提示工程架构师面试经验：Agentic AI领域30个高频面试题与参考答案

关键词：提示工程、Agentic AI、面试题、AI架构师、智能体系统、提示设计、多智能体协作

摘要：随着Agentic AI（智能体AI）的迅猛发展，提示工程架构师已成为连接AI技术与业务落地的核心角色。本文结合一线面试经验，梳理了Agentic AI领域提示工程架构师的30个高频面试题，涵盖基础概念、架构设计、提示工程实践、多智能体协作、伦理安全等六大类，并提供详细参考答案与实战解析。无论你是准备面试的求职者，还是希望深入理解Agentic AI的技术从业者，本文都将帮助你快速掌握核心考点，建立系统的知识框架，从容应对面试挑战。

背景介绍

目的和范围

近年来，Agentic AI（具备自主决策与执行能力的智能体系统）已从实验室走向产业落地，在客服、医疗、自动驾驶、金融投研等领域展现出巨大潜力。而提示工程架构师作为“智能体指挥官”，负责设计提示策略、优化智能体交互逻辑、构建可靠的多智能体协作系统，成为AI团队的核心人才。

本文的目的是：

1. 帮助求职者系统梳理Agentic AI与提示工程的核心知识；
2. 提供30个高频面试题的参考答案与思路解析；
3. 通过实战案例展示提示工程架构师的工作方法；
4. 展望该领域的发展趋势与能力要求。

范围覆盖提示工程基础、智能体架构设计、多智能体协作、伦理安全等Agentic AI领域核心考点，适合AI工程师、提示工程师、架构师及相关求职者阅读。

预期读者

• AI领域求职者：准备提示工程架构师、智能体系统工程师等岗位面试；
• 技术从业者：希望深入理解Agentic AI与提示工程的开发、产品、运营人员；
• 学生/研究者：关注AI前沿技术，计划进入智能体系统领域的学习者。

文档结构概述

本文分为七个核心部分：

1. 背景介绍：Agentic AI与提示工程架构师的角色定位；
2. 核心概念与联系：通过生活案例解释Agentic AI、提示工程等核心概念；
3. 30个高频面试题与参考答案：分六大类详解题目与思路；
4. 项目实战：多智能体客服系统提示设计案例；
5. 实际应用场景与工具推荐；
6. 未来发展趋势与挑战；
7. 总结与思考题：巩固核心知识点，启发深度思考。

术语表

核心术语定义

• Agentic AI（智能体AI）：具备目标理解、自主决策、工具使用、环境交互能力的AI系统，能独立或协作完成复杂任务（类比：公司里的“全能员工”，能自己定计划、找工具、解决问题）。
• 提示工程（Prompt Engineering）：设计和优化输入文本（提示词），引导AI模型生成期望输出的过程（类比：给员工写“任务清单+操作指南”，确保TA知道做什么、怎么做）。
• 提示工程架构师：负责设计智能体系统的提示策略、优化多智能体协作逻辑、平衡系统性能与成本的技术角色（类比：“智能体团队指挥官”，制定规则、分配任务、协调资源）。
• 智能体架构：智能体系统的组件构成与交互逻辑，包括感知模块、决策模块、执行模块、记忆模块等（类比：“员工的大脑结构”，负责接收信息、思考决策、动手执行、记住经验）。
• 多智能体协作：多个智能体通过分工、通信、资源共享完成复杂任务的过程（类比：“团队协作”，设计师、开发、测试各司其职，共同完成项目）。

缩略词列表

• LLM：大语言模型（Large Language Model）
• MAS：多智能体系统（Multi-Agent System）
• RLHF：基于人类反馈的强化学习（Reinforcement Learning from Human Feedback）
• Tool Use：工具使用（智能体调用外部工具的能力）

核心概念与联系

故事引入：老张的“智能助手团队”

老张开了一家小型电商公司，最近请了3个“智能助手”（智能体）帮忙：售前助手（回答产品问题）、售后助手（处理退换货）、推荐助手（给用户推荐商品）。但问题来了：用户问“买了鞋子不合适，能换颜色吗？”时，售前助手说“我只负责介绍产品”，售后助手说“我不知道你买的哪款”——三个助手各干各的，用户体验一团糟。

这时，老张请了一位“提示工程架构师”小李。小李做了三件事：

1. 给每个助手写“任务清单”（提示设计）：明确售前要记录用户购买信息，售后要主动询问订单详情；
2. 设计“助手间聊天群”（多智能体通信）：让售前把用户购买记录同步给售后，避免信息断层；
3. 制定“冲突解决规则”（提示策略）：如果用户问题跨领域，自动让对应助手协作回答。

