构建可靠AI_Agent：从提示词、工作流到知识库的实战指南

关注

原创最新推荐文章于 2026-03-11 00:09:14 发布 1.5k 阅读 AI 写同款· GEO 优化 ›

Langchain Agent常用提示词模板 Langchain的Agent是由提示词驱动的，本篇详细记述了Agent用的提示词。阅读详情

本文系统阐述了在Agentic AI技术发展背景下，如何构建可靠、高效且可落地的AI Agent应用。随着LLM和工具调用标准化，核心竞争力已转向提示词工程、工作流设计和知识库构建三大领域。文章详细介绍了提示词设计方法、工作流DSL描述技术、知识库构建（包括RAG和关系型数据库应用）、安全防护措施以及AI项目确定方法，为开发者提供了全面的AI Agent构建指南。

本文系统阐述了在当前 Agentic AI 技术快速发展的背景下，如何构建一个可靠、高效且可落地的 AI Agent 应用。随着 LLM 和工具调用的标准化，开发的核心竞争力已转向提示词工程（Prompt Engineering）、工作流设计（Workflow）和知识库构建（RAG）三大领域。

一、Agent核心架构定义

Agent系统由五个关键组件构成：

大语言模型（LLM）
提示词（Prompt）
工作流（Workflow）
知识库（RAG）
工具（Tools）

LLM和工具调用已经形成了相对标准化的技术栈。LLM方面，无论选择云端大模型（如阿里百炼平台、IdeaLab）还是本地部署（如Ollama），都有成熟的解决方案；工具调用方面，MCP协议的普及让工具集成变成了配置问题而非开发问题。因此，业务开发的核心竞争力在于提示词 + 工作流 + 知识库上。

二、Prompt工程：给AI写"需求文档"

提示词分为系统提示词和用户提示词，用户提示词就是我们的问题。系统提示词，是agent的背景/角色，设置了agent需要完成什么类型的任务。系统提示词主要包括：身份（Role）+ 上下文（Context）+ 例子（Examples） + 输出规范（Output Format）。

现在已经有了很多帮助我们生产提示词的工具，如：

https://prompt.always200.com/
https://prompts.chat/

我们可以使用工具简单生成初版，再进行后续优化。

以下是https://prompt.always200.com/的系统提示词，可以直接拿过来构建一个自己的系统提示词生成agent，简单场景可以直接使用生成结果。

提示词优化的系统提示词

你是一个专业的AI提示词优化专家。请帮我优化以下prompt，并按照以下格式返回：

生成效果

我在Cherry Studio（一款功能强大的多模型 AI 客户端软件）中就创建了很多agent，满足我在不同场景下的需求。

在提示词中，对于一些重要的内容，可以使用XXXX标记（markdown的加粗语法）；对于一些特殊说明，可以使用统一的特殊符号如“”进行标记。这些标记都可以增强agent对于重要或特殊内容的识别精度和执行优先级。

这里以ideaLab（阿里巴巴集团内部的一个专注于 AI 应用方向的平台）的使用举例：

1.创建一个智能助手

2.粘入提示词，就可以按照需求生成专业的提示词，可以满足日常大部分场景。

接下来，我会列举一些Prompt实际使用时的一些个人经验。

2.1. Role/System

若使用agent不是发散性场景（如创作、讨论）或答疑场景，而是严格按照workflow执行任务，那么在角色中，就不要说是“架构师”，“专家”这类更偏向于人类的角色，而是“机器”，“pipeline”这类更偏向执行流水线步骤的角色。

若使用agent是学习场景，可以设置角色为“善于深入浅出的教学者”，在提问时说“我现在要学习某知识，我对这方面的知识一窍不通，你向我提问n个问题，当我搞懂这n个问题后就可以完全掌握某知识”。通过提问的方式，带着目的的学习，效果非常好。

2.2. Examples

设置少量examples（few-show Learning）可以极大保证agent的回答质量，特别是需要agent按照某种指定格式（如JSON）生成答案的场景。

few-show Learning：小样本学习是一种机器学习框架，在该框架中，AI 模型通过使用极少量的标记示例进行训练来学习作出准确的预测。它通常用于在缺乏合适的训练数据时训练分类任务的模型。

设置examples时，要尽量遵循规范，即：

保证示例的质量；
示例是否正确需要标注清楚，不要模棱两可的示例，不要把对的说成错的；
示例要乱序，不要把正确的回答放一起，错误的回答放一起；
示例格式要统一；
正确回答和错误回答的数量要均衡，通俗说就是数量一致；
设置相似的示例，只有非常小的差别，但是回答的结果却不一样；
尽量保证示例覆盖全面；

examples可以先只设置成Q&A形式，若效果不好，可以添加过程解释，但尽量不要使用自然语言描述过程，因为自然语言的描述很可能不符合指定的workflow，造成歧义。

2.3. Output Format

我们可以在提示词中指定agent的输出规范，但仅仅只有输出规范，agent也不是一定会按照规范输出，所以通常还需要约束条件（Constraints）约束。

在工程结合agent时，通常要求agent返回标准JSON，在工程中进行后续的解析处理。如何要求agent一定返回符合要求的JSON是一个问题。以下提供一个思路：

