构建具备推理与反思能力的高级 Prompt：LLM 智能代理设计指南

在构建强大的 AI 系统，尤其是基于大语言模型（LLM）的智能代理（Agent）时，Prompt 设计的质量决定了系统的智能程度。传统 Prompt 通常是简单的问答或填空式指令，而高级任务需要更具结构性、策略性和思考性的 Prompt。

本文将结合 链式思维（Chain-of-Thought, CoT）、反思机制（Reflection） 和 代理执行机制（LLM Agents），分享如何高效构建具备"推理+行动+自检"的高级 Prompt，并结合 Python 代码示例展示如何在实践中使用。

###本文的案例使用三方API为Openrouter：“https://openrouter.ai”

🧠 背景知识回顾

技术	概述
链式思维 (CoT)	通过让 LLM 逐步推理，提升复杂任务的准确率和可解释性（如数学推理、规划）。
反思/自我反馈 (Reflection)	模型对自己的回答进行分析与修正（如 ReAct、Reflexion）。
代理机制 (Agent)	LLM 执行有目标的任务，通过观察 → 思考 → 行动 → 再观察的闭环完成复杂目标。

---

🎯 构建高效 Prompt 的 4 个关键原则

1. 明确角色与任务（Position & Purpose）

指定 LLM 的身份与任务目标，提升上下文对齐效果：

你是一个项目管理专家，专注于软件交付效率优化。你的任务是分析以下项目状态，并输出关键改进建议。

Python 实现示例：

from openai import OpenAI
from dotenv import load_dotenv
import os# 加载环境变量
load_dotenv()# 初始化客户端
client = OpenAI()def create_expert_consultant(expertise, task_description):"""创建一个专家角色的 Prompt"""system_message = f"""你是一个{expertise}专家。你的任务是{task_description}。请基于你的专业知识提供深入、专业的分析和建议。"""return system_message# 使用示例
project_analysis_prompt = create_expert_consultant(expertise="项目管理",task_description="分析以下项目状态，找出延迟原因，并输出关键改进建议"
)# 向 API 发送请求
def get_expert_analysis(prompt, project_data):response = client.chat.completions.create(model="gpt-4",messages=[{"role": "system", "content": prompt},{"role": "user", "content": f"项目状态数据：\n{project_data}"}])return response.choices[0].message.content# 测试使用
project_data = """
项目名称: 电商平台重构
计划周期: 3个月
当前状态: 已延期1个月
团队规模: 5名开发, 2名测试
完成进度: 65%
主要问题: 
- API文档不完整导致集成困难
- 前端组件复用率低
- 测试覆盖率不足
"""analysis = get_expert_analysis(project_analysis_prompt, project_data)
print(analysis)

2. 引导链式推理（Process）

设计多步骤的任务指令，引导 LLM 逐步完成推理与判断：

请按照以下步骤进行：
1. 分析输入信息中存在的问题；
2. 推测可能的原因；
3. 提出改进建议；
4. 总结为清晰的行动计划。

Python 实现示例：

from openai import OpenAI
from dotenv import load_dotenv
import os# 加载环境变量
load_dotenv()
# 初始化客户端
client = OpenAI()def chain_of_thought_prompt(task_description, steps):"""创建一个引导模型逐步思考的 Prompt"""steps_text = "\n".join([f"{i+1}. {step}" for i, step in enumerate(steps)])prompt = f"""任务：{task_description}请按照以下步骤逐一思考并输出结果：
{steps_text}请确保每个步骤都有明确的输出，并标注步骤编号。"""return prompt# 使用示例 - 解决一个数学问题
math_steps = ["理解问题，确定已知条件和求解目标","列出解决问题所需的方程或关系","逐步求解方程","检查答案的合理性","给出最终答案"
]math_cot_prompt = chain_of_thought_prompt("解决以下数学问题：一个水箱以每分钟5升的速度注水，同时以每分钟3升的速度漏水。如果水箱初始有10升水，那么多久后水箱会有25升水？",math_steps
)# 向 API 发送请求
response = client.chat.completions.create(model="qwen/qwen-2.5-72b-instruct",messages=[{"role": "system", "content": "你是一个擅长解决数学问题的助手，请一步步思考。"},{"role": "user", "content": math_cot_prompt}]
)print(response.choices[0].message.content)