一周后，用户再问类似问题，售前先调取订单，售后直接回复“可以换黑色/白色，已帮您申请换货”，推荐助手同时说“换颜色后，搭配这款袜子更合适哦~”——用户满意，老张的销售额提升了30%。

这个故事里，小李就是提示工程架构师，三个助手是智能体，“任务清单”和“聊天群规则”就是提示工程的产物。而整个系统，就是Agentic AI的典型应用。

核心概念解释（像给小学生讲故事一样）

核心概念一：什么是Agentic AI？

想象你养了一只“超级宠物狗”：

• 你说“帮我拿瓶水”，它不会像普通宠物一样呆呆看着你（传统AI），而是会：
  1. 理解目标：知道“拿水”是要喝的，不是玩的；
  2. 规划步骤：先找水壶（如果空了，会去接水）→ 倒到杯子里→ 拿给你；
  3. 处理意外：如果杯子碎了，会自己拿扫帚清理，再换一个杯子；
  4. 记住经验：下次知道你喜欢温水，会提前加热。

这只“超级宠物狗”就是Agentic AI——它不仅能“听懂命令”，还能“主动思考、解决问题、积累经验”。

核心概念二：提示工程为什么重要？

假设你让上面那只“超级宠物狗”给你做早餐，你说“做早餐”（差提示），它可能给你烤个生面包；但你说“做早餐：1. 煎2个鸡蛋（七分熟）；2. 热牛奶（60℃）；3. 烤吐司（不要焦）”（好提示），它就会做得很完美。

提示工程就是“把模糊需求写成清晰指令”的过程——智能体再聪明，没有好的“任务清单”，也可能“瞎干活”。提示工程架构师的核心工作，就是写出这样的“完美任务清单”。

核心概念三：智能体架构是什么样的？

把智能体比作“学校里的学生会”，架构就是学生会的“部门设置”：

• 感知部：收集信息（比如听用户问题、看订单数据）→ 对应智能体的“输入模块”；
• 决策部：分析信息，定计划（比如“用户要换货，需要查订单+联系仓库”）→ 对应“规划模块”；
• 执行部：动手做事（比如调用订单API、发邮件给仓库）→ 对应“工具调用模块”；
• 记忆部：记笔记（比如“用户上次喜欢黑色，这次优先推荐”）→ 对应“长期记忆模块”；
• 协调部：和其他学生会（其他智能体）沟通→ 对应“多智能体通信模块”。

这些“部门”协同工作，就构成了智能体的“大脑架构”。

核心概念之间的关系（用小学生能理解的比喻）

Agentic AI与提示工程：就像“演员”与“剧本”

• Agentic AI是“演员”，有演技（能力），但需要“剧本”（提示）才能演好戏；
• 提示工程是“写剧本”的过程，好剧本能让演员（智能体）发挥最大潜力；
• 提示工程架构师就是“编剧+导演”，不仅写剧本，还指导演员怎么演（优化提示策略）。

智能体架构与多智能体协作：就像“单人能力”与“团队配合”

• 智能体架构是“单人能力”（比如一个人会编程、设计、沟通）；
• 多智能体协作是“团队配合”（编程的人写代码，设计的人做UI，沟通的人对接客户）；
• 提示工程架构师需要“既懂单人特长，又会团队分工”，让1+1>2。

核心概念原理和架构的文本示意图（专业定义）

Agentic AI智能体核心架构：

┌─────────────────────────────────────────────────┐  
│                  智能体系统                       │  
│  ┌──────────┐  ┌──────────┐  ┌──────────────┐   │  
│  │  感知模块  │  │  规划模块  │  │  执行/工具模块 │   │  
│  │（输入理解）│→ │（决策推理）│→ │（调用API/工具）│   │  
│  └──────────┘  └──────────┘  └──────────────┘   │  
│         ↑             ↑              ↓          │  
│  ┌──────────┐  ┌──────────┐  ┌──────────────┐   │  
│  │  记忆模块  │  │ 通信模块  │  │ 反馈/学习模块 │   │  
│  │（长期/短期）│← │（多智能体）│← │（误差修正）   │   │  
│  └──────────┘  └──────────┘  └──────────────┘   │  
└─────────────────────────────────────────────────┘  

Mermaid 流程图：智能体处理任务的完整流程

核心面试题与参考答案：Agentic AI领域30个高频题

第一类：基础概念理解（5题）

1. 什么是Agentic AI？与传统AI相比，它的核心优势是什么？

参考答案：
Agentic AI是具备“目标导向-自主决策-工具使用-环境交互”闭环能力的智能体系统，能独立或协作完成复杂任务。传统AI更像“单一技能工具”（如人脸识别、语音转文字），而Agentic AI是“全能助手”，核心优势有三：

