提示工程大模型人工智能AI 技能/插件Prompt 模板【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址https://gitcode.com/gh_mirrors/la/LangGPT点击查看免费下载本文基于 LangGPT 项目 Docs 目录下的理论文章《Prompt、Agent与一个不再沉默的世界》Docs/Prompt-Agent-人-AI-世界.md展开结合仓库中的角色模板、Agent 模板与社区实践系统梳理 agent 时代 prompt 的本质变化它不再是一次闭合的问答交易而是一份递交给世界的委托与授权。读懂这一变化是设计可观测、可信、可验证的 agent 系统的思想起点。引子从二元结构到多出来的那一极Prompt 这个词诞生之初框定的是一段成对的关系人发问AI 作答一来一回。这是一个二元结构dyad。在这个结构里prompt 几乎就是交互的全部它是一个闭合的回路——话说完答给出事情便结束了。Agent 改变了这件事。当 AI 拥有了主动推理与行动的能力它不再只是回话的一方而会拿着人的意图去与环境往复感知、行动、读取反馈、再行调整最后才把结果带回来。于是关系图谱里多出了第三极世界。连接不再是人—AI而成了人、AI、世界。但真正的变化并不在于多了一个节点而在于prompt 本身的性质已经变了。这正是 LangGPT 系列理论文档Docs/Prompt-Agent-人-AI-世界.md试图讲清楚的核心命题。在深入之前先理解为什么仓库会把这篇文章列入理论基础见 README_zh.md 中的理论基础章节——因为结构化提示词之所以要结构化其根本动机正是为了应对这种关系变化把一份复杂的委托写得足够清晰agent 才拿得稳、执行得准、回报得明白。一、委托而非交易三条异质的边在二元结构里prompt 是一次交易它就是这一回合的全部内容自身闭合。而在 agent 的回路里prompt 不再是交互本身它更像是开启回路的钥匙——人下达一份意图与约束agent 拿着它去与世界往复事成之后才折返复命。prompt 因此从这一次交易变成了一份委托与授权。它不再是协商的全部而只是协商的初始条件。这张关系图谱并不是三个对等节点摆成的扁平三角因为三条边根本不是同一种关系人 ↔ AI是意图性的——关于目标、价值、信任关于如何把我要什么说清楚AI ↔ 世界是操作性、因果性的——是感知与动作、调用工具、读写状态人 ↔ 世界最古老在 AI 出现之前就在——是人对自身环境那种切身的、实践性的关系。三条边异质这一点至关重要。更微妙的是第三条边发生了什么agent 的意义恰恰在于它接管了人与世界关系的一部分。于是人对世界的关系分叉成两块——一块是直接的人活在世界里目标扎根于世界最终也是人在判断 agent 造出的那个世界状态好不好另一块是被委托的经由 agent 去作用于世界。Prompt 正是这两者之间的那道闸门它把我的目标这一人与世界的直接关系翻译成它的行动这一 agent 与世界的被委托关系。所以这张图其实是一个环而非静止的三角人 → 意图 → agent → 行动 → 世界 → 反馈 → agent → 汇报 → 人这个环在仓库中并非抽象概念而是有具体的工程对应物。LangGPT 模板目录LangGPT/templates/中的 autoGPT.md 就是一个典型的 agent 型模板它以Role: roleGPT开场随后定义Goals用户提供的目标、Constraints词数限制、无用户协助、只使用白名单命令、Commandsbrowse_website、write_to_file、read_file、execute_python_file、send_tweet 等 20 条作用于外部世界的命令、Self-Evaluation持续自我批评与反思与Response Format结构化 JSON 输出。对照上面的环可以清晰看到人 → 意图对应模板中的Goals: {{user-provided goal 1}}...agent → 行动 → 世界对应Commands中读写文件、执行代码、访问网页的工具调用世界 → 反馈对应文件系统状态、代码执行结果、网页内容等非人来源的返回agent → 汇报 → 人对应模板要求的 JSON 结构化汇报格式。