3. 加入反思机制（Proofing）

鼓励 LLM 审查自己的输出、找出问题并修正：

请回顾你刚才的回答，思考是否存在逻辑漏洞或遗漏的关键点，并进行修正。输出最终版本的建议。

Python 实现示例：

from openai import OpenAI
from dotenv import load_dotenv
import os# 加载环境变量
load_dotenv()
# 初始化客户端
client = OpenAI()
def self_reflection_prompt(initial_task, response_to_evaluate):"""创建一个让模型自我反思的 Prompt"""reflection_prompt = f"""初始任务：{initial_task}你之前的回答：
{response_to_evaluate}请对你的回答进行自我评估，考虑以下几点：
1. 是否有逻辑漏洞或不一致的地方？
2. 是否遗漏了重要信息或关键点？
3. 推理过程是否足够严谨？
4. 结论是否合理且有力度支持？请指出存在的问题，并提供修正后的完整回答。标记为"最终版本"。"""return reflection_prompt# 使用示例 - 假设这是一个初始回答
initial_response = """
解决方案：实施微服务架构可以提高系统的可扩展性和灵活性。
步骤：
1. 将系统拆分为独立服务
2. 实施 API 网关
3. 部署到云环境
"""# 让模型反思并改进
reflection_prompt = self_reflection_prompt("设计一个高可用的电商系统架构",initial_response
)# 向 API 发送请求
response = client.chat.completions.create(model="qwen/qwen-2.5-72b-instruct",messages=[{"role": "system", "content": "你是一个系统架构专家，请对你的方案进行批判性思考和完善。"},{"role": "user", "content": reflection_prompt}]
)improved_response = response.choices[0].message.content
print(improved_response)

4. 增强行动能力（Agent-style Prompt）

设计具备感知、思考、行动、反思循环的 Prompt：

你将完成以下任务：
1. 读取输入数据（环境感知）；
2. 分析目标需求（理解与推理）；
3. 拆解任务并规划步骤（任务规划）；
4. 输出每个步骤的操作建议；
5. 若任务未完成，则思考失败原因并重新规划（反思+重试）。请开始处理任务：{用户输入}

Python 实现示例：

from openai import OpenAI
import json
import os
from dotenv import load_dotenv# 加载环境变量
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
base_url = os.getenv("OPENAI_BASE_URL")
client = OpenAI(api_key=api_key, base_url=base_url)class ReflectiveAgentQwen:"""适配 Qwen 模型的反思型智能代理"""def __init__(self, system_role):self.system_role = system_roleself.messages = [{"role": "system", "content": system_role}]self.tools = []def register_tool(self, name, description, function):self.tools.append({"name": name,"description": description,"function": function})def _get_tools_prompt(self):if not self.tools:return ""tool_list = "\n".join([f"{tool['name']}: {tool['description']}" for tool in self.tools])return f"\n你可以使用以下工具来辅助完成任务（请在需要时明确说明要调用哪个工具及输入内容）：\n{tool_list}"def _call_tool_if_needed(self, response_content):for tool in self.tools:if f"调用工具 {tool['name']}" in response_content:# 提取输入input_start = response_content.find("输入：")if input_start != -1:input_text = response_content[input_start + 3:].strip().splitlines()[0]print(f"\n>>> 调用工具 {tool['name']}，输入: {input_text}")return tool["function"](input_text)return Nonedef think_act_reflect(self, user_input, max_cycles=3):intro = self._get_tools_prompt()self.messages.append({"role": "user", "content": user_input + intro})for cycle in range(max_cycles):print(f"\n--- 循环 {cycle + 1}/{max_cycles} ---")# 🧠 思考阶段print("🧠 思考中...")response = client.chat.completions.create(model="qwen/qwen-2.5-72b-instruct",messages=self.messages,)message = response.choices[0].messagecontent = message.contentprint("🤖 输出:", content)self.messages.append({"role": "assistant", "content": content})# 🛠️ 行动阶段（判断是否调用工具）result = self._call_tool_if_needed(content)if result:self.messages.append({"role": "user","content": f"工具调用结果：{result}"})else:print("✅ 没有需要调用工具，任务可能已完成")break# 🔁 反思阶段print("🔍 反思中...")reflection_prompt = ("请反思你刚才的分析与工具使用是否合理，有无遗漏？""如果有改进建议，请继续执行。若任务完成，请明确标注“任务已完成”。")self.messages.append({"role": "user", "content": reflection_prompt})reflection_response = client.chat.completions.create(model="qwen/qwen-2.5-72b-instruct",messages=self.messages)reflection_message = reflection_response.choices[0].messageprint("🪞 反思输出:", reflection_message.content)self.messages.append({"role": "assistant", "content": reflection_message.content})if "任务已完成" in reflection_message.content:break# 📤 最终总结final = client.chat.completions.create(model="qwen/qwen-2.5-72b-instruct",messages=self.messages + [{"role": "user", "content": "请总结你的最终答案:"}])return final.choices[0].message.content# 示例用法
if __name__ == "__main__":agent = ReflectiveAgentQwen(system_role="你是一个研究型智能助手，能够理解任务、调用工具、反思并总结。")# 注册一个模拟搜索工具def web_search(query):if "人工智能" in query:return "人工智能是计算机科学的一个分支，致力于模拟人类智能。"elif "机器学习" in query:return "机器学习是 AI 的一个子领域，专注于让系统从数据中学习。"else:return "未找到相关信息。"agent.register_tool("web_search", "用于网络搜索信息", web_search)# 测试任务question = "请解释人工智能与机器学习的区别，并说明应用领域。"result = agent.think_act_reflect(question)print("\n✅ 最终回答:\n", result)

