提示工程架构师的Agentic AI学习指南：从案例拆解到系统实践

一、引言：从“被动执行”到“主动解决”——提示工程的下一个里程碑

你是否遇到过这样的场景？

• 写了一个完美的单轮提示，能回答“巴黎的天气怎么样”，但面对“帮我规划巴黎3天行程，预算2000欧元”这样的复杂问题，就变得手足无措；
• 用大模型做数据分析时，它要么遗漏关键步骤（比如没调用数据库获取最新数据），要么反复调用工具（比如明明已经拿到数据还在重复查询）；
• 想让AI自主完成“写论文→找参考文献→修改草稿”的流程，但不知道怎么让它“学会思考”下一步该做什么。

这些问题的核心，在于传统提示工程是“单轮指令执行”，而复杂任务需要“多轮自适应决策”。这就是Agentic AI要解决的问题——让AI像人类一样，能自主思考、主动调用工具、持续优化策略，完成复杂的目标。

本文要做什么？

本文将从提示工程架构师的视角，拆解Agentic AI的核心逻辑，通过真实案例（比如数据分析Agent、旅游规划Agent）讲解如何设计Agent的“思考流程”“工具调用规则”“反馈机制”，最后手把手教你用LangChain搭建一个可复用的Agentic系统。

你能学到什么？

• 掌握Agentic AI的核心组件（思考-工具-反馈循环）；
• 学会用“思考链提示”“工具调用提示”“反思提示”设计Agent的决策逻辑；
• 能独立搭建一个简单的Agentic系统（比如自动论文总结Agent）；
• 理解提示工程架构师的核心工作：让AI从“执行指令”变成“解决问题”。

二、准备工作：你需要具备这些基础

1. 技术栈/知识要求

• Python基础：能读懂简单的Python代码（比如函数、类）；
• 提示工程基础：了解零样本、少样本提示，知道如何用自然语言引导大模型；
• 大模型API经验：用过OpenAI API、Anthropic API等，知道如何调用大模型；
• Agent框架认知：听说过LangChain、AutoGPT、BabyAGI等框架（不需要深入，但要有概念）。

2. 环境/工具准备

• Python环境：Python 3.8及以上（推荐用Anaconda创建虚拟环境）；
• Agent框架：安装LangChain（pip install langchain）——本文用LangChain做案例；
• 大模型API密钥：比如OpenAI的API key（需要注册OpenAI账号，获取API key）；
• 工具依赖：根据需要安装工具包，比如requests（调用API）、python-dotenv（管理环境变量）。

三、核心内容：从案例到实践，成为Agentic AI提示工程架构师

（一）第一步：理解Agentic AI的核心——“思考-工具-反馈”循环

在讲具体实践前，必须先搞懂Agentic AI的核心逻辑。Agentic AI不是一个“黑盒子”，而是由三个核心组件组成的循环系统：

组件	作用	例子
思考模块	决定“下一步该做什么”（比如“我需要获取用户的预算信息”）	用大模型生成“思考过程”：“用户问三亚行程，我需要先知道他们的兴趣和预算”
工具模块	执行具体任务（比如调用API获取数据、用Python做计算）	调用Google Search获取“三亚热门景点”，调用Excel工具分析“销售额数据”
反馈模块	根据工具返回结果调整策略（比如“刚才的景点列表不符合用户预算，需要重新筛选”）	用大模型分析工具返回的“三亚酒店价格”，决定“换一批更便宜的酒店”

关键区别：传统提示是“输入→输出”的单轮流程，而Agentic是“输入→思考→工具→反馈→输出”的多轮自适应流程。

比如，一个“旅游规划Agent”的循环流程：

1. 用户输入：“帮我规划三亚3天行程，预算2000元/人”；
2. 思考模块：“我需要知道用户的兴趣（比如喜欢海边还是景点）、出行时间（比如是否旺季）”；
3. 工具模块：调用“用户问卷工具”（比如用自然语言问用户“你喜欢海边活动还是人文景点？”）；
4. 反馈模块：收到用户回复“喜欢海边”，调整策略“优先推荐三亚湾、亚龙湾的海边项目”；
5. 循环：继续调用“景点查询工具”获取海边景点信息，再调用“酒店预订工具”获取预算内的海边酒店，最后生成行程。

