AI Agent 提示工程实战：把需求写具体（Be Specific in What You Want）

• 文档
• 教程
• 知识库

导读

本文聚焦 developer-roadmap 项目 ai-agents 路线图 中的核心提示工程原则之一——在提示中把需求表达得具体明确。你将从"为什么要具体"的原理出发，掌握目标、格式、限制、受众、排除项、关键数据等维度的完整写法，并通过模糊与具体的案例对比，学会在单轮对话与 Agent 工作流中写出高精度的提示词，从而减少模型猜测、剔除无关输出、显著降低来回追问的成本。

一、为什么"具体明确"是提示工程的第一原则

在 what-is-prompt-engineering@Y8EqzFx3qxtrSh7bWbbV8.md 中，提示工程被定义为"编写清晰的提问或指令，让 AI 系统给出你想要的答案"。而实现这一目标的第一步，就是把话说清楚。

当你用"模糊、宽泛"的语言向 AI 提出请求时，模型只能基于概率去猜测你的真实意图，结果往往是：

• 多余的猜测成本：模型在多个可能的解释之间摇摆，输出覆盖了所有可能性，但每一条都不是你真正想要的；
• 无关的额外细节：模型补全了大量你没有要求的背景、铺垫和延伸内容；
• 后续追问的时间损耗：第一轮输出不达标，你需要反复澄清，一轮轮地把需求"挤"出来。

反之，清晰、精确的措辞能直接给模型划定回答的边界，让它在第一时间命中目标。这一点对 LLM 如此，对承载了工具调用、多步推理的 AI Agent 更是如此——Agent 的每一步行动都由提示词驱动，需求越模糊，Agent 的决策链就越容易偏离方向。

二、核心五要素：目标、格式、限制、受众、排除项

把需求写具体，本质上是在提示开头一次性声明以下五类信息：

关键做法：把目标、格式、限制、受众、排除项放在提示的开头。模型对提示早期内容的权重处理更高，把最重要的约束前置，能确保它不会被后续的补充信息稀释。

这一原则与路线图中的另一篇文档 provide-additional-context@6I42CoeWX-kkFXTKAY7rw.md 互为表里："提供上下文"解决的是"给足背景信息"，而**"写具体"解决的是"把要求说精确"**。前者保证模型不缺料，后者保证模型不跑偏。

三、把关键事实钉死：数字、日期、来源

"具体"不仅体现在结构上，更体现在关键事实的精确化上。凡是可能影响答案正确性的数字、日期和来源，都应当直接点名：

• 数字：数量、金额、比例、时间跨度——"最近 30 天""前 5 大客户""预算 1 万元以内"；
• 日期：截止时间、统计区间——"数据截至 2025 年 12 月 31 日""对比 2024 与 2025 年的数据"；
• 来源：指定数据出处或口径——"以上市公司年报为准""以官方文档为准"。

这些信息一旦缺失，模型就只能自行假设，而假设一旦错误，整个输出都会建立在错误的地基上。点名关键事实，就是主动替模型消除最大的不确定性来源。

四、模糊 vs 具体：一个案例的完整拆解

原文档给出了最直观的对比示例，我们把它完整展开：

模糊版本：

解释一下第二次世界大战。

具体版本：

列出第二次世界大战的三大关键事件，每个事件附带日期和一句简短说明。

两条提示的差异体现在三个层面：

1. 范围收窄：从"解释整场战争"（一个可以写几十万字的话题）收窄为"三个关键事件"；
2. 格式指定：明确要求"列出"，即条目式输出，而非长篇叙述；
3. 信息密度指定：每个事件必须附带"日期 + 一句简短说明"，限定了每条内容的深度。

再看一个贴近开发者的对比：

模糊版本：

帮我看看这段代码有什么问题。

具体版本：

以下函数在并发调用时会偶发数据错乱。请用编号列表指出：(1) 可能的竞态条件，(2) 每处的修复建议，(3) 修复后的完整代码。不要修改其他无关逻辑，不要讨论代码风格。

可见，"具体"= 明确任务边界 + 明确输出形式 + 明确回答深度 + 明确禁区。这四条写全，模型第一次输出就能达到可用水平。

五、从单轮对话到 AI Agent：具体性在 Agent 场景中的延伸

提示的精确性在 AI Agent 场景中会更加关键。Agent 与普通对话的本质区别在于它会主动执行动作——调用工具、读写文件、发起 API 请求、执行代码（参见路线图中的 agent-loop@Eih4eybuYB3C2So8K0AT3.md）。当指令模糊时，Agent 可能：

• 调用错误的工具：需求没说清楚该用搜索还是该用数据库查询，Agent 凭猜测选择；
• 执行多余的步骤：目标未限定，Agent 会把无关的候选动作也做一遍；
• 以错误的参数发起请求：未指定过滤条件、时间范围、输出字段，工具返回的数据自然对不上。

