企业官网建设流程全解析

此前我们用 RAG 为助手接入了版本攻略，但大模型偶尔还是会说车轱辘话。问题出在哪儿？不是知识不够，而是“问的方式不对”。这一篇，我将拆解自己为 TFT 助手设计的几套提示词模板，看看好的提示词如何把同一个模型从“废话生成器”调教成条理清晰、具体可操作的赛季教练。

一、有了 RAG，为什么回答还是不够好？

在上一篇里，我用retrieve(query)从本地知识库中找到了相关文档，然后这样让大模型回答：

prompt = f"""你是一个校园助手，请根据以下参考资料回答用户问题。 参考资料： {context} 用户问题：{question} 回答："""

这个 prompt 可以“抑制幻觉”，但远远谈不上“专业”。当我问“我这套阵容接下来该怎么运营？”时，模型给出的回答往往类似：

“建议您根据局势合理分配经济，适时提升等级或刷新商店。”

这话没错，但说了等于没说。问题根源在于：prompt 没有告诉模型“你要以什么身份、按什么结构、从哪些维度、给出什么粒度的建议”。这就需要我们系统性地设计提示词。

二、提示词工程的三个核心技巧

在实际调试中，我总结了三条让 TFT 助手回答质量立竿见影的技巧：

下面我把这三招逐一拆开，展示它们在 TFT 场景中的实际写法。

三、角色设定：一句话让模型入戏

角色设定是 prompt 的第一句话，也是最容易被忽视的一句话。对比实验：

Prompt A（无角色）：

根据以下资料，给玩家一些云顶之弈的建议。

Prompt B（有角色）：

你是云顶之弈 Set 16 的职业教练，擅长分析阵容过渡、装备分配和站位博弈。请用简洁、自信的口吻给出建议，避免模棱两可。

两套 prompt 用同一个模型、同一份参考资料，回答差距显著。Prompt B 的建议会主动使用“你应该在 3-2 拉 6 级后开始 D 牌找 XX”这种具体指令，而 Prompt A 往往是“建议合理管理经济”。

实战版本（整合进 RAG 流程）：

SYSTEM_ROLE = """你是云顶之弈 Set 16 职业教练，专精阵容运营与装备分配。 你的回答必须基于提供的参考资料，如果资料中没有相关答案，请如实说明。 语气：自信、直接、具体，像教练在指导学员，不要说“可能”“也许”。"""

四、结构化输出：让回答拿来就能用

玩家来问助手，不是来读散文的。所以我的 prompt 会明确要求模型按固定结构输出，这样前端还能进一步解析成卡片。

实战 prompt 模板：

ANALYSIS_TEMPLATE = """{role} 当前阵容信息： - 英雄列表：{champions} - 激活羁绊：{traits} - 装备一览：{items} - 当前人口：{team_size} 参考资料： {context} 请严格按以下 4 个部分输出分析： 【阶段判断】 当前属于早期/中期/后期，并给出依据。 【经济运营】 下一步升级或 D 牌的时机建议。 【装备优先级】 接下来优先合成的装备（列出 3 件并说明理由）。 【站位调整】 简要的站位优化建议（前排/后排分配）。 注意：每个部分用 2~3 句话，不要长篇大论。"""

这样的强制分段，不仅让用户阅读更轻松，还为后续的多 Agent 拆分埋下了伏笔（经济 Agent、战力 Agent、站位 Agent 恰好对应这些部分）。

五、Few-shot 示例：给模型一个“标准答案”参考

有些时候，即使有角色和格式要求，模型的回答风格仍然会飘。这时直接在 prompt 里塞一个示例，效果立竿见影。

EXAMPLE = """ 示例： 【阶段判断】 中期（3-4 阶段），因为阵容已到 7 人口，且核心羁绊 4 Bruiser 已激活。 【经济运营】 当前经济 42 金币，建议存到 50 后用利息拉 8 人口，不要过早 D 牌。 【装备优先级】 ① 饮血剑（给 Aatrox）② 泰坦的坚决（给 Riven）③ 鬼索的狂暴之刃（给后排）。 【站位调整】 前排 3 个 Bruiser 站中间吸收伤害，后排 Aphelios 和 Samira 放角落防刺客。 """ final_prompt = f"{ANALYSIS_TEMPLATE}\n\n{EXAMPLE}\n\n用户问题：{question}"

有了这个示例，模型几乎不再跑偏。这其实是一种隐式的梯度下降——你用示例把“好的输出”的分布锚定住了。

六、提示词工程与 RAG、Agent 的关系

到这里，我们手里已经有了：

• 知识供给层：RAG 检索到的版本攻略（保证信息时效性）。

• 输出控制层：精心设计的提示词（保证回答专业性）。

两者结合，单个 LLM 就足以充当一个“教练 Agent”。但现实是：一套阵容分析涉及经济、战力、站位三个维度的深度推演，全塞进一个 prompt 里，模型容易顾此失彼（比如重点分析了装备，却忽略了站位）。下一篇，我们将把这三个维度拆成三个独立的 Agent，每个 Agent 使用各自专属的提示词模板，再通过消息总线协同工作——从一个“全栈教练”升级为一支“专家团队”。