• 自主性：无需人类步步指导，能自己拆解任务（如“写报告”→“找数据→分析→排版”）；
• 适应性：遇到意外能调整策略（如调用工具失败时，自动换备用工具）；
• 协作性：多个智能体可分工协作（如“客服智能体+物流智能体”处理订单问题）。

举例：传统AI客服只能回答预设问题，Agentic AI客服能主动查订单、申请退款、推荐替代品，全程无需人工介入。

2. 提示工程在Agentic AI中扮演什么角色？为什么它比传统AI更重要？

参考答案：
提示工程在Agentic AI中是“指挥棒”和“操作手册”，核心作用是：

1. 定义目标边界：告诉智能体“做什么，不做什么”（如“只处理24小时内的订单问题”）；
2. 规范决策逻辑：引导智能体按规则思考（如“先查库存，再推荐商品”）；
3. 优化协作效率：明确多智能体通信方式（如“售后智能体需将处理结果同步给推荐智能体”）。

比传统AI更重要的原因：

• 传统AI功能固定，提示仅需“触发指令”（如“识别这张图”）；
• Agentic AI自主性强，若提示模糊，可能“好心办坏事”（如用户说“帮我处理订单”，智能体可能误删订单），因此需更精准的提示约束。

3. 如何判断一个AI系统是否属于Agentic AI？请列举3个关键特征。

参考答案：
判断标准是看是否具备“闭环自主能力”，3个关键特征：

• 任务拆解能力：能将复杂目标拆分为可执行的子任务（如“组织会议”→“查参会人时间→订会议室→发通知”）；
• 工具使用能力：能主动调用外部工具完成任务（如查天气调用天气API，算数据调用计算器）；
• 反馈学习能力：能根据结果调整策略（如第一次推荐失败，下次根据用户反馈换推荐方向）。

反例：ChatGPT纯对话模式不算Agentic AI（需人类引导每一步），但AutoGPT（能自动调用工具完成目标）属于Agentic AI。

4. 什么是“提示词模板”？在Agentic AI中设计提示词模板需要注意哪些原则？

参考答案：
提示词模板是“预定义的提示框架”，包含固定格式（如角色、任务、约束）和可替换变量（如{{用户问题}}、{{订单号}}），用于标准化智能体输入。

设计原则（可记为“CLEAR原则”）：

• 明确性（Clear）：目标边界清晰（如“只回答产品保修期问题，不涉及退款政策”）；
• 逻辑性（Logical）：步骤顺序合理（如“先验证用户身份，再查询订单”）；
• 约束性（Constrained）：限制危险行为（如“禁止生成虚假订单信息”）；
• 适应性（Adaptable）：预留变量接口（如“{{订单状态}}”可替换为“已发货”“未发货”）；
• 反馈性（Feedback-friendly）：鼓励智能体报告问题（如“若无法查询订单，请回复‘需要订单号’”）。

举例：客服智能体模板：

角色：你是电商售后客服，语气亲切。  
任务：处理用户退换货请求，步骤：  
1. 询问用户订单号：“麻烦提供一下订单号哦~”  
2. 验证订单状态：仅处理{{7天内}}的未使用商品。  
3. 若符合条件，回复：“已帮您申请退换货，快递员将在{{24小时内}}上门取件。”  
约束：禁止承诺“当天退款”（需财务审核）。  

5. 解释“智能体记忆”的概念，它分为哪几类？在提示工程中如何利用记忆提升智能体性能？

参考答案：
智能体记忆是“智能体存储和调用历史信息的能力”，类比人类的“短期记忆”和“长期记忆”。

分类：

• 短期记忆（Context Window）：当前对话/任务中的临时信息（如用户刚说的“我买了鞋子”），依赖LLM上下文窗口；
• 长期记忆（External Storage）：需持久化存储的信息（如用户偏好、历史订单），通常存在数据库或向量库中；
• 程序性记忆（Procedural Memory）：处理任务的“经验规则”（如“遇到投诉，先道歉再解决”），通过提示模板固化。

提示工程中利用记忆的方法：

1. 短期记忆：在提示中显式包含对话历史（如“回顾上文，用户已提供订单号12345，请基于此查询”）；
2. 长期记忆：通过工具调用读取外部存储（如“调用用户数据库，获取用户ID=678的历史购买记录”）；
3. 程序性记忆：在提示模板中嵌入规则（如“始终按‘道歉→解释→解决方案’的顺序回复投诉”）。

