先说结论

Prompt 是 Agent 的"操作系统"。

不是夸张 — Agent 的每一次决策、执行、校验，都靠 Prompt 告诉 LLM "你是谁、做什么、怎么做、不能做什么"。Prompt 写得好，Agent 就聪明；Prompt 写得乱，Agent 就胡说八道。

工程化的第一步：模板化配置 + 变量注入。把 Prompt 从代码里抽出来，变成可配置、可版本管理的模板文件。

一、System Prompt vs User Prompt：角色分工

LLM 的每次调用都有两个 Prompt 槽位，分工明确：

System Prompt：告诉 LLM "你是谁"

定义角色身份、专业领域、行为边界。LLM 会以此为"世界观"来约束自己的输出。

你是一位美妆赛道的干货科普专家，风格亲和口语化。

这一句话做了三件事：

• 角色：干货科普专家（不是销售、不是评测博主）

• 领域：美妆赛道（不会聊投资、不会聊健身）

• 风格：亲和口语化（不会写论文腔）

User Prompt：告诉 LLM "做什么"

具体的任务指令 + 上下文数据。每次调用都不同。

标题：夏季防晒的5个误区 选题方向：夏季防晒推荐 风格约束：语气亲和，emoji中频 请创作正文内容。

为什么分两层？

关键原则：System Prompt 越稳定，LLM 的行为越一致。User Prompt 越具体，LLM 的输出越精准。

二、Prompt 的模板化：从硬编码到配置文件

反面教材：Prompt 写死在代码里

# ❌ 硬编码：改一个词要改代码、发版 result = await llm.generate( system_prompt="你是一位美妆赛道的干货科普专家，风格亲和口语化。", user_prompt=f"请写一篇关于{topic}的文章", )

问题：

• 想改"亲和口语化"为"犀利直白" → 改代码 → 提交 → 发版

• 想加一条禁忌"不要用'众所周知'" → 改代码 → 提交 → 发版

• 想给不同赛道用不同 Prompt → if/else 堆积 → 代码膨胀

正面教材：模板文件 + 变量注入

项目中的prompts/body_generation.md：

你是一位{{ niche }}赛道的{{ persona_type }}，风格{{ writing_style }}。 ​ # 任务 基于选题和标题，创作一篇{{ content_format }}正文。 ​ # 结构要求 1. 开篇：抓住眼球，3秒内留住读者 2. 核心干货：分3-5段，每段一个小标题+干货内容 3. 总结收尾：简洁总结+轻引导互动 ​ # 风格约束 - 语气：{{ writing_style }} - emoji频率：{{ emoji_frequency }} - 严格遵循禁忌规则 - 不要使用AI生硬书面语，保持自媒体口语化表达

{{ niche }}、{{ writing_style }}是 Jinja2 占位符，运行时由代码注入真实值。

模板化的好处：

• 改 Prompt 不改代码，直接编辑.md文件

• 不同人设自动适配：美妆人设注入niche=美妆，职场人设注入niche=职场

• Prompt 可以版本管理、Code Review、A/B 测试

模板引擎：PromptManager

项目用 Jinja2 做 Prompt 模板渲染，核心代码llm/prompt.py：

class PromptManager: def __init__(self, prompts_dir: str = "prompts"): self.env = Environment( loader=FileSystemLoader(str(self.prompts_dir)), keep_trailing_newline=True, ) ​ def get_template(self, name: str) -> str: """获取原始模板（不渲染）""" template = self.env.get_template(f"{name}.md") return template.render() ​ def render(self, name: str, **kwargs: str) -> str: """渲染模板：占位符 → 真实值""" template = self.env.get_template(f"{name}.md") return template.render(**kwargs)

调用方式：

# 获取 System Prompt（模板已渲染占位符） system_prompt = prompt_mgr.get_template("body_generation") ​ # 或者动态渲染 rendered = prompt_mgr.render("body_generation", niche="美妆", writing_style="亲和口语化")

三、Prompt 的多段式：像搭积木一样组装

一个好的 Prompt 不是一段文字，而是多段组装，每段有明确职责：

角色设定 + 任务描述 + 约束条件 + 输出格式

项目中的实战：正文生成的完整 Prompt 拼装

content/body.py中的generate_text()方法，展示了 User Prompt 如何多段组装：

user_prompt = ( # ━━ 第1段：上下文信息 ━━ f"赛道：{persona.niche}\n" f"人设类型：{persona.persona_type}\n" f"文案风格：{persona.writing_style}\n" f"内容形式：{persona.content_format}\n\n" ​ # ━━ 第2段：任务数据 ━━ f"标题：{title}\n" f"选题方向：{topic.title}\n" f"选题分类：{topic.category}\n\n" ​ # ━━ 第3段：结构约束 ━━ f"结构要求：\n" f"1. 开篇：{opening_rendered}\n" f"2. 核心干货：分3-5段，每段一个小标题+干货内容\n" f"3. 总结收尾：{closing_rendered}\n" f"4. 段落字数：≤{persona.paragraph_max_chars}字\n\n" ​ # ━━ 第4段：风格约束 ━━ f"风格约束：\n" f"- 语气：{persona.writing_style}\n" f"- emoji频率：{persona.emoji_frequency}\n" f"- 禁忌：{banned_rules}\n\n" ) ​ # ━━ 第5段：风格画像（动态注入） ━━ style_hint = StyleLearner.build_style_hint(persona) if style_hint: user_prompt += style_hint + "\n\n" ​ # ━━ 第6段：执行指令 ━━ user_prompt += "请创作正文内容。"

