【coze】一、在coze中如何应用提示词Prompt

原创 已于 2025-12-20 16:54:08 修改 · 352 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#prompt

于 2025-12-20 16:37:09 首次发布

文章目录

前言

coze是字节跳动开发的零代码开发智能体agent的工具。

在coze中开发一个agent需要经历以下几步：

在这里插入图片描述
可以看到第一步就是要实现提示词工程，那什么是提示词工程呢？在coze中又应该如何应用提示词呢？

一、什么是提示词Prompt

提示词是搭建智能体的第一步

提示词=与AI沟通的"说明书"

提示词(Prompt)为开发者赋予Bot的身份、能力和行为规范,它决定了Bot的响应质量和风格。

  • 提示词帮助用户控制语言模型输出,生成适合的特定需求。
  • 提示词调整提供了对模型行为的直观控制,但对提示的确切措辞和设计敏感,因此需要精心制定的准则以实现期望的结果。

提示词4个关键要素：角色定位、技能描述、输出格式、约束条件

在这里插入图片描述

下面我们将以设计一个高情商职场回复小助手agent作为示例，看看它的提示词从这四个要素出发应该如何设计。

角色设定：角色越具体，回复越专业。

在这里插入图片描述

技能描述：让bot知道做什么

在这里插入图片描述

输出格式：让bot知道怎么做

在这里插入图片描述

约束条件：给bot设置边界

在这里插入图片描述

二、在coze中如何应用提示词

前面我们了解了提示词Prompt是什么，那么实际使用时，我们该如何操作呢？

在使用前，我们还需要首先了解一下提示词的分类：提示词主要分为两类，系统提示词与用户提示词。他们的区别如下图所示：
在这里插入图片描述
通过对他们区别的描述，不难看出，我们在第一节提到的提示词四要素（角色定位、技能描述、输出格式、约束条件）是针对系统提示词的。

在coze中主要支持以下三种提示词设计方法：

在这里插入图片描述
目前比较常用的方式是：人工编写提示词 + AI调优 + 人工继续调整

以一个健康咨询助手举例：

我们首先人工设置了系统提示词如下

你是一个友好且专业的健康咨询助手,专注 于提供基于科学和医学知识的健康建议。回答应专业且易懂,语言温和鼓励。确保建议基于最新健康指南,避免提供具体医疗诊断。

用户提示词:

我最近总是感到疲劳,这可能是什么原因呢?

第一步：建立一个健康咨询助手agent

在这里插入图片描述
在这里插入图片描述
第二步：输入系统提示词

系统提示词与用户提示词如下：
在这里插入图片描述
人工首次输入时，可能仅仅想到了需要实现的简单功能，所以最开始的提示词可能是一段简短的描述，此时，我们可以点击AI自动优化，并对我们的系统提示词进行替换
在这里插入图片描述
优化后，提示词变的比较专业了，基本是按四要素来的
在这里插入图片描述
在这里插入图片描述

需要注意的是，技能是可以填很多的，以及四要素某些要素在非必要时也可省略，比如本次AI优化后的提示词就没有输出格式这个要素。此外AI优化后，我们可以作为参考，如果觉得仍有需要修改的地方，可以人工调整。
这就是我们提到的 目前比较常用的方式是：人工编写提示词 + AI调优 + 人工继续调整

三、高情商职场小助手案例

可以看到系统提示词完全涵盖了四要素：角色、技能、输出格式、限制
在这里插入图片描述
最后总结一下，为什么要规范提示词呢？我们可以对不同的Prompt进行对比（可以在coze中使用不同风格的系统提示词，然后看看提问后，agent的回答有什么区别）

在这里插入图片描述

四、Prompt设计六要素

上面我们提到了Prompt四要素，但实际在工作中可能会用到六要素。

这是一套基于实际项目经验总结的系统化Prompt设计方法论。

核心思想：将大模型（LLM）视为一个可独立执行任务的Agent，并为其提供一套清晰的标准作业流程（SOP）。

Prompt = 角色(Role) + 上下文(Context) + SOP(Workflow) + 边界(Boundary) + 回答约束(Constraints) + 示例(Examples)

角色(Role)

  • 明确专业领域：如意图识别专家、问题分类专员

  • 单一职责原则：一个Agent只做一件事，复杂流程通过多个Agent协作完成

  • 避免角色冲突：不要让同一个Agent同时扮演客服和销售等冲突角色

上下文(Context)