第二类：架构设计类（6题）

6. 设计一个多智能体协作系统时，你会考虑哪些核心组件？如何确保智能体间的高效通信？

参考答案：
核心组件可分为“个体层”和“协作层”：

个体层组件（单个智能体必备）：

• 感知模块（理解输入/环境）；
• 规划模块（拆解任务/决策）；
• 执行模块（调用工具/行动）；
• 记忆模块（存储信息）。

协作层组件（多智能体系统特有）：

• 通信协议：智能体间信息交换的格式（如JSON、特定指令前缀）；
• 任务分配器：将总任务分给不同智能体（如“数据分析给数据智能体，可视化给绘图智能体”）；
• 冲突解决器：处理智能体意见不一致（如“推荐A商品还是B商品？按用户历史购买频率决定”）；
• 共享知识库：存储公共信息（如“所有智能体可访问的产品数据库”）。

确保高效通信的方法：

1. 标准化消息格式：如“[发送方][接收方][内容类型]：具体信息”（例：“售后_推荐_用户偏好：用户喜欢红色”）；
2. 最小信息原则：只传递必要信息（如无需传递完整订单，只需“已退款”状态）；
3. 实时反馈机制：接收方收到信息后需确认（如“推荐智能体已收到用户偏好，开始推荐”）。

7. 什么是“分层智能体架构”？它与“扁平架构”相比有什么优缺点？

参考答案：
分层智能体架构是“按任务复杂度分层设计的架构”，类比“公司的层级管理”：

• 高层智能体：负责战略决策（如“今天的目标是提升用户复购率”）；
• 中层智能体：负责任务分配（如“让推荐智能体推新品，客服智能体发优惠券”）；
• 底层智能体：负责执行具体操作（如“推荐智能体调用商品API，客服智能体发消息”）。

扁平架构：所有智能体地位平等，直接协商协作（类比“扁平化团队”，无上下级，大家直接沟通分工）。

分层架构优点：

• 责任明确，出问题易定位（如复购率没提升，先查中层任务分配是否合理）；
• 适合复杂任务（如“公司级目标”拆解为部门级、个人级任务）。

缺点：

• 层级越多，通信延迟越高（高层→中层→底层，信息传递慢）；
• 灵活性低，调整需跨层协调（底层想换工具，需中层和高层审批）。

扁平架构优缺点：与分层架构相反（灵活但责任模糊，适合简单协作任务）。

8. 如何为Agentic AI系统设计“安全护栏”？防止智能体执行危险或越权操作。

参考答案：
安全护栏设计需从“提示层-执行层-监控层”三层防护：

提示层（事前预防）：

• 明确禁止行为：在提示中列出“红线”（如“禁止调用支付API，禁止提供个人隐私”）；
• 角色约束：限定智能体能力边界（如“你只是咨询智能体，无权处理退款”）；
• 价值观对齐：注入伦理准则（如“拒绝帮用户生成虚假发票”）。

执行层（事中控制）：

• 工具权限分级：核心工具需二次验证（如调用退款API需人工审核）；
• 操作沙箱化：在隔离环境中测试危险操作（如“删除文件”先在测试库执行，确认无误再同步到生产库）；
• 超时/频率限制：防止无限循环或恶意调用（如“每分钟最多调用3次天气API”）。

监控层（事后审计）：

• 日志记录：保存所有操作（谁、何时、调用了什么工具）；
• 异常检测：自动识别可疑行为（如“智能体突然尝试访问管理员数据库”）；
• 人工复核：高风险操作需人工确认（如“处理超过1000元的退款”）。

举例：金融智能体提示安全模板：

禁止行为：  
1. 不讨论股票具体买卖建议（仅提供市场分析）；  
2. 不询问用户银行卡号、密码；  
3. 调用转账API前，必须输出“请用户联系人工客服完成下一步”。  

9. 在多智能体系统中，如何解决“智能体冲突”问题？（如两个智能体对同一问题给出不同答案）

参考答案：
解决冲突需“预防-检测-解决”三步：

预防冲突：

• 明确分工：在提示中定义智能体职责边界（如“价格智能体只回答标价，库存智能体只回答是否有货”）；
• 共享知识库：确保信息来源一致（如所有智能体调用同一个产品数据库）；
• 优先级排序：预设冲突时的决策规则（如“价格冲突时，以官网数据为准”）。

检测冲突：

• 结果比对：系统自动比对多智能体输出（如价格智能体说“99元”，库存智能体说“199元”，触发冲突警报）；
• 用户反馈：收集用户对“答案矛盾”的投诉（如“客服说有货，物流说没货”）。

