同样的 Agent 框架和模型，不同人用效果天差地别。区别不在工具，在 System Prompt。我调了大半年，踩过无数坑，分享三个最满意、迭代最久的模板，每个都有真实案例。

模板一：分析型 Agent——像分析师一样干活

适用于数据分析、市场调研、竞品分析。这是我最常用的模板，也是迭代次数最多的。最初的版本非常简单："你是一个分析师，帮我分析这些数据"——结果 Agent 自己发挥了：有的先给结论，有的先啰嗦半天背景，输出格式每次都不一样，根本没法批量用。

后来我彻底重写了 System Prompt，定死了流程和禁忌。完整的 System Prompt 如下：

你是一个资深分析师。处理数据流程如下：
第一步验证数据完整性，检查有无明显缺失或异常值。
第二步数据清洗，处理空值和异常值。
第三步分析，用图表和数据说话不要空口说白话。
第四步结论，每条必须有数据支撑。
第五步建议，给出 3 条可执行建议各不超过 50 字。

格式要求：用 Markdown 输出。先说结论再说分析过程。禁用感叹号。不要在最后写"总的来说"这种套话。

这个模板我调了四五版才稳定。最关键的是指定了"先说结论再说过程"。不加这个要求，Agent 喜欢倒着写——先给一大段分析过程，最后在角落里提一句结论。技术读者最想看的是先看结论，有兴趣再了解细节。顺序调对之后输出质量明显提升了。

实际案例：上个月我用这个模板做了一轮竞品分析，输入了 5 家 AI Agent 框架的 GitHub Star 数、最近更新频率、Issue 回复速度。Agent 自动完成了数据清洗（发现一个 repo 有大量 bot star 被标注出来）、分析（用表格对比）、结论（推荐 Dify 和 DeerFlow），整个过程不到 2 分钟。以前自己手动做这活儿至少要半天。

模板二：编程辅助 Agent——不乱编函数

适用于写脚本、改代码、修 Bug。这个模板是在踩了三四次坑之后才迭代出来的。最初的版本也写过："帮我写个 Python 脚本"——结果 Agent 编了一个不存在的 API、假设了没装的依赖、还不告诉我改了哪儿。

System Prompt 如下：

你是一个资深全栈工程师。写代码前先做两件事：
一、读现有代码了解项目结构和编码风格。
二、不确定的 API 先查文档再写。
生成代码必须包含错误处理。默认用 TypeScript，除非项目用 JavaScript。
不要假设任何第三方库存在——每个依赖必须在代码注释里标注。
每次修改后输出：改了什么文件、什么内容、为什么这样改，三样东西必须都有。

最关键的是"不要假设任何第三方库存在"这条约束。不加这个，Agent 喜欢用看起来合理但实际不存在的库或函数。之前让它写 CSV 解析函数，它直接用了项目没装的 Papa Parse。加了约束后它倾向用标准库或已有依赖，再没出过编造 API 的问题。

另一点容易被忽略的是"先读现有代码"。不加这个，Agent 经常生成和项目风格完全不同的代码——比如项目用的是 Express 路由结构、Error Handling 中间件模式，Agent 却按 RPC 风格写，后续维护的人根本看不懂。

实际案例：前两周让我修一个 Node.js 项目里的 CSV 导出乱码问题。Agent 先在现有代码里找到导出模块（一行 import 都没改），发现项目用的是 ExcelJS + 自定义编码转换，然后只改了 BOM 头的写入逻辑。整个修改就 3 行。如果我直接让 Agent"修复 CSV 导出"，它大概率会用全新的库重写整个模块——那是破坏性改动。先读代码这个规则救了我好几次。

模板三：写作 Agent——写得像人

适用于写文章、日报、产品说明。这个模板我调得最痛苦，因为"写得好"这件事太主观了。刚开始我只会说"写得好一点"，结果 Agent 给你产出《百度百科体》——工整但完全没有阅读体验。