---

📦 示例：面向医疗场景的智能代理设计 Prompt

你是一个 AI 项目设计专家，请你帮助团队分析并设计一个面向医疗场景的 AI 代理。任务如下：
1. 任务目标：分析用户上传的电子病历，抽取关键信息，自动生成初步诊疗建议；
2. 输入格式：包含 PDF、图片、文本等混合文档；
3. 输出格式：结构化 JSON + 建议摘要。请你分步骤完成以下内容：
1. 明确关键需求与挑战；
2. 推理出合适的技术架构与模块；
3. 说明每个模块的功能与关键技术点；
4. 回顾整体设计并输出最终建议。输出后，请你反思是否有遗漏或逻辑漏洞，若有请修正，并标注"最终版本"。

Python 医疗AI代理示例实现：

from openai import OpenAI
import json
import os
from dotenv import load_dotenv
from typing import Dict, List, Any, Optional
import base64
from datetime import datetime# 加载环境变量
load_dotenv()# 初始化 OpenAI 客户端
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))class MedicalDocumentProcessor:"""处理各种格式的医疗文档"""def extract_text_from_image(self, image_path: str) -> str:"""从图片中提取文本（使用Vision模型）"""try:# 读取图片并转为base64with open(image_path, "rb") as image_file:base64_image = base64.b64encode(image_file.read()).decode('utf-8')# 调用OpenAI Vision模型response = client.chat.completions.create(model="gpt-4-vision-preview",messages=[{"role": "user","content": [{"type": "text", "text": "请从这个医疗文档图片中提取所有文本内容，保持原始格式。特别注意提取患者信息、诊断结果、用药情况等医疗关键信息。"},{"type": "image_url","image_url": {"url": f"data:image/jpeg;base64,{base64_image}"}}]}],max_tokens=1000)return response.choices[0].message.contentexcept Exception as e:print(f"图片处理错误: {e}")return "图片处理失败"def extract_text_from_pdf(self, pdf_path: str) -> str:"""从PDF中提取文本（实际应用中使用PyPDF2等库）"""# 这里是简化的示例，实际实现需要使用PDF处理库return f"从PDF {pdf_path} 中提取的文本内容"def process_document(self, document_path: str) -> str:"""处理各类文档并提取文本"""if document_path.lower().endswith(('.png', '.jpg', '.jpeg')):return self.extract_text_from_image(document_path)elif document_path.lower().endswith('.pdf'):return self.extract_text_from_pdf(document_path)elif document_path.lower().endswith(('.txt', '.doc', '.docx')):# 简化示例，实际应用中需使用专门的文本处理方法with open(document_path, 'r', encoding='utf-8') as file:return file.read()else:return "不支持的文档格式"class MedicalInformationExtractor:"""从医疗文本中提取结构化信息"""def extract_key_information(self, text: str) -> Dict[str, Any]:"""提取关键医疗信息并结构化"""# 构建提示词来指导模型提取结构化信息prompt = f"""请从以下医疗文档中提取关键信息，并整理为结构化JSON格式。需要提取的字段包括:- 患者基本信息（姓名、年龄、性别、ID）- 主诉- 现病史- 既往史- 检查结果- 诊断结果- 用药建议仅返回JSON格式，不要包含其他文字。医疗文档内容:{text}"""response = client.chat.completions.create(model="gpt-4",messages=[{"role": "system", "content": "你是一个专业的医疗信息提取工具，能够从医疗文档中准确提取结构化信息。"},{"role": "user", "content": prompt}],response_format={"type": "json_object"})# 尝试解析JSON结果try:return json.loads(response.choices[0].message.content)except json.JSONDecodeError:# 若解析失败，返回空结构return {"error": "无法提取结构化信息","raw_text": text}class MedicalDiagnosisAdvisor:"""生成初步诊疗建议"""def generate_advice(self, patient_info: Dict[str, Any]) -> Dict[str, Any]:"""基于提取的信息生成初步诊疗建议"""# 转换病人信息为JSON字符串patient_json = json.dumps(patient_info, ensure_ascii=False, indent=2)# 构建提示词prompt = f"""基于以下患者信息，生成初步诊疗建议。注意：这只是初步建议，最终诊疗方案应由专业医生确定。患者信息:{patient_json}请提供:1. 初步诊断分析2. 建议进一步检查项目3. 可能的治疗方向4. 生活方式建议返回JSON格式，包含上述四个方面的信息。"""# 调用API生成建议response = client.chat.completions.create(model="gpt-4",messages=[{"role": "system", "content": "你是一个医疗诊断辅助系统，能基于患者信息提供初步诊疗建议。你的建议应严格基于医学知识，同时明确标注这只是初步建议，不能替代专业医生的诊断。"},{"role": "user", "content": prompt}],response_format={"type": "json_object"})# 解析并返回建议try:advice = json.loads(response.choices[0].message.content)# 添加免责声明advice["disclaimer"] = "本建议由AI辅助生成，仅供参考，不构成医疗建议。请咨询专业医生进行正式诊疗。"return adviceexcept json.JSONDecodeError:return {"error": "无法生成诊疗建议","disclaimer": "请咨询专业医生进行诊疗。"