  • 状态显式传递：明确告知当前流程节点、循环次数、用户资格等关键状态

  • 分层加载：只加载当前节点相关的上下文，避免Prompt过长导致注意力分散

  • 结构化呈现：使用表格、列表等结构化方式组织上下文信息

SOP

  • CoT思考链：强制模型输出思考过程，按识别状态 → 理解输入 → 判断行动 → 生成输出 顺序执行

  • 步骤编号：明确标注，让模型理解执行顺序

  • 决策树结构：使用"如果…则…"的条件分支，覆盖所有可能路径

  • 循环控制：根据循环次数动态调整策略

边界(Boundary)

  • 知识边界：明确知识来源，如"回答必须严格基于知识库"

  • 职责边界：明确处理范围，如"只处理A，不回答B"

  • 状态限制：基于用户状态限制可能的意图，如"新用户不可能是续费问题"

  • 兜底策略：不确定时宁可返回不明确，也不要猜

回答约束(Constraints)

  • 格式刚性约束：严格定义XML/JSON结构，强调必填字段和可选字段

  • 提供完整示例：给出多个完整示例，覆盖各种场景

  • 字段语义化：使用中文描述（问题类型A）而非编号（类型1）

  • 语言风格统一：明确称呼、语气、句式细节

示例(Examples)

  • 双轨制示例：固定示例(人工编写典型case)+ 动态示例(向量检索相似问题)

