提示工程架构师如何玩转Agentic AI？这8个案例告诉你答案

引言：Agentic AI的崛起与提示工程的“角色升级”

2023年以来，Agentic AI（智能体AI）成为继大语言模型（LLM）之后的下一个技术拐点。从AutoGPT的“自主任务规划”到LangChain的“多Agent协作”，从企业级的“智能客服群”到消费级的“个性化助手”，Agentic AI正在将LLM的“文本生成能力”转化为“现实世界的行动能力”。

但对于很多开发者来说，Agentic AI的落地依然是个“黑盒”：

• 如何让AI像人一样分步骤解决问题？
• 如何让多个AI协作完成跨领域任务？
• 如何让AI记住历史互动并优化行为？

答案藏在提示工程架构师的工作里。

与传统“写Prompt的Prompt工程师”不同，提示工程架构师的核心职责是：设计Agent的“思考框架”“协作规则”和“进化机制”——用Prompt定义Agent的“角色”，用Prompt引导Agent的“思考流程”，用Prompt连接Agent与工具、记忆、其他Agent的交互。

本文将通过8个真实场景的案例，拆解提示工程架构师玩转Agentic AI的底层逻辑。每个案例都包含：

• 场景背景：真实的业务痛点；
• 提示设计思路：如何用Prompt定义Agent的行为；
• 代码实现：基于LangChain的可运行示例；
• 关键技巧：可复制的经验总结。

基础铺垫：Agentic AI与提示工程的核心逻辑

在进入案例前，我们需要先明确两个关键概念：

1. 什么是Agentic AI？

Agentic AI是具备“自主感知-决策-行动”能力的AI系统，核心组件包括：

• 感知（Perception）：获取外部信息（用户输入、工具输出、环境数据）；
• 记忆（Memory）：存储历史信息（对话记录、任务状态、用户偏好）；
• 决策（Decision）：根据感知和记忆生成行动方案（思考步骤、工具选择）；
• 行动（Action）：执行具体操作（调用工具、生成文本、与其他Agent通信）；
• 反馈（Feedback）：根据行动结果调整决策（优化Prompt、更新记忆）；
• 协作（Collaboration）：与其他Agent分工完成复杂任务。

用Mermaid图表示Agent的核心流程：

graph TD
    A[感知：获取用户输入/工具输出] --> B[记忆：检索历史对话/任务状态]
    B --> C[决策：生成思考步骤/工具选择]
    C --> D[行动：调用工具/生成结果]
    D --> E[反馈：收集用户评价/调整决策]
    E --> B
    C --> F[协作：与其他Agent通信]

2. 提示工程架构师的核心任务

提示工程架构师的工作，本质是用Prompt“编程”Agent的上述流程：

• 用Role Prompt定义Agent的身份（比如“资深Python调试专家”）；
• 用CoT Prompt引导Agent的思考流程（比如“1. 复现问题→2. 分析异常→3. 定位根因”）；
• 用Tool Prompt连接Agent与工具（比如“当需要执行Python代码时，调用代码执行器”）；
• 用Memory Prompt整合记忆（比如“先查看用户历史购买记录再推荐产品”）；
• 用Collaboration Prompt规范多Agent交互（比如“法律Agent输出合规要求，技术Agent输出实现方案”）。

案例1：单Agent任务拆解——代码调试Agent

场景背景

开发者常遇到“代码报错但找不到原因”的问题，传统AI工具（如ChatGPT）会直接给出修复方案，但不解释“为什么错”“怎么找错”，导致开发者无法真正掌握调试能力。

问题痛点

• AI输出“结论式答案”，缺乏“思考过程”；
• 无法结合“代码执行结果”动态调整分析；
• 不解释异常原理，用户无法举一反三。

提示设计思路

我们需要设计一个**“会教用户调试”的Agent**，核心Prompt要包含：

1. Role定义：明确Agent的身份（资深Python调试专家）；
2. CoT流程：引导Agent分步骤思考（复现问题→分析异常→定位根因→修复方案→原理解释）；
3. Tool调用：让Agent能执行代码并获取异常信息。

代码实现（基于LangChain）

import traceback
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

# 1. 定义工具：执行Python代码并捕获异常
def run_python_code(code: str) -> str:
    try:
        exec(code)
        return "代码执行成功，无异常。"
    except Exception as e:
        return (
            f"异常类型：{type(e).__name__}\n"
            f"异常信息：{str(e)}\n"
            f"异常栈：{traceback.format_exc()}"
        )

# 2. 初始化工具集合
tools = [
    Tool(
        name="Python代码执行器",
        func=run_python_code,
        description="用于执行Python代码并捕获异常，帮助定位问题。"
    )
]