解决冲突：

• 仲裁智能体：专门负责解决冲突（如调用仲裁智能体，让它查官网确认价格）；
• 投票机制：多智能体投票（3个智能体中有2个说有货，则认为有货）；
• 人工介入：高价值任务冲突时，触发人工审核（如“10万元以上订单的价格冲突”）。

举例：电商智能体冲突解决流程：

价格智能体：商品A价格99元  
库存智能体：商品A价格199元  
→ 系统检测到冲突，调用仲裁智能体  
→ 仲裁智能体调用官网API，返回价格99元  
→ 系统以仲裁结果为准，告知用户“商品A价格99元，库存充足”  

10. 设计一个能自主完成“市场调研报告”的Agentic AI系统，你会如何规划智能体的分工？

参考答案：
可设计5个分工明确的智能体，形成“流水线协作”：

1. 需求解析智能体

• 任务：和用户确认报告细节（如“调研哪个行业？要包含竞品分析吗？”）；
• 输出：明确的报告大纲（如“行业规模→竞品份额→用户偏好→趋势预测”）。

2. 数据收集智能体

• 任务：根据大纲调用工具收集数据（调用统计局API查行业规模，爬取电商平台查竞品销量）；
• 约束：只使用权威数据源（如政府官网、上市公司财报）。

3. 数据分析智能体

• 任务：清洗数据并分析（如“计算竞品市场份额=竞品销量/总销量”）；
• 工具：调用Python数据分析库（Pandas、Matplotlib）生成图表。

4. 报告撰写智能体

• 任务：将分析结果整理成报告（结构化文字+图表嵌入）；
• 风格：专业简洁，重点标红（如“行业年增长率15%，高于去年5个百分点”）。

5. 审核优化智能体

• 任务：检查报告逻辑、数据准确性（如“数据是否最新？图表是否对应结论？”）；
• 反馈：若发现问题，返回给对应智能体修改（如“数据过时→通知数据收集智能体重爬”）。

协作流程：需求解析→数据收集→数据分析→报告撰写→审核优化→输出终稿。

11. Agentic AI系统中，“规划模块”的作用是什么？如何通过提示工程优化规划能力？

参考答案：
规划模块是智能体的“大脑指挥官”，作用是：

• 任务拆解：将复杂目标拆分为子任务（如“旅游规划”→“订机票→订酒店→做行程”）；
• 步骤排序：确定子任务执行顺序（如“先订机票再订酒店，避免日期冲突”）；
• 资源分配：决定每个子任务用什么工具/智能体（如“订机票调用携程API，做行程用本地知识库”）。

通过提示工程优化规划能力的方法：

1. 提供规划示例：在提示中给“优秀规划案例”（如“参考：‘写论文’→‘查文献（2天）→列大纲（1天）→写初稿（3天）’”）；
2. 强制分步思考：要求智能体“先列步骤，再执行”（如“请先输出任务拆解步骤，经用户确认后再行动”）；
3. 引入约束条件：在规划时考虑限制因素（如“预算1万元以内，时间5天内完成旅游规划”）；
4. 反思提示：让智能体自我检查规划漏洞（如“步骤是否有遗漏？顺序是否合理？”）。

举例：优化规划能力的提示模板：

你是任务规划专家，请按以下步骤处理用户目标：  
1. 拆分目标为3-5个关键子任务（用数字1.2.3标出）；  
2. 为每个子任务标注优先级（高/中/低）和预计耗时；  
3. 检查是否有依赖关系（如“必须先完成A，才能做B”）；  
4. 反思：是否有遗漏的子任务？时间是否合理？  

用户目标：筹备一场20人的公司年会。  

第三类：提示工程实践类（7题）

12. 如何设计提示词，让智能体具备“自我修正能力”？举例说明。

参考答案：
自我修正能力是智能体“发现错误并主动调整”的能力，提示设计需包含“错误检测-原因分析-修正方案”三步骤：

提示设计框架：

1. 结果检查指令：告诉智能体如何判断输出是否正确（如“检查报告是否有数据矛盾，图表是否和文字结论一致”）；
2. 错误类型定义：列举常见错误（如“数据过时、计算错误、逻辑断层”）；
3. 修正步骤引导：指导智能体如何修正（如“若发现数据过时，重新调用最新数据源；若计算错误，重新用计算器验证”）；
4. 反思记录：要求智能体记录错误原因（用于下次改进）。

