^__^ • 1 / 09
错误1：Prompt过长，模型注意力分散 表现：1000+行超长Prompt，模型经常"忘记"关键指令 原因：模型注意力机制的限制，过长的Prompt导致关键信息被淹没 解决方案: 1 采用Multi-Agent架构，每个Agent只负责一个子任务 2 分层加载上下文，只加载当前步骤相关的信息 3 单个Agent的Prompt控制在500行以内 实战案例：将超长Prompt拆分为多个聚焦的小Prompt，每个控制在300-500行以内 错误2：状态管理混乱，多轮对话不连贯 表现：Agent"忘记"用户之前的诉求，重复提问，用户体验差 原因：依赖LLM从历史对话中推断状态，但LLM不擅长状态管理 解决方案: 状态显式传递：在Prompt开头明确告知当前状态 职责分离：LLM负责内容生成，代码负责状态管理 实战案例：在每个Agent的Prompt开头添加"## 当前状态"部分 错误3：边界case处理不当，误判率高 表现：相似意图经常混淆，如"为什么限制我的支付？"被误判为其他意图 原因：边界规则描述不清晰，缺少边界case的示例 解决方案: 1 用表格清晰展示边界规则 2 提供大量边界case的Few-shot示例 3 明确判断逻辑 错误4：输出格式不稳定，程序解析失败 表现：LLM有时输出JSON，有时输出自然语言，导致程序解析报错 原因：格式约束不够强，示例不够多 解决方案: 在Prompt中明确要求"严格遵循XML/JSON格式" 提供至少5个完整的输出格式示例 明确标注必填和可选字段 在输出要求中强调"不要输出分析过程，直接输出结果" 实战案例：在每个Agent的Prompt中添加"## 输出格式"部分，提供6-7个示例 6大核心原则： 单一职责：一个Agent只做一件事，做好一件事。 职责分离：LLM擅长创造性生成，不擅长确定性决策。 显式优于隐式：状态、规则、示例都显示，明确告知优于期待模型推断。 结构化优于自然语言：使用表格、列表、代码块展示规则、要求、示例。 示例优于说明：边界case、输出格式都要有示例而非说明。 测试驱动优化：建立测试用例集、准确率baseline，根据错误case分析优化。 各位彦祖亦菲，你学会了吗？延展阅读：Prompt设计六要素