火山方舟
火山方舟
文档指南
请输入
- 文档首页
火山方舟调用进阶使用提示词工程
复制全文
下载 pdf提示词工程
文档反馈
问问助手提示词工程是为模型编写高效、稳定的指令，使其持续生成预期的内容。本文介绍如何在大语言模型上进行提示词优化和管理，保持高效、稳定、结构化与可评估。
- 选择接口：与 OpenAI API 协议兼容（兼容 OpenAI SDK），支持 Responses API（推荐） 与 Chat API 两种接口调用，更多信息参见迁移至 Responses API。
- 评测先行：建议建立评测与回归机制，确保提示词迭代的可控性。
- 权限配置：首次接入请参见快速入门完成 API Key 获取和环境配置。
说明
其他模型提示词指南
选择模型与提示词策略
模型 | 任务与场景 | 提示词风格 |
带深度思考的文本生成模型 | 复杂任务与多步规划 需分析、拆解与决策场景 | 给目标与约束即可，让模型自拟计划与校验 |
无/关闭深度思考的文本生成模型 | 适合强模板化场景 明确指令与结构化产出 | 更明确的指令，给精确步骤、格式与样例 |
建议流程
先构建评估的标准和数据集，帮助衡量提示词优化等变动的效果。
- 迭代流程：更新 → 测试 → 调试 → 评估；版本化管理变更与差异。
- 规模建议：推荐几百到几千样本，保证多样性与代表性，覆盖正例/负例/边界条件与多语料。可以使用大模型进行评估集扩展。
说明
提示词工程工具 Prompt Pilot
- 初始 Prompt 自动生成 评估数据集。
- 生成模型回答并自动打分。
- 智能优化 Prompt，并生成智能优化报告。
认识角色与指令遵循
- system：高优先级规则与业务逻辑，用于设定身份、语气、边界与工具使用规范。
- user：用户输入，表达需求与具体问题。
- assistant：模型输出。
- tool：工具调用场景下，函数/插件调用的消息。
说明
建议：把稳定复用的信息放在 system 或 instructions 中，并在每次调用里靠前传入，提升一致性与可维护性。
结构化内容：Markdown 与 XML
使用结构化内容让模型明确“哪里是规则、哪里是示例、哪里是参考材料”。
- Markdown：使用分区（标题、列表）表达层级与规范，如 Identity、Instructions、Examples、Context。
- 使用轻量 XML 标签显式划界上下文与示例块，并通过属性标注元数据。
示例：
# Identity
你是企业文档助理，负责输出结构清晰、事实可核对的中文内容。
# Instructions
* 回答时使用简洁中文，优先列表与小标题。
* 对外链与接口、路径、变量名使用反引号格式（`...`）。
* 需要示例时给出简短、可直接运行的代码。
* 如不确定，请明确列出假设与待确认项。
# Examples
<user_query id="q1">请生成周报摘要模板</user_query>
<assistant_response id="q1">
## 本周进展
- 核心产出：
- 量化指标：
## 下周计划
- 关键任务：
- 风险与依赖：
</assistant_response>
# Context
<repo_docs source="ark-internal">允许引用企业内部 wiki 与 API 文档</repo_docs>
少样本学习（Few-shot）
给出少量示例即可引导模型泛化，无需精调。
示例（情感分类）：
# Identity
你是一个只输出单词的情感分类器（Positive / Negative / Neutral）。
# Instructions
* 仅输出一个单词，不要包含多余标点或解释。
* 响应只允许为：Positive / Negative / Neutral。
# Examples
<review id="e1">这耳机音质太棒了！</review>
<assistant_response id="e1">Positive</assistant_response>
<review id="e2">续航一般，做工也就那样。</review>
<assistant_response id="e2">Neutral</assistant_response>
<review id="e3">客服体验糟糕，不会再买了。</review>
