大家好，我是大志。
在 AI Agent 中，Prompt（提示词）是驱动大语言模型完成任务的核心能力之一，也是面试中出现频率最高的知识点。从 System Prompt、Few-shot Prompt、结构化输出，到 JSON 输出、Prompt 优化、Token 控制、Agent 行为约束等，几乎都是面试官经常考察的内容，也是实际开发中必须掌握的基础能力。
本篇文章我结合自己的学习和项目经验，整理了一份 Prompt Engineering 相关的高频面试题。不仅会介绍每个知识点是什么，还会结合实际开发场景，分享生产环境中的最佳实践，希望能够帮助大家建立完整的 Prompt Engineering 知识体系。
另外，完整的 AI Agent 面试题文档也已经同步到了 aiflowline.cn，大家可以结合文章一起阅读。
1、System Prompt有什么作用？
System Prompt 是给 LLM 的系统级别的提示词，用来定义 LLM 在当前任务中的角色、目标、行为边界和输出要求。用户输入通常是：我要你做什么，而 System Prompt 是在提前规定 LLM 应该按什么规则做、如何做。
一个常见的 System Prompt 主要包括以下内容：
角色定位：比如客服助手、代码助手、数据分析助手 任务目标：主要解决什么问题 行为规则：可以做什么，不可以做什么 输出格式：使用中文还是英文，输出 Markdown还是JSON工具规则：什么时候调用工具，什么时候不需要调用工具
例如：
【角色定位】你是一个企业知识库问答助手。【任务目标】根据企业知识库内容，准确地回答用户提出的问题。【行为规则】回答时只能基于提供的资料，不要编造。如果资料中没有答案，就回答”暂时没有找到相关信息”，不要回答任何与企业知识无关的问题。【输出格式】回答以 Markdown 格式输出，回答要简洁，回答使用中文。【工具规则】关于企业内容的问题，调用 RAG 检索工具，并根据检索后的内容进行回答。通过这段 System Prompt，LLM 就会更倾向于基于知识库内容回答，否则，LLM 可能会直接根据自身知识去生成答案，甚至编造不存在的信息。
在 Agent 应用中，System Prompt 非常重要。因为 Agent 除了回答问题，还要调用工具、读写文件、访问接口、执行任务。如果系统提示词没有把规则描述清楚，Agent 就很难完成一些复杂任务。
在 LangChain v1.0 中，使用 create_agent 创建 Agent，通过 system_prompt 传入系统提示词：
from langchain.agents import create_agentagent = create_agent( model="gpt-5.5", tools=[search_tool], system_prompt="你是一个企业知识库问答助手。回答只能基于检索到的资料。",)2、如何限制Agent行为边界？
限制 Agent 行为边界，要结合 Prompt、工具权限和执行层校验来完成。
通过系统提示词限制
你只能回答和企业内部知识库相关的问题。如果用户要求你执行删除数据、发送邮件、修改权限等操作，必须先请求人工确认。不要输出未经验证的结论。限制使用工具
只给 Agent 绑定它需要的工具，对于一些高风险的工具需要加权限校验和人工校验。
defbefore_tool_call(tool_name, args, user):if tool_name in ["delete_user", "send_email", "transfer_money"]:return require_human_approval(tool_name, args, user)returnTrue记录详细操作日志
在生产环境中，要详细记录 Agent 做了什么、为什么这么做、调用了哪些工具、用户是否确认。
3、如何控制输出格式？
控制输出格式最简单、直接的方法是在 Prompt 中明确说明格式，并给出模板。
比如要求输出 Markdown：
请按以下格式回答：## 结论...## 原因...## 建议...如果要求输出列表，要写清楚数量和长度：
请只输出 3 条建议，每条不超过 30 个字。格式如下：1. ...2. ...3. ...如果要输出结构化数据，就直接把字段和字段含义写出来：
请输出 JSON，字段如下：- title：标题- summary：摘要- tags：字符串数组在编写提示词时，要注意以下几点：
少用模糊词
“整齐一点”“专业一点”这类描述太宽泛，直接写”使用 Markdown 表格输出”。
给出模板比只描述要求更有效
LLM 收到完整模板，更容易照着模板输出。
提示词不要自相矛盾
比如一边要求”只输出 JSON”，一边又要求”解释原因”，这样 LLM 就很容易输出除了 JSON 之外的自然语言。
程序侧一定要校验格式
LLM 不能保证生成内容格式 100% 正确。所以仍然要在代码里对输出进行校验。
