企业智能体交付实战ENTERPRISE AGENT DELIVERY
门户介绍学习精读查阅追问考核资料
门户/介绍/学习/逐节笔记/4.2 Prompt 调优🗺 站点地图
企业智能体交付 · FDE/4.2 Prompt 调优总入口主手册速查📖 术语📝 题库
逐节笔记 · ENTERPRISE AGENT DELIVERY · v5.0

4.2 Prompt 调优

课程逐节笔记离线副本 · lesson-16

第 16 / 19 节离线自包含双端可读

⚡ 必背速达 · 38 个必要知识点

按场景点击直达;带 ↗ 的条目会跳到另一册(相对路径,离线可用)。左侧目录 / 手机抽屉目录顶部也有同一份速达清单,可边看边过滤。

章节:评测与优化智能体 | 来源:腾讯云 ADP-FDE 认证课程 | 整理日期:2026-09-26

4.2Prompt 调优

从问题定位、提示词优化到效果验证,提升智能体回答稳定性

当智能体出现答非所问、格式不稳定、知识不、工具参数错误或语气不一致时,优先不要只判断“模型不行”。更有效的做法是先定位问题来源,再通过 、上下文、模型配置和测试样本逐步优化。

学完这一节,你应该能判断 效果不好的常见原因;掌握清晰指令、示例、问题分解、输出约束等常用调优方法;能设计可复用 模板;能用固定样本验证优化效果;能在 ADP 的标准模式、工作流和

模式中处理典型 问题。

[图:调优|原课程截图,当前离线包未收录]

<figcaption>调优</figcaption>

4.2.1 为什么效果不好

效果不好,通常不是因为某一句话写得不够长,而是任务、依据、边界、格式、上下文或模型配置中有关键要素缺失。调试时应先定位问题来源,再决定改 、改、改工作流,还是调整模型配置。

可以把

理解成给模型的一份“任务说明书”。如果说明书只写“帮我回答一下”,模型虽然会给出回复,但不一定知道应该面向谁回答、依据哪份资料回答、哪些内容不能推测、输出要不要给、后续是否需要固定字段。因此,

调优的第一步不是马上改写,而是先问:这个问题到底是“没听懂任务”,还是“没有拿到正确依据”,或者是“输出格式没有被约束”。

在 ADP 应用中,还要注意 与、工作流、模型配置等是一起生效的,例如没有命中正确内容时,单纯加长 通常不能解决根因。

如果问题出在知识没有命中,优先优化和 ;如果问题出在命中后不会用、格式不稳定、意图执行不准,优先优化 ;如果问题出在复杂、长上下文处理或工具规划能力不足,再结合模型配置和应用模式一起调整。

先定位,再调优

调优前建议先做一次单轮排查:同一条问题下,分别查看用户输入、知识命中、输出、工具返回和最终回复。如果知识命中正确,但最终回复仍然扩展了无依据内容,重点改

;如果知识根本没有命中,重点改、、检索参数或问法改写;如果最终回复正确但下游解析失败,重点改输出格式。

[图:调优|原课程截图,当前离线包未收录]

<figcaption>调优</figcaption>

4.2.2 调优的常用方法

(1)指令清晰:说清楚角色、任务、依据和限制

清晰的

至少要回答四个问题:模型现在扮演什么角色、要完成什么任务、必须依据什么信息、不能做什么。角色决定回答口吻和责任边界,任务决定本轮要完成的动作,依据决定模型能使用哪些信息,限制决定哪些情况必须拒答、追问或转人工。

很多效果问题来自“看似合理但不够具体”的提示。例如“请专业回答”并没有说明专业体现在哪里;“请简洁回答”也没有说明字数、结构或是否需要下一步建议。对企业应用来说, 应尽量把隐含要求显式写出来,让模型少猜。

(2)添加示例:让模型模仿正确输出

当输出格式、判断标准或语气要求不容易说清楚时,添加**1–3

个高质量示例**通常比继续堆规则更有效。示例会告诉模型“什么样的输入应该对应什么样的输出”,尤其适合信息抽取、标签判断、客服话术、 输出等任务。

示例不是越多越好。示例过多会占用上下文,也可能让模型过度模仿某一个样例。更好的做法是选择少量典型样例:一个标准样例、一个边界样例、一个缺失信息样例。这样模型既能学会正常处理,也能知道遇到不完整或高风险输入时怎么兜底。例如:

你是一位专业的工单信息抽取助手。

请从用户描述中抽取以下字段,并按 输出:

- issue_type:问题类型

- location:发生地点

- urgency:紧急程度,取值 high / medium / low

- missing_fields:仍需追问的字段

示例:

用户:北京门店收银机无法开机,今天下午一直影响结账。

输出:{"issue_type":"设备故障","location":"北京门店","urgency":"high","missing_fields":[]}

[图:调优|原课程截图,当前离线包未收录]