6段式 Prompt，每段职责清晰：

为什么不能写成一段？

试想如果把上面6段揉成一段：

你是美妆专家，写一篇关于夏季防晒的文章，风格亲和，emoji中频， 不要用"众所周知"，你之前3次要求语气活泼，段落别太长， 开篇要抓眼球，结尾要引导互动，请创作正文内容。

LLM 看到这一坨，大概率会遗漏一半约束。分段 + 标题 + 编号 = LLM 能逐条遵循。

四、约束的艺术：禁忌规则怎么写？

Prompt 中最容易被忽略、但最影响质量的部分 —禁忌规则。

项目中的禁忌规则构建

def _build_banned_rules(self, persona: PersonaConfig) -> str: rules = [] if persona.banned_words: rules.append(f"禁止使用：{', '.join(persona.banned_words)}") if persona.banned_topics: rules.append(f"禁止涉及：{', '.join(persona.banned_topics)}") # 通用禁忌 rules.append("禁止使用'众所周知'、'不言而喻'等AI书面语") rules.append("禁止编造数据或引用不存在的来源") return "；".join(rules)

禁忌规则的三层设计：

1. 人设级禁忌：banned_words+banned_topics，每个人设不同

2. 通用禁忌：所有赛道都适用的规则（不编造数据、不用AI书面语）

3. 风格画像禁忌：从修改记录中学到的偏好（"我之前3次要求减少emoji"）

踩坑：禁忌太松 vs 太严

• 太松：LLM 编造数据、用"众所周知"、写论文腔 → 读者一眼看出是AI

• 太严：禁了太多词，LLM 无话可说 → 输出空洞

• 解法：禁"AI书面语"，不禁"专业术语"；禁"编造数据"，不禁"引用常识"

五、输出格式约束：让LLM输出结构化数据

Prompt 最后一段通常是输出格式要求，这直接决定下游代码能不能解析。

选题生成：要求JSON输出

prompts/topic_generation.md的末尾：

# 输出格式 JSON对象： { "topics": [ { "title": "选题方向", "category": "knowledge/pitfall/comparison/tutorial/experience", "content_format": "适配内容形式", "estimated_potential": "high/medium/low" } ] }

标题生成：要求JSON数组 + 额外字段

prompts/title_generation.md的末尾：

# 输出格式 JSON数组：[{"title": "...", "formula_type": "...", "estimated_ctr": 0.0-1.0}]

为什么必须指定输出格式？

但即使指定了JSON，LLM也可能返回 ```json 代码块，所以下游一定要加容错解析：

# 容错解析：去掉 markdown 代码块 result = result.strip() if result.startswith("```"): lines = result.split("\n") lines = [l for l in lines if not l.startswith("```")] result = "\n".join(lines).strip() data = json.loads(result)

六、风格画像注入：Prompt 的动态进化

这是项目中最有"Agent味"的 Prompt 设计 —风格画像不是写死在模板里的，是从修改记录中动态学习、动态注入的。

# content/body.py — 风格画像注入 from ..persona.style_learner import StyleLearner style_hint = StyleLearner.build_style_hint(persona) if style_hint: user_prompt += style_hint + "\n\n"

当人设积累了风格画像后，Prompt 会自动多出一段：

【风格画像】 倾向于活泼口语化表达；emoji使用克制；喜欢用数据支撑观点；段落简短有力 【风格偏好提醒】 - 语气：活泼（我之前 3 次要求此调整） - emoji：低频（我之前 2 次要求此调整）

这不是开发者写的 Prompt，是 Agent 自己从用户行为中学到的 Prompt。这就是 Agent 和普通软件的本质区别 — Agent 的 Prompt 会进化。

踩坑总结

经验总结

1. Prompt 是 Agent 的操作系统，System Prompt 定义身份，User Prompt 下达任务，两者分工明确

2. 模板化 + 变量注入是工程化的第一步，改 Prompt 不改代码，不同人设自动适配

3. 多段式 Prompt = 角色设定 + 任务描述 + 约束条件 + 输出格式，分段越清晰，LLM 遵循越好

下篇预告

下一篇讲Pydantic 数据建模— 给 Agent 装上结构化思维，让 LLM 的输出不再"胡说八道"。