4、如何保证输出JSON格式？
严格来说，不能只靠 Prompt 描述来输出标准的 JSON，可以通过以下几种方式来确保生成正确的 JSON 数据：
Prompt 中明确只输出 JSON
请只输出合法 JSON，不要输出 Markdown，不要输出解释文字。字段包括：name、age、tags。并给出示例
{"name": "张三","age": 18,"tags": ["学生", "篮球"]}使用结构化输出能力
在 LangChain v1.0 中，可以让 LLM 进行结构化输出
from langchain.agents import create_agentfrom pydantic import BaseModel, FieldclassUserInfo(BaseModel): name: str = Field(description="用户姓名") age: int = Field(description="用户年龄") tags: list[str] = Field(description="用户标签")agent = create_agent( model="gpt-5.5", tools=[], response_format=UserInfo,)result = agent.invoke({"messages": [{"role": "user", "content": "张三今年18岁，喜欢篮球"}]})user_info = result["structured_response"]print(user_info)执行结果：
程序校验格式
即使使用结构化输出，也要在程序中进行校验，比如年龄不能是负数，字段不能缺失，枚举值必须合法等等。
失败时重试或降级
如果对生成的 JSON 进行校验，结果 JSON 解析失败，可以把错误信息返回给 LLM，让它重新生成合法的 JSON。
5、什么是Few-shot Prompt？
Few-shot Prompt 指的是在提示词里给出多个示例，让 LLM 模仿示例的格式、风格来输出结果。Few-shot Prompt 适合用在输出规则不容易说清楚，但通过示例就一目了然的场景。
比如做用户意图识别：
请识别用户意图，只输出 intent。示例1：用户：我想查一下订单物流输出：query_logistics示例2：用户：我要退货输出：refund_order示例3：用户：怎么修改收货地址输出：change_address现在判断：用户：我的快递到哪了输出：LLM 看到前面给出的示例，就更容易输出 query_logistics。
Few-shot 有以下几个优点：
统一输出格式
示例比文字描述更直观，LLM 更容易模仿。
减少歧义
有些分类边界很难靠规则讲清楚，示例可以帮助 LLM 理解需求。
生成内容风格更稳定
在一些场景，如客服话术、代码注释风格，生成的内容风格更加统一。
6、Prompt过长会有什么问题？
Prompt 过长会带来几个问题：
成本变高
LLM 按 Token 计费，Prompt 越长，每次请求成本越高。
速度变慢
LLM 需要处理更多上下文，首字响应和整体响应都会变慢。
失去重点
Prompt 太长时，真正重要的规则可能被大量其他信息淹没。
容易引入噪声
把很多不相关的历史、文档、规则都放进去，会干扰 LLM 判断。
维护困难
不断在一个很长的 Prompt 追加规则，不知道是哪条规则起作用，而且修改一处还可能影响这段提示词在其他场景的效果。
可能超过上下文窗口
一旦超过 LLM 上下文限制，请求会失败，或者会被截断提示词内容。可能会导致关键内容丢失。
7、如何优化Prompt Token消耗？
优化 PromptToken 消耗，实际上就是减少无效上下文信息。常见方法有以下几种：
精简 Prompt
删除重复、空泛、无效的描述。比如“你是一个非常聪明、非常专业、非常友好的助手”这种话，对很多任务帮助不大。
使用模板变量
固定提示词只编写一遍，动态内容用模板变量填充，不要在代码里到处拼接重复文本。
只召回相关内容
做 RAG 或长期记忆时，不要把所有文档、所有历史记录都放进 Prompt。要先检索，再筛选，只放 TopK 相关内容。
使用摘要
长对话、长文档可以先压缩成摘要，再放入上下文。
结构化表达
有些信息用 JSON、列表、表格比自然语言更省 Token，也更清晰。
减少 Few-shot数量
示例要选最典型的，并且数量不要太多，很多时候 2-5 个高质量示例就足够了。
确定性的逻辑交给代码执行
比如排序、过滤、格式校验、权限判断，不需要让模型靠 Prompt 完成。并且代码执行结果也更稳定。
好啦，今天这期 提示词工程 相关的面试题就到这里。后面我会每周至少更新 1 期面试题系列，想看后续 AI Agent 进阶面试题 的朋友，欢迎关注「大志说编程」！
觉得有用的话，转发给正在面试的小伙伴，咱们下期见~
往期回顾