}class MedicalAIAgent:"""医疗AI代理总控制器"""def __init__(self):self.document_processor = MedicalDocumentProcessor()self.info_extractor = MedicalInformationExtractor()self.advisor = MedicalDiagnosisAdvisor()def process_medical_documents(self, document_paths: List[str]) -> Dict[str, Any]:"""处理医疗文档并生成诊疗建议"""# 1. 处理所有文档并合并文本combined_text = ""for doc_path in document_paths:text = self.document_processor.process_document(doc_path)combined_text += text + "\n\n"# 2. 提取结构化信息structured_info = self.info_extractor.extract_key_information(combined_text)# 3. 生成诊疗建议diagnosis_advice = self.advisor.generate_advice(structured_info)# 4. 整合结果result = {"patient_info": structured_info,"diagnosis_advice": diagnosis_advice,"summary": self._generate_summary(structured_info, diagnosis_advice)}# 5. 反思和验证结果result = self._validate_and_reflect(result, combined_text)return resultdef _generate_summary(self, patient_info: Dict[str, Any], advice: Dict[str, Any]) -> str:"""生成易读的摘要"""# 构建提示词prompt = f"""基于以下患者信息和诊疗建议，生成一段简洁的摘要，用通俗易懂的语言概括关键信息和建议。患者信息: {json.dumps(patient_info, ensure_ascii=False)}诊疗建议:{json.dumps(advice, ensure_ascii=False)}请用200字左右生成摘要。"""response = client.chat.completions.create(model="gpt-4",messages=[{"role": "system", "content": "你是一个医疗信息总结专家，能将复杂的医疗信息转化为通俗易懂的语言。"},{"role": "user", "content": prompt}])return response.choices[0].message.contentdef _validate_and_reflect(self, result: Dict[str, Any], original_text: str) -> Dict[str, Any]:"""验证结果并进行反思改进"""# 构建验证提示词validation_prompt = f"""请验证以下从医疗文档中提取的信息是否准确、完整，并检查生成的诊疗建议是否合理。原始文档文本:{original_text[:1000]}... (已截断)提取的结构化信息:{json.dumps(result["patient_info"], ensure_ascii=False, indent=2)}生成的诊疗建议:{json.dumps(result["diagnosis_advice"], ensure_ascii=False, indent=2)}请检查:1. 是否有重要信息遗漏或错误？2. 诊疗建议是否与患者情况相符？3. 有无任何不合逻辑或不一致的地方？如有问题，请指出并建议如何修正。"""# 调用API进行验证response = client.chat.completions.create(model="gpt-4",messages=[{"role": "system", "content": "你是一个医疗信息验证专家，能够严格审查从医疗文档中提取的信息和生成的建议，确保其准确性和合理性。"},{"role": "user", "content": validation_prompt}])# 将验证结果添加到输出中result["validation"] = {"reflection": response.choices[0].message.content,"timestamp": "反思时间：" + str(datetime.now())}return result# 使用示例（模拟运行）
if __name__ == "__main__":# 创建医疗AI代理medical_agent = MedicalAIAgent()# 模拟文档路径（实际应用中需要真实路径）document_paths = ["patient_record.pdf","lab_results.jpg","prescription.txt"]print("开始处理医疗文档...")# 这里只是示例，实际运行需要真实文件# result = medical_agent.process_medical_documents(document_paths)# 模拟一个结果进行展示sample_result = {"patient_info": {"name": "张三","age": 45,"gender": "男","id": "P12345","chief_complaint": "胸闷、气短3天","history": "高血压病史5年，服用缬沙坦片控制","examinations": "血压145/95mmHg，心电图显示窦性心律不齐","diagnosis": "1. 高血压 2. 疑似冠心病"},"diagnosis_advice": {"analysis": "患者存在高血压控制不佳，伴有胸闷气短症状，需警惕冠心病可能。","further_examination": ["心脏彩超检查","心肌酶谱检测","冠状动脉CT血管造影","运动心电图"],"treatment_options": ["调整降压药物，控制血压在130/80mmHg以下","考虑加用β受体阻滞剂改善心律不齐","如确诊冠心病，可考虑抗血小板、他汀类药物治疗"],"lifestyle_suggestions": ["限制钠盐摄入（<5g/天）","适量有氧运动（如散步），避免剧烈运动","戒烟限酒","规律作息，避免情绪激动"],"disclaimer": "本建议由AI辅助生成，仅供参考，不构成医疗建议。请咨询专业医生进行正式诊疗。"},"summary": "张三先生，45岁，近期出现胸闷、气短症状，伴有高血压控制不佳（145/95mmHg）和心律不齐情况。建议进行心脏相关检查以排除冠心病可能，同时调整降压方案，注意限盐控制饮食，进行适量运动，保持良好作息。请务必在专业医生指导下进行治疗。","validation": {"reflection": "从提取的信息和建议来看，整体内容合理，符合医学临床实践。针对高血压伴胸闷症状的患者，冠心病的筛查是必要的。建议进一步完善生化检查如血脂、血糖等指标，这些是心血管疾病风险评估的重要参数，但在当前建议中未提及。同时，患者的用药史中提到缬沙坦，但未评估其依从性和剂量是否适当，这也是高血压控制不佳的可能原因之一。","timestamp": "反思时间：2023-08-15 10:23:45"}}print("\n最终结果:")print(json.dumps(sample_result, ensure_ascii=False, indent=2))