  • 覆盖边界case：重点提供容易混淆的场景

  • 完整的输入输出：不只给输入，还要给完整的输出格式示例

  • 多轮对话示例：展示历史对话如何影响当前判断

没有完美的Prompt，只有不断迭代的Agent。

Coze智能体开发：工作流中如何动态修改提示词
王国平的博客
07-01 1096
本文介绍在智能体和工作流中如何动态修改提示词。通过设置变量，并动态传入变量的值，开发者可以灵活调整提示词，以便提升智能体的适应性和灵活性，使其能够根据不同的用户需求和场景动态调整输出。例如多语言支持、个性化回答或特定领域的问答。
Coze智能体开发：什么是提示词及其编写建议
王国平的博客
07-07 645
提示词 (Prompt) 是 AI Agent 的核心，它决定了模型生成结果的质量和准确性。提示词不仅影响输出，还决定了模型对输入信息的理解深度。通过科学的提示词设计，开发者能高效引导模型生成符合预期的高质量输出。
COZE官方文档基础知识解读第三期 —— prompt（提示词）
qq_53250079的博客
07-14 1493
COZE提示词基础解析和使用
手把手带你学扣子Coze之提示词优化插件
落笔画忧愁
03-17 1129
指的是“sd_better_prompt”插件这个功能就像一位翻译官：它把你用日常语言描述的画面（比如 "蓝天下的卡通小狗"）转换成 AI 绘画程序能精确理解的参数指令。经过这道翻译工序后，AI 就能更准确地还原你想象中的画面，生成更符合要求的图片。简单来说：你说话 -> 翻译成机器语言 -> AI 根据优化后的指令作画 = 更高质量的图片。
COZE应用的灵魂，90+高质量prompt，一次带走
python1222_的博客
08-05 1384
1、首先我们得搞清楚prompt的本质是什么？我认为prompt就是。
Coze.Task2-Prompt
qq_45447347的博客
10-15 1083
Prompt是用户给予大语言模型（LLM）的指令和提示，用于引导模型给出我们想要的输出。用户是产品经理，告诉LLM模型这个打工仔要实现怎样的功能。
Coze 工作原理与应用实例：从零打造 AI Agent
core815的专栏
12-11 1196
Coze 工作原理与应用实例：从零打造 AI Agent
【全网最全最详细】智能体提示词prompt教程
qq_38196449的博客
05-13 5815
定义：提示词是用户输入给AI模型（如ChatGPT、MidJourney等）的指令或问题，用于引导模型生成特定类型的输出。它是用户与AI交互的核心媒介。作用：提示词的质量直接影响AI输出的准确性和相关性。好的提示词能明确任务边界、减少歧义，并激发模型的创造力。提示词就是“给AI下指令的说明书”——越清楚、越具体，AI干得越好！帮你更快、更准地拿到想要的结果，不用和AI“猜谜语”。
水文-用 Coze工作流构建提示词模板库（干货分享）
ahauedu的专栏
04-27 1906
提示词模板库（干货分享）适合用于 Coze 的 Prompt 节点或作为自己的提示词积累一个好的 Coze 工作流，90% 的效果都藏在提示词Prompt设计里。尤其是“洗稿”这种场景，提示词既要指令明确，又要留有创造空间。以下是我在实战中总结出的五类核心提示词模板，每类都配有应用说明和示例，可直接拿来用或根据需要进行微调。
扣子（Coze）智能体开发指南：从零到一创建AI Agent与提示词精髓
guo365的专栏
08-28 7458
字节跳动推出的“扣子（Coze）”平台是一个低代码AI智能体开发工具，支持用户通过图形化界面快速构建专属AI应用。该平台集成了多种大语言模型和插件功能，包括联网搜索、知识库、工作流等，显著降低了AI开发门槛。文章以创建“互联网热点资讯小助手”为例，详细介绍了五步开发流程，重点强调了提示词（Prompt）编写的核心技巧，如角色设定、任务分解和输出格式规范。通过实战演示，展示了如何利用Coze平台开发具备特定功能的AI智能体，并指出持续迭代优化是提升智能体性能的关键。
prompt engineering 中的常用计技巧 - 少样本提示、思维链提示、回退提示
wangkai6666的博客
12-14 758
少样本提示是指在提示词中提供少量（通常 2-5 个）示例，让模型通过学习示例的逻辑和模式，完成同类任务的提示方法，无需大规模微调模型，适配样本稀缺的场景。思维链提示是通过在提示词中引导模型分步推理，先输出中间思考过程，再得到最终答案的提示方法，专门解决复杂逻辑问题（如数学计算、多步推理、因果分析）。回退提示是一种容错型提示策略，当模型无法直接回答问题（如知识盲区、格式不匹配、输入异常）时，引导模型触发预设的 “回退逻辑”，避免输出无效或错误内容。
FastMCP之Prompts
cosseen的专栏
12-17 972
提示词就像给 AI 模型（比如 ChatGPT 这类）准备的「带填空的固定说法模板」—— 模板里的 “填空” 就是可替换的参数。FastMCP 先找到你提前定义好的这个模板；如果模板里有 “填空”（参数），就按你之前设定的规则（比如 “填空必须是数字”“不能空着”），检查对方填的内容合不合格；检查没问题后，你的程序（函数）就用这些填好的、合格的信息去干活；最后会生成一段完整的话，传给 AI 模型，告诉 AI 该怎么回应才对。
Prompt Engineering 基础原理：从入门到实践
沛哥儿的专栏
12-15 1048
Prompt（提示词）就像是你给AI的"指令"或"问题描述"。想象一下，你是一位厨师，AI是你的助手——如果你只说"做顿饭"，助手可能不知所措；但如果你说"做一份番茄炒蛋，要酸甜口味，鸡蛋要嫩"，助手就能做出符合你期望的菜品。 Prompt Engineering（提示工程）就是设计高质量提示词的艺术和科学。通过优化提示词，我们可以让AI更准确、更高效地完成任务。这不仅仅是"问问题"，而是系统性地设计沟通方式，让AI理解我们的真实意图。
Bright Data AI Scraper Studio：用Prompt秒建企业级爬虫，让数据采集进入AI时代
热门推荐
鱼干的博客
12-16 2万+