（二）第二步：拆解真实案例——“数据分析Agent”的提示设计

为了让大家更直观，我们以**“数据分析Agent”为例，拆解提示工程架构师的核心工作**：如何设计每个模块的提示，让Agent能自主完成“从问题到结论”的流程。

1. 案例背景

用户问题：“分析上月销售额下降15%的原因”；
Agent目标：自主调用工具（比如数据库、Excel、统计模型），分析下降原因，生成报告。

2. 思考模块的提示设计

作用：让Agent学会“规划步骤”，比如“我需要哪些数据？”“下一步该做什么？”
提示模板（用OpenAI的GPT-4为例）：

你是一个数据分析Agent，需要解决用户的问题：“{user_question}”。请按照以下步骤思考：  
1. 明确问题：用户的问题核心是什么？需要解决什么问题？  
2. 数据需求：解决这个问题需要哪些数据？（比如销售额数据、用户行为数据、市场推广数据）  
3. 工具选择：需要调用哪些工具来获取这些数据？（比如数据库查询工具、Excel导入工具）  
4. 下一步行动：你现在需要做什么？（比如“调用数据库查询工具获取上月销售额数据”）  

请用自然语言写出你的思考过程，不需要执行任何操作。

为什么这么设计？

• 用“步骤引导”让Agent学会结构化思考，避免混乱；
• 用“问题+数据+工具+行动”的框架，让Agent的思考更有针对性；
• 留空“下一步行动”，让Agent能自主决定下一步做什么。

思考模块的输出示例：

1. 明确问题：用户想知道上月销售额下降15%的原因，需要找到导致下降的关键因素。  
2. 数据需求：需要上月的销售额数据（按产品、地区、渠道划分）、用户购买行为数据（比如转化率、复购率）、市场推广数据（比如广告投入、流量来源）。  
3. 工具选择：需要调用数据库查询工具获取销售额数据，调用用户行为分析工具获取用户行为数据，调用市场推广工具获取广告投入数据。  
4. 下一步行动：调用数据库查询工具，获取上月按产品划分的销售额数据。

3. 工具模块的提示设计

作用：让Agent学会“正确调用工具”，比如“如何传递参数？”“如何处理工具返回的结果？”
提示模板（以“数据库查询工具”为例）：

你需要调用数据库查询工具来获取数据。请按照以下格式生成工具调用指令：  
<|FunctionCallBegin|>[{"name":"query_database","parameters":{"sql":"SELECT * FROM sales WHERE month='2023-10' AND category='electronics'","limit":100}}]<|FunctionCallEnd|>  

说明：  
- name：工具名称（必须是“query_database”）；  
- parameters：工具参数，其中“sql”是查询语句，“limit”是返回结果的数量；  
- 请严格按照格式生成，不要添加任何额外内容。  

为什么这么设计？

• 用“严格格式”（比如<|FunctionCallBegin|>和<|FunctionCallEnd|>）让Agent能正确调用工具，避免解析错误；
• 用“参数说明”让Agent知道如何传递正确的参数，比如“sql”语句需要符合数据库语法；
• 用“例子”让Agent更直观地理解如何使用工具。

工具模块的输出示例（Agent生成的工具调用指令）：

<|FunctionCallBegin|>[{"name":"query_database","parameters":{"sql":"SELECT product_id, sales_amount, sales_date FROM sales WHERE month='2023-10'","limit":1000}}]<|FunctionCallEnd|>  

4. 反馈模块的提示设计

作用：让Agent学会“分析结果”，比如“这个数据能解决问题吗？”“需要调整策略吗？”
提示模板：

你已经调用了工具，获取了以下结果：{tool_result}。请按照以下步骤分析：  
1. 结果评估：这个结果是否满足你的数据需求？（比如“是否获取了上月的销售额数据？”）  
2. 问题解决：这个结果能帮助你解决用户的问题吗？（比如“销售额数据是否能说明下降的原因？”）  
3. 下一步行动：如果结果满足需求，下一步该做什么？（比如“调用统计模型工具分析数据”）；如果不满足，需要调整什么？（比如“重新调用数据库查询工具，获取更多维度的数据”）  

请用自然语言写出你的分析过程。

为什么这么设计？

• 用“结果评估+问题解决+下一步行动”的框架，让Agent学会反思；
• 用“是否满足需求”的问题，让Agent能自我检查，避免无效工具调用；
• 用“下一步行动”的引导，让Agent能持续优化策略。