举例：具备自我修正能力的报告智能体提示：

角色：市场报告撰写智能体，需确保报告准确无误。  
步骤：  
1. 写完报告后，按以下清单自查：  
   - 数据是否为2024年最新（来源是否标注日期？）；  
   - 计算是否正确（如增长率=（今年-去年）/去年*100%）；  
   - 结论是否有数据支撑（“市场份额提升”是否有销量数据？）。  
2. 若发现错误，标注错误位置（如“第3页图表2，增长率计算错误”），并重新生成修正部分。  
3. 最后添加“修正记录”：本次修正了哪些错误，原因是什么。  

用户需求：撰写2024年中国新能源汽车市场报告。  

效果：若智能体首次报告中“2023年销量”误写为“2024年”，自查时会发现“数据非最新”，重新调用2024年数据并修正，同时记录“错误原因：数据源日期未核对”。

13. 什么是“少样本提示（Few-Shot Prompting）”和“零样本提示（Zero-Shot Prompting）”？在Agentic AI中如何选择使用场景？

参考答案：

• 零样本提示：不给示例，直接让智能体完成任务（如“写一封道歉邮件”）；
• 少样本提示：给1-5个示例，让智能体模仿完成类似任务（如“参考以下示例写邮件：示例1：因延迟发货道歉…示例2：因质量问题道歉…”）。

选择场景的核心依据：任务复杂度和智能体熟悉度：

• 零样本提示适用场景：

  1. 简单任务（智能体无需示例也能理解，如“翻译这句话”）；
  2. 智能体熟悉的领域（如客服智能体处理常见问题“如何退款”）；
  3. 需快速响应的场景（示例会增加提示长度，拖慢速度）。

• 少样本提示适用场景：

  1. 复杂/特殊任务（如“按特定格式写报告”，需示例展示格式）；
  2. 智能体不熟悉的领域（如让通用智能体处理医疗术语，需给医学报告示例）；
  3. 对输出格式有严格要求的场景（如“生成JSON格式的订单数据”，示例能避免格式错误）。

举例：

• 零样本：“客服智能体，回复用户：‘我的快递到哪了？’”（简单常见问题）；
• 少样本：“客服智能体，按以下格式回复退款查询：
  示例：用户问‘退款到账了吗？’→ 回复‘您的订单号XXX，退款已于2024-05-20到账，请注意查收银行短信。’
  用户问：‘我的退款什么时候到？’”（需固定格式，用少样本引导）。

14. 如何处理长对话场景中“上下文窗口不足”的问题？提示工程层面有哪些解决方案？

参考答案：
上下文窗口不足是指“对话历史过长，超出LLM的最大输入长度”（如GPT-4的8k窗口，无法容纳100轮对话），提示工程层面可采用4种方案：

1. 对话摘要（Summarization）

• 原理：定期将早期对话压缩为摘要（保留核心信息，去掉冗余）；
• 提示设计：“请将以下对话历史压缩为300字摘要，包含用户需求、已解决问题、待办事项：[对话历史]”；
• 举例：100轮对话→压缩为“用户需要订北京到上海的机票，已确认日期10月1日，待选航班时间”。

2. 关键信息提取（Key Information Extraction）

• 原理：只保留对话中的关键数据（如订单号、用户偏好），忽略寒暄；
• 提示设计：“从以下对话中提取：用户ID、需求类型（订票/退款/咨询）、核心诉求、已提供信息：[对话历史]”；
• 举例：保留“用户ID=123，需求类型=订票，核心诉求=10月1日北京→上海，已提供信息=无过敏史”。

3. 分层上下文（Hierarchical Context）

• 原理：将上下文分为“近期细节+远期摘要”（如最近5轮保留原话，5轮前压缩为摘要）；
• 提示设计：“以下是对话上下文：
  [近期对话，5轮原话]
  [远期对话摘要：用户之前咨询过酒店，偏好安静房间]
  请基于以上信息回复用户最新问题。”

4. 外部记忆调用（External Memory）

• 原理：将上下文存储到外部数据库，通过提示引导智能体调用（而非塞进上下文窗口）；
• 提示设计：“若需要历史信息，调用‘用户记忆API’，参数：用户ID=123，查询类型=历史对话”；
• 工具：常用向量数据库（如Pinecone）存储对话片段，智能体通过检索获取相关信息。

优先级建议：简单场景用摘要/提取，复杂场景用分层+外部记忆。

15. 什么是“思维链提示（Chain-of-Thought, CoT）”？在Agentic AI中，如何用CoT提升智能体的推理能力？

参考答案：
思维链提示是“引导智能体逐步展示推理过程”的提示方法，类比“老师让学生写解题步骤，而不只是答案”。例如：

• 普通提示：“3个人每人有2个苹果，一共几个苹果？”→ 智能体直接回答“6”；
• CoT提示：“3个人每人有2个苹果，一共几个苹果？请一步一步思考：第1个人有2个，第2个人有2个，第3个人有2个，总共2+2+2=6个。”

