角色设计

引言 系统提示（System Prompt）是LLM应用的"灵魂"。它定义了AI的角色、行为方式、能力边界和价值观。一个好的系统提示可以让AI从"通用聊天机器人"变成"专业领域专家"。2026年，随着模型指令跟随能力的提升，系统提示的设计也变得更加重要和复杂。本文将系统介绍系统提示设计的最佳实践。 系统提示的作用 作用一：角色定义 定义AI是谁、有什么能力、不能做什么。 ### 角色定义 你是一个专业的Python编程助手，名字叫"PyBot"。 你的能力： - 生成Python代码 - 调试和修复Bug - 解释代码逻辑 - 推荐最佳实践 你的限制： - 不能执行代码（只能生成） - 不能访问用户文件系统 - 不能处理非Python相关请求 作用二：行为约束 定义AI的回复风格、格式、长度等。 ### 回复风格 - 语气：专业但友好 - 长度：代码生成时简洁，解释时详细 - 格式：代码用Markdown代码块，解释用自然语言 - 语言：中文（如果用户用中文提问） 作用三：安全边界 定义AI的安全边界，防止滥用。 ### 安全边界 - 不生成恶意代码（病毒、木马等） - 不泄露敏感信息（密码、API密钥等） - 不提供违法建议（黑客攻击、欺诈等） - 如果发现可疑请求，礼貌拒绝并说明原因 作用四：上下文设定 为AI提供任务相关的背景知识。 ### 背景知识 用户正在开发一个电商网站，使用以下技术栈： - 后端：Python + FastAPI - 数据库：PostgreSQL - 前端：React - 部署：Docker + Kubernetes 请提供与该技术栈相关的建议。 系统提示结构 推荐结构 ### 系统提示模板 #### 1. 角色定义（Role Definition） 你是...[定义身份、名字、专业领域] #### 2. 核心任务（Core Task） 你的主要任务是...[明确任务目标] #### 3. 能力范围（Capabilities） 你可以...[列出能做的事] 你不能...[列出不能/不应该做的事] #### 4. 行为准则（Behavioral Guidelines） - 回复风格：... - 输出格式：... - 处理流程：... #### 5. 安全边界（Safety Boundaries） - 不...[禁止行为] - 如果...[异常情况处理] #### 6. 示例（Few-Shot Examples） [1-3个示例展示期望的输入输出] #### 7. 附加信息（Additional Context） [任务相关的背景知识、术语表等] 示例：客服机器人系统提示 ### 1. 角色定义 你是一个专业的电商客服助手，名字叫"小商"。 你代表"优选商城"与客户沟通。 ### 2. 核心任务 你的主要任务是： - 回答客户关于商品的问题 - 处理订单查询和退换货申请 - 解决客户的投诉和建议 - 提供购物建议和推荐 ### 3. 能力范围 你可以： - 查询订单状态（通过工具） - 查询商品信息（通过工具） - 处理退换货申请（通过工具） - 提供优惠券和促销信息 你不能： - 修改商品价格（需要人工审核） - 处理大额退款（>5000元，需要主管审批） - 访问客户的支付密码或银行卡信息 ### 4. 行为准则 - 语气：礼貌、耐心、同理心 - 回复速度：简单问题立即回答，复杂问题3轮内解决 - 格式：用清晰的段落和编号列表 - 如果无法处理，转人工客服 ### 5. 安全边界 - 不泄露其他客户的信息 - 不承诺超出权限的范围（如"一定退款"） - 如果遇到恶意客户，保持冷静，必要时转人工 ### 6. 示例 客户：我的订单什么时候到？ 你：您好！请提供您的订单号，我帮您查询物流信息。 客户：我想退货，怎么操作？ 你：抱歉给您带来不便。请您提供订单号，我帮您处理退货申请。退货政策：收到商品7天内可无理由退货。 ### 7. 附加信息 - 公司退换货政策：[链接] - 物流合作方：顺丰、京东物流 - 客服热线：400-XXX-XXXX（人工） 2026年系统提示进阶技巧 技巧一：动态系统提示 根据用户输入动态调整系统提示： ...

CrewAI 2026：从Demo到生产的跨越 CrewAI以其直观的"角色-任务-流程"（Role-Task-Process）三元组模型，成为搭建多Agent协作系统最快速的框架。2026版本在生产可靠性方面做了大量改进，使其不再只是Demo级别的玩具。 本文基于我们在金融分析和内容生产两个场景的生产部署经验，分享CrewAI的工程化最佳实践。 角色设计方法论 角色边界原则 CrewAI的核心抽象是Agent角色。最常见的错误是角色定义过于宽泛，导致Agent行为不可预测。我们总结出SPECIALIST原则： from crewai import Agent, Task, Crew, Process from crewai.tools import BaseTool # ❌ 错误：角色过于宽泛 bad_agent = Agent( role="通用助手", goal="帮助用户解决所有问题", backstory="一个全能的AI助手" ) # ✅ 正确：角色聚焦且边界清晰 financial_analyst = Agent( role="上市公⻔财务分析师", goal="分析目标公司的财务报表，识别风险和机会，输出结构化评估报告", backstory="""你是一位拥有15年经验的上市公司财务分析师， 专注于消费零售赛道。你擅长从财报数据中发现异常信号， 曾多次提前预警财务造假。你只分析公开财报数据， 不做股价预测或投资建议。""", tools=[FinancialDataTool(), SECQueryTool()], llm="gpt-4o", max_iter=5, # 2026新特性：限制迭代次数防止无限循环 verbose=True ) 任务分解的粒度控制 # 研究报告生成Crew的任务分解 research_tasks = [ Task( description="""分析{company}最近三年的财务报表： 1. 营收增长率和毛利率趋势 2. 应收账款周转天数变化 3. 存货周转率变化 4. 现金流与净利润的匹配度 输出JSON格式的分析结果""", agent=financial_analyst, expected_output="JSON格式的财务指标分析", output_file="output/financial_analysis.json" ), Task( description="""基于财务分析结果，撰写{company}的风险评估报告： - 总结3个主要风险点 - 每个风险附带量化指标 - 给出风险等级（低/中/高） - 提供缓解建议""", agent=risk_writer, expected_output="Markdown格式的风险评估报告", context=[task_for_financial_analysis], # 显式依赖 output_file="output/risk_report.md" ) ] 生产部署架构 容器化部署方案 # docker-compose.yml - CrewAI生产部署 version: '3.9' services: crewai-api: build: . ports: - "8000:8000" environment: - OPENAI_API_KEY=${OPENAI_API_KEY} - CREWAI_TELEMETRY=false - CREWAI_STORAGE_BACKEND=redis - REDIS_URL=redis://redis:6379 - CREWAI_MAX_CONCURRENT_CREWS=10 deploy: replicas: 3 resources: limits: memory: 2G cpus: '2.0' restart_policy: condition: on-failure max_attempts: 3 redis: image: redis:7-alpine command: redis-server --maxmemory 512mb --maxmemory-policy allkeys-lru volumes: - redis-data:/data crewai-monitor: image: crewai/monitor:2026.1 ports: - "3000:3000" environment: - CREWAI_API_URL=http://crewai-api:8000 depends_on: - crewai-api volumes: redis-data: 异步Crew执行 2026版本引入了原生异步支持，这对于长时间运行的分析任务至关重要： ...