简介:本文围绕大模型智能体提示词控制方式,对比直接提示词与间接提示词在控制链路、知识注入、可观测性、扩展性上的差异,解析按需澄清、外部知识检索、评审校验、目标拆分等常用模式,帮助开发者形成更清晰的提示词架构选型思路。
在大语言模型应用早期,提示词往往被理解为一种“输入内容组织方式”:用户提出问题,模型结合权重中的通用知识给出回答。但当智能体开始承担客服、代码助手、数据分析、流程审批、知识问答等任务后,提示词的作用已经发生了明显变化。
它不再只是帮助模型理解问题,而是进一步承担行为控制职责,例如:
在这个背景下,提示词设计开始分化出两类典型路线:直接提示词与间接提示词。
直接提示词的核心特征是“人工编写的提示词直接作用于最终执行模型”。间接提示词的核心特征是“人工编写的提示词先影响一个前置智能体,再由该智能体动态生成新的提示词、工具调用或任务计划,去控制后续执行”。
这两种方式并不是简单的语法差异,而是控制架构上的差异。本文将从控制链路、知识注入、可观测性、维护成本、扩展性、适用场景等角度进行对比,并进一步分析间接提示词中的四种常见模式。
直接提示词通常由开发者或提示词工程师人工撰写,并以系统提示词、指令、模板或上下文片段的形式直接输入给最终执行模型。它通常用于定义智能体的角色、目标、规则、输出格式、禁止行为以及例外处理。
例如,一个简单的直接提示词可能包含:
这类提示词的优势是直观、链路短、调用路径清晰。开发者可以直接观察输入输出之间的关系,也便于快速验证。
但直接提示词的问题在于,随着业务复杂度提升,规则会不断堆叠。最终可能形成一个庞大的系统提示词,里面混杂角色设定、流程规则、输出约束、异常处理、知识引用、格式要求等内容。一旦规则之间相互冲突,调试难度会显著上升。
间接提示词并不直接控制最终执行模型,而是先由人工编写一套“生成规则”,交给一个前置智能体或编排层使用。这个前置智能体根据用户请求、外部知识、风险等级、任务目标等信息,动态生成用于后续执行的提示词、工具调用或任务计划。
其基本链路可以抽象为:
用户输入-> 前置智能体-> 动态生成执行提示词 / 工具调用 / 任务计划-> 执行智能体-> 结果输出
例如,在执行前,前置智能体可以先判断用户请求是否模糊;如果模糊,则触发澄清问题;如果涉及专业知识,则调用外部知识检索工具;如果任务复杂,则拆分成多个小目标,再分别生成执行提示词。
间接提示词的价值在于,它把“静态规则堆叠”变成了“动态控制生成”。它不再要求把所有规则一次性写进最终执行提示词,而是根据当前场景按需注入。
虽然直接提示词与间接提示词在控制方式上差异明显,但它们在本质上仍然服务于同一个目标:让大语言模型在真实业务场景中更稳定、更可控地完成任务。
两者的共同点主要体现在以下几个方面。
大模型权重中包含了大量通用知识,但通用知识往往不足以支撑具体业务场景。例如,模型知道如何撰写总结,但不一定知道某企业内部总结模板的格式;模型知道如何回答技术问题,但不一定知道某团队对术语的统一要求。
因此,提示词的核心目标之一,是让模型在特定场景中偏离默认生成倾向,转而遵循业务规则。直接提示词通过静态规则实现这一点,间接提示词则通过动态生成实现这一点。
无论是直接提示词还是间接提示词,最终都依赖大模型的语言理解能力、指令遵循能力和上下文处理能力。如果模型本身无法理解复杂约束,那么再精细的提示词架构也难以达到理想效果。
因此,两类方案都不能脱离模型能力单独讨论。模型能力越强,复杂间接控制链路越容易落地;模型能力有限时,则应优先采用更直接、更短链路的控制方式。
直接提示词通常要求定义输入格式和输出格式。间接提示词则还需要定义前置智能体如何生成执行提示词、如何调用工具、如何判断任务是否完成。
但无论哪类方式,都需要明确输入输出契约。例如:
直接提示词可以规定模型何时调用工具,何时直接回答。间接提示词则可以更加精细地生成工具调用策略,例如是否需要先检索、是否需要先澄清、是否需要先评审。
