跟 Blades 学 Agent 设计 - 01 用“提示词链”让你的 AI 助手变身超级特工

用户1174346

发布于 2026-07-10 15:03:17

630

你是否曾感觉与 AI 沟通像“对牛弹琴”？你给它一个复杂的任务，期望它能一步到位，结果却常常是丢三落四、逻辑混乱，甚至一本正经地胡说八道。

问题出在哪里？也许不是 AI 不够聪明，而是我们与它沟通的方式需要升级。今天，我们就来介绍一个强大的技术——提示词链（Prompt Chaining），它能将你的 AI 助手从一个偶尔犯傻的聊天机器人，调教成一个逻辑清晰、使命必达的超级特工。

什么是提示词链？别让 AI 一次想太多

想象一下，你要组织一场复杂的市场活动。你不会对一个新员工说：“去，把活动搞定。”而是会把任务拆解：

第一步： “先去调研一下最近的市场趋势，给我一份总结报告。”
第二步： “根据这份报告，找出三个最值得关注的趋势，并列出支持数据。”
第三步： “用这些趋势和数据，给营销团队写一封邮件，说明我们的活动方向。”

“提示词链”就是这个道理。它的核心思想是：化繁为简，分而治之。

我们不再用一个冗长复杂的提示词（Prompt）去“轰炸”AI，而是将一个大任务分解成一系列更小、更聚焦的子任务。上一个子任务的输出，会像接力棒一样，精准地传递给下一个子任务作为输入。

 [原始市场报告] -> [提示词1: 总结] -> [报告摘要] -> [提示词2: 提取趋势] -> [结构化JSON数据] -> [提示词3: 起草邮件] -> [最终邮件初稿]

这个过程就像一条精密的流水线，每一步都只做一个简单明确的操作，最终组合起来，就能高效、可靠地完成复杂工作。

为什么“链式思考”比“一锅端”更有效？

使用单一、庞大的提示词，AI 很容易“认知过载”，导致：

指令遗忘：任务要求太多，AI 顾头不顾尾。
上下文漂移：聊着聊着，AI 就忘了最初的目标是什么。
错误传播：一个环节的小错误在后续被无限放大。
胡说八道（幻觉）：信息处理负担太重，AI 开始自由发挥。

而提示词链通过“流水线作业”，完美地解决了这些问题：

高可靠性：每一步都简单专注，大大提高了单步的准确率。
强可控性：你可以清晰地看到每一步的结果，方便调试和优化。
可解释性：如果结果出错，你能快速定位是哪一个环节出了问题。

关键一步：用“结构化数据”打造标准化的“集装箱”

为了让流水线上的信息传递不出错，我们需要一个标准化的“集装箱”。如果上一步的输出是一段模糊的自然语言，下一步的 AI 可能就无法准确理解。

因此，在关键步骤之间，强制 AI 使用 JSON 或 XML 这样的结构化格式来输出结果，就显得至关重要。

例如，在识别市场趋势的环节，我们可以要求 AI 这样输出：

{
  "trends": [
    {
      "trend_name": "AI驱动的个性化营销",
      "supporting_data": "73%的消费者更愿意与使用其个人信息来提升购物体验的品牌打交道。"
    },
    {
      "trend_name": "可持续和道德品牌",
      "supporting_data": "过去五年，有ESG（环境、社会和治理）声明的产品销售额增长了28%。"
    }
  ]
}

这种机器可读的数据格式，确保了信息在链条中传递时，精确、无歧义，为整个任务的成功奠定了坚实基础。

提示词链的几种核心方法

提示词链的应用场景非常广泛，它是构建高级 AI Agent（智能代理）的基石。以下是几种经过验证的、非常有效的方法：

方法一：信息处理工作流

许多任务涉及对原始信息进行多次转换。提示词链可以完美地自动化这个过程。

场景：构建一个 AI 研究助手，自动分析报告。
链条：
1. **提示词 1 (提取)**：从给定的 URL 或文档中提取纯文本内容。
2. **提示词 2 (总结)**：对提取的文本进行总结，提炼核心观点。
3. **提示词 3 (实体识别)**：从摘要或原文中，提取出关键实体（如人名、公司名、日期）。
4. **提示词 4 (信息检索)**：使用提取出的实体，去内部知识库或数据库中进行查询。
5. **提示词 5 (报告生成)**：将总结、实体和检索结果整合，生成一份结构化的最终报告。

方法二：复杂问答系统

对于那些无法一次性回答、需要多步推理的复杂问题，提示词链是理想的解决方案。

场景：回答历史问题：“1929年股市崩盘的主要原因是什么？当时的政府政策是如何应对的？”
链条：
1. **提示词 1 (问题分解)**：识别用户查询中的核心子问题（“崩盘原因”和“政府应对”）。
2. **提示词 2 (专题研究)**：专门检索和整理关于“1929年崩盘原因”的信息。
3. **提示词 3 (专题研究)**：专门检索和整理关于“政府对崩盘的政策响应”的信息。
4. **提示词 4 (答案综合)**：将前两步的信息整合成一个逻辑连贯、全面的答案。

