agent-prompt-engineering
Skill2 starsChanged 3 months agoMITView on GitHub
构建 AI Agent 应用时为内嵌 Agent 编写高质量提示词的 5 种工程化技巧(CoT、结构化、正反例、分治、数据结构转换)。
2 other projects use a version of this.
Adopted by
Most recently taken up by
- mtarcure/claude-vibe-squadtheir own version, first seen Oct 28, 2026
- agentailor/skillstheir own version, first seen Sep 16, 2026
Other versions2 projects use a version of this.
Word for word · 0
None found.
Edited · 0
None found.
Wrote their own version · 2
- mtarcure/claude-vibe-squad★ 220same name
- agentailor/skills★ 3same name
How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.
In this repositoryOne other file it gives its agents.
- CLAUDE.mdCLAUDE.md
The file
Files
Agent Prompt Engineering
构建 AI Agent 应用时,为应用内置 Agent 编写高质量提示词的 5 种工程化技巧。适用于在代码中通过 API 调用 LLM 的场景——你写的 prompt 会嵌入软件代码,成为产品的一部分。
区别于 prompt-composer(驱动 IDE 里的 AI 做开发),本 skill 关注的是你开发的软件产品中的 Agent 提示词设计。
何时使用
- 正在开发一个调用 LLM API 的 Agent 应用,需要设计 system/user prompt
- 产品中的 AI Agent 产出质量不稳定,需要系统性优化提示词
- 需要 Agent 输出特定格式(JSON、报告、分类结果),供下游代码消费
- 任务涉及多步推理,需要 Agent 展示可追溯的思考过程
5 种技巧
1. CoT 思维链 — 让 Agent 展示推理过程
核心思路:引导 Agent 逐步思考,将复杂问题分解为多个中间步骤,降低直接输出答案的错误率。
适用场景:数学计算、代码调试、逻辑推理、需要可解释结果的业务决策
在你的应用代码中:
system_prompt = """你是一个数学辅导助教。回答问题时必须展示完整推理过程,
不要直接给出答案。"""
user_prompt = """请用逐步推理的方式解决以下问题:
如果 3 个苹果和 4 个香蕉共花费 38 元,2 个苹果和 5 个香蕉共花费 40 元,
求单个苹果和香蕉的价格。
请按以下步骤回答:
1. 设未知数并列出方程
2. 解方程组
3. 验证结果
4. 给出最终答案"""
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt}
],
temperature=0.3
)原则:
- 步骤要明确编号,每步产出可验证
- system prompt 里定调("必须展示推理过程"),user prompt 里给具体步骤
- 简单任务不需要 CoT — 增加不必要的 token 消耗和延迟
2. 结构化提示词 — 模块化设计减少歧义
核心思路:将提示拆分为角色、任务、要求、输出格式四个模块,让 Agent 精准理解意图。
适用场景:生成标准化报告、代码审查、需要特定格式输出的业务场景
在你的应用代码中:
user_prompt = """【角色】你是一名资深市场分析师
【任务】生成 2023 年新能源汽车市场分析报告
【要求】
1. 数据对比:对比 2022 与 2023 年销量、市场份额(表格呈现)
2. 趋势预测:分析未来 3 年技术发展方向
3. 风险提示:评估政策与供应链风险
【输出格式】Markdown,包含标题、表格和分点列表"""
response = client.chat.completions.create(
model="deepseek-chat",
messages=[{"role": "user", "content": user_prompt}],
temperature=0.3
)原则:
- 角色要具体:不写"优秀的分析师",写"擅长新能源汽车行业的资深市场分析师"
- 要求要可验证:不写"分析得好一点",写"包含近 3 年销量数据的对比表格"
- 简单对话不需要结构化 — 过度包装浪费 token
3. 正反面示例引导 — 对比强化标准
核心思路:同时提供正确和错误示例并标注问题,让 Agent 通过对比理解期望标准。
适用场景:格式规范严格(邮件、客服回复、代码生成)、容易出重复性错误的场景
在你的应用代码中:
user_prompt = """请根据以下正反示例,生成一封正式的会议邀请邮件:
【正确示例】
主题:关于项目进度评审会议的通知
尊敬的张经理:
您好!我们定于 2023 年 11 月 15 日下午 2 点,在公司会议室 A 召开项目进度评审会议。
会议议程包括:1. 各模块进度汇报 2. 风险项讨论 3. 下阶段计划。
请提前准备相关材料,准时参加。
【错误示例】
主题:开会
老张:
明天下午来开会,记得带资料。
(问题:主题不明确、称呼不正式、缺少时间地点和议程)
请按照正确示例的标准,为以下场景生成邮件:[场景描述]"""
response = client.chat.completions.create(
model="deepseek-chat",
messages=[{"role": "user", "content": user_prompt}],
temperature=0.3
)原则:
- 错误示例必须标注"为什么错",裸贴一个坏例子没有引导效果
- 正确示例展示完整的理想输出形态