反馈模块的输出示例（假设工具返回了“上月销售额数据按产品划分”）：

1. 结果评估：满足数据需求，获取了上月按产品划分的销售额数据。  
2. 问题解决：能帮助解决问题，因为可以通过产品维度分析哪些产品的销售额下降最多。  
3. 下一步行动：调用统计模型工具，分析各产品销售额下降的相关性（比如“是否与价格上涨有关？”）。

（三）第三步：实践——用LangChain搭建“旅游规划Agent”

现在，我们用LangChain（一个流行的Agent框架），手把手教你搭建一个**“旅游规划Agent”**，让它能自主完成“接收问题→思考→调用工具→生成行程”的流程。

1. 步骤1：安装依赖

首先，安装需要的包：

pip install langchain openai python-dotenv

• langchain：Agent框架，简化Agent的开发；
• openai：调用OpenAI的API；
• python-dotenv：管理环境变量（比如存储API key）。

2. 步骤2：配置环境变量

创建一个.env文件，存储你的OpenAI API key：

OPENAI_API_KEY=your_openai_api_key

然后，在Python代码中加载环境变量：

from dotenv import load_dotenv
load_dotenv()  # 加载.env文件中的环境变量

3. 步骤3：定义工具

Agent需要调用工具来完成任务，比如“查询景点”“查询酒店”。我们用LangChain的Tool类来定义工具：

from langchain.tools import Tool
from langchain.utilities import GoogleSearchAPIWrapper  # 假设用Google搜索获取景点信息

# 定义“景点查询工具”
search = GoogleSearchAPIWrapper()
景点查询工具 = Tool(
    name="景点查询",
    func=search.run,
    description="用于查询旅游景点信息，比如“三亚热门景点”"
)

# 定义“酒店查询工具”（假设用一个模拟函数）
def 酒店查询(地点: str, 预算: int) -> str:
    """模拟酒店查询工具，返回预算内的酒店列表"""
    return f"在{地点}，预算{预算}元/晚的酒店有：三亚湾宾馆（180元/晚）、亚龙湾酒店（200元/晚）"

酒店查询工具 = Tool(
    name="酒店查询",
    func=酒店查询,
    description="用于查询指定地点、预算内的酒店列表，参数：地点（str）、预算（int）"
)

# 整合工具列表
tools = [景点查询工具, 酒店查询工具]

为什么这么设计？

• 用Tool类封装工具，让Agent能统一调用；
• 用description字段说明工具的用途和参数，让Agent知道“什么时候该用这个工具”；
• 用模拟函数（比如酒店查询）简化示例，实际可以替换成真实的API调用。

4. 步骤4：定义思考模块的提示

用LangChain的PromptTemplate定义思考模块的提示，让Agent学会“规划步骤”：

from langchain.prompts import PromptTemplate

思考提示模板 = PromptTemplate(
    input_variables=["user_question", "agent_scratchpad"],
    template="""你是一个旅游规划Agent，需要解决用户的问题：“{user_question}”。请按照以下步骤思考：  
1. 明确问题：用户的问题核心是什么？需要解决什么问题？  
2. 数据需求：解决这个问题需要哪些数据？（比如用户的兴趣、预算、出行时间）  
3. 工具选择：需要调用哪些工具来获取这些数据？（比如“景点查询工具”“酒店查询工具”）  
4. 下一步行动：你现在需要做什么？（比如“调用景点查询工具获取三亚的热门景点”）  

你的思考过程：{agent_scratchpad}（用于记录之前的思考过程）  
请用自然语言写出你的思考过程，不需要执行任何操作。如果需要调用工具，请用以下格式：  
<|FunctionCallBegin|>[{"name":"工具名称","parameters":{"参数1":"值1","参数2":"值2"}}]<|FunctionCallEnd|>
"""
)

关键说明：

• input_variables：需要传入的变量，user_question是用户的问题，agent_scratchpad是Agent的历史思考过程（用于多轮循环）；
• template：用“步骤引导”让Agent学会结构化思考；
• 工具调用格式：用<|FunctionCallBegin|>和<|FunctionCallEnd|>包裹，让Agent能正确生成工具调用指令。