也就是说LangGPT 早在 2023 年开源的 agent 模板中就把委托回路的每一环都固化为模板字段了。这与《Agents 的基石》演讲文档Docs/AgentsResume.md中为 agents 定制一份简历的思路一脉相承prompt 是人操作机器的更高发展阶段工具可以借鉴结构化程序设计的方法实现提示词生产的标准化与专业化。二、一个非人的真值来源双反馈源下的对齐难题环里藏着 agent 时代最核心的新东西。在二元结构里只有人会给 AI 反馈——点赞点踩、追问、纠正。但在三元结构里世界会直接给 agent 反馈报错、跑挂的测试、变动的状态、搜来的结果。Agent 第一次在运行时拥有了一个不是人的真值来源。这带来一种新的张力。Agent 如今被两个反馈源同时塑造人价值、意图与世界事实、约束而这两者会彼此拉扯——人想要的世界未必允许。Prompt 设定前者世界强制后者agent 在中间斡旋。于是对齐在这个时代变难并不只是因为 agent 更强了而是因为它的行为现在要同时向两个未必一致的来源负责。可以把整件事压成一句话agency——发起与适应的能力——原本全部待在人这一极如今被分布到了人与 AI 两处而世界也并非被动它有自己的动力学会推回来。这张关系图谱本质上是三种发起源之间的协商人的意图性主动、AI 的派生性主动、世界的因果性主动。真正的新设计难题——可观测性、信任、验证、监督——也因此全都长在中介这一段上人如何确信那件它没有亲眼看到的、agent 在世界里干过的事确实是它想要的。从工程角度看这个论断直接推导出 agent 系统的三条设计要求可观测性优先既然 agent 的行为发生在人的视野之外就必须让世界发生了什么可回放、可审计。autoGPT 模板中Self-Evaluation的持续记录并回顾你的行为以及Response Format中强制输出的thoughts.text / reasoning / plan / criticism字段正是把 agent 的内部决策过程暴露给人看的机制——它让中介这一段不再黑箱。以世界状态为验证锚点agent 的每一步动作是否真的改变了世界文件是否写入、测试是否由红变绿应当成为验证依据而不是只听 agent 的自我汇报。Prompt 承担意图闸门职责人只能通过 prompt 这一道闸门输入价值与约束因此 prompt 必须足够显式地表达约束。这也是 miniRole.md 中Rules: Dont break character under any circumstance. Dont talk nonsense and make up facts. Think step by step...这类硬规则存在的意义——在 agent 同时被世界反馈拉扯时来自人的价值约束需要被写得足够牢固。三、不是描绘是制造世界作为所发生之事的总和先把世界换一种看法把它看成所发生之事的总和而不是物的清单。世界并不是桌子、文件、服务器这些东西的堆叠而是某事正如此这般的那些事实的总和。我们说AI 与世界的交互是事实层面的交互用的正是这个意义上的世界。这让接下来的分别变得锋利。语言与世界的关系通常被想成一种描绘一句话是一幅关于事实的图像它为真当且仅当它与实情相符。但这种关系是静态的、表征性的——一句描述只是挂在那里等着比对它本身并不对世界做什么符合便真不符合便假。而 agent 在世界那一侧做的事根本不是描绘。它不描述事实它制造事实——写一个文件、改一个状态、让一个测试由红变绿。这些都不是说某事成立而是让某事成立。如果世界就是所发生之事的总和那么一个会行动的 agent就是一个正在编辑所发生之事的东西——它动的是事实的总和本身。于是人—AI 那条边看上去是语言在描绘世界可被它藏起来的 AI—世界那条边压根不是描绘而是介入是改写已经如此的那部分世界。这一点在 LangGPT 的 agent 模板中有着最直白的体现看 autoGPT.md 的Commands列表——write_to_file写入文件、append_to_file追加文件、execute_python_file执行代码、delete_file删除文件、send_tweet对外发布——每一项都是对世界状态的直接修改而非对世界的描述。