- 1-2 个正反对比即可,不需要穷举
- 正反面示例可以直接从产品历史数据中提取
4. 分治法 — 复杂任务拆解为子问题
核心思路:将复杂任务分解为相对独立的子任务,按逻辑顺序依次解决,最后整合结论。
适用场景:多维度分析、需要从多个角度综合判断的业务场景
在你的应用代码中:
user_prompt = """请分步骤分析电商平台用户流失的主要原因:
第一步:用户行为分析
- 统计流失用户的最后操作路径
- 分析用户停留时间分布
第二步:产品体验评估
- 检查主要功能页面的转化率
- 收集用户反馈中的高频问题
第三步:竞品对比
- 比较主要竞争对手的核心指标
- 分析竞品的优势功能
请按以上三个步骤依次分析,最后给出整合结论。"""
response = client.chat.completions.create(
model="deepseek-chat",
messages=[{"role": "user", "content": user_prompt}],
temperature=0.4
)原则:
- 子任务之间要相对独立,减少耦合
- 每步子任务进一步细化为 2-3 个具体分析点
- 最后必须有一个"整合结论"步骤,把子结果汇总
- 子任务产出可以分别校验,出问题时能定位到哪一步
5. 数据结构转换 — 自然语言转结构化数据
核心思路:明确定义目标数据结构的字段和类型,让 Agent 将非结构化输入转换为 JSON/XML 等标准化格式。
适用场景:信息提取、数据清洗、自然语言转 API payload、非结构化文档解析
在你的应用代码中:
user_prompt = """将以下产品描述转换为 JSON 格式:
产品名称:智能温控水杯
特点:
- 容量:450ml
- 材质:食品级 304 不锈钢
- 温度显示:LED 数显屏
- 保温时长:12 小时(热水)/ 24 小时(冷水)
价格:299 元
要求 JSON 结构:
{
"product_name": "string",
"specs": {
"capacity": "string",
"material": "string",
"features": ["string"],
"price": "number"
}
}
要求:
- 价格字段为 number 类型,不含"元"字
- 容量中的数字和单位分开存储"""
response = client.chat.completions.create(
model="deepseek-chat",
messages=[{"role": "user", "content": user_prompt}],
temperature=0.2 # 结构化输出建议用较低温度
)原则:
- 结构定义要完整,避免遗漏关键字段
- 每个字段明确类型约束(string / number / boolean / array)
- 可选字段必须显式标注为 optional
- 数字、日期等特殊格式要给出示例
- 结构化输出建议 temperature 设为 0.2 或更低
- 先在简单案例上验证结构定义合理,再逐步增加复杂度
技巧选择指南
| 你的 Agent 需要做什么 | 推荐技巧 | 为什么 |
| 推理计算、需要可解释的结果 | CoT 思维链 | 分步推理降低错误率,过程可追溯 |
| 输出格式固定、角色边界清晰 | 结构化提示词 | 模块化减少歧义,输出更可控 |
| 格式规范严格、容易出重复性错误 | 正反面示例引导 | 对比学习比单纯指令更直观 |
| 多维度综合分析 | 分治法 | 拆解降低复杂度,每步独立验证 |
| 从自然语言中提取结构化数据 | 数据结构转换 | 类型约束避免输出格式随机 |
| 以上多种需求叠加 | 组合使用(见下方) | 单一技巧不足以覆盖复杂场景 |
组合使用
复杂 Agent 的提示词通常需要组合多种技巧:
- 结构化 + CoT:用结构化模板定义角色和输出格式,在"要求"中嵌入 CoT 分步推理
- 分治 + 数据结构转换:每个子步骤输出结构化 JSON,最后一步整合为完整结果
- 正反面 + 结构化:在结构化模板的"要求"中引用正反面示例
- CoT + 数据结构转换:先让 Agent 推理判断,再将判断结果转成结构化数据
常见错误
| 错误 | 改正 |
| system prompt 写"你是一个优秀的 AI 助手" | 写具体角色和技术边界:"你是电商客服,只能回答订单和退货相关问题" |
| 要求写"回复质量高一点" | 写可验证约束:"拒绝回答时给出替代建议,每条回复不超过 200 字" |
| 简单分类也用结构化模板 + CoT | 简单的分类/判断直接写一句话 prompt,不要过度设计 |
| 分治法子任务之间有强依赖 | 确保每个子任务可以独立求解,依赖关系显式标注 |
| JSON 结构不标字段类型 | 每个字段明确 string/number/boolean/array |
| temperature 用默认值 | 结构化输出建议 0.1-0.3,创意任务建议 0.6-0.8 |
| 把 prompt 写死在代码里 | 至少抽成常量或配置文件,方便 A/B 测试和迭代 |
与应用代码的集成建议
- Prompt 版本管理:提示词应像代码一样做版本管理,变更时在 commit message 中记录原因和效果
- A/B 测试:关键 prompt 设计两个版本,线上对比效果后再确定最终版
- 异常处理:Agent 输出的 JSON 解析失败时,给模型一次重试机会(在 prompt 中附上解析错误信息)
- Token 预算:给你的 Agent prompt 设定 token 上限,控制每次调用的成本
原则
- 不猜测:对模型能力边界不确定时,先写最小 prompt 测试,不要在 prompt 里"碰运气"
- 可验证:每个要求和约束都要能在代码中对 Agent 输出做自动化校验
- YAGNI:prompt 覆盖当前业务需求即可,不擅自加"最好也做 X"
- 先简后繁:先用最简单的技巧(结构化),不够再加 CoT 或分治
- Token 意识:prompt 长度是成本,简单任务不要过度工程化
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