<assistant_response id="e3">Negative</assistant_response>
思考时间与步骤引导（CoT）
- Zero-shot：在适当场景加入“让我们一步一步分析思考”，提高复杂推理稳定性。
- Few-shots：提供分解过程示例，示范正确的中间推断与最终答案。
- 指定步骤：对任务给出执行步骤与完成标准，确保输出顺序与完整性。
示例（指定步骤）：
请按照以下步骤完成任务：
1. 明确目标与约束
2. 列出所需输入与可用工具
3. 执行并记录关键中间结果
4. 给出最终结构化输出（字段：result, evidence, next_step）
输入必要知识
- 何时添加知识：当需要引用专有数据、技术文档、政策条款或约束回答范围时。
- 常见方式：
- 以检索结果（向量库/关键词）拼入 system/user 消息或 instructions。
- 使用方舟内内置工具：知识库、文件检索、网页解析插件、联网搜索等。
- 上下文窗口：
- 不同模型支持的最大 token 数不同，注意裁剪与精简（摘要）；
- 把稳定的约定/规则放在前部，任务特定上下文放在尾部。
常见场景
通用任务
- 核心角色与背景设定：明确指定执行任务的角色身份（即 {某个角色}），为后续任务执行划定身份边界与能力范围，确保提示词能引导模型以对应角色的专业视角和行为逻辑开展工作。
- 上下文信息明确：清晰提供 {上下文信息}，该信息是模型理解任务背景、相关条件及约束的关键依据，让模型在准确把握任务所处情境的基础上进行响应，避免因信息缺失导致任务执行偏差。
- 具体任务界定：精准描述 {具体任务}，明确模型需要完成的核心目标与工作内容，使模型清晰知晓任务方向，确保后续行动围绕任务核心展开，不偏离任务主旨。
- 执行规则制定：列出具体的执行规则（如规则 1、规则 2），规范模型在完成任务过程中的行为方式、决策标准等，保障模型执行任务的过程符合预期要求，提升任务执行的一致性和准确性。
- 示例辅助引导：提供至少两个包含 “问题：{具体问题}” 与 “输出：{该问题的结果}” 的示例（示例 1、示例 2），通过实际案例展示任务的输入形式与对应输出范式，帮助模型更好地理解任务要求，实现更精准的任务响应。
- 输出要求明确：
- 指定输出格式：明确规定模型最终输出内容应遵循的格式，如列表、表格、段落等，确保输出结构清晰、易于理解和使用。
- 详细规范说明：对输出格式中需满足的细节进行明确，如内容的完整性要求、语言风格规范、数据精度标准等，进一步约束输出质量，使模型输出更符合实际应用需求。
模板如下
假如你是{某个角色}，你将根据{上下文信息}，来解决{具体任务}。按以下规则执行：
1. 规则1
2. 规则2
示例1：
问题：{具体问题}
输出：{该问题的结果}
示例2：
问题：{具体问题}
输出：{该问题的结果}
请回答：
问题：{具体问题}
输出：
要求：
1. 指定输出格式
2. 格式中需要满足的详细规范
编程场景
- 明确角色与工作流：在 system/instructions 中规定“工具何时调用、何时避免交互执行”。
- 测试与校验：要求对补丁/改动进行单测或命令级验证；注意在 IDE 或代理工具中核对变更是否真正生效。
- 工具调用示例：给出函数/命令调用的具体格式样例，提升遵循度。
- Markdown 输出标准：反引号包裹路径、命令与标识符；列表与表格保持语义清晰。
角色扮演
你是{某个具体人物}，人称{xxx}，出身于{背景与上下文}。
性格特点：
语言风格：
人际关系：
过往经历：
经典台词或口头禅：
{台词1（可在括号中描述动作、情绪与背景，丰富语境）}
{台词2}
Agent 场景（长期任务/多工具协作）
- 规划与坚持：要求完整解决用户请求，拆分子任务并跟踪完成状态。
- 透明度：在关键步骤前简述调用工具的理由（例如切换检索源、启用联网插件等）。
- 进度管理：结合 TODO 或 Rubric 保持结构化推进；Ark 生态中可结合应用实验室与 MCP 插件体系。
上下文管理与成本优化
- 使用 Responses API 简化上下文管理，在多轮对话场景可通过 previous_response_id 传入历史信息，无需手动管理，详见上下文管理。
- 使用上下文缓存降低成本：对于固定系统信息及多轮对话，通过缓存输入的低价，降低请求的成本。详见上下文缓存
最近更新时间：2026.09.08 01:17:52
这个页面对您有帮助吗？
有用
有用
无用
无用