在一个智能体中，提示词应该有那几个模块组成？

“ 为了引导提升大模型输出质量，因此输入大模型的提示词需要有特定的模板。”

在前面的文章中说过大模型的应用开发，本质上就是对提示词对封装，那么在一个大模型应用中，提示词应该有那几个模块呢？

下面，我们以智能体开发为例，阐述一下提示词应该有那几个模块组成。

智能体中的提示词模块

1⃣ System Prompt（系统提示）

作用：

为大模型定义角色、风格、边界和全局目标。
常包含：
- 智能体身份（如“你是一个智能项目工单生成智能体”）
- 行为原则（准确、简洁、先澄清再回答）
- 输出风格（是否 JSON / Markdown / 严格格式）
- 禁止事项（不要编造、不要提供法律建议等）

2⃣ Tools / Functions Schema（工具或函数描述模块）

作用：

告诉模型当前可用的工具和如何调用
通常包含：
- 工具名称
- 工具用途描述（对模型而非用户）
- 参数名称、类型、含义（JSON Schema）

在 LangGraph / LangChain智能体中，每次推理都需要注入，以便大模型调用合适工具。

3⃣ Chat History（对话历史）

作用：

让大模型在当前对话中“有记忆”，知道用户已说过什么
避免重复澄清问题
支持多轮连续上下文理解

在 LangChain / LangGraph 中使用： MessagesPlaceholder(variable_name="chat_history")

来动态注入完整或摘要化的对话历史。

4⃣ User Input（用户输入）

作用：

本次用户真实问题 / 指令
用于让大模型根据当前输入做推理
在提示词模板中通常占位为： {user_input} 或使用： HumanMessagePromptTemplate.from_template(human_prompt)

5⃣ Output Format Constraints（输出格式约束）

作用：

指定输出的格式结构，方便解析和自动处理。
可包含：
- 严格要求输出 JSON / Markdown
- 限制字段名、字段顺序
- 示例输出

在生成结构化数据、SQL、工单时非常关键，常结合 StructuredOutputParser或 ResponseSchema使用。

汇总结构（记忆示范）

【智能体提示词典型结构】 1⃣ System Prompt - 定义角色、风格、目标 - 限制行为 2⃣ Tools / Functions Schema - 工具名称、描述 - JSON Schema 参数定义 3⃣ Chat History - 注入多轮对话历史或摘要 4⃣ User Input - 用户本轮输入 5⃣ Output Format Constraints - 明确格式要求 - 示例结果

在 LangGraph / LangChain 中如何组织？

from langchain.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate, MessagesPlaceholder system_prompt = "你是一个项目智能工单生成智能体..." human_prompt = "{user_input}" prompt = ChatPromptTemplate.from_messages([ SystemMessagePromptTemplate.from_template(system_prompt), MessagesPlaceholder(variable_name="chat_history"), HumanMessagePromptTemplate.from_template(human_prompt) ])

并通过：
StructuredOutputParser确保输出结构
工具描述在 Agent 初始化时注入

实现完整提示词编排，让智能体稳定且可解析。