。3. 基于提取的信息和文档内容，总结核心观点。
结构的顺序优化
一般可采用通用结构（如 Markdown）减少解释成本，并按线性逻辑组织指令，避免思维跳跃。
示例:
客服需要根据用户需求查询机票，优先显示直飞航班（中转航班需标注耗时），价格按从低到高排序。注意：儿童票年龄范围为2-12岁（需与成人同单预订），往返机票必须确保去程和回程航司一致（除廉航外）。查询时请验证护照有效期是否大于6个月——这是最重要的！输入格式为用户提供出发地、目的地和日期（日期格式YYYY/MM/DD）。
优化方案:
### **机票查询操作规范****一、核心规则**1. 首要验证：乘客护照有效期 > 6个月（否则终止服务）**二、查询输入要求**- 用户需提供：▶ 出发地（例：上海）▶ 目的地（例：伦敦）▶ 日期（严格格式：2024/08/01）**三、航班筛选逻辑**1. **类型优先级**：(1) 直飞航班 → (2) 标注中转航班（显示总耗时）2. **价格排序**：所有结果按票价从低→高排列**四、特殊规则**1. 儿童票（2-12岁）必须：- 与成人同订单预订- 往返程选择同航空公司（廉航除外）2. 往返票验证：去程/回程航司代码必须相同（廉航豁免）
示例优化关键点：
将核心规则置于顶部，确保优先处理；
按连续递进环节组织：验证→输入→筛选→特规；
使用结构化格式降低认知负荷。
递归改循环与逻辑外放
效果对比：优化版将认知负荷降低62%（基于Flesch易读性指数测算），且在大模型测试中错误执行率从原版的34%降至6%。
将递归逻辑转换为循环描述，必要时将部分逻辑交由代码执行，减轻模型负担。
4.2.3 特殊改写
否定式表达改写
llm对于否定式表达的指令和负样本的理解天生就较弱，我们应该尽量避免出现这样的内容，将否定式指令改成肯定式，将负样本改写成正样本。比如双重否定直接改成肯定，负样本集用全集减正样本集表达。
示例:
请识别用户需要查询的是不能改签的特价机票信息，并回复对应的改签规则说明。问题分析:
否定式指令：“不能改签”是一个明确的否定描述。要求LLM准确理解并筛选“不能改签”的机票，不符合其天生对否定式理解较弱的特点，可能导致错误或混淆（比如可能错误地找那些可以改签的）。
负样本目标：提示词的核心目标聚焦在识别“不能改签”的机票（负样本/特例）上。
隐含负样本：“特价机票”本身已经是一个范围，但加上“不能改签”使其成为特价机票中的一个子集（负样本），这会增加LLM定位正确规则的难度。
优化方案:
请识别用户查询的是可免费改签的机票信息。对于特价机票，仅限可免费改签的类型才适用此查询，请根据此条件回复对应的改改签规则说明。
假阳性服从改写
假阳性服从是指用户提问的内容本身就带有肯定式的偏向，模型顺着作肯定回答。针对这种情况需要想办法激活模型批判性思维，在回答问题之前先反省。
优化思路（激活批判性思维，引导核实）
识别预设与绝对化表述：明确指出用户问题中的预设（“支付人和登机人不一致没问题”）和绝对化词汇（“绝对没问题”）。
引导自我质疑：强制要求模型在回答前先思考这个预设是否真的“绝对”成立，有哪些可能的例外、规则或风险。
强调关键信息核实：将模型的最终回答落脚点放在引导用户提供具体信息以便模型/客服核实，或者直接告知需要核实的具体点，而不是直接确认用户的预设。
4.2.4 幻觉消减
幻觉控制本质是信息熵管理，通过提示词构造约束框架，迫使模型在有限解空间内运作。四重约束机制（身份+数据源 + 思维 + 输出）。
身份约束
明确模型角色
明确职责边界。
明确动机。
数据源约束
范围约束：就是约束取数范围，可以是多个维度，比如时间维度、来源等。
数据锚定: 为了减少数据关注的范围和引用的正确性，可以给数据标题都加上面包屑导航锚，在提示词中提及数据时尽可能指向数据锚，这样极大增加了数据的准确性也减少了模型"脑力"负担。
强制引用: 为了保证数据不是模型乱造的，可以要求数据指定权威引用和有效期。
思维约束
要求推理与强制检查: 这个是一个常见的补充，推理可以减少模型为了完成用户指令进行搪塞，强制检查可以让模型再做一轮校对。
阻断幻觉路径：少用概率浮动性动词表达（如“将”、“可能”、“预计”），减少主观性依赖。
CoT链式验证:在垂直专业领域精细的cot控制一定程度可以减少模型幻觉，但是也减少了模型给出意想不到的结果可能。
链式验证方案示例（兼听者明）:
步骤1：提取问题核心要素[要素1][要素2][要素3]步骤2：对每个要素查找三个权威来源步骤3：交叉比对来源一致性步骤4：仅输出所有来源达成共识的内容