<figcaption>调优</figcaption>

(3)问题分解:把复杂任务拆成可验证步骤

复杂任务不要全部压在一个

里。更稳定的做法是把任务拆成多个步骤,或在工作流中拆成多个。拆解的好处是:每一步目标更单一,输出更容易检查,出现问题时也更容易定位是、字段抽取、知识检索还是结果生成出了问题。

例如“处理客户投诉”可以拆成:识别是否投诉、提取客户诉求和关键信息、判断风险等级、查询处理规则、生成回复或转人工建议。不要让一个同时完成所有动作,否则调试时只能看到最终回答,很难知道中间哪一步发生偏差。

  • 先判断用户意图和任务类型。
  • 再提取必要字段,缺失时追问。
  • 然后查询或调用工具。
  • 最后基于结果生成答案,并按格式输出。
  • 如果结果不确定,进入兜底或人工处理。

(4)控制输出:给模板、字段和校验规则

如果后续需要读取模型输出, 中必须明确输出结构。只写“请按 输出”通常不够,还要写字段名、字段含义、取值范围、缺失值处理和禁止输出多余解释。

在工作流中,输出格式不稳定会直接影响后续。例如上游输出多了一段解释文字,下游 解析就可能失败;字段名有时叫 intent、有时叫

user_intent,下游也可能读取不到。因此,凡是要进入后续的模型输出,都应尽量结构化、字段固定、规则明确。

仅输出 ,不要输出解释文字。

字段如下:

{

"intent": "用户意图,取值:咨询 / 投诉 / 办理 / 其他",

"confidence": "置信度,0 到 1 之间的小数",

"need_human": "是否需要转人工,true 或 false",

"reason": "判断原因,不超过 30 字"

}

如果无法判断 intent,intent 输出“其他”,need_human 输出 true。

(5)给模型留出中间选项

不要只给模型“对/错”“能/不能”的二选一。当业务场景存在不确定信息时,应允许模型输出“无法确认”“需补充信息”“建议转人工”等中间结果。例如:

再看四组 Before / After 对比,直观感受“稳定写法”比“随手一写”好在哪。Before 是常见的不稳定写法,After 是更稳定、可直接复用的写法。

对比一:知识问答

Before|不稳定写法

After|更稳定写法

补齐角色、依据、结构和无法确认时的处理方式。

对比二:信息抽取

Before|不稳定写法

After|更稳定写法

明确字段、取值范围、缺失处理和输出格式。

对比三:客服话术

Before|不稳定写法

After|更稳定写法

把“专业”拆成语气、长度、边界和可复制要求。

对比四:工作流

Before|不稳定写法

After|更稳定写法

让下游能稳定解析固定字段。

4.2.3 模板设计

模板的价值,是把一次有效的调优经验沉淀成可复用结构。实际编写时,可以使用“角色—背景—目标—依据—步骤—边界—输出”的结构。它不要求每次都写很长,但能帮助你检查关键要素是否缺失。

模板不是固定话术,而是一张检查清单。简单问答场景可以只保留角色、依据、边界和输出;复杂工作流则需要写清输入、处理步骤、输出字段和异常情况。模板设计的重点是让不同搭建者在同类场景下写出的

保持一致,便于复用、评审和后续维护。

(1)通用模板

你是{角色},服务对象是{受众}。

背景:

{业务背景}。用户输入如下:{用户问题}

可用资料如下:{片段或工具返回}

任务:

请完成{任务目标}。

处理步骤:

  1. 先判断用户意图和必要信息是否完整。
  1. 再依据资料生成回答,不要使用资料外的信息。
  1. 如果资料不足,说明无法确认,并给出下一步建议。

边界:

  • 不得承诺超出权限的处理结果。
  • 不得编造政策、价格、时间或审批结论。

输出格式:

结论:{一句话结论}

依据:{或说明依据}

下一步:{用户可执行动作}

(2)模板使用建议

不同任务的模板重点不同。不要把所有场景都套成同一个长模板,而要根据任务类型保留最关键的约束。下面这些建议可以作为设计 模板时的快速检查。

  • 知识问答类模板重点写清“依据”和“无法确认时的回复”。
  • 信息抽取类模板重点写清字段定义、取值范围和缺失字段处理。
  • 客服回复类模板重点写清语气、禁用表达、风险边界和可复制话术长度。
  • 工作流模板重点写清输入、输出和下游可解析格式。

4.2.4 效果验证与迭代

改完后,不能只看当前那一条问题是否变好。正确做法是用固定样本复测,确认同类问题改善,同时没有引入新的问题。

很多调优失败,是因为每次同时改了太多内容:既改

,又改模型配置,还改和检索参数。这样即使效果变好,也不知道是哪项修改起作用;如果效果变差,也很难。因此建议每轮只改一个主要,并保留优化前后的对比记录。

验证样本不需要一开始就很大,但要覆盖关键类型。比如一个客服助手,至少应包含标准问法、口语化问法、资料不足问法、边界问法和高风险问法。上线前再把这些样本扩展成更完整的。