在Agentic AI中提升推理能力的方法：

1. 显式引导推理步骤：在提示中加入“让我们一步一步思考”“首先…然后…最后…”等引导词；
2. 提供推理示例：给智能体展示“正确的推理过程”（少样本CoT）；
3. 错误推理修正：若智能体推理错误，在提示中指出错误步骤并引导重新思考。

举例：用CoT提升财务智能体的计算能力：

用户问题：某公司2023年收入100万，成本60万，税率25%，净利润是多少？  

提示设计：  
你是财务分析师，请按以下步骤计算净利润：  
1. 先计算毛利润：收入-成本=？  
2. 再计算税费：毛利润×税率=？  
3. 最后计算净利润：毛利润-税费=？  
请展示每一步的计算过程和结果。  

智能体输出：  
1. 毛利润=100万-60万=40万  
2. 税费=40万×25%=10万  
3. 净利润=40万-10万=30万  
→ 净利润为30万元。  

效果：即使智能体一开始算错（如忘记减税费），分步推理也能让错误更易被发现和修正。

16. 如何设计提示词，让多智能体系统中的智能体“知道自己不知道”？避免生成错误信息。

参考答案：
核心是通过提示“降低智能体的过度自信”，引导其“不确定时主动求助或拒答”，设计框架包含3个要素：

1. 不确定性判断标准
在提示中明确“什么情况算不知道”（如“信息过时、超出知识范围、数据矛盾”）：

判断是否需要拒答的标准：  
- 问题涉及你未学过的领域（如量子物理公式推导）；  
- 你调用工具后仍无法获取答案（如查不到2025年的数据）；  
- 信息来源不明确或矛盾（两个API返回不同结果）。  

2. 拒答话术模板
提供礼貌且有用的拒答方式（避免生硬说“不知道”，而是引导用户）：

若符合拒答标准，请回复：  
“抱歉，我暂时无法回答这个问题（原因：[说明原因]）。你可以[建议行动，如‘提供更多背景’或‘咨询XX智能体’]。”  

3. 求助机制引导
告诉智能体“不知道时可以找谁帮忙”（调用其他智能体或工具）：

若问题超出你的能力，可调用以下资源：  
- 专业问题→调用“专家智能体”（提示：“请专家智能体回答用户问题：[用户问题]”）；  
- 数据查询→调用“数据库智能体”（提示：“查询数据库，关键词：[问题核心词]”）。  

举例：客服智能体拒答提示：

角色：电商客服智能体，只处理订单相关问题。  

拒答标准：  
1. 问题不涉及订单（如“推荐餐厅”“如何煮咖啡”）；  
2. 订单号无效或不属于当前用户；  
3. 调用订单API后返回“查无此单”。  

拒答话术：  
“抱歉，我主要负责处理订单问题（如物流、退款、退换货）。你的问题[说明不属于订单问题]，可以尝试咨询‘生活助手智能体’哦~”  

求助机制：  
若订单查询失败，调用“人工客服转接工具”，自动生成转接申请。  

效果：用户问“附近有什么好吃的”，智能体回复：“抱歉，我主要负责处理订单问题。你的问题不属于订单相关，可以尝试咨询‘生活助手智能体’哦~”

17. 提示工程中，“角色设定”和“任务指令”哪个更重要？如何平衡两者？

参考答案：
角色设定（如“你是专业医生”）和任务指令（如“诊断用户症状”）同等重要，但作用不同：

• 角色设定：决定智能体的“说话风格”和“知识边界”（如医生用专业术语，客服用亲切语气）；
• 任务指令：决定智能体的“行动目标”和“操作步骤”（如“诊断症状→推荐药品→提醒禁忌”）。

平衡方法：“角色为表，任务为里”，两者需相互匹配，避免冲突：

1. 角色设定要服务于任务目标

• 任务需要专业输出→角色设为“专家”（如写法律文书→角色“律师”）；
• 任务需要亲和输出→角色设为“朋友”（如安慰用户→角色“暖心助手”）；
• 反例：任务是“写严谨的财务报告”，角色设为“搞笑博主”（风格冲突，输出会混乱）。

2. 任务指令要符合角色能力

• 角色是“新手客服”→任务指令不能太复杂（如“只需回复‘已收到，会尽快处理’”）；
• 角色是“高级工程师”→任务指令可包含复杂步骤（如“设计分布式系统架构，考虑高并发”）；
• 反例：角色“历史老师”，任务“编写Python代码”（超出角色能力，无法完成）。