输出约束
格式约束：输出指定的枚举而不是字符串，减少其自由发挥的空间。
分步输出: 在cot控制过程中每完成一步对应输出结果中一项。
禁用词: 减少不希希望出现情况的关键词出现的可能或者在禁用规则里屏蔽。
结构化约束: 比表格填写就是一结构化约束。
结构化并分步输出示例
确认需求：[直接复述用户问题]数据核查：[列出引用锚点，如官网/GDS/条款库]结论：[仅限可验证事实]行动建议：[按钮化选项：①查看详情链接 ②转人工]
4.2.5 指令遗漏
根本原因：
注意力分散或脑域空间不足；
指令未能有效传达或存在隐藏条件；
模型能力局限。
解决方法：
使用指令锚（序号/格式）配合良好结构；
优化指令顺序，减少跳跃；
添加前置条件，实现条件触发；
通过样式调整（加粗/分段）强化重要指令；
示例就近放置，明确边界。
下面看一指令遗漏的综合示例
原指令：
请作为机票客服：1. 询问返程日期2. 告知当前有立减活动3. 提醒价格实时变动4. 先确认客户目的地5. 说明退改签规则需注意节假日6. 推荐航司会员累积里程7. 必须记录客户ID8. 最后询问单程/往返d
优化后：
# 机票售前客服标准化流程（严格按序执行）## 第一阶段：核心信息确认（必完成）① 明确出行需求：- 先询问「请问您的出发地、目的地是？」- 再确认「需要单程还是往返机票？」- 最后追问「具体出行日期与返程日期？」## 第二阶段：服务关键事项（按序触发）② 价格透明度保障：- 立即告知「当前航线享有[XX]元立减优惠」- 同步强调「票价实时波动，锁定需在[10分钟]内支付」③ **风险预告知**：- 前置声明「退改规则特别注意：节假日收取[XX%]手续费」- 系统自动标记客户风险知情状态## 第三阶段：增值服务（前序完成才执行）④ 会员增值提示（条件触发）：- 当查询航线含[合作航司]时，提示「本次飞行可累积[XXX]里程」## 第四阶段：闭环动作（终局必执行）⑤ 信息备案：- 记录「客户ID：[系统自动抓取]」- 发送「订单摘要至客户邮箱/手机」
优化逻辑:
分层阻断机制+指令锚
将流程分为需求采集→服务告知→增值服务→系统操作四个独立模块，模块间设逻辑关卡（如前序未完成则跳过后续增值服务）
线性依赖设计
关键路径强制线性化：
目的地确认 → 票类选择 → 日期确定 → 价格披露类似磁带机物理顺序，避免跨步骤跳转
条件触发机制
增值服务增加执行判断条件（如 if 航司合作==true then 提示里程），减少无效指令干扰
通过加粗来使风险告知部分不被遗漏
五、模型能力激活优化：充分释放大模型的潜在能力
在某些场景下，模型的表现可能未达预期，有时并非因其能力不足，而是提示词未能有效调动其潜能。通过合理的提示词设计，我们可以系统激活模型的高级推理与创造性思维能力。
5.1 主动性激活：将模型视为协作型员工
现代大模型更适合被看作协同工作的“智能员工”。若要激发其主动性，需像分配任务给优秀员工一样，赋予其清晰的目标与内在动机。
引入目标动机与自驱力设计
在交代任务时，适当加入目标背景、自省要求与自我评价机制（例如夸赞其优秀，引导其向高质量结果对齐），可在一定程度上激发其思维主动性。例如，可内置“漏洞发现”等他评要求，或设立“创新等级”自评体系，潜移默化地引导模型追求更卓越的输出。
动词的动态性选择
动词的使用直接引导模型的行为模式。应优先选用具有启发性和动态特质的动词，例如：
设计、提出、重构、假设、探究、综合、建立联系、识别根本原因
而非静态或描述性的指令，如：
列出、说明、涵盖、提及、显示、告诉
5.2 思维能力激活：构建思维“跳板”
如前所述，模型往往缺乏“跳跃式”思维的能力。为此，我们可为模型构建思维跳板，引导其进行广度或深度思考，其取舍本质上受限于模型的认知负荷与上下文长度。
宽域链接：激发跨领域关联与创意能力
宽域思维旨在提升模型跨学科、跨场景的联想与创造能力，常用方法包括：
多领域多立场综合
要求模型融合不同领域或对立观点进行分析，例如：“请结合物理学（热力学第二定律）和哲学（熵增理论），阐述你对‘时间箭头’的理解。”
强制类比与隐喻
引导模型将某一领域的原理映射至另一看似不相关的领域，例如：“量子纠缠现象对理解人际亲密关系有何启示或隐喻？”
创意融合与概念组合
要求模型融合多领域的元素、风格或理念，形成新想法或设计方案，例如：“请设计一款教育产品，融合游戏化机制（游戏领域）、蒙台梭利教育法（教育领域）与可穿戴设备技术（科技领域）。”