# 3. 设计Prompt模板（Role + CoT）
prompt_template = """
你是一位有10年经验的Python调试专家，擅长用“教用户解决问题”的方式回答。请严格按照以下步骤处理：

### 步骤1：复现问题
使用「Python代码执行器」运行用户提供的代码，获取异常信息（若有）。

### 步骤2：分析异常
- 识别异常类型（如SyntaxError/NameError/TypeError）；
- 定位异常发生的行号和代码片段；
- 解释异常的字面含义（比如“NameError表示变量未定义”）。

### 步骤3：定位根因
结合代码逻辑，分析“为什么会出现这个异常”（比如“函数调用时传了空列表，导致len(numbers)=0，除法报错”）。

### 步骤4：修复方案
提供**具体的代码修改**，并解释修改的原因（比如“在计算平均值前，先检查列表是否为空”）。

### 步骤5：原理总结
用1句话总结“这类异常的通用避免方法”（比如“涉及除法运算时，一定要先检查分母是否为0”）。

用户的代码：{user_code}
"""

# 4. 初始化Agent
llm = OpenAI(temperature=0)  # 低温度保证思考的严谨性
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="zero-shot-react-description",
    prompt=PromptTemplate.from_template(prompt_template)
)

# 5. 测试：用户的错误代码
user_code = """
def calculate_average(numbers):
    total = sum(numbers)
    average = total / len(numbers)
    return average

print(calculate_average([]))  # 传空列表，导致ZeroDivisionError
"""

# 运行Agent
result = agent.run({"user_code": user_code})
print("Agent回复：\n", result)

输出结果与关键技巧

输出结果（简化版）

步骤1：复现问题  
使用Python代码执行器运行代码，得到异常：  
异常类型：ZeroDivisionError  
异常信息：division by zero  
异常栈：... line 4, in calculate_average average = total / len(numbers)

步骤2：分析异常  
ZeroDivisionError表示“除以0”，异常发生在第4行（average = total / len(numbers)）。

步骤3：定位根因  
用户传入空列表[]，len(numbers)=0，导致分母为0。

步骤4：修复方案  
修改代码，增加空列表检查：
def calculate_average(numbers):
    if not numbers:  # 检查列表是否为空
        return 0  # 或抛出自定义异常
    total = sum(numbers)
    average = total / len(numbers)
    return average

步骤5：原理总结  
涉及除法/取模运算时，必须先检查分母是否为0。

关键技巧

• Role具象化：用“10年经验的Python调试专家”替代“Python专家”，Agent的输出更专业；
• CoT步骤化：用序号和明确的步骤引导Agent思考，避免“跳步”；
• Tool绑定：通过description告诉Agent“什么时候用这个工具”（执行代码→获取异常）。

案例2：多Agent协作——跨领域知识问答系统

场景背景

企业客服常遇到跨领域问题，比如用户问：“用Python开发金融数据爬虫需要注意什么？”——这个问题需要**法律知识（合规要求）和技术知识（爬虫实现）**结合，但单一Agent无法覆盖两个领域。

问题痛点

• 单一Agent的知识边界有限，无法回答跨领域问题；
• 多Agent协作时容易“职责重叠”或“信息遗漏”；
• 输出结果缺乏整合，用户需要自己拼接信息。

提示设计思路

我们需要设计一个**“协作型Agent系统”**，包含3类Agent：

1. 法律Agent：负责回答合规问题（如《个人信息保护法》要求）；
2. 技术Agent：负责回答技术问题（如Python爬虫框架选择）；
3. 协调Agent：负责整合前两个Agent的输出，生成统一答案。

核心Prompt要解决：

• 角色分工：明确每个Agent的职责；
• 协作流程：定义“问题→分工→整合”的顺序；
• 输出规范：要求协调Agent生成结构化结果。

代码实现（基于LangChain）

from langchain.agents import initialize_agent, AgentType, Tool
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.utilities import SerpAPIWrapper

# 初始化LLM（使用OpenAI GPT-3.5-turbo）
llm = OpenAI(temperature=0)

# 1. 定义法律Agent（处理合规问题）
legal_prompt = PromptTemplate(
    template="""
你是一位资深金融监管律师，专注于数据合规领域。请回答用户问题的**合规部分**：
- 列出需要遵守的主要法律法规（如中国《个人信息保护法》、欧盟GDPR）；
- 针对“金融数据爬虫”的具体合规要求（如用户同意、数据脱敏）；
- 可能的法律风险及规避方法。

