01

60 秒回答模板

Agent 系统 Prompt 我会按任务边界、工具边界、输出契约和异常策略来设计。首先明确 Agent 的角色、目标、不能做什么、可用工具、权限边界和回答格式；然后把常见任务拆成意图和槽位，例如对象、时间、范围、约束、输出形式、风险等级。用户请求不完整时，不是直接脑补，而是先检测缺失槽位和歧义，判断缺口是否影响结果。如果是高风险或关键槽位缺失，就追问澄清；如果是低风险且有安全默认值，可以显式说明假设后继续；如果可以通过上下文、用户画像或工具查询补全，就先补全并保留依据。迭代上重点看缺槽误判、过度追问、无依据假设和越权补全这些 badcase，把它们沉淀成规则、few-shot 正反例和评测样本。核心是让模型稳定遵守边界，在信息不足时可控地问、查或假设。

考点 system prompt 的四块
难度 真实面经题
回答目标 讲清边界、缺槽和意图补全
02

深入解析

01

系统 Prompt 先定义边界

系统 Prompt 不是写一句人设，而是定义 Agent 的职责范围、可用工具、禁止行为、权限边界、输出格式和失败处理。它应该让模型知道什么任务能做、什么必须拒绝、什么时候需要调用工具、什么时候需要用户确认。边界越清晰，后续意图补全越稳定。

02

把任务拆成意图和槽位

处理不完整请求前，要知道完整请求需要哪些信息。可以把任务抽象成意图和槽位，例如目标对象、时间范围、地点、数量、约束条件、输出格式、风险等级和确认方式。用户说得少时，Agent 才能判断缺的是关键参数、偏好参数还是可默认参数。

03

缺失信息要分级处理

不是所有缺失都要追问。关键槽位缺失、会造成副作用、涉及金钱权限或不可逆操作时应追问确认；低风险缺失可以用默认值或上下文推断，但要告诉用户假设；可以通过工具查到的信息，就不要让用户重复输入。分级能减少无效追问，也能避免危险脑补。

04

补全来源要可解释

意图补全可以来自当前对话、历史偏好、用户配置、业务规则、检索结果或工具返回。工程上要区分事实、推断和假设：事实可以直接使用，推断要保留置信度，假设要在回答中说明。否则 Agent 很容易把猜测伪装成确定结论。

05

Prompt 迭代围绕补全错误

这道题里的 Prompt 迭代重点不是发布流程，而是不完整请求的处理质量。应把误补全、过度追问、漏问、越权工具调用和格式错误沉淀成样本，更新槽位定义、澄清规则、默认值规则和 few-shot 正反例。评估时重点看缺槽识别、澄清问题质量、假设是否显式和工具补全是否有依据。

06

完整答案要覆盖工具和兜底

Agent 系统 Prompt 还要规定工具调用前后的行为：工具失败是否重试，结果冲突如何处理，用户不回复澄清问题时如何降级，敏感操作是否二次确认。面试中好的回答不是背 prompt 技巧，而是把信息不足时的决策树讲清楚。

03

易错点

  • 把 system prompt 写成角色扮演文案，没有工具边界、输出契约和失败策略。
  • 用户信息不完整时直接脑补，且不说明假设来源。
  • 所有缺失都追问，导致 Agent 低效且体验差。
  • 只靠 prompt 文案迭代，不建立缺槽、澄清、误补全和越权补全的 badcase 评测。
  • 没有区分事实、推断和假设，容易把不确定内容说成确定结论。
  • 忽略高风险操作的二次确认和权限控制。
04

面试官追问

什么时候应该追问，什么时候可以直接补全？

关键参数缺失、高风险或会产生副作用时追问；低风险、可逆、默认规则明确或可从上下文工具可靠获得时，可以说明假设后继续。

如何避免 Agent 过度追问？

给每类任务定义最小必要槽位，只追问影响正确性的缺口。偏好类信息可以先用默认值生成初稿，再让用户修改。

如何避免 Agent 乱补全用户意图？

把事实、推断和假设分开；对低置信推断不直接执行；高风险场景必须确认；同时用 badcase 评测惩罚无依据脑补。

System prompt 里要不要写很多 few-shot？

可以写少量高价值正反例，覆盖边界情况和失败模式。太多示例会占上下文，也可能让模型过拟合某些表达。

如何评估意图补全策略是否变好？

用缺槽识别准确率、澄清问题有效率、无依据假设率、工具补全正确率和任务完成率评估，并按高风险操作、信息查询、内容生成等场景分桶。

用户请求不完整但很紧急怎么办？

先区分风险。如果是低风险信息服务，可以基于最保守假设给可修改草案；如果涉及副作用或安全，应先问最少的关键问题。