建议记录字段

每次 优化都应保留版本记录。上线前用小样本验证,重要变更后做回归验证;线上出现 后,应清洗成新样本并补充到中。

4.2.5 基于 ADP 的 设计与问题处理案例

在 ADP 中, 不只出现在一个输入框里。标准模式、知识问答、工作流和 都可能包含不同层级的指令。处理问题时,应先判断应该改哪一层。

如果是全局回答风格、业务边界或身份定位不清,通常优先调整;如果是知识问答中“命中了但不会用”,要检查用户输入模板和依据规则;如果是工作流某个输出不稳定,应调整该提示词;如果是工具调用失败,要同时检查工具说明、入参字段和异常返回处理。

[图:调优|原课程截图,当前离线包未收录]

<figcaption>调优</figcaption>

[图:调优|原课程截图,当前离线包未收录]

<figcaption>调优</figcaption>

案例一:标准模式知识问答回答不稳定

场景:门店员工咨询退换货政策。中已有政策文档,但智能体有时会补充文档里没有的承诺。这个问题的关键不是“模型不会回答”,而是模型没有被明确要求只使用内容,也没有被要求在资料不足时停止推测。

优化后的:

你是门店知识问答助手,服务对象是一线门店员工。

请仅依据内容和用户已提供信息回答,不得编造退换货、赔付、优惠、会员权益等政策。

如果没有明确依据,请说明“当前资料无法确认”,并建议联系门店主管或提交工单。

输出格式:

结论:一句话回答。

依据:说明依据来自哪类政策或资料;如无依据,写“当前资料无法确认”。

下一步:给出员工可执行动作。

案例二:工作流经常漏字段

场景:订票流程需要收集出发地、目的地、出发时间。用户用口语表达时,有时会误填或自行补全字段。的目标不是“尽量猜出答案”,而是稳定识别已提供字段,并把缺失字段交给后续追问。

优化后的:

- departure_city:出发地,必填

- arrival_city:目的地,必填

- departure_date:出发日期,必填

规则:

  1. 如果用户没有提供某个必填字段,将该字段置为空字符串。
  1. missing_fields 输出缺失字段名。
  1. 不要根据常识补全城市或日期。

仅输出 :

{"departure_city":"","arrival_city":"","departure_date":"","missing_fields":[]}

案例三: 任务协作边界不清

场景:一个复杂资料分析应用中,检索、分析和复核都由多个 参与,但经常出现重复检索、直接下结论或遗漏复核。 的 重点不是把每个 都写得很“聪明”,而是让每个

知道自己负责什么、不负责什么、什么时候需要把任务交给其他 。

4.2 练习:优化一个门店客服助手

某连锁零售企业正在搭建门店客服助手。当前如下:

你是门店客服助手,请回答员工和顾客的问题,语气友好,尽量给出帮助。

调试时发现三个问题:用户问退换货政策时,智能体会凭经验补充没有的内容;用户描述投诉时,智能体没有提示转人工;输出有时很长,不适合客服直接复制。请按本节方法优化这个 。

优化后示例

你是门店客服知识助手,服务对象是一线客服和门店员工。

回答规则:

  1. 仅依据内容和用户已提供信息回答,不得编造退换货、赔付、优惠、会员权益等政策。
  1. 如果没有明确依据,请说明“当前资料无法确认”,并建议联系门店主管或提交工单。
  1. 涉及投诉升级、赔付承诺、退款审批、敏感纠纷时,不要承诺处理结果,应建议转人工或按流程提交工单。
  1. 语气友好、简洁、可直接复制给客户。

输出格式:

可回复话术:不超过 120 字。

依据:说明的政策或资料来源;如无依据,写“当前资料无法确认”。

下一步:给出客服或用户可执行动作。

安全补充: 不是安全边界

把“不要泄露数据、不要调用危险工具”写进系统 很有必要,但它只能约束模型行为,不能替代系统层的安全控制。可靠方案应把系统指令、输入过滤、知识与工具权限、入参校验、输出校验和人工审核组合使用。

记住: 注入防护的核心是“即使模型被诱导,系统权限仍然阻止它越权”。系统不能把管理员工具和完整密钥交给模型,再寄希望于一句提示词保证安全。

4.2 小结

  • 效果不好时,先定位任务、依据、边界、格式、上下文和模型配置中的问题。
  • 常用调优方法包括清晰指令、添加示例、问题分解、输出约束和中间选项。
  • 模板应沉淀角色、背景、目标、依据、步骤、边界和输出格式。
  • 优化后必须用固定样本复测,并进行回归验证。
  • 在 ADP 中处理 问题时,要找准配置位置:、用户输入模板、工作流、工具说明或 角色配置。

进 入 下 一 节

下一节 4.3「质量与 问题」会继续讲:当问题不是 能解决,而是知识没命中、 不合理、不准或检索参数不合适时,应该如何优化和 链路。

🏠 返回门户🎯 手册介绍🗺 站点地图📖 主手册📝 考核题库🔍 细节追问企业级智能体交付实战手册 · v5.0 · 离线自包含