用户问题：{user_question}
""",
    input_variables=["user_question"]
)

legal_agent = initialize_agent(
    tools=[],  # 法律Agent暂时不需要工具
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    prompt=legal_prompt
)

# 2. 定义技术Agent（处理爬虫实现问题）
# 技术Agent需要搜索最新的框架信息，因此整合SerpAPI工具
search = SerpAPIWrapper()
tech_tools = [
    Tool(
        name="网络搜索",
        func=search.run,
        description="用于搜索最新的Python爬虫框架或技术方案。"
    )
]

tech_prompt = PromptTemplate(
    template="""
你是一位资深Python爬虫工程师，专注于合规爬虫开发。请回答用户问题的**技术部分**：
- 推荐合适的Python爬虫框架（如Scrapy/Requests+BeautifulSoup）及原因；
- 具体实现步骤（如请求头设置、反爬处理）；
- 确保合规的技术措施（如尊重robots协议、限制爬取频率）。

用户问题：{user_question}
""",
    input_variables=["user_question"]
)

tech_agent = initialize_agent(
    tools=tech_tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    prompt=tech_prompt
)

# 3. 定义协调Agent（整合结果）
coordinator_prompt = PromptTemplate(
    template="""
你是一位跨领域问题协调专家，需要将法律Agent和技术Agent的结果整合成**结构化答案**。要求：
1. 分“合规要求”和“技术实现”两个部分；
2. 每个部分用 bullet point 列出关键点；
3. 语言通俗，避免专业术语堆砌。

法律Agent结果：{legal_result}
技术Agent结果：{tech_result}
""",
    input_variables=["legal_result", "tech_result"]
)

coordinator_agent = initialize_agent(
    tools=[],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    prompt=coordinator_prompt
)

# 4. 定义协作流程：问题→法律Agent→技术Agent→协调Agent
def run_multi_agent_system(user_question: str) -> str:
    # 第一步：法律Agent分析合规问题
    legal_result = legal_agent.run(user_question)
    # 第二步：技术Agent分析实现问题
    tech_result = tech_agent.run(user_question)
    # 第三步：协调Agent整合结果
    final_result = coordinator_agent.run({
        "legal_result": legal_result,
        "tech_result": tech_result
    })
    return final_result

# 5. 测试：用户问题
user_question = "用Python开发合规的金融数据爬虫需要注意什么？"
result = run_multi_agent_system(user_question)
print("最终答案：\n", result)

输出结果与关键技巧

输出结果（简化版）

### 合规要求
- 需遵守《个人信息保护法》（中国）、GDPR（欧盟）等法律法规；
- 采集金融数据前必须获得用户明确同意（如弹窗授权）；
- 存储数据时需脱敏处理（如隐藏身份证后4位）；
- 禁止爬取敏感数据（如用户账户密码、交易明细）。

### 技术实现
- 推荐使用Scrapy框架（支持异步爬取、反爬机制）；
- 设置合理的请求头（如User-Agent、Referer），模拟浏览器行为；
- 限制爬取频率（如每10秒爬取1次），避免触发网站反爬；
- 尊重robots协议（通过Scrapy的ROBOTSTXT_OBEY设置为True）。

关键技巧

• 角色隔离：每个Agent只处理自己领域的问题，避免“越界”；
• 流程闭环：用“顺序执行”确保每个环节的结果都被整合；
• 输出规范：协调Agent的Prompt明确要求“结构化”，避免结果混乱。

案例3：工具调用型Agent——智能数据分析师

场景背景

业务人员需要分析销售数据（如“2023年各月平均销售额”），但不懂SQL查询或Python统计，传统BI工具（如Tableau）操作复杂，学习成本高。

问题痛点

• 业务人员无法直接操作数据库或代码；
• 传统BI工具需要“拖拽式”配置，效率低；
• 无法自动生成“业务解释”（比如“3月销售额高是因为春季促销”）。

提示设计思路

我们需要设计一个**“会用工具的数据分析Agent”**，核心能力：

1. 能调用SQL工具查询数据库；
2. 能调用Python工具进行统计分析；
3. 能调用绘图工具生成可视化图表；
4. 能解释结果的业务含义。

核心Prompt要解决：

• 工具选择：引导Agent根据需求选择合适的工具（查询→统计→绘图）；
• 结果关联：将工具输出与业务场景结合（比如“月均销售额”→“促销活动效果”）。

代码实现（基于LangChain）

import pandas as pd
import matplotlib.pyplot as plt
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.utilities import SQLDatabase
from langchain_experimental.sql import SQLDatabaseChain