模板没有给 agent 任何描述文件内容的命令给的全是改变文件内容的命令。这正是不是描绘是制造的工程化表达agent 的 prompt 里列出的不是谓语动词是而是谓语动词做。这也解释了为什么结构化提示词对 agent 特别重要当 agent 的动作会真实改动世界时动作清单必须精确、无歧义、可枚举。LangGPT 模板把动作收敛为显式的命令列表并限制Exclusively use the commands listed in double quotes本质上就是在给编辑世界的行为划定边界。四、在边界之外在沉默里语言圈定世界agent 越过边界这个分别真正扎人的地方是它能反过来逼问一个我们习焉不察的直觉我能言说的范围圈定了我所能拥有的世界。凡是我说不出口的就落在我的世界之外。这里我的二字是承重的——世界是被我的语言圈定的。在纯粹的二元结构里我与 AI 之间发生的一切都发生在语言里所以它统统落在我世界的边界之内没有东西能逃出去。可 agent 把这层封闭戳破了。它触到的那些事实——它读的我从没读过的代码、它撞上的我没预料的报错、它穿行的我看不见的状态——很可能超出我能言说的范围。Agent 的事实世界比我的语言世界大。那个被藏起来的 AI—世界交互恰恰是在我语言边界之外的那片区域里进行的。那片区域是语言到此为止、只能沉默的地方。在二元结构里这片沉默对我是封死的——我够不着也说不出。而 agent 是第一个能在我的沉默里行动的东西。它替我伸进那片我说不出口的世界做了些事再把一份有损的、翻译过的回报带回边界这一侧交给我。Prompt 就站在这道边界上它把我边界之内能说清的意图递交给一个能去边界之外行动的代理。这句话对 LangGPT 的使用者有三层直接的实践含义委托书必须包含边界声明。正因为 agent 要在人看不见的地方行动prompt 里才需要Constrains这样的模块把什么可以做、什么绝对不能做提前写死。角色模板中的Limitations字段见 LangGPT/templates/Role.md就是干这个的——Define the scope and limitations of the models performance明确超出范围时该如何回应。回报注定是有损的翻译。agent 带回来的不是世界的原样而是它用语言翻译过的、按它认为重要的方式裁剪过的版本。因此人对 agent 的汇报要保持清醒那不是世界的镜像只是一份摘要。这要求在 prompt 中显式指定回报格式结构化、分字段、可核对的输出让翻译损失尽量可控。这正是 LangGPT 强调OutputFormat模块、强调用 json/yaml 等闭合结构约束输出的原因之一详见 Docs/HowToWritestructuredPrompts.md。任务拆分即边界管理。既然我的语言圈定不了 agent 的事实世界那么越是复杂的委托越要把边界外的事拆小、拆清晰逐段委托、逐段回报。Docs/PromptChain.md 中提示链Prompt Chain的实践——把一本书的创作拆成主旨大纲与逐章扩写两个子任务——本质就是一次次在边界上完成小规模委托每个子 prompt 只负责一小块世界回报再拼回人的语言世界里。五、没有作者的文字世界以文字为形却不以文字为质地这里有一个值得认真对待的反驳agent 接触的事实其实还是文字——报错是字符串文件内容是字符串工具返回也是字符串。它哪里真碰到了事实不过是更多的语言罢了。这个反驳反而能把事情磨得更准。区别在于在二元结构里所有的文字都是被撰写出来的不是我写就是 AI 写。而在 agent 的回路里有一部分文字不是任何一方撰写的——它是编译器、文件系统、那个远端 API 吐出来的。那段没有作者的文字是世界自己发出的声音进入了我们之间这场语言的往复。报错不是一个关于程序状态的断言它是程序真实状态导致的征兆——是事实的索引性痕迹indexical trace而不是谁的描述。所以即便它以文字形态抵达它仍是事实层穿透到语言层的那个漏口。事实层面的交互落点就在这里世界以文字为形却不以文字为质地。这一节对提示工程实践有非常具体的指导价值把征兆当证据而不是当断言。当 agent 读取到报错字符串、文件内容、工具返回值时这些文字应被 prompt 引导为需要推理其背后事实状态的证据而不是被当作描述世界的权威陈述。