方法三：数据提取与转换（迭代式）

将非结构化文本（如发票、简历）转换为结构化数据时，往往需要反复验证和修正。

场景：从一张发票图片中提取信息。
链条：
1. **提示词 1 (初次提取)**：尝试从发票文本中提取所有字段（如公司名、金额、日期）。
2. 处理与验证：程序检查提取的字段是否齐全、格式是否正确（例如，日期格式、金额是否为数字）。
3. **提示词 2 (条件性触发)**：如果发现有字段缺失或格式错误，则生成一个新的、目标更明确的提示词，要求 AI “专门去寻找缺失的xx字段”或“请将日期修正为YYYY-MM-DD格式”，并把上次失败的尝试作为上下文提供给它。
4. 循环与输出：如有必要，重复步骤2和3，直到所有数据都得到验证，最后输出干净的结构化数据。

方法四：内容与代码生成工作流

无论是写文章还是写代码，创作过程本身就是程序性的，可以分解为构思、起草和修订等阶段。

场景：让 AI 辅助你写一个功能模块。
链条：
1. **提示词 1 (理解与规划)**：理解用户的需求，并生成伪代码或实现大纲。
2. **提示词 2 (草稿编写)**：根据大纲，编写出功能的初始代码草稿。
3. **提示词 3 (分析与测试)**：识别代码中的潜在错误或改进点（可以调用另一个LLM，或集成静态分析工具）。
4. **提示词 4 (重构与完善)**：根据发现的问题，重写或优化代码。
5. **提示词 5 (文档生成)**：为最终的代码添加注释或生成使用文档。

通过这些方法，我们可以看到，提示词链不仅是一种技术，更是一种将复杂问题模块化、流程化的思维方式，它能极大地提升我们利用 AI 解决实际问题的稳定性和效率。

来一些简单的示例代码，看看 Blades 中怎么写提示词

prompt basic

https://github.com/go-kratos/blades/tree/main/examples/prompt-basic

package main

import (
    "context"
    "log"

    "github.com/go-kratos/blades"
    "github.com/go-kratos/blades/contrib/openai"
)

func main() {
    agent := blades.NewAgent(
        "Basic Agent",
        blades.WithModel("gpt-5"),
        blades.WithProvider(openai.NewChatProvider()),
    )
        prompt := blades.NewPrompt(
        // 声明系统提示词，告诉大模型它的角色和职责：你是一个乐于助人、提供详尽准确信息的助手。
        blades.SystemMessage("You are a helpful assistant that provides detailed and accurate information."),
        // 声明用户提示词，向 LLM 提问：法国首都是哪里？
        blades.UserMessage("What is the capital of France?"),
    )
    result, err := agent.Run(context.Background(), prompt)
    if err != nil {
        log.Fatal(err)
    }
    log.Println(result.Text())
}

prompt instructions

https://github.com/go-kratos/blades/tree/main/examples/prompt-instructions

package main

import (
    "context"
    "log"

    "github.com/go-kratos/blades"
    "github.com/go-kratos/blades/contrib/openai"
)

func main() {
    agent := blades.NewAgent(
        "Instructions Agent",
        blades.WithModel("gpt-5"),
        blades.WithProvider(openai.NewChatProvider()),
        // 声明系统指令，此处可以使用 Go 模板语法，可以很方便的传入动态参数。
        blades.WithInstructions("Respond as a {{.style}}."),
    )
    prompt := blades.NewPrompt(
        blades.UserMessage("Tell me a joke."),
    )
    // 创建一个会话，声明 agent instructions 中使用到的模板变量
    session := blades.NewSession(map[string]any{
        "style": "robot",
    })
    ctx := blades.NewSessionContext(context.Background(), session)
    // Run the agent with the prompt and session context
    message, err := agent.Run(ctx, prompt)
    if err != nil {
        panic(err)
    }
    log.Println(message.Text())
}

prompt template

https://github.com/go-kratos/blades/blob/main/examples/prompt-template

package main

import (
    "context"
    "log"

    "github.com/go-kratos/blades"
    "github.com/go-kratos/blades/contrib/openai"
)

func main() {
    agent := blades.NewAgent(
        "Template Agent",
        blades.WithModel("gpt-5"), 
        blades.WithProvider(openai.NewChatProvider()),
    )

// 定义模板中使用到的变量
    params := map[string]any{    
        "topic":    "The Future of Artificial Intelligence",
        "audience": "General reader",
    }

    // Build prompt using the template builder
    // Note: Use exported methods when calling from another package.
    prompt, err := blades.NewPromptTemplate().
        // 声明模板语法，动态填充内容
        System("Please summarize {{.topic}} in three key points.", params).
        User("Respond concisely and accurately for a {{.audience}} audience.", params).
        Build()
    if err != nil {
        log.Fatal(err)
    }

    log.Println("Generated Prompt:", prompt.String())

    // Run the agent with the templated prompt
    result, err := agent.Run(context.Background(), prompt)
    if err != nil {
        log.Fatal(err)
    }
    log.Println(result.Text())
}