5. 步骤5：初始化Agent

用LangChain的initialize_agent函数初始化Agent，指定工具、思考提示、大模型：

from langchain.agents import initialize_agent, AgentType
from langchain.llms import OpenAI

# 初始化大模型（用OpenAI的GPT-3.5-turbo）
llm = OpenAI(temperature=0, model_name="gpt-3.5-turbo-instruct")

# 初始化Agent
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,  # 用“零样本反应”模式，让Agent学会用工具
    verbose=True,  # 打印Agent的思考过程
    prompt=思考提示模板  # 传入之前定义的思考提示
)

关键参数说明：

• AgentType.ZERO_SHOT_REACT_DESCRIPTION：零样本反应模式，让Agent能根据工具的description自主选择工具；
• verbose=True：打印Agent的思考过程，方便调试；
• prompt：传入之前定义的思考提示，让Agent按照我们的逻辑思考。

6. 步骤6：测试Agent

现在，测试Agent能否解决用户的问题：“帮我规划三亚3天行程，预算2000元/人”。

user_question = "帮我规划三亚3天行程，预算2000元/人"
result = agent.run(user_question)
print(result)

预期输出（Agent的思考过程+结果）：

思考过程：  
1. 明确问题：用户需要规划三亚3天的行程，预算2000元/人。  
2. 数据需求：需要三亚的热门景点、预算内的酒店列表、行程安排建议。  
3. 工具选择：需要调用“景点查询工具”获取三亚的热门景点，调用“酒店查询工具”获取预算内的酒店列表。  
4. 下一步行动：调用“景点查询工具”获取三亚的热门景点。  

<|FunctionCallBegin|>[{"name":"景点查询","parameters":{"query":"三亚热门景点"}}]<|FunctionCallEnd|>

（工具返回结果：三亚热门景点有：三亚湾、亚龙湾、天涯海角、蜈支洲岛）

思考过程：  
现在需要调用“酒店查询工具”获取三亚预算2000元/人的酒店列表。  

<|FunctionCallBegin|>[{"name":"酒店查询","parameters":{"地点":"三亚","预算":2000}}]<|FunctionCallEnd|>

（工具返回结果：在三亚，预算2000元/人的酒店有：三亚湾宾馆（180元/晚）、亚龙湾酒店（200元/晚））

思考过程：  
现在需要根据景点和酒店信息，生成3天的行程安排。  

行程建议：  
第一天：三亚湾（海边活动）→ 天涯海角（人文景点）→ 住三亚湾宾馆（180元/晚）；  
第二天：亚龙湾（沙滩游玩）→ 蜈支洲岛（潜水）→ 住亚龙湾酒店（200元/晚）；  
第三天：自由活动（比如购物、吃海鲜）→ 返程。  

总预算：180+200=380元/人（3天），符合2000元/人的预算。  

需要确认用户是否有其他需求，比如是否需要调整行程。  

最终结果：  
以下是为你规划的三亚3天行程：  
...（具体行程）  
总预算：约380元/人，符合你的预算要求。请问需要调整吗？

（四）第四步：优化——让Agent更“聪明”的技巧

搭建完基础Agent后，我们可以用一些技巧让它更“聪明”，比如增加记忆机制、优化工具调用逻辑、处理错误情况。

1. 技巧1：增加记忆机制（让Agent有“长期记忆”）

默认情况下，Agent没有记忆，无法记住之前的对话。我们可以用LangChain的ConversationBufferMemory增加记忆：

from langchain.memory import ConversationBufferMemory

# 初始化记忆模块
memory = ConversationBufferMemory(memory_key="agent_scratchpad", return_messages=True)

# 重新初始化Agent，加入记忆模块
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    prompt=思考提示模板,
    memory=memory  # 加入记忆模块
)

效果：Agent能记住之前的对话，比如用户之前说“喜欢海边”，Agent会在后续行程中优先推荐海边项目。

2. 技巧2：优化工具调用逻辑（减少不必要的调用）

有时候，Agent会反复调用同一个工具，比如“已经获取了景点信息，还在调用景点查询工具”。我们可以用**“工具调用次数限制”或“结果缓存”**来优化：

from langchain.callbacks import CallbackManager
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

# 限制工具调用次数（最多调用3次）
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    prompt=思考提示模板,
    max_iterations=3  # 最多调用3次工具
)