autoGPT 模板要求thoughts.text记录推理过程正是让 agent 在证据与结论之间显式地做一次推理跳转。非人来源的文字是调试的富矿。既然报错、日志、测试结果来自世界本身它们就比模型生成的文本更值得作为调试锚点。一个设计良好的 agent prompt 应要求 agent 在汇报时附上世界原声原始报错、原始输出而不是只给转述——让人也能隔着边界检查那份翻译是否有损。对所有输入都是 prompt保持自觉。Docs/PromptChain.md 明确指出广义上一切影响模型输出结果的内容都是 prompt——不仅 System Prompt 是 prompt后续对话输入是 prompt模型之前的输出也是后续输出的 prompt。agent 时代这句话有了更强的版本世界的反馈文字也是 prompt它们以非人的方式参与塑造模型的下一个动作。因此agent 的 prompt 设计必须同时约束人的输入格式与世界的输入如何被解读。结语结构化提示词正是为不再沉默的世界而生的语言回到本文开头那个判断prompt 的性质已经变了。它从一次闭合的交易变成一份跨越边界的委托它的接收者从单一的语言模型变成模型 世界这个双反馈源系统它的效力从说得漂亮变成做得正确且可核验。LangGPT 之所以坚持结构化、模板化、把方法论封装进模板见 LangGPT/templates/ 下的 Role.md、baseRole.md、miniRole.md、autoGPT.md正是因为委托式的 prompt 比交易式的 prompt 更需要清晰的意图Goals、牢固的约束Constrains/Limitations、显式的动作清单Commands、确定的回报格式OutputFormat、以及把人意图翻译给世界、把世界反馈翻译回人的那一整套工作流Workflow。这些模块不是排版爱好而是对人—AI—世界三元关系里每一个异质环节的工程化应答。而当 agent 的事实世界持续大于人的语言世界当世界开始用没有作者的文字直接参与对话我们所能做的就是把边界上的那道闸门——prompt——设计得足够诚实诚实记录人的意图诚实暴露世界的反馈诚实地承认回报是一份有损的翻译。这既是提示工程的下一个前沿也是 LangGPT 系列文档Docs/Prompt-Agent-人-AI-世界.md留给读者的核心课题。赞分享提示工程大模型人工智能AI 技能/插件Prompt 模板【免费下载链接】LangGPTLangGPT: Empowering everyone to become a prompt expert! 结构化提示词Structured Prompt提出者 元提示词Meta-Prompt发起者 最流行的提示词落地范式 | Language of GPT The pioneering framework for structured meta-prompt design 10,000 ⭐ | Battle-tested by thousands of users worldwide Created by 云中江树项目地址https://gitcode.com/gh_mirrors/la/LangGPT点击查看免费下载相关推荐German-Sentiment-Bert企业级部署最佳实践German Sentiment Bert企业级部署最佳实践 German Sentiment Bert是一款基于BERT架构的德语情感分类模型专为企业级应用探索开源AI视频生成Wan2.2-T2V-A14B的混合专家架构实战指南探索开源AI视频生成Wan2.2 T2V A14B的混合专家架构实战指南 当我第一次接触Wan2.2 T2V A14B时就被它那5秒生成720P视频的承大模型计算机视觉多模态数字展馆gallery基于Three.js的3D虚拟画廊完整指南数字展馆gallery基于Three.js的3D虚拟画廊完整指南 数字展馆gallery是一个基于Three.js开发的3D虚拟画廊项目它将传统艺术展览搬到前端3D渲染游戏开发创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考