# 1. 初始化数据库（SQLite示例）
db = SQLDatabase.from_uri("sqlite:///sales.db")  # 假设sales.db包含sales表（date, product, sales）
sql_chain = SQLDatabaseChain(llm=OpenAI(temperature=0), database=db)

# 2. 定义工具集合
tools = [
    # 工具1：SQL查询（从数据库获取原始数据）
    Tool(
        name="SQL查询工具",
        func=lambda query: sql_chain.run(query),
        description="用于从销售数据库中查询原始数据，支持SQL语句（如SELECT * FROM sales WHERE date LIKE '2023%'）。"
    ),
    # 工具2：Python统计（计算月均销售额）
    Tool(
        name="Python统计工具",
        func=lambda data: pd.DataFrame(eval(data)).groupby(pd.Grouper(key='date', freq='M'))['sales'].mean().to_dict(),
        description="用于对查询到的原始数据进行统计分析（如计算月均销售额）。"
    ),
    # 工具3：绘图工具（生成柱状图）
    Tool(
        name="图表绘制工具",
        func=lambda data: (
            pd.Series(data).plot(kind='bar', title='2023年各月平均销售额'),
            plt.savefig('sales_chart.png'),
            "图表已保存为sales_chart.png"
        )[2],
        description="用于将统计结果可视化（如生成柱状图）。"
    )
]

# 3. 设计Prompt模板（工具选择+业务解释）
prompt_template = """
你是一位智能数据分析师，负责帮助业务人员分析销售数据。请按照以下步骤处理：

### 步骤1：理解需求
明确用户需要的指标（如“月均销售额”）和时间范围（如“2023年”）。

### 步骤2：选择工具
- 需要原始数据？用「SQL查询工具」；
- 需要统计分析？用「Python统计工具」；
- 需要可视化？用「图表绘制工具」。

### 步骤3：执行操作
按顺序调用工具（查询→统计→绘图），确保前一个工具的输出是后一个工具的输入。

### 步骤4：解释结果
结合业务场景解释统计结果（如“3月销售额最高，可能是因为春季促销活动”）。

用户需求：{user_request}
"""

# 4. 初始化Agent
llm = OpenAI(temperature=0.5)  # 适度温度增加结果的灵活性
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="zero-shot-react-description",
    prompt=PromptTemplate.from_template(prompt_template)
)

# 5. 测试：用户需求
user_request = "分析2023年各月的平均销售额，并生成柱状图。"
result = agent.run({"user_request": user_request})
print("Agent回复：\n", result)

输出结果与关键技巧

输出结果（简化版）

步骤1：理解需求  
用户需要“2023年各月平均销售额”及柱状图。

步骤2：选择工具  
1. 用「SQL查询工具」获取2023年的销售数据；
2. 用「Python统计工具」计算月均销售额；
3. 用「图表绘制工具」生成柱状图。

步骤3：执行操作  
- SQL查询：SELECT date, sales FROM sales WHERE date LIKE '2023%';
- 统计结果：{1月: 12000, 2月: 15000, 3月: 20000, ..., 12月: 18000}；
- 图表：已保存为sales_chart.png。

步骤4：解释结果  
2023年3月平均销售额最高（20000元），可能是因为春季促销活动；11月次之（19000元），可能是双十一活动的影响。

关键技巧

• 工具链设计：按“查询→统计→绘图”的顺序定义工具，Agent会自动按流程调用；
• 输入输出衔接：工具的输出格式要与下一个工具的输入格式匹配（比如SQL输出DataFrame，Python统计工具接受DataFrame）；
• 业务关联：Prompt要求Agent“结合业务场景解释结果”，避免输出“纯数据”。

案例4：带记忆的Agent——个性化用户运营助手

场景背景

电商平台的用户运营需要个性化推荐（比如用户之前买过无线耳机，推荐无线充电板），但传统推荐系统依赖“用户画像”，无法实时结合历史对话（比如用户说“我喜欢降噪功能”）。

问题痛点

• 无法记住用户的即时偏好（如对话中提到的“降噪功能”）；
• 推荐结果“千人一面”，缺乏个性化；
• 无法关联历史购买记录（如用户买过无线耳机，推荐配件）。

提示设计思路

我们需要设计一个**“有记忆的用户运营Agent”**，核心能力：

1. 能存储历史对话（用户提到的“降噪功能”）；
2. 能检索历史购买记录（用户买过的“无线耳机”）；
3. 能结合记忆推荐（推荐“降噪无线耳机”或“无线充电板”）。

核心Prompt要解决：

• 记忆检索：引导Agent先查看历史对话和购买记录；
• 记忆应用：要求Agent将记忆与当前需求结合（比如“用户喜欢降噪→推荐降噪耳机”）。

代码实现（基于LangChain）

from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.memory import ConversationBufferMemory