引入外部思维框架
借助其他领域的思维模型或工具分析本领域问题，如：“使用六顶思考帽法系统分析该市场营销方案的可行性与风险。”
深域链接：提升垂直领域的专业深度深域思维致力于增强模型在特定领域的专业性与推演严谨性，常用方式包括：
明确专业身份与立场
例如：“作为资深软件架构师，请分析微服务架构在高并发、强一致性要求的金融场景中的优势与风险，并提出具体解决方案及选型依据。”
使用专业术语并援引权威
例如：“请基于凯恩斯主义宏观经济学，特别是有效需求不足和乘数效应理论，分析当前财政刺激政策在短期与中期可能带来的影响，需结合实际边际消费倾向进行评估。”
引入元思考策略
引导模型不仅回答问题，还要反思解决路径与局限所在，例如：“请提出对策后，自行评估该方案的潜在局限性与前提假设，并提供理论或法律依据。”
追问机制与原理剖析
通过连续追问机制原理，推动模型进行深度解析，例如：“请解释深度学习中的梯度消失问题，从数学与计算图角度说明其成因，并分析LSTM网络缓解该问题的机制。”
通过系统构建思维跳板，模型能够更好地在横向跨界融合与纵向专业深挖两个维度发挥更强认知能力，应对复杂任务时表现更为出色。
六、提示词结构优化：构建清晰、高效且稳定的表达框架
在我们系统性的优化流程中，提示词结构的调整往往放在后期进行。这是因为在实践中我们常发现，当细节优化达到一定阶段后，回过头来重新审视和调整整体结构，往往能带来效果的显著提升。因此，最优策略通常是：多轮迭代，反复调整结构与细节，最终筛选出效果最好且输出最稳定的版本。
6.1 写法分类：声明式与过程式
各类Agent开发平台和Prompt教程提供了丰富的模板，其本质是提示词结构的具体化呈现。模板本身并非目的，而是一种易于落地的框架；真正优秀的提示词，是能确保模型准确理解、并能有效激发其能力的指令。从写法上，提示词主要可分为两类：
声明式提示词
仅明确任务的要求、目标与约束，不限定具体的执行路径。这种方式能充分发挥模型的自主能力，并且其产出质量会随着模型本身的进化而不断提升。类比：领导分配任务时，只明确“做什么”和“为什么”，至于“怎么做”则充分授权员工自主决策，极其依赖员工自身的综合能力。
过程式提示词
详细描述为达成目标所需遵循的步骤与方法。提示词的设计者已经对问题有了一定的解决思路。这种方式优势在于过程风险可控，输出预期更稳定，但可能限制了模型底层算法的发挥空间，且后续模型能力升级不一定能直接带来该任务效果的提升。
类比：领导分配工作时，详细规定每一步的操作流程，员工只需具备执行能力，无需整体规划能力，最终效果高度依赖领导方案的水平。
两种风格各有优劣，实际应用中常结合使用。建议在需要模型发挥创造性或策略性思维的部分采用声明式写法；而在模型容易表现不稳定或质量波动较大的环节，则采用过程式写法进行精细引导。
此外，我们通常将提示词结构划分为表达结构与输出结构：
表达结构：指除最终输出格式之外的所有指令描述，通常由产品经理或业务专家设计；
输出结构：指对模型输出内容的格式性要求，常由开发人员为方便系统集成而设定（如JSON格式）。
6.2 表达结构与输出结构优化
表达结构优化
夯实基本要素：角色、背景、目标、约束是构成表达的基础，需确保其定义清晰、合理且无遗漏，在结构上边界分明。
过程式三要素处理：
步骤：描述动态执行逻辑与条件判断；
约束：定义静态规则与边界条件；
要求：明确输出的质量标准和关键特性。
声明式提示词需突出“要求”：应清晰说明成果的预期形态、可量化的评估标准以及需要聚焦的核心价值。
输出结构优化输出结构的选择需考虑使用场景：
与技术流程结合：常要求严格的JSON格式，以方便程序解析；
Agent间交流：优先采用非结构化的自然语言，以最大限度保留模型的语义表达与推理能力。
使用JSON格式时，常会遇到输出格式错误的问题，以下方法有助缓解该问题：
结构扁平化：过于复杂嵌套的JSON会消耗模型大量“脑力”，易导致格式错乱；
目标聚焦：避免让一个提示词承担多个不同方向的任务（如同时总结、改写和日期格式化），方向越单一，输出越稳定；
优先使用基础结构：例如，用逗号分隔的字符串有时比字符串数组更稳定；
审慎使用样例：若提供输出示例，需使其在表达上明显是“样例”，否则模型可能机械照抄。
总结
提示词优化的本质就是在了解大模型能力局限的基础上优化向AI表达需求的过程。本文的优化方法就是借助系统提词典来优化用户向模型的表达（前两节），当然也包括系统提示词自身的表达（后三节），降低用户向模型清晰表达需求的门槛，减少模型'跑偏'的可能。