Prompt工程核心：系统、用户、助手提示词的分层协作与工程实践

你有没有遇到过这种情况：同一个大语言模型，别人用起来得心应手，能写出结构清晰的报告、生成精准的代码，而你用同样的模型，得到的回答却总是差强人意，要么答非所问，要么过于笼统？

问题很可能不在于模型本身，而在于你与模型“对话”的方式。这背后，就是Prompt工程的核心——如何通过精心设计的指令，引导模型输出我们真正想要的结果。而理解并运用好系统提示词（System Prompt）、用户提示词（User Prompt）和助手提示词（Assistant Prompt），正是从“碰运气”到“可预期”的关键一步。

很多人把Prompt简单理解为“问问题”，以为只要把需求扔给模型就行。但实际使用中，你会发现，仅仅调整几个词、改变一下提问的顺序，结果就可能天差地别。这就像给一个能力超强的实习生布置任务：如果你只说“写个方案”，他可能给你一份天马行空的创意；但如果你说“请以项目经理的身份，为我们的电商App设计一份下周的用户增长方案，要求包含目标、具体行动项、所需资源和风险预估”，他交付的成果就会具体、可执行得多。

系统、用户、助手这三类提示词，正是构建这种“清晰指令”的基石。它们分别扮演着导演、编剧和场记的角色，共同协作，才能导出一场精彩的“AI对话大戏”。接下来，我们就抛开抽象概念，深入到具体的工作流中，看看这三者究竟如何各司其职，又如何协同作战。

1. 系统提示词：为对话设定“世界观”与“行为准则”

如果把与大语言模型的交互看作一场角色扮演游戏，那么系统提示词就是游戏开始前，你为整个游戏世界设定的基本规则和主角的初始身份。它通常在对话的最开始，以不可见（或对用户透明）的方式传递给模型，定义了本次交互的“元语境”。

它的核心作用不是解决某个具体问题，而是框定模型回答问题的范围、风格和立场。这是最容易被忽视，却也最能决定对话质量上限的一环。

1.1 它到底在“系统”层面控制什么？

系统提示词主要从三个维度施加影响：

1. 身份与角色定位：你告诉模型“你是谁”。这直接决定了模型调用知识库的倾向性和表达方式。

   • 示例：你是一位经验丰富的全栈开发工程师，精通Python和React。与你是一位小学科学老师，擅长用比喻向孩子解释复杂概念。对于同一个关于“云计算”的问题，前者可能从技术架构角度回答，后者则会用“天上的图书馆”来比喻。

2. 任务目标与输出格式：你定义这次对话的终极目标和对结果的形式要求。

   • 示例：我们的目标是生成一份可供团队直接使用的项目计划书。请确保输出包含：背景、目标、里程碑、责任人和风险矩阵，并使用Markdown表格来呈现里程碑和责任人部分。这个指令让模型从一开始就瞄准了“生成结构化文档”的目标，而非进行开放式的头脑风暴。

3. 行为规范与约束：你设定模型的“行为红线”和“行为偏好”。这是确保输出安全、可靠、符合场景的关键。

   • 示例：你应当提供准确、基于事实的信息。如果对某个问题不确定，请明确说明。不要编造信息。所有代码示例必须附带简要注释。这类约束能有效减少模型的“幻觉”（即编造内容），提升回答的可靠性。

1.2 为什么它必须“先行且稳定”？

在实际工程中，一个常见的误区是：在后续对话中不断用用户提示词去纠正模型的行为，比如“不，你要用专家的口气”、“请用列表形式”。这非常低效。

系统提示词的价值在于“一次性设定，全程生效”。它像程序的初始化配置，在对话线程开启时就加载完毕。一个稳定、清晰的系统提示词能带来几个好处：

• 降低单次交互的认知负担：用户不需要在每次提问时都重复交代背景和格式要求。
• 保证输出风格的一致性：在长达数十轮的多轮对话中，模型能始终保持统一的角色和语气。
• 实现复杂任务的分解：你可以通过系统提示词，要求模型“在回答前先逐步思考”，这能显著提升复杂推理任务的准确性。

一个经验法则：如果你的应用场景需要模型持续扮演某个特定角色（如客服、编程助手、创意写手），或者对输出的格式、安全性有硬性要求，那么精心设计系统提示词是你的首要任务。它不应该频繁变动。

2. 用户提示词：提出具体的“本期任务”

用户提示词就是我们最常接触、直接输入给模型的问题或指令。它是驱动本次交互的直接动力，告诉模型“现在，请针对这个具体问题，运用你被设定的角色和能力，给我一个答案”。