因此,二者并不是“有无工具”的区别,而是“工具调用由谁决定、如何生成、是否可追溯”的区别。
直接提示词与间接提示词的关键差异,可以从控制链路、知识注入、可观测性、维护成本、运行成本、风险类型等多个维度展开。
直接提示词的链路较短:
人工提示词 -> 执行模型 -> 输出
开发者写什么,执行模型就接收什么。这种方式便于理解,也便于快速验证。
间接提示词的链路更长:
人工提示词 -> 前置智能体 -> 生成执行提示词或任务计划 -> 执行模型 -> 输出
中间多了一个“生成控制逻辑”的环节。这个环节带来了更强的灵活性,但也增加了调试和治理复杂度。
如果业务规则相对固定,短链路往往更容易维护;如果业务规则高度动态,长链路则更有必要。
直接提示词通常有两种知识注入方式:
当知识较少时,这种方式简单有效。但当知识规模较大、更新频繁、来源分散时,静态写入会导致上下文膨胀、维护困难和命中不稳定。
间接提示词则可以把知识注入拆分为两个阶段:
这样可以把知识库从“固定上下文”变成“按需检索资源”。它不仅有助于降低上下文压力,还能观察知识是否被成功召回。
直接提示词的调试往往集中在“输入提示词”和“最终输出”之间。如果输出不符合预期,开发者通常只能反复修改提示词,然后再次观察结果。
这种方式在简单场景中可行,但在复杂场景中容易遇到一个问题:规则没有被召回,还是规则被召回但没有被遵循?
间接提示词的一个优势,是可以增加中间产物。例如:
这些中间产物为调试提供了更清晰的观察窗口。
直接提示词的初始维护成本较低,但后期维护成本可能上升。随着规则增多,系统提示词容易变成“大杂烩”,不同规则之间可能互相冲突。
间接提示词的初始建设成本较高,需要设计前置智能体、知识检索、评审机制、任务拆分等组件。但一旦分层清晰,后续扩展会更模块化。例如,可以增加新的知识源、新的评审规则、新的子目标生成策略,而不必把所有内容都塞进最终执行提示词。
直接提示词通常调用次数较少,延迟较低,成本相对可控。间接提示词由于引入了前置智能体、知识检索、评审或子任务执行,可能会增加调用次数和链路耗时。
不过,这种成本并非必然劣势。间接提示词可以通过按需触发降低无效调用。例如,只有在需求模糊时才触发澄清,只有在知识不足时才触发检索,只有在高风险任务时才触发评审。
因此,间接提示词的关键不在于“是否增加调用”,而在于“是否把调用用在真正需要控制的地方”。
直接提示词的风险主要来自规则冲突、上下文过长、提示词注入、规则遗漏等。
间接提示词的风险则更复杂,除了上述问题,还包括:
因此,间接提示词虽然更灵活,但对安全、权限、校验和回退机制的要求更高。
| 对比维度 | 直接提示词 | 间接提示词 |
|---|---|---|
| 控制链路 | 人工提示词直接控制执行模型 | 人工提示词先控制前置智能体,再生成执行控制 |
| 规则表达 | 静态规则为主 | 动态生成为主 |
| 知识注入 | 依赖上下文或静态知识片段 | 可通过外部知识检索按需注入 |
| 调试方式 | 主要观察输入与输出 | 可观察澄清、检索、生成、评审等中间步骤 |
| 初始成本 | 较低 | 较高 |
| 后期维护 | 规则增多后容易复杂 | 分层后更易扩展 |
| 运行延迟 | 通常较低 | 可能因多环节触发而增加 |
| 稳定性 | 简单场景较稳定 | 复杂场景更有优势,但依赖生成质量 |
| 安全风险 | 规则冲突、上下文膨胀、提示词注入 | 生成内容失控、权限扩大、评审偏差 |
| 适用场景 | 简单任务、固定流程、低延迟场景 | 复杂任务、知识密集、强校验、长流程场景 |
间接提示词并不是单一做法,而是一类架构思想。根据任务复杂度不同,可以演化出多种模式。以下四种模式较具代表性。
这一模式强调“按需澄清”和“按需学习”。
其中,ask_user 表示当用户需求模糊、任务影响较大或执行成本较高时,不直接让模型猜测,而是先向用户发起澄清。
典型触发条件包括:
ask_teacher 则代表向外部知识源请求补充。这里的“教师”可以理解为知识库、文档库、代码仓库说明、业务规则库或专门的知识检索智能体。