结合Role的内容，给agent的角色定位远离人类的角色，减少其解释与输出废话的概率；
提示词中增加Constraints，并在提示词开头和结尾反复强调；
增加badcase，把agent不符合预期的输出直接写到提示词中；
工程保障：拿到agent的结果时，可以截取第一个"{“和最后一个”}"之间的内容。

# System: JSON Processing Pipeline

三、工作流：选择DSL描述而非自然语言

自然语言描述的工作流程，往往会携带一些口语习惯，并且对于复杂的流程难以描述清楚。DSL（Domain-Specific Language，领域特定语言）通过结构化语法，能比自然语言更准确地描述业务流程。Mermaid就是一种非常适合的绘制流程图的语言，并且与Markdown完美集成。不会写或者觉得麻烦？没关系，使用上述的提示词优化工具制作一个mermaid agent，将工作流程描述给他，让agent生成流程图。我们只需要简单了解基础语法，对生成的结果进行简单修改即可。

Mermaid 是一个用于绘制图表的 JavaScript 工具库，它允许你使用类似 Markdown 的文本语法来创建和修改图表。

这个能力也非常适合在提问后，让agent输出自己对于问题理解或解答方式的思维流程，这就是一种COT（Chain-of-thought）。通过查看流程，可以快速定位到agent理解不到位的地方并修正。

我的建议是，先用自然语言描述流程。如果agent执行效果不佳，或者流程难以描述，那么就考虑使用mermaid。

提问举例：

“我的问题巴拉巴拉”

请重新梳理用户的问题，使问题更加的清晰和明确，如果问题有多个细节和要求，需要全部梳理出来，使用mermaid清晰列出问题的所有细节，然后再回答的问题。

使用举例

四、知识库：关系型数据库的妙用

4.1. RAG与向量数据库

4.1.1. 背景

首先介绍一下RAG。大模型幻觉是指agent生成虚假、不准确或完全编造的信息的现象。在业务场景中，往往需要agent结合业务知识回答问题，但这些业务知识agent又通常不知道，那么直接把相关文档和问题一起发给agent不就好了？貌似没问题，但是随着文档越来越大，答案可能只是文档中的一小部分，agent看到庞大的输入，就很容易找不到重点。那么只把和问题相关的文档发给agent是不是就可以了？没错，这就是RAG（Retrieval-Augmented Generation）。

怎么判断用户的问题和文档的关系？这就需要Embedding模型了。Embedding模型的输入是一段文字，而输出是一段固定长度的数组，也就是向量。通过计算向量之间的距离，离得越近，相关性就越强。

对于文档过长的问题，需要对文档进行处理。首先对文档进行片段切分（Chunking），可以按照字数、段落、符号、语义等维度切分；切分完成后，对每个chunk都进行Embedding处理；最后，把向量结果和chunk保存到向量数据库中。

用户提问时，会先用相同的Embedding模型把问题转换成向量，然后从向量数据库中找到距离最近的几个内容，最后把检索到的内容和问题一起发给agent。在实际使用时，还需结合top-N、意图模型、reRank重排模型等部分功能提高检索的准确性，这就要求对知识库的内容要：

1.切的对：切分不要按字符切，要按语义切（难点，可以用agent辅助切文档）；

2.排的准：不只靠相似度，还要加回答导向排序；

3.喂的巧：要引导模型引用内容，而不是召回了内容但不用；

4.1.2. 问题

RAG本身是也有许多问题的：

文章应该怎么分块？文章的结构五花八门，不能按照一种分块方式力大砖飞，并且可能会有关键的内容刚好被截断，比如“那头猪是佩奇，那头猪爱玩泥巴”，而这句话被拆成了“那头猪是佩奇”和“那头猪爱玩泥巴”这两部分，第二句的“那头猪”就失去了和“佩奇”的指代关系，当提问“佩奇爱干什么”时，问题和“那头猪爱玩泥巴”的向量距离可能变远而无法匹配。
RAG缺乏全局视角。比如提问“文章中有多少个"我"字”，这种和每个chunk都沾边但又都不是特别相关的问题，RAG就没办法解决了。

4.2. 关系型数据库的一种使用思路

向量数据库中适合保存的内容是文档类型，如一本书、一个Q&A文档等。但对于一些映射关系较强的场景，就不太适合保存到向量数据库了。

我有遇到一个场景：要使用agent进行网页操作。通过配置一个定时任务，当任务触发时，若有要执行的网页子任务，就让agent使用Playwright MCP进行相应的网页操作，返回JSON结果。对于不同子任务，都要有不同的流程、补充信息以及结果格式，甚至为了保证结果质量需要给每个场景设置exemples（比如场景1的结果返回给同学A，场景2的结果返回给群B）。在这个场景下，若直接把子任务信息放到提示词中，随着子任务数量的增多，必然会造成提示词冗余；若配置子任务信息到向量知识库中，不同子任务的配置信息各不相同，无法解决合理分块的问题。这个场景的本质，就是精准找到子任务的所有信息，辅助agent完成任务，而关系型数据库就可以完美应用到这个场景中。

定义表结构如下，通过Postgres MCP，让agent在执行任务前，把用户的提问与表中的keywords进行匹配，找到符合场景的详细信息，就可以实现精准的“RAG”。（若使用ideaLab，可以在项目中提供查表接口，在ideaLab中封装成工具）