在数以万计的抓取工具中，Bright Data AI Scraper Studio 之所以引起行业高度关注，源于它抓住了企业在数据采集上的核心矛盾：传统爬虫无法规模化，而企业的数据需求正在快速扩大。AI Scraper Studio 的定位非常清晰——它是一套“由 AI 驱动的企业级爬虫生成与管理系统”，允许用户用简单的自然语言 prompt 生成可运行的爬虫脚本，并自动形成 API、调度、代理配置、数据导出与维护能力。“让任何人都能在几分钟内构建可扩展、可维护、可自愈的生产级爬虫。
Prompt三大框架之一 ICIO
settingsun1225的专栏
12-15 391
📌 ICIO：高效Prompt结构化框架 ICIO是一个经典的Prompt结构化框架，包含四个核心要素： 1️⃣ Instruction：明确任务指令（如"总结日志并指出风险"） 2️⃣ Context：提供背景信息（如"生产环境日志用于事故复盘"） 3️⃣ InputData：指定处理数据（如原始日志文本） 4️⃣ OutputIndicator：定义输出格式（如JSON结构化要求） 🔧 工程师价值： • 降低模型误解风险 • 提升输出可复现性 • 特别适合工程
企业级 AI 编程 Prompt 体系
HBLOG
12-16 625
当所有公司都能用 AI 写代码时，谁能把 AI 纳入工程体系，而不是工具清单。把“人类的软件工程经验”翻译成“AI 可执行的规则体系”也是企业在 AI 时代构建长期技术竞争力的关键基础。
Prompt工程 智能客服推荐应用案例
最新发布
chenjian723122704的专栏
12-18 547
LangChain 是一个开源框架，旨在帮助开发者利用大语言模型（LLM）构建智能应用程序它通过提供模块化的工具和组件，使得开发者能够轻松集成外部数据、上下文记忆和工具调用，从而增强LLM的能力。截止2024年4月，LangChain 的最新版本为 v0.3。该框架支持 Python 和 JavaScript 两种主要编程语言，官方文档地址以为： https://python.langchain.com/docs/introduction/
Windows-PowerShell-prompt
feiyu5323的专栏
12-16 442
若要自定义提示符，请编写新的 prompt 函数。该函数不受保护，因此可以覆盖它。若要编写 prompt 函数，请键入以下内容：随后在大括号之间，输入创建提示符的命令或字符串。与任何函数一样，prompt 函数仅存在于当前会话中。如前一章的例子。PowerShell 配置文件是在 PowerShell 启动时运行的脚本。可以使用配置文件作为启动脚本来自定义环境。可以将如前一章的例子都添加到配置文件中。可以添加命令、别名、函数、变量、模块、PowerShell 驱动器等。
langchain agent动态变更系统prompt
luohualiushui1的专栏
12-17 282
langchain agent动态变更系统prompt
Coze 中如何导出历史记录用于提示词优化？
08-09
### 导出历史记录的方法 在 Coze 平台中，用户可以通过平台提供的接口或界面功能导出历史记录。历史记录包括用户输入的提示词、模型生成的响应、用户反馈以及修改记录等信息，这些数据对于优化提示词具有重要价值。通过分析这些记录，可以识别出常用结构、高频关键词和用户偏好，从而构建更高效的提示词模板。 用户可以直接在 Coze 的对话界面中查看历史记录，也可以通过 API 接口获取结构化数据[^1]。例如，使用以下 Python 代码片段可以调用 API 获取历史对话记录： ```python import requests # 获取历史对话记录 response = requests.get("https://api.coze.com/conversation/history", headers={"Authorization": "Bearer YOUR_API_KEY"}) history_data = response.json() ``` ### 提示词优化的步骤 在获取历史记录后，可以按照以下步骤进行提示词优化： 1. **数据清洗与结构化** 历史记录中可能存在噪声数据，例如重复内容、无效对话等。需要对数据进行清洗，并提取关键字段，如用户输入、模型输出、反馈信息等。可以通过正则表达式或自然语言处理技术进行数据标准化处理。 2. **模板提取与复用** 分析历史记录中成功的提示词结构，提取常用模板。例如，在合同生成任务中，可以识别出“违约责任”“付款条款”等常见结构，并将其整合为通用提示词模板[^4]。 3. **上下文感知提示词生成** 利用历史对话内容构建上下文感知的提示词，使模型在生成响应时能够更好地理解用户意图。例如： ```python # 构建基于历史记录的提示词 prompt = f"基于以下历史对话：\n{history_data}\n请生成新的提示词以完成任务：{current_task}" ``` 4. **反馈驱动优化** 用户对模型输出的修改记录可以作为优化提示词的重要依据。例如，如果用户多次在输出中添加特定条款，则可以在提示词中加入该信息，提升模型的准确性[^2]。 5. **自动化提示词工程** 利用 Coze 提供的数据分析功能，对历史记录进行语义聚类、关键词提取等处理，自动生成优化后的提示词。例如，通过 TF-IDF 或 BERT 等算法提取关键词，并构建更具针对性的提示词模板[^3]。 6. **版本管理与评估** 建议对生成的提示词进行版本管理，记录每次优化的依据和效果，便于后续迭代和性能评估。可以通过 A/B 测试等方式，对比不同提示词的输出质量，选择最优方案[^1]。 ### 合规与安全注意事项 在使用历史记录生成提示词时，需确保数据的隐私性和合规性。例如，在合同生成场景中，应对用户输入的敏感信息进行脱敏处理，并在生成的提示词中避免泄露关键业务数据[^4]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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