其流程可以抽象为:
如果需求模糊或风险较高:触发询问用户如果缺少领域知识:触发外部知识检索生成执行提示词:包含用户澄清结果、检索到的知识、业务约束执行模型:根据生成后的提示词完成任务
伪代码可以表示为:
if 需求模糊 or 风险高:ask_user()if 缺少专业知识:knowledge = ask_teacher(当前问题, 知识库范围)execution_prompt = 生成执行提示词(用户意图, knowledge, 业务规则)result = 执行智能体(execution_prompt)
这种模式的优势在于,把知识注入从“静态写入系统提示词”变成“显式检索步骤”。开发者可以观察知识是否被召回,而不仅仅是猜测模型为什么没有遵循规则。
verifiable_objectives 的核心是“把主观要求转化为可验证目标”。
很多任务失败并不是因为模型不会写,而是因为“写清楚”这类要求过于主观。例如:
这些表述在执行时很难被机器校验。间接提示词可以先将它们转化为可验证目标,例如:
这种模式适合对结果有明确验收标准的场景,例如数据分析、内容审核、代码辅助、合规检查等。
其基本流程是:
原始需求-> 生成可验证目标-> 执行智能体完成任务-> 根据可验证目标进行校验-> 未通过则修正或重试
这种方式比单纯增加“请确保准确”更有效,因为它把模糊要求变成了可检查条件。
ask_reviewer 强调引入独立评审角色。
在执行智能体输出结果后,不直接返回给用户,而是先交给评审智能体检查。评审智能体可以关注以下方面:
它与普通“自检”的区别在于角色分离。执行智能体关注“完成任务”,评审智能体关注“是否合格”。这种分离有助于减少执行者自我确认带来的偏差。
典型流程如下:
执行智能体生成结果-> 评审智能体检查结果-> 如果通过,返回结果-> 如果不通过,生成修改意见-> 执行智能体修正-> 再次评审
该模式适合高风险或高质量要求场景,例如企业知识问答、合同摘要、技术文档生成、客服回复审核等。
需要注意的是,评审本身也需要明确标准。如果评审提示词过于笼统,仍然可能得到不稳定结果。因此,评审规则最好同样具备可验证性。
mini_goal_workers 适用于复杂长任务。其核心思想是把一个大目标拆分为多个小目标,每个小目标由相对独立的执行提示词控制,再由多个工作者完成。
例如,一个复杂报告任务可以拆分为:
总目标:生成项目复盘报告子目标1:整理项目背景子目标2:总结关键成果子目标3:分析问题原因子目标4:提炼改进建议子目标5:统一格式并汇总
每个子目标都可以拥有自己的执行提示词。这样比用一个大提示词同时控制所有步骤更容易维护。
这种模式的优势包括:
但它也带来了新的问题,例如子任务之间是否冲突、汇总结果是否遗漏全局目标、多个工作者输出是否风格一致等。因此,通常需要配合总控提示词或汇总提示词。
直接提示词并不是低级方案。对于链路简单、需求稳定、响应延迟敏感的任务,它往往是更合适的选择。
例如:
这类任务输入输出边界清晰,直接提示词更容易维护。
如果业务要求快速响应,间接提示词引入的前置判断、知识检索、评审等环节可能会增加耗时。此时直接提示词或轻量级工具调用更合适。
当规则数量有限、更新频率较低、业务边界明确时,把所有关键约束放入直接提示词通常是更经济的做法。
在产品早期,开发者往往需要先验证模型能力是否满足基本需求。此时直接提示词可以快速迭代,不必一开始就构建复杂的间接控制链路。
间接提示词更适合复杂、开放、知识密集或强约束场景。
如果用户经常表达不完整、缺少上下文,直接执行容易产生错误结果。此时可以先通过 ask_user 澄清需求,再生成执行提示词。
如果任务依赖代码仓库说明、产品文档、制度规范、历史工单、业务规则等外部知识,静态放入上下文往往不可行。通过 ask_teacher 按需检索,可以更灵活地注入知识。
企业场景中,很多任务不仅需要结果正确,还需要知道结果如何产生。例如:
间接提示词能够提供更多中间状态,更适合审计和调试。
当任务需要多步骤完成时,mini_goal_workers 可以把大目标拆成小目标,降低单次生成压力。
例如客服智能体、技术助手、运维助手等,往往需要根据不同阶段切换不同控制策略。间接提示词可以针对不同阶段生成不同提示词,比单一系统提示词更灵活。
在直接提示词与间接提示词之间做选择时,可以从以下几个条件进行判断。
如果需求稳定、规则清晰、输入输出结构固定,可优先考虑直接提示词。
如果需求经常变化,且需要根据用户输入动态调整策略,间接提示词更合适。
如果任务主要依赖通用语言能力,直接提示词通常足够。
如果任务高度依赖外部知识库、专业文档、代码仓库说明或业务规则,则间接提示词中的知识检索模式更有价值。
如果只是内部测试或低风险场景,直接提示词的调试方式可能足够。
如果是生产系统,尤其需要审计、回放、追责或质量分析,间接提示词能提供更好的中间观察点。
如果调用成本或响应延迟是核心指标,应谨慎引入多环节间接控制。可以通过按需触发、缓存、异步评审等方式降低成本。
如果质量优先,且业务允许一定链路耗时,间接提示词可以提供更细粒度的控制。
直接提示词对复杂架构要求较低,但提示词本身容易膨胀。
间接提示词对系统设计能力要求更高,需要处理知识检索、任务拆分、评审、回退、权限等复杂问题。如果团队具备相应能力,间接提示词在长期维护中可能更清晰。
如果智能体应用部署在云端,例如在百度智能云等云服务环境中运行,可以结合通用的日志服务、监控告警、身份认证、权限控制、数据隔离等能力,对提示词调用、知识检索、模型输入输出进行治理。这样可以提升间接提示词架构在生产环境中的可维护性。
从直接提示词迁移到间接提示词,并不是简单增加一个前置智能体,而是涉及架构调整。以下是需要重点关注的方面。
迁移前应先梳理现有系统提示词,识别哪些规则属于稳定约束,哪些规则适合动态生成。不要把所有规则原样搬到新的架构中,否则只是换了一个更复杂的位置。
建议按职责拆分为:
间接提示词容易滥用的地方,是过度触发澄清、检索或评审。如果每个请求都触发完整流程,成本和延迟会显著上升。
因此,需要定义清晰触发条件,例如:
当通过 ask_teacher 调用外部知识检索时,必须明确知识库范围、访问权限和数据边界。尤其是企业场景,应避免模型检索到与当前用户或任务无关的数据。
需要关注:
间接提示词的关键风险之一是前置智能体生成的执行提示词可能偏离预期。因此,不能默认生成结果一定安全可用。
可以考虑:
间接链路更长,失败点也更多。例如知识检索失败、前置生成失败、评审不通过、任务拆分错误等。
需要提前设计回退策略:
间接提示词架构下,提示词数量会增加。建议对提示词进行版本管理、变更记录、灰度发布和效果评估,避免随意修改导致线上行为漂移。
可以记录:
直接提示词修改后,通常靠人工抽测。间接提示词因为链路更长,更需要评测集支持。
评测集可以包括:
通过评测集可以判断架构调整是否真正提升效果,而不是引入新的不稳定因素。
综合来看,直接提示词与间接提示词的核心差异可以概括为一句话:直接提示词由人工静态控制最终执行,间接提示词由人工设计生成规则,再动态生成执行控制。
直接提示词适合简单、稳定、低延迟、规则较少的场景。它的优点是直观、易实现、链路短;缺点是规则增多后容易混乱,调试依赖人工经验,知识注入能力有限。
间接提示词适合复杂、开放、知识密集、需要强校验和长流程编排的场景。它的优点是动态、可检索、可评审、可拆分、可观测;缺点是实现成本更高,对权限、安全、评测和运维能力要求更高。
在实际工程中,两者并不是二选一的关系。很多成熟系统会采用混合策略:在简单分支使用直接提示词,在复杂分支引入间接提示词;在常规路径保持短链路,在高风险路径增加评审与回退;在知识充足时直接执行,在知识不足时先检索或澄清。
因此,选择的关键不是追求某一种方式“更先进”,而是根据任务复杂度、知识依赖、可观测性要求、成本预算和团队运维能力,选择能够稳定支撑业务目标的提示词架构。