如果说系统提示词构建了舞台和角色，那么用户提示词就是每一幕的剧本。

2.1 从模糊到精准：用户提示词的进化层次

用户提示词的质量，直接决定了输出结果的精度。我们可以将其分为几个层次：

• 基础层（模糊指令）：写一首诗。解释一下量子计算。
  • 问题：过于开放，模型自由发挥空间过大，结果不可控。
• 合格层（具体任务）：写一首关于秋天落叶的七言绝句。用比喻的方式向高中生解释量子计算中的‘叠加态’概念。
  • 改进：限定了主题和对象，输出范围收窄。
• 优秀层（结构化指令）：你是一位诗人。请创作一首七言绝句，主题是‘深秋客愁’。要求：前两句写景，渲染萧瑟氛围；后两句抒情，表达思乡之情。避免使用‘愁’、‘思’等直白字眼。
  • 关键：融合了角色（诗人）、具体任务（写诗）、结构要求（起承转合）和风格约束（含蓄）。这就是常说的“结构化提示（Structured Prompt）”。
• 专家层（思维链引导）：对于复杂任务，如代码调试、逻辑推理，可以要求模型展示思考过程。
  • 示例：请检查以下Python函数中的bug，并修复它。请按以下步骤回答：1. 先描述函数预期完成的功能。2. 指出代码中可能存在的问题。3. 给出修复后的完整代码。4. 解释修复的理由。
  • 价值：这不仅得到了答案，还获得了解决问题的“方法论”，便于人类复核和学习。

2.2 用户提示词的核心设计原则：为模型扫清歧义

设计高质量用户提示词的本质，是进行信息降噪和路径引导。你需要假设模型是一个理解力超强但缺乏背景知识的超级实习生，你的指令必须清晰无歧义。

一个实用的设计框架是“CRISP”原则：

• C - Clear (清晰)：指令明确，无歧义。避免使用“好一点”、“优化一下”这种模糊词。
• R - Role (角色)：必要时重申或细化系统提示中的角色。（例如，在系统提示为“开发者”时，用户提示可说：“以Python开发者的视角，分析这段代码……”）
• I - Iterative (可迭代)：将复杂任务分解为多个简单、可顺序执行的子提示。
• S - Structured (结构化)：明确指定输出的格式、组成部分、长度等。（如“用Markdown列表列出5个要点”）
• P - Provided with Context (提供上下文)：对于依赖特定信息的问题，直接将相关文本、代码、数据作为上下文提供给模型。

避坑指南：最大的坑在于“想当然”。你认为模型应该知道的背景信息，它可能并不知道。永远记得在用户提示词中提供足够的、精确的上下文。

3. 助手提示词：并非由用户书写，而是模型的“记忆锚点”

助手提示词（或称为助手消息）是一个容易混淆的概念。它不是由用户主动编写的，而是在多轮对话中，模型根据之前的系统提示和用户提示所生成的历史回复。

它的核心作用是：在持续的多轮对话中，为模型提供对话历史和上下文的“记忆”。

3.1 它如何工作？理解对话的“上下文窗口”

大语言模型没有真正的记忆。它处理每一轮新的用户提问时，所依据的“记忆”就是被重新传入模型的全部历史消息。这个历史消息序列通常包括：

1. 最初的系统提示词。
2. 第一轮的用户提示词。
3. 第一轮的助手回复（即第一个“助手提示词”）。
4. 第二轮的用户提示词。
5. 第二轮的助手回复…… 如此循环，直到达到模型上下文窗口的长度限制。

因此，所谓的“助手提示词”，就是模型自己之前说过的话。它被再次传回模型，是为了保持对话的连贯性。

3.2 为什么你需要关注它？管理上下文与成本

虽然用户不直接编写助手提示词，但理解它至关重要，原因有二：

1. 避免对话“失忆”与“漂移”：如果对话轮次很长，最早的对话内容可能会因为超出上下文窗口而被“遗忘”。你需要有策略地通过新的用户提示词来关键信息（例如，“回顾我们之前关于XX架构的讨论，现在新的问题是……”）。同时，如果模型在某轮回答中出现偏差（“角色漂移”），你可以通过引用它之前的正确回答（即某个助手提示词）来纠正它：“请像你之前那样，以专家的简洁口吻回答。”

2. 成本与性能优化：输入给模型的令牌（Token）数量直接关系到API调用成本和计算时间。历史对话（包含所有助手回复）是令牌消耗的大头。对于超长对话，工程师需要设计策略来摘要历史上下文，或将不重要的早期助手回复剔除，只保留关键信息，以节省令牌并维持模型在长上下文下的性能。这就是“上下文管理”成为高级Prompt工程课题的原因。

实操建议：在开发需要多轮交互的AI应用（如聊天机器人、复杂任务代理）时，你必须设计一个“对话状态管理”模块。这个模块负责维护、修剪和摘要系统、用户、助手三方的消息历史，确保每次调用模型时，传入的上下文是精炼且相关的。

4. 协同作战：从单次问答到复杂工作流

理解了各自的作用后，我们来看它们如何在实际场景中配合。我们以一个“AI代码评审助手”的构建过程为例，展示如何层层递进地使用这三类提示词。

4.1 第一阶段：用系统提示词奠定基础

首先，我们通过系统提示词创建出一个专业的代码评审专家角色。

你是一个严谨、细致的资深软件工程师，专注于代码评审。你的核心职责是发现代码中的潜在问题，并提出建设性改进意见。请遵循以下原则： 1. **聚焦问题**：优先关注代码的正确性、安全性、性能、可读性和可维护性。 2. **对事不对人**：所有批评针对代码，不针对开发者。使用“这段代码可能存在...”而非“你这里写错了...”。 3. **提供依据**：指出问题时，尽量引用相关的编程规范、设计模式或潜在的风险场景。 4. **给出方案**：对于重要问题，提供具体的修改建议或示例代码。 5. **结构化输出**：请将评审意见分为几个类别输出，例如：[安全性]、[性能]、[可读性]、[最佳实践]。 现在，开始进行代码评审。