System Prompt 如下：

你是一个中文写作者。风格像朋友聊天不像百度百科。
禁用词：值得关注的是、值得注意的是、总的来说、综上所述、标志着、在这个背景下。
每句话有信息量不说空话。每段不超 200 字。
有数据先说数据再解释。
结尾不能写套话，直接说真实看法——哪怕不完美或有争议。

加了禁用词后输出质量肉眼可见提高。之前的文章都一个调调——看起来工整但每句都是套话。禁了那些词后 LLM 不得不换自己的话来说，反而更像真人写的。

三个模板的共同点：指定角色、流程和禁忌。光说要什么不够，还要说不要什么。而且每一句约束都要有实际原因——不是堆砌要求，而是每一条都能追溯到一个踩过的坑。

调 Prompt 的通用技巧

迭代了大半年，总结几条通用的：

1. 先不要一次写太多。 很多人喜欢写一个几百字的超级 System Prompt，结果 Agent 根本记不住后半段。建议先写核心 3-5 条，测试输出，再逐条加。我每个模板都从 3 条开始，迭代到 6-8 条就停了——再多效果反而下降。一个 300 字的 System Prompt 比 800 字的运行效果好得多，因为模型能真正遵循每一条。

2. 给例子比给规则有效。 比如不是写"回答要简洁"，而是写"回答控制在一段以内，就像我给客户发的 Slack 消息那样"。Agent 对具体例子（few-shot）的响应远比抽象规则好。我自己试过：加例子后输出质量提升约 40%。所以我现在每个模板后面都会附带一两个输入输出示例，效果立竿见影。

3. 负面约束和不做清单一样重要。 "不要用这个词""不要这样做"——大模型在生成时，负面约束比正面要求更容易遵循。我前面三个模板里，每一个都有不少于两条"不要"规则。而且不要怕写具体的禁用词——越具体效果越好。比如不写"不要官方腔"而写"禁用'总的来说''综上所述'这两个词"。

4. 用小改动替换大改动。 每次只改一两个词，测试，再改。我见过有人改了一个词——把"用 Markdown"改成"用精简 Markdown"——输出质量就完全变了。小改动往往带来大效果。所以不要每次不满意就全盘重写，先试试删掉一条最没用的、调换一下顺序、或者加一个具体的禁忌词。

初学者最容易犯的 5 个错误

上面说的是怎么做对，再说说怎么做错。这些坑我全踩过：

错误 1：把模型当成搜索引擎。 很多人问 Agent"帮我查一下 xx 是什么"，但 Agent 本来就不擅长精确回溯知识。正确用法是给它数据/文档让它分析，而不是让它凭空搜索。比如让分析型 Agent 分析 Excel 数据，比让它"写一篇 AI 行业报告"效果好一百倍。

错误 2：一次给太多约束。 我最早写过 30 条规则的 System Prompt，结果 Agent 输出质量反而最差——太多指令互相冲突，模型根本没法全部遵循。后来我强制自己每轮只加 3 条，测试一轮再加。

错误 3：不验证输出。 调了一版 System Prompt，输出看起来不错，就放到生产环境用了。结果遇到不一样的数据分布，输出质量崩得一塌糊涂。正确做法是在至少 3 组不同数据上验证，看输出是否稳定。

错误 4：角色设定太虚。 "你是一个 AI 专家"——然后呢？Agent 根本不知道该做什么。角色设定必须紧跟着具体的任务流程，不能光给头衔不给职责。看看我的三个模板，每个角色后面都有具体的做事方法。

错误 5：不设退出条件。 有些场景 Agent 会无限循环，特别是 Agent 框架里允许多步思考的。我一般在 System Prompt 末尾加一句"如果你觉得条件不够无法完成，直接说出来，不要硬编答案"。

最后提醒一句：System Prompt 不是一次写好的。每次用的时候都看看输出，哪不满意就改一两个字。我每个模板都迭代了三四版才稳定下来。

💬 你写 System Prompt 踩过什么坑？有什么好用的模板分享？来 AI House 排行榜 看看大家都在用什么 AI 工具，顺便聊聊你的 Prompt 心得！