# 1. 模拟用户数据（实际中从数据库获取）
user_data = {
    "user_id": "123",
    "purchase_history": [{"product": "无线耳机", "date": "2023-01-15"}],
    "conversation_history": []
}

# 2. 定义工具集合
tools = [
    # 工具1：查询购买记录
    Tool(
        name="购买记录查询",
        func=lambda user_id: str(user_data["purchase_history"]),
        description="用于查询用户的历史购买记录，需要用户ID作为参数。"
    ),
    # 工具2：推荐产品
    Tool(
        name="产品推荐",
        func=lambda preferences: [
            "降噪无线耳机", "无线充电板", "蓝牙音箱"
        ] if "降噪" in preferences else ["运动T恤", "休闲鞋"],
        description="用于根据用户偏好推荐产品，需要用户偏好（如“降噪”“运动”）作为参数。"
    )
]

# 3. 设计Prompt模板（记忆检索+记忆应用）
prompt_template = """
你是一位个性化用户运营助手，需要结合用户的**历史对话**和**购买记录**提供服务。请遵循以下步骤：

### 步骤1：检索记忆
- 查看历史对话（{chat_history}），提取用户偏好（如“喜欢降噪”）；
- 调用「购买记录查询」工具，获取用户的历史购买产品（如“无线耳机”）。

### 步骤2：理解当前需求
明确用户现在的需求（如“推荐产品”“咨询售后”）。

### 步骤3：结合记忆推荐
将用户偏好、购买记录与当前需求结合，生成个性化回复（如“您之前买过无线耳机，推荐配套的无线充电板”）。

用户当前问题：{input}
"""

# 4. 初始化记忆（存储历史对话）
memory = ConversationBufferMemory(memory_key="chat_history")

# 5. 初始化Agent
llm = OpenAI(temperature=0.7)  # 适度温度增加回复的自然度
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="zero-shot-react-description",
    prompt=PromptTemplate.from_template(prompt_template),
    memory=memory
)

# 6. 测试：多轮对话
# 第一轮：用户提到“喜欢降噪”
user_input1 = "我喜欢降噪功能的电子设备，有推荐吗？"
result1 = agent.run({"input": user_input1, "user_id": "123"})
print("回复1：\n", result1)

# 第二轮：用户问“有没有配套的配件？”（Agent需要记住“降噪”和“无线耳机”）
user_input2 = "有没有配套的配件？"
result2 = agent.run({"input": user_input2, "user_id": "123"})
print("回复2：\n", result2)

输出结果与关键技巧

输出结果（简化版）

回复1：  
您喜欢降噪功能的电子设备，推荐以下产品：  
1. 降噪无线耳机（主动降噪，续航20小时）；  
2. 无线充电板（兼容您之前购买的无线耳机）；  
3. 蓝牙音箱（支持降噪通话）。

回复2：  
您之前购买过无线耳机，推荐配套的无线充电板（支持快速充电，兼容大部分无线设备）。

关键技巧

• 记忆组件：使用ConversationBufferMemory存储历史对话，Agent会自动检索；
• 记忆关联：Prompt要求Agent“结合购买记录和对话历史”，避免“断片”；
• 个性化触发：工具的推荐逻辑依赖“用户偏好”和“购买记录”，确保推荐的相关性。

案例5：自优化Agent——迭代式文案生成系统

场景背景

营销人员需要生成高转化率的文案（如“无线耳机的朋友圈广告”），但传统文案生成工具无法根据用户反馈迭代优化（比如用户说“文案不够有紧迫感”，工具无法自动调整）。

问题痛点

• 生成的文案“一次性”，无法根据反馈优化；
• 需要人工修改Prompt，效率低；
• 无法学习“成功文案”的规律（如“加入限时优惠”转化率更高）。

提示设计思路

我们需要设计一个**“会自我优化的文案生成Agent”**，核心能力：

1. 能生成初始文案；
2. 能收集用户反馈（如“不够有紧迫感”）；
3. 能自动优化Prompt（如在Prompt中加入“限时优惠”）；
4. 能迭代生成文案直到用户满意。

