几种常用的Agent的Prompt格式

常用Agent的Prompt格式及设计要点

一、基础框架范式(Google推荐标准)

1. 角色与职能定义
<Role_Definition>
你是“项目专家”(Project Pro),作为家居园艺零售商的首席AI助手,专注于家装改造领域。你的核心使命:
1. 协助客户精准选购商品
2. 解决园艺技术问题
3. 安排安装服务
4. 优先使用工具获取实时数据(非依赖内部知识库)
</Role_Definition>

关键要素:身份定位、核心目标、能力边界、工具使用优先级

2. 上下文注入
<Context>
用户档案:
- 年龄:32岁
- 国籍:中国
- 偏好:极简风格/预算敏感
<Data>
近期热销商品:智能灌溉系统(销量增长40%)
</Data>
</Context>

作用:提供个性化服务依据,减少幻觉

3. 任务执行流程(COT思维链)
<Execution_Steps>
1. 调用商品检索工具,获取符合用户需求的商品清单
2. 使用比价工具分析价格趋势
3. 进入<折扣计算>模块申请优惠
4. 生成Markdown格式的购买方案
</Execution_Steps>

设计技巧

  • 单步骤只做一件事
  • 明确工具调用顺序
  • 嵌入子模块(如<折扣计算>
4. 输出规范(含示例)
<
### Prompt Engineering 面试问题及答案 #### 1. 什么是Prompt Engineering? Prompt Engineering 是指通过设计和优化输入给AI模型的提示(prompt),以引导模型生成更准确、相关或有创意的输出。它涉及理解模型的行为,选择合适的提示结构,以及调整提示内容以适应不同的任务需求[^1]。 #### 2. 请解释零样本(Zero-Shot)提示和少样本(Few-Shot)提示的区别。 零样本提示是指模型在没有提供任何示例的情况下直接根据给定的任务描述生成输出。而少样本提示则是在提示中提供少量示例,帮助模型更好地理解任务要求并生成更准确的结果。少样本提示通常能提高模型的表现,尤其是在复杂任务中[^1]。 #### 3. 如何优化一个提示以提高模型的输出质量? 优化提示的方法包括: - **明确任务目标**:确保提示清晰地描述了需要完成的任务。 - **使用结构化格式**:例如使用模板或特定的指令格式。 - **添加上下文信息**:为模型提供额外的背景知识或约束条件。 - **迭代测试与调整**:通过多次尝试不同的提示组合,找到最有效的版本。 ### RAG(Retrieval-Augmented Generation)面试问题及答案 #### 1. 什么是RAG(Retrieval-Augmented Generation)? RAG 是一种结合检索(retrieval)和生成(generation)的技术,用于增强AI模型的能力。它首先从外部知识库中检索相关信息,然后将这些信息作为上下文输入到生成模型中,从而生成更准确和相关的输出。RAG 特别适用于需要实时更新或依赖外部知识的任务[^1]。 #### 2. RAG 的主要组成部分是什么? RAG 的主要组成部分包括: - **检索器(Retriever)**:负责从外部知识库中检索相关信息。 - **生成器(Generator)**:基于检索到的信息生成最终的输出。 - **知识库(Knowledge Base)**:存储可供检索的信息源,如文档、数据库或网页内容[^1]。 #### 3. RAG 与传统的生成模型相比有哪些优势? RAG 相比于传统生成模型的优势包括: - **更高的准确性**:通过检索外部知识库中的信息,可以提供更准确的答案。 - **更好的可解释性**:生成的结果可以追溯到具体的来源,增加了透明度。 - **实时更新能力**:可以动态获取最新的信息,适应不断变化的知识需求[^1]。 ### AI Agent 面试问题及答案 #### 1. 什么是AI Agent? AI Agent 是一种能够自主决策并执行任务的智能实体。它可以感知环境、处理信息、制定策略,并采取行动以达成特定目标。AI Agent 通常具有一定的学习能力和适应能力,能够在复杂的环境中进行交互和优化[^1]。 #### 2. AI Agent 的基本架构是什么? AI Agent 的基本架构通常包括以下几个部分: - **感知模块**:负责接收来自环境的输入信息。 - **决策模块**:根据感知到的信息和内部状态,制定下一步的行动计划。 - **执行模块**:将决策转化为具体的动作,影响环境。 - **学习模块**:通过反馈机制不断优化自身的决策和行为模式[^1]。 #### 3. AI Agent 如何与RAG结合使用? AI Agent 可以通过RAG技术增强其知识获取能力。当AI Agent需要处理一个任务时,它可以先使用RAG的检索器从外部知识库中获取相关信息,然后利用生成器生成相应的响应。这种结合使得AI Agent能够在面对未知或复杂问题时,动态地获取必要的信息,从而做出更明智的决策[^1]。 ### 示例代码:RAG 实现 ```python from transformers import RagTokenizer, RagRetriever, RagSequenceForGeneration # 加载预训练的RAG模型和分词器 tokenizer = RagTokenizer.from_pretrained("facebook/rag-sequence-nq") retriever = RagRetriever.from_pretrained("facebook/rag-sequence-nq", index_name="exact", use_dummy_dataset=True) model = RagSequenceForGeneration.from_pretrained("facebook/rag-sequence-nq") # 输入问题 input_question = "What is the capital of France?" # 对输入进行编码 input_ids = tokenizer(input_question, return_tensors="pt").input_ids # 进行推理 generated = model.generate(input_ids) decoded_output = tokenizer.batch_decode(generated, skip_special_tokens=True) # 输出结果 print(decoded_output[0]) ``` ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

telllong

你的鼓励是我创作最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值