因此，在 Agent 的系统提示词（system prompt）与任务指令中，"具体化"应当落地为：

• 明确工具选择的判定条件："当用户提供订单号时，直接调用订单查询工具；当用户只提供客户名时，先调用客户检索工具"；
• 明确每一步动作的输入输出："调用搜索工具时，关键词必须使用用户原话，且每次只搜索一个关键词"；
• 明确停止条件："拿到库存数据后立即停止调用工具，直接汇总结果，不要再发起其他查询"。

这一理念与 tool-definition@qakbxB8xe7Y8gejC5cZnK.md 中"工具定义本身就要写清楚参数与行为"的要求一脉相承：工具定义负责把"能做什么"写清楚，提示词负责把"要它做什么"写清楚，两者共同决定了 Agent 行为的确定性。

六、与提示工程其他原则的组合使用

"写具体"不是孤立技巧，它与 ai-agents 路线图提示工程板块中的其他原则组合使用效果最佳：

• 指定长度与格式：specify-length-format-etc@wwHHlEoPAx0TLxbtY6nMA.md 详细讲解了"120 字以内""用编号列表""列名与顺序""JSON/Markdown"等输出约束。把长度和格式写死，是"具体化"在输出维度上的直接落地，固定格式还能让下游程序或人工直接解析消费结果。
• 提供附加上下文：provide-additional-context@6I42CoeWX-kkFXTKAY7rw.md 主张把主题、目的、受众、语气、关键事实一次性给足，就像带新人一样给够背景——具体性是"怎么说"，上下文是"给什么料"。
• 在提示中给示例：use-examples-in-your-prompt@yulzE4ZNLhXOgHhG7BtZQ.md 指出，放一两个"输入→期望输出"的样例，模型会直接模仿其模式。示例本质上是最具体的需求表达——与其描述一百遍"要表格"，不如直接放一个两行三列的小表格。
• 使用专业术语：use-relevant-technical-terms@sUwdtOX550tSdceaeFPmF.md 强调用领域内精确词汇代替含糊描述，与"写具体"互为补充：术语解决"用什么词说"，具体性解决"把要素说全"，两者都能减少歧义、帮助模型检索到正确的知识。
• 迭代与测试：iterate-and-test-your-prompts@noTuUFnHSBzn7GKG9UZEi.md 把第一版提示当作草稿：运行、观察、一次只改一个变量（加一个示例、限一个长度、调一种语气）、再测再记。"写具体"不是一次到位的天赋，而是一轮轮改出来的习惯——每次迭代都朝"更具体"前进一格，直到输出清晰、正确、可复现。

七、可复用的"具体化"提示模板

把本文的原则打包成一个可直接套用的模板：

【任务】<一句话说清要产出什么> 【背景】<给出必要的上下文，一句话到三句话> 【受众】<答案给谁看，用什么深度和语气> 【格式】<列表 / 表格 / JSON / Markdown，必要时给出列名与顺序> 【长度】<字数上限或条数上限> 【必须包含】<关键数字、日期、来源、字段> 【不要包含】<禁区清单，逐条列明> 【示例】<可选：一个输入→期望输出的小样例>

填写示例：

【任务】基于以下销售数据，找出营收下滑最严重的一个季度并给出三条可能原因。 【背景】数据为公司 2025 年四个季度的营收，单位万元。 【受众】面向销售总监的季度复盘摘要。 【格式】先给结论，再用编号列表列原因，每条原因不超过两行。 【长度】全文不超过 250 字。 【必须包含】下滑季度、同比下滑百分比、按季度数据。 【不要包含】不要给改进建议，不要展开行业分析。

这套模板同时适用于普通对话与 Agent 任务：在 Agent 场景下，把"必须包含"换成"必须调用哪些工具、传入什么参数、何时停止"即可。

八、延伸阅读

以下内容均位于本仓库 ai-agents 路线图的提示工程板块，可与本文组合阅读：

• 提示工程是什么：what-is-prompt-engineering
• 提供附加上下文：provide-additional-context
• 指定长度与格式：specify-length-format-etc
• 在提示中使用示例：use-examples-in-your-prompt
• 使用相关专业术语：use-relevant-technical-terms
• 迭代并测试你的提示词：iterate-and-test-your-prompts
• Agent 主循环：agent-loop
• 工具定义：tool-definition

小结

把需求写具体，是提示工程中投入产出比最高的动作之一：先在提示开头声明目标、格式、限制、受众与排除项，再把数字、日期、来源等关键事实点名，最后用示例和模板把抽象描述变成可执行指令。它削减模型的猜测空间、过滤无关细节、减少追问轮次；而在 AI Agent 场景中，它直接决定工具选择、参数传递与停止条件是否正确。配合上下文、格式、示例、术语与迭代测试等相邻原则，你就可以把一段"碰运气的提示"打磨成稳定、可复现、可被 Agent 忠实执行的精确指令。

• 文档
• 教程
• 知识库