核心Prompt要解决：

• 反馈循环：引导Agent根据反馈修改Prompt；
• 优化方向：要求Agent明确“如何改进”（如“增加限时优惠”）。

代码实现（基于LangChain）

from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

# 1. 定义工具集合
tools = [
    # 工具1：生成文案
    Tool(
        name="文案生成工具",
        func=lambda prompt: OpenAI(temperature=0.8)(prompt),
        description="用于根据Prompt生成营销文案。"
    ),
    # 工具2：优化Prompt
    Tool(
        name="Prompt优化工具",
        func=lambda input: OpenAI(temperature=0)(f"""
你是一位Prompt优化专家，需要根据用户反馈修改原Prompt。要求：
- 明确写出“优化点”（如“增加限时优惠”）；
- 输出优化后的Prompt。

原Prompt：{input["original_prompt"]}
用户反馈：{input["feedback"]}
"""),
        description="用于根据用户反馈优化原Prompt，需要原Prompt和反馈作为参数。"
    )
]

# 2. 设计Prompt模板（迭代流程）
prompt_template = """
你是一位迭代式文案生成助手，需要根据用户反馈不断优化文案。请遵循以下步骤：

### 步骤1：生成初始文案
使用「文案生成工具」和原Prompt生成文案。

### 步骤2：收集反馈
获取用户对文案的反馈（如“不够有紧迫感”“需要增加情感词”）。

### 步骤3：优化Prompt
使用「Prompt优化工具」，根据反馈修改原Prompt。

### 步骤4：迭代生成
用优化后的Prompt重新生成文案，直到用户满意。

当前原Prompt：{original_prompt}
用户反馈：{user_feedback}
"""

# 3. 初始化Agent
llm = OpenAI(temperature=0)
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="zero-shot-react-description",
    prompt=PromptTemplate.from_template(prompt_template)
)

# 4. 测试：迭代过程
# 初始Prompt
original_prompt = "生成一条关于无线耳机的朋友圈广告，突出音质好。"

# 第一轮反馈：“不够有紧迫感”
user_feedback1 = "文案不够有紧迫感，需要加入限时优惠（如“前50名下单立减50元”）。"
optimized_prompt1 = agent.run({
    "original_prompt": original_prompt,
    "user_feedback": user_feedback1
})
print("优化后的Prompt1：\n", optimized_prompt1)

# 第二轮反馈：“情感不够”
user_feedback2 = "文案情感不够，需要加入“沉浸式”“告别噪音”等词。"
optimized_prompt2 = agent.run({
    "original_prompt": optimized_prompt1,
    "user_feedback": user_feedback2
})
print("优化后的Prompt2：\n", optimized_prompt2)

# 生成最终文案
final_copy = OpenAI(temperature=0.8)(optimized_prompt2)
print("最终文案：\n", final_copy)

输出结果与关键技巧

输出结果（简化版）

优化后的Prompt1：  
生成一条关于无线耳机的朋友圈广告，突出音质好，加入限时优惠（如“前50名下单立减50元”）。

优化后的Prompt2：  
生成一条关于无线耳机的朋友圈广告，突出音质好（用“沉浸式”描述），加入限时优惠（前50名下单立减50元），强调“告别噪音”的情感。

最终文案：  
【沉浸式音质，告别噪音！】  
这款无线耳机，让你仿佛置身演唱会现场，每一个音符都清晰到心跳。  
前50名下单立减50元！手慢无！  
👉点击链接：xxx

关键技巧

• 反馈闭环：用“生成→反馈→优化→再生成”的循环，让Agent自我进化；
• 优化明确化：Prompt要求Agent写出“优化点”，避免模糊的修改；
• 温度控制：生成文案时用高温度（0.8）增加创意，优化Prompt时用低温度（0）保证严谨。

案例6：跨模态Agent——多媒体内容创作平台

场景背景

内容创作者需要生成多模态内容（如“微信公众号文章”：文字+封面图+音频），但传统工具需要分别使用“文案生成器”“图片生成器”“音频合成器”，操作繁琐。

问题痛点

• 多模态工具“各自为战”，无法协同；
• 内容风格不一致（如文字是“治愈系”，图片是“科技风”）；
• 需要人工拼接多模态内容，效率低。

提示设计思路

我们需要设计一个**“跨模态协作Agent”**，核心能力：

1. 能生成文字文案（公众号文章）；
2. 能生成图片（封面图，风格与文字一致）；
3. 能生成音频（朗读文案，音色与风格匹配）；
4. 能整合多模态内容（文字+图片+音频）。

