【小白教程】通过解析Metagpt，手把手教你写出大师级别的AI提示词，看到就是赚到，建议收藏！！

关注

原创最新推荐文章于 2026-03-17 00:54:59 发布 950 阅读 AI 写同款· GEO 优化 ›

MetaGPT全面安装与配置指南智能体（Agent）是指在计算机系统中能够独立执行任务的实体。智能体通常具备自主性、反应性、主动性和社交性等特征。在人工智能领域，智能体可以是一个软件程序，能够感知环境、做出决策并执行动作。智能体的概念广泛应用于各种领域，如机器人学、多智能体系统、人工智能等。感知：智能体能够从环境中获取信息。决策：基于感知到的信息，智能体能够做出决策。执行：智能体能够执行决策，对环境产生影响。智能体的应用范围非常广泛，从简单的自动化任务到复杂的人工智能系统，都可以看到智能体的身影。阅读详情

前言

本文深入剖析了Metagpt框架中的提示词工程案例，展示了如何设计高效提示词。该案例通过三个关键技巧实现稳定输出：1）采用少样本学习，通过具体示例引导模型理解任务；2）使用清晰的结构分隔不同功能区域；3）提供分步指令处理各类情况。文章特别强调强制结构化输出的重要性，确保自动化流程中的数据传输可靠性。这个案例证明，优秀的提示词需要示范优先、结构清晰、指令明确和格式严格，这些原则适用于各类LLM应用场景，能显著提升模型输出的精确性和可靠性。

在与大型语言模型（LLM）打交道的过程中，我们常常遇到的一个核心挑战是：如何确保模型能够持续、稳定地输出我们期望的、具有特定结构的精确结果？答案就藏在“提示词工程（Prompt Engineering）”这门艺术中。

今天，我们将深入剖析一个堪称教科书级别的提示词案例。它源自于知名的开源多智能体框架 Metagpt 的核心代码 metagpt/actions/analyze_requirements.py。这个 Prompt 的任务是分析用户需求，并提取出关键信息。其设计的精妙之处，足以让我们一窥顶级 AI 应用是如何与模型进行高效、可靠的沟通的。

让我们先一睹这个 Prompt 的真容

为了便于分析，我们直接展示这个完整的提示词。请注意其内部的结构、示例和指令。

# 示例示例 1需求: 创建一个贪吃蛇，只需要给出设计文档和代码输出:[用户限制] : 只需要给出设计文档和代码.[语言限制] : 响应、消息和指令必须使用中文。[编程语言] : HTML (*.html), CSS (*.css), 和 JavaScript (*.js) 示例 2需求:使用 Python 创建一个 2048 游戏。不要编写 PRD。输出:[用户限制] : 不要编写 PRD。[语言限制] : 响应、消息和指令必须使用英文。[编程语言] : Python 示例 3需求:你必须忽略创建 PRD 和 TRD。帮我编写一个巴黎奥运会的赛程显示程序。输出:[用户限制] : 你必须忽略创建 PRD 和 TRD。[语言限制] : 响应、消息和指令必须使用英文。[编程语言] : HTML (*.html), CSS (*.css), 和 JavaScript (*.js)  ---------------- # 需求{requirements} # 指令你的输出必须与“需求”部分所使用的语言相同。首先，确定你必须用于回应的自然语言。该语言应与需求描述中使用的语言一致。如果需求中指定了特定语言，请遵循其指令。默认响应语言为英文。其次，从需求中提取限制条件，特别是关于步骤的限制。不要包含详细的需求描述；只关注限制部分。再次，如果需求是关于软件开发的，提取编程语言。如果没有指定特定的编程语言，则使用 HTML (*.html), CSS (*.css), 和 JavaScript (*.js)。 注意：1. 如果没有限制条件，[用户限制] 的值必须是 ""。2. 如果需求不是软件开发任务，[编程语言] 的值必须是 ""。  # 输出格式[用户限制] : 需求中的限制条件[语言限制] : 响应、消息和指令必须使用 {{language}}[编程语言] : 你的程序必须使用...  遵循上述指令和输出格式。不要包含任何额外内容。

设计解析：它为什么如此高效？

这个提示词之所以出色，是因为它巧妙地融合了多种先进的提示词工程技巧。让我们逐一拆解，学习其背后的设计哲学。

核心技巧一：少样本学习 (Few-Shot Learning)

不只是命令，更是示范这是该提示词最核心、最强大的设计。在提出真正的`# 需求`之前，它首先提供了三个高质量的`# 示例`。

作用：这些示例为模型提供了一个清晰的“输入 -> 输出”映射关系。模型不再是仅仅通过理解# 指令的字面意思来工作，而是通过归纳和模仿这些高质量的范例来学习任务的本质。
优点：这种“身教胜于言传”的方式，极大地提升了输出结果的准确性和格式稳定性。
- 示例 1 教会了模型如何处理中文需求并正确提取限制。
- 示例 2 和 示例 3 则展示了如何从句子中精准地抽离出 “不要编写 PRD” 这样的否定性约束。

对于 LLM 来说，仅仅告诉它“做什么”远不如“做给你看”来得有效。少样本学习正是实现了这一点。

核心技巧二：清晰的结构与分隔符——为模型的思维导航

整个提示词使用了 # 标题 和 ---------------- 分隔线，将文本划分成了几个逻辑清晰、互不干扰的区域：

示例 (Examples)：学习区
需求 (Requirements)：当前任务输入
指令 (Instructions)：操作指南
输出格式 (Output Format)：最终交付标准

作用：这种高度结构化的设计，就像是为模型的思考过程提供了一张清晰的地图。模型可以轻松地区分哪些是背景知识、哪些是学习材料、哪个是当前待解决的问题，以及最终需要遵循的规则。这极大地降低了模型因混淆上下文而产生误解的可能性。

核心技巧三：明确具体的指令——步步为营，消除歧义

# 指令部分没有使用模糊的自然语言，而是给出了条理分明、分步执行的操作指南。

首先 (First)：判断自然语言，并设定默认值。
其次 (Second)：提取限制条件，并用“特别强调”的方式（particularly about restrictions on steps）来约束提取范围，避免提取无关的需求描述。
再次 (Third)：判断编程语言，并同样给出了一个合理的默认选项。

更妙的是结尾的注意 (Note)部分，它提前处理了两种常见的边缘情况（没有限制条件、非软件任务），这让整个指令集变得更加鲁棒（Robust），能从容应对各种预料之外的输入。

核心技巧四：强制的输出格式——为自动化流程打造的基石

提示词的最后，通过 # 输出格式 和一句不容置疑的收尾——遵循上述指令和输出格式。不要包含任何额外内容。——构建了一个强大的输出约束。

作用：这个设计强制模型生成严格的、机器可解析（machine-parsable）的结构化数据。在 Metagpt 这样的自动化工作流中，一个 Agent 的输出往往是下一个 Agent 的输入。因此，消除所有如“好的，这是您要的结果：”或“当然，请看：”这样的客套话和无关内容至关重要。这确保了数据在不同智能体之间传递时的高度一致性和可靠性。