📝 结语：高级Prompt工程的未来展望

随着大语言模型能力的不断提升，构建具备推理与反思能力的高级Prompt已成为充分发挥LLM潜力的关键。本文介绍的四个关键原则—明确角色与任务、引导链式推理、加入反思机制和增强行动能力，为开发者提供了系统化的Prompt设计框架。

这些技术正在改变我们与AI系统的交互方式。未来的发展趋势包括：

1. 多模态智能代理：结合图像、音频等多种输入形式，实现更全面的场景理解和决策
2. 记忆增强代理：通过外部知识库和长期记忆机制，实现更连贯的对话和任务执行
3. 自我完善系统：代理能够从经验中学习，自动优化自身的推理流程和反思能力
4. 协作型智能网络：多个专业化代理协同工作，处理复杂任务流程

在实际应用中，高级Prompt设计需要注意以下几点：

• 平衡指导与自由：提供足够的框架引导模型思考，但也留出创新空间
• 迭代优化：通过分析模型输出，持续改进Prompt设计
• 注重反馈机制：让模型能够接收和整合外部反馈，动态调整其行为

希望本文介绍的技术和理念能够帮助开发者构建更智能、更可靠的AI系统，让大语言模型真正成为人类的得力助手，而不仅仅是简单的问答工具。

---