核心Prompt要解决：

• 风格统一：要求所有模态的内容风格一致（如“治愈系”）；
• 模态协同：引导Agent用文字的关键词生成图片（如文字提到“猫咪”，图片包含猫咪）。

代码实现（基于LangChain+Stable Diffusion+TTS）

import requests
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

# 1. 定义工具集合（整合第三方API）
def generate_text(prompt: str) -> str:
    """生成文字文案（使用OpenAI）"""
    return OpenAI(temperature=0.7)(prompt)

def generate_image(prompt: str) -> str:
    """生成图片（使用Stable Diffusion API）"""
    response = requests.post(
        "https://api.stability.ai/v1/generation/stable-diffusion-v1-5/text-to-image",
        headers={"Authorization": "Bearer YOUR_API_KEY"},
        json={"text_prompts": [{"text": prompt}], "width": 512, "height": 512}
    )
    return response.json()["artifacts"][0]["base64"]  # 返回Base64编码的图片

def generate_audio(text: str) -> str:
    """生成音频（使用Azure TTS API）"""
    response = requests.post(
        "https://eastus.tts.speech.microsoft.com/cognitiveservices/v1",
        headers={
            "Ocp-Apim-Subscription-Key": "YOUR_API_KEY",
            "Content-Type": "application/ssml+xml",
            "X-Microsoft-OutputFormat": "audio-16khz-128kbitrate-mono-mp3"
        },
        data=f"<speak version='1.0' xml:lang='zh-CN'><voice name='zh-CN-XiaoxiaoNeural'>{text}</voice></speak>"
    )
    return response.content  # 返回MP3二进制数据

tools = [
    Tool(name="文字生成工具", func=generate_text, description="用于生成文字文案"),
    Tool(name="图片生成工具", func=generate_image, description="用于生成图片，需要风格关键词（如“治愈系”）"),
    Tool(name="音频生成工具", func=generate_audio, description="用于生成音频，需要文字文案")
]

# 2. 设计Prompt模板（跨模态协同）
prompt_template = """
你是一位多模态内容创作助手，需要生成**风格统一**的文字、图片和音频。请遵循以下步骤：

### 步骤1：定义风格
明确内容的风格（如“治愈系”“科技风”“搞笑风”），确保所有模态一致。

### 步骤2：生成文字
使用「文字生成工具」生成文案，包含核心关键词（如“猫咪”“阳光”“下午茶”）。

### 步骤3：生成图片
用文字的**核心关键词+风格**作为Prompt，调用「图片生成工具」（如“治愈系猫咪在阳台晒太阳，下午茶，温暖色调”）。

### 步骤4：生成音频
用文字文案作为输入，调用「音频生成工具」，选择与风格匹配的音色（如“治愈系”用温柔的女声）。

### 步骤5：整合内容
输出文字文案、图片Base64编码、音频MP3数据。

用户需求：{user_request}
"""

# 3. 初始化Agent
llm = OpenAI(temperature=0.5)
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="zero-shot-react-description",
    prompt=PromptTemplate.from_template(prompt_template)
)

# 4. 测试：用户需求
user_request = "生成一篇治愈系的微信公众号文章，主题是“周末和猫咪一起下午茶”，需要封面图和朗读音频。"
result = agent.run({"user_request": user_request})
print("文字文案：\n", result["text"])
print("图片Base64：\n", result["image"])
print("音频MP3：\n", result["audio"])

输出结果与关键技巧

输出结果（简化版）

• 文字文案：“周末的午后，阳光透过窗帘洒在沙发上，猫咪蜷在腿上打盹，手边是一杯热可可和刚烤好的曲奇……”
• 图片：治愈系风格，猫咪在阳台的藤椅上晒太阳，旁边有热可可和曲奇；
• 音频：温柔的女声朗读文案，背景有轻缓的钢琴声。

关键技巧

• 风格锚点：Prompt要求“定义风格”，所有模态都围绕这个风格生成；
• 关键词传递：文字的核心关键词（如“猫咪”“阳光”“下午茶”）直接作为图片的Prompt，确保内容一致；
• 模态绑定：音频的输入是文字文案，确保“读的内容”与“写的内容”一致。

案例7：安全合规Agent——金融风控决策助手

场景背景

金融机构需要合规的风控决策（如“是否批准用户的贷款申请”），但传统风控系统依赖“规则引擎”，无法处理模糊的合规要求（如“是否符合反洗钱规定”）。

问题痛点

• 合规规则“模糊化”（如“可疑交易”没有明确定义）；
• 风控决策“黑盒化”，无法解释“为什么拒绝贷款”；
• 无法实时更新合规规则（如监管政策变化）。

提示设计思路

我们需要设计一个**“懂合规的风控Agent”**，核心能力：

1. 能理解合规规则（如《反洗钱法》《个人贷款管理暂行办法》）；
2. 能分析用户数据（如收入、征信、交易记录）；
3. 能生成合规决策（如“批准/拒绝贷款”）；
4. 能解释决策原因（如“拒绝原因：用户近3个月有2次逾期，违反《个人贷款管理暂行办法》第11条”）。