效果：Agent最多调用3次工具，避免无限循环。

3. 技巧3：处理错误情况（比如工具调用失败）

如果工具调用失败（比如API超时），Agent应该能“容错”，比如“重新调用工具”或“提示用户”。我们可以用LangChain的ToolException来处理：

from langchain.tools import ToolException

def 景点查询工具_func(query: str) -> str:
    try:
        # 模拟API调用失败
        raise Exception("景点查询API超时")
    except Exception as e:
        raise ToolException(f"景点查询失败：{str(e)}")

# 重新定义景点查询工具
景点查询工具 = Tool(
    name="景点查询",
    func=景点查询工具_func,
    description="用于查询旅游景点信息，可能会失败"
)

# 初始化Agent时，加入错误处理
agent = initialize_agent(
    tools=[景点查询工具],
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    prompt=思考提示模板,
    handle_parsing_errors=True  # 处理解析错误
)

效果：当工具调用失败时，Agent会提示用户“景点查询失败，请重试”，而不是崩溃。

（五）第三步：进阶——多Agent系统的设计（可选）

如果想让Agent能完成更复杂的任务，比如“举办一场线上会议”，可以设计多Agent系统，让多个Agent协作完成任务。比如：

• 经理Agent：负责分配任务，协调其他Agent；
• 会议策划Agent：负责设计议程；
• 技术支持Agent：负责搭建会议平台；
• 邀请Agent：负责邀请嘉宾。

提示设计示例（经理Agent的提示）：

你是经理Agent，需要协调其他Agent完成“举办一场线上会议”的任务。请按照以下步骤思考：  
1. 任务分解：将“举办线上会议”分解为哪些子任务？（比如议程设计、平台搭建、嘉宾邀请）  
2.  Agent分配：将每个子任务分配给对应的Agent（比如“议程设计”分配给会议策划Agent）；  
3.  进度跟踪：跟踪每个Agent的任务进度，确保按时完成；  
4.  结果整合：将各个Agent的结果整合，反馈给用户。  

请用自然语言写出你的思考过程，并分配任务给对应的Agent。

效果：经理Agent会分配任务给其他Agent，比如“请会议策划Agent设计会议议程”，其他Agent完成任务后向经理Agent汇报，经理Agent再整合结果反馈给用户。

四、总结：成为Agentic AI提示工程架构师的关键

通过本文的学习，我们掌握了Agentic AI的核心逻辑（“思考-工具-反馈”循环），拆解了真实案例的提示设计，并用LangChain搭建了一个简单的Agentic系统。总结一下，成为Agentic AI提示工程架构师的关键：

1. 学会“结构化思考”：用“步骤引导”让Agent的思考更有逻辑，比如“问题→数据→工具→行动”；
2. 掌握“工具调用技巧”：用“格式约束”和“参数说明”让Agent能正确调用工具，比如<|FunctionCallBegin|>；
3. 培养“反思能力”：用“反馈提示”让Agent能分析结果，调整策略，比如“这个结果能解决问题吗？”；
4. 实践“系统设计”：用Agent框架（比如LangChain）搭建可复用的Agent系统，比如“旅游规划Agent”“数据分析Agent”。

五、行动号召：动手实践，成为Agentic AI的先行者

现在，轮到你动手实践了！以下是几个实践项目，你可以尝试做：

1. 论文总结Agent：让Agent自动下载论文（用requests调用arxiv API）、提取核心观点（用大模型）、生成总结（用自然语言）；
2. 代码调试Agent：让Agent自动接收用户的代码问题（比如“我的Python代码报错了”）、分析错误原因（用大模型）、调用工具（比如Python REPL）调试代码；
3. 电商客服Agent：让Agent自动处理用户的问题（比如“我的订单还没发货”）、调用工具（比如数据库查询订单状态）、生成回复（用自然语言）。

如果你在实践中遇到问题，欢迎在评论区留言，我们一起讨论！

最后，送给大家一句话：Agentic AI不是“未来的技术”，而是“现在的机会”。作为提示工程架构师，我们需要提前掌握Agentic系统的设计技巧，才能在未来的AI时代占据先机！

---

作者：[你的名字]
公众号：[你的公众号]（分享更多AI技术干货）
GitHub：[你的GitHub]（本文代码开源，欢迎star）