这个系统提示词一次性设定了角色、态度、评审原则和输出格式。

4.2 第二阶段：用高质量的用户提示词发起任务

接下来，用户提交需要评审的代码和具体关注点。

（系统提示词已加载） **用户提示词**： 以下是需要评审的Python函数，它用于处理用户上传的文件。请特别关注其安全性和异常处理逻辑。 ```python def save_uploaded_file(uploaded_file, save_dir): filename = uploaded_file.filename filepath = os.path.join(save_dir, filename) with open(filepath, 'wb') as f: f.write(uploaded_file.read()) return filepath

这个用户提示词提供了具体的评审对象（代码片段），并明确了本次评审的侧重点（安全性与异常处理），引导模型在系统提示设定的宽泛框架内进行聚焦分析。 ### 4.3 第三阶段：在多轮对话中利用助手提示词 模型生成第一轮评审意见（即第一轮助手回复）。假设用户针对模型的回复，有了更深入的问题。

（历史消息：系统提示 + 第一轮用户提示 + 第一轮助手回复）用户提示词（第二轮）： 你刚才在‘[安全性]’类别中提到了‘路径遍历攻击’的风险。针对这个filename直接连接路径的问题，除了你建议的os.path.basename，在Web环境下，是否有更彻底的安全处理方案？请结合Flask或Django框架的常见实践说明。

在这个第二轮提问中，用户引用了模型第一轮回复（助手提示词）中的具体观点（“路径遍历攻击”），并在此基础上提出更深入的、框架相关的问题。模型在回答时，因为能看到自己之前的完整回复，所以能保持对话的连贯性，知道自己正在深入探讨“安全性”中的某个子问题。 ### 4.4 工程化扩展：提示词模板与变量注入 在实际产品中，我们不会每次手动编写。我们会创建**提示词模板**。例如： * **系统提示模板**：固定不变，存储在配置中。 * **用户提示模板**：`请评审以下{language}代码，重点关注{focus_areas}。代码：{code_snippet}` 在运行时，将用户选择的编程语言、关注领域和实际代码注入到模板的`{变量}`中，动态生成最终的用户提示词。 这种“系统提示定基调，用户提示模板+变量填具体任务”的模式，是构建可复用AI工作流的标准做法。 ## 5. 超越基础：从Prompt工程到Agent工程 当我们能熟练运用系统、用户、助手提示词来构建稳定的单次或多次对话时，我们的视野可以投向更广阔的领域——**智能体（Agent）工程**。这正是当前Prompt工程演进的前沿方向。 一个智能体不仅仅是“问答”，它是一个具备**感知-规划-执行-反思**循环的自主系统。在这个框架下，三类提示词的角色发生了升华： 1. **系统提示词 → 智能体的“宪法”与“核心人格”**：它定义了智能体的长期目标、行为伦理、决策边界以及它拥有的“工具集”（如搜索、计算、代码执行）使用权限。这是智能体一切行动的根源。 2. **用户提示词 → 用户下达的“终极目标”或“初始任务”**：例如，“请帮我研究一下最新的深度学习优化器，写一份对比报告。”智能体接收这个目标后，会将其分解为一系列子步骤。 3. **助手提示词 → 智能体的“工作记忆与思考过程”**：在智能体执行过程中，它会产生大量的内部“思考”（“我需要先搜索‘2024 optimizer review’，然后比较AdamW、Lion和Sophia的参数和性能...”），以及执行工具调用后的结果。这些内容都会以助手消息的形式保存在上下文中，供下一步规划和决策使用。高级的Agent框架会要求模型显式输出“思维链（Chain-of-Thought）”或“推理过程（Reasoning Trace）”，这些都成为助手提示词的一部分，极大地提升了任务执行的透明度和可靠性。 **演进之路**：从精心设计一个Prompt（提示词）到设计一个能理解目标、自我规划、使用工具、并从历史中学习的Harness（智能体框架），这是Prompt工程从“技巧”走向“工程”的完整路径。理解系统、用户、助手提示词，是踏上这条路的坚实第一步。 回到最初的问题：系统、用户、助手提示词分别有什么作用？它们是一个分层协作的沟通体系。**系统提示词定义“你是谁”，用户提示词交代“现在要做什么”，而助手提示词则记录了“我们之前说过什么”**。掌握它们，意味着你不再是与一个黑箱模型随机对话，而是在一个可控的、可设计的框架内，进行目标明确的人机协作。 真正的熟练，始于有意识地为你下一次与AI的对话，设计好这三个角色。