核心Prompt要解决：

• 规则嵌入：将合规规则写入Prompt，引导Agent遵守；
• 决策解释：要求Agent明确“引用的规则”和“对应的用户数据”。

代码实现（基于LangChain）

from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

# 1. 模拟用户数据和合规规则
user_data = {
    "user_id": "456",
    "income": 8000,
    "credit_score": 650,
    "late_payments": 2,  # 近3个月逾期2次
    "transaction_history": ["2023-10-01 转账10000元", "2023-10-05 取现5000元"]
}

compliance_rules = """
1. 《个人贷款管理暂行办法》第11条：借款人信用记录良好，近3个月逾期次数不超过1次；
2. 《反洗钱法》第23条：可疑交易（如短期内频繁转账/取现）需上报；
3. 机构内部规则：借款人月收入需≥5000元。
"""

# 2. 定义工具集合
tools = [
    # 工具1：查询用户数据
    Tool(
        name="用户数据查询",
        func=lambda user_id: str(user_data),
        description="用于查询用户的收入、征信、交易记录等数据。"
    ),
    # 工具2：查询合规规则
    Tool(
        name="合规规则查询",
        func=lambda rule_id: compliance_rules,
        description="用于查询金融合规规则（如《个人贷款管理暂行办法》）。"
    )
]

# 3. 设计Prompt模板（合规嵌入+决策解释）
prompt_template = """
你是一位金融风控合规专家，负责根据**合规规则**和**用户数据**做出决策。请严格遵循以下步骤：

### 步骤1：查询规则
调用「合规规则查询」工具，获取相关的合规规则（如贷款审批的规则）。

### 步骤2：查询用户数据
调用「用户数据查询」工具，获取用户的收入、征信、交易记录等数据。

### 步骤3：匹配规则与数据
- 检查用户数据是否符合每一条合规规则；
- 标记“违反的规则”和“对应的用户数据”（如“违反规则1：近3个月逾期2次”）。

### 步骤4：生成决策
- 若所有规则都符合：批准贷款；
- 若有规则违反：拒绝贷款，并明确说明拒绝原因。

### 步骤5：解释决策
用“规则+数据”的格式解释决策（如“拒绝原因：违反《个人贷款管理暂行办法》第11条（近3个月逾期2次）”）。

用户需求：是否批准用户{user_id}的贷款申请？
"""

# 4. 初始化Agent
llm = OpenAI(temperature=0)  # 低温度保证决策的严谨性
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="zero-shot-react-description",
    prompt=PromptTemplate.from_template(prompt_template)
)

# 5. 测试：用户需求
user_id = "456"
result = agent.run({"user_id": user_id})
print("风控决策：\n", result)

输出结果与关键技巧

输出结果（简化版）

步骤1：查询规则  
获取到合规规则：  
1. 《个人贷款管理暂行办法》第11条：近3个月逾期次数不超过1次；  
2. 《反洗钱法》第23条：可疑交易需上报；  
3. 机构内部规则：月收入≥5000元。

步骤2：查询用户数据  
用户数据：月收入8000元，信用分650，近3个月逾期2次，交易记录包含“转账10000元”“取现5000元”。

步骤3：匹配规则与数据  
- 违反规则1：近3个月逾期2次；  
- 符合规则2：交易记录无频繁转账/取现；  
- 符合规则3：月收入8000元≥5000元。

步骤4：生成决策  
拒绝贷款申请。

步骤5：解释决策  
拒绝原因：违反《个人贷款管理暂行办法》第11条（近3个月逾期2次）。

关键技巧

• 规则显性化：将合规规则写入Prompt，Agent会严格遵守；
• 决策可解释：要求Agent用“规则+数据”的格式解释决策，符合监管要求；
• 风险隔离：低温度设置确保Agent不会“创造性”地违反规则。

案例8：大规模Agent群体——虚拟客服运营系统

场景背景

企业需要大规模的虚拟客服（如“电商平台的100个客服Agent”），但传统客服系统无法处理：

• 负载均衡（如高峰时段分配更多Agent处理咨询）；
• 角色分层（如“初级客服”处理简单问题，“高级客服”处理复杂问题）；
• 知识同步（如“新活动规则”需要快速同步给所有Agent）。

问题痛点

• 大规模Agent“各自为战”，无法协同；
• 无法动态调整Agent的负载；
• 知识更新困难，Agent容易输出过时信息。

提示设计思路

我们需要设计一个**“分层协作的客服Agent系统”**，核心架构：

1. 入口Agent：负责接收用户请求，