Agent 执行器与 LLM 如何交互？提示工程有何作用？

当你的 AI Agent 总是“答非所问”，问题可能出在提示