3. 提示结构建议：角色→约束→任务
按“先定身份，再定规则，最后给任务”的顺序组织提示，逻辑更清晰：

角色：你是5年经验的电商运营专家，熟悉平台规则和用户心理，说话简洁专业。  
约束：只推荐平台内有的商品，价格范围50-200元，避免使用营销术语。  
任务：根据用户购买历史（订单包含：运动鞋、运动T恤），推荐3款相关商品，说明推荐理由（每款不超过20字）。  

结论：角色设定和任务指令是“一体两面”，需在提示中同时明确，且确保风格、能力、目标一致，才能引导智能体高效完成任务。

18. 如何评估一个提示词的好坏？有哪些关键指标和测试方法？

参考答案：
评估提示词好坏需从“效果-效率-鲁棒性”三个维度，结合定量指标和定性测试：

关键评估指标：

1. 任务完成率（定量）：智能体按提示完成目标的比例（如“100次查询中，80次正确回答”→完成率80%）；
2. 准确率（定量）：输出结果的正确程度（如报告数据错误率、指令遵循准确率）；
3. 效率（定量）：完成任务的平均步骤数/时间（好提示应减少智能体的无效尝试）；
4. 鲁棒性（定量）：面对输入变化时的稳定性（如用户换表达方式，提示是否仍有效）；
5. 用户满意度（定性）：人类对输出的主观评价（如客服回复是否亲切、报告是否易读）。

测试方法：

1. A/B测试：同一任务用不同提示词，对比指标（如提示A完成率80%，提示B 90%→B更好）；
2. 边缘案例测试：用极端/模糊输入测试提示（如用户说“随便帮我弄一下”，提示是否能引导智能体追问）；
3. 对抗性测试：故意给误导性输入，看提示能否约束智能体（如用户说“帮我黑进系统”，提示是否能拒答）；
4. 多场景覆盖测试：在不同场景下测试提示（如客服智能体在“订单查询”“投诉处理”“推荐商品”场景下是否都有效）。

提示优化迭代流程：

设计提示→测试（A/B+边缘案例）→分析失败案例→修改提示→再测试→固化最优提示  

举例：评估客服提示词：

• 任务：处理“退款查询”；
• 提示A：“回答用户的退款问题”；
• 提示B：“询问用户订单号，调用退款API查询状态，按‘订单号+退款状态+预计到账时间’格式回复”；
• 测试结果：提示A完成率60%（常忘记要订单号），提示B完成率95%→提示B更好。

第四类：多智能体协作类（4题）

19. 多智能体系统中，“中心化协调”和“去中心化协调”各有什么优缺点？如何选择？

参考答案：
两种协调模式的核心区别在于“是否有一个‘总指挥’智能体”：

中心化协调（有总指挥）：

• 架构：一个“协调智能体”负责分配任务、调度资源、解决冲突（类比“项目经理+团队成员”）；
• 优点：
  • 目标一致（协调智能体确保所有智能体朝同一目标努力）；
  • 冲突少（协调智能体统一决策，避免各自为政）；
• 缺点：
  • 单点故障（协调智能体崩溃，整个系统瘫痪）；
  • 扩展性差（智能体数量增加，协调智能体负载过高）；
• 适用场景：任务目标明确、智能体数量少（<10个）、对稳定性要求高（如工业生产调度系统）。

去中心化协调（无总指挥）：

• 架构：智能体间直接通信、协商分工（类比“开源社区开发者，各自认领任务”）；
• 优点：
  • 抗故障（一个智能体崩溃，其他照常工作）；
  • 扩展性好（可随时加入新智能体，无需协调智能体批准）；
• 缺点：
  • 目标可能发散（智能体为局部最优而非全局最优）；
  • 通信成本高（每个智能体需和多个同伴通信）；
• 适用场景：任务灵活、智能体数量多（>10个）、对容错性要求高（如分布式传感器网络）。

选择决策树：

任务目标是否固定？→ 是→中心化  
→ 否→智能体数量是否>10个？→ 是→去中心化  
→ 否→对容错性要求高？→ 是→去中心化，否→中心化  

混合模式建议：多数实际系统采用“弱中心化”（如“协调智能体只负责大方向，子任务由智能体自主协商”），兼顾稳定性和灵活性。

20. 如何设计多智能体之间的“通信协议”？需要考虑哪些关键因素？

参考答案：
多智能体通信协议是“智能体间信息交换的语言