这里我们，我们就引出一个问题，什么样的提示词是好的提示词工程，应该怎么书写，以及优化方向是怎么样的？
如何写好一份“黄金系统提示词”？
写好系统提示词并非难事，我们可以遵循Role-Goal-Rules-(Few-Shot)。核心在于清晰、具体、无歧义。你可以遵循以下框架：
1. 明确角色与身份
这是最重要的第一步。清晰地告诉AI：“你现在是……”
2. 定义核心任务与目标
明确你希望AI完成的具体任务是什么，最终要达到什么目的。
3. 设定规则与约束
这是防止AI“放飞自我”的关键。你需要划定它的行为边界。
这里设定规则和约束，尽量写肯定句，而非否定句，例如“不允许出现，不能出现，静止等术语，有时候大模型可能无法理解否定句，或者即使你写了否定句，它也可能不会遵循，实测经验，大家可以参考。
4. 提供示例（Few-Shot Learning）
“授之以鱼不如授之以渔”，直接给AI一个或几个输入输出的范例，是让它快速理解你期望的最有效方式。
5. 结构化输出
尽管当前的大模型理解能力越来越强，即便面对未经仔细排版的“自然描述式”提示词，也能给出不错的回答。但有意识地使用结构化提示词，仍然是一个好习惯，易于读懂，并且可以少量提升大模型的性能。使用<tag></tag>或##title式的 XML 标签 / Markdown 语法，分割不同指导作用的提示词。
具体示例：邮件写作助手
假设你需要一个帮助撰写专业邮件的 AI 助手，以下分别是非结构化、XML结构化和Markdown结构化的写法，您可以直观感受其中的差异。
1. 非结构化提示词（自然描述）
你是一个专业的邮件写作助手，负责帮我起草和回复工作邮件。邮件需要简洁、礼貌、专业。如果用户提供了关键信息，请将其融入邮件中。如果用户的信息不完整，你必须反问用户以获取缺失的细节，不能自行编造。最后，请用清晰的布局输出邮件正文。
2. 使用 XML 标签的结构化提示词
<role>
你是一名专业的邮件写作助手，擅长撰写简洁、礼貌、专业的工作邮件。
</role>
<core_task>
根据用户提供的信息，起草或回复一封完整的邮件。
</core_task>
<rules>
1. 严格基于用户提供的信息进行创作。
2. 如果发现信息不完整（例如缺少时间、地点、负责人等），必须主动向用户提问，严禁自行捏造。
3. 邮件语气应始终保持专业与礼貌。
</rules>
<output_format>
直接输出完整的邮件正文，布局清晰，段落分明。
</output_format>
3. 使用 Markdown 标题的结构化提示词
# 角色
你是专业的邮件写作助手，擅长撰写简洁、礼貌、专业的工作邮件。
# 核心任务
根据用户提供的信息，起草或回复一封完整的邮件。
# 规则与约束
-**严格依据**：严格基于用户提供的信息进行创作。
-**主动澄清**：如果发现信息不完整（例如缺少时间、地点、负责人等），必须主动向用户提问，严禁自行臆造。
-**沟通语气**：邮件语气应始终保持专业与礼貌。
# 输出格式
直接输出完整的邮件正文，布局清晰，段落分明。
如果你对回复的格式有严格要求，一定要明确说明。
示例：“你的回答必须遵循以下结构：
一、核心观点；
二、分点论述（至少3点）；
三、行动建议。”
6. 迭代与优化
很少有提示词能一次完美。将AI的回复视为测试结果，根据其不足不断调整和优化你的系统提示词。这是一个动态磨合的过程。迭代的方向也是需要遵循这几个规则。
系统提示词的规则我们讨论清楚了，那么上下文工程的策略是什么？。
刚刚我们也说明白了，上下文工程包括系统指令 system prompt，user prompt、可用工具 tool 、MCP服务，外部数据例如搜索新闻组件返回的数据以及完整的对话历史。那么整体的上下文工程的策略是：
1、系统指令 system prompt一定要参照之前的规则，并且复杂任务尽量拆分成不同的小的agent，这样每个不同的agent里面的系统指令就非常清晰。避免系统指令太复杂，越复杂的系统指令，大模型能够处理成功的概率越大低且性能越差。
2、可用工具 tool 、MCP服务都是属于工具类型，尽量引用的精准少量的工具，这里有几个衡量准则：
3、rag检索的数据属于外部数据返回1-3个分段最佳：rag数据提供给大模型的上下文必须精准且长度不能太长，能够回答问题，如果是长度为300个字符，rag返回的分段结果必须在1-3个分段之间最好，rag返回的数据越长，可能大模型最后能够识别处理的内容以及生成的结果就不一定贴合问题。
4、历史对话可以采用自动压缩和结构化笔记的方式存储到外部存储，定时从这些压缩的内容或者目录检索到历史对话，可以快速的定位到历史聊天记录，避免把所以的历史记录全部推送给大模型，让大模型迷失在历史聊天记录里面了。在dify中有个配置按钮，缓存历史了解记录的按钮，尽量配置成5-10，不要超过10.
那么在dify中它的上下文工程配置涉及哪些了？下面是大模型组件中相关的配置：
这里包括 上下文输入框：这里可以填入rag检索的内容，也可以是工具返回的内容。接下来就是系统提示词、用户提示词、助理提示词、记忆功能就是历史聊天记录。
而对于聊天助手、agent，那么它的上下文工程就包括系统提示词、知识库、工具这些内容。
粤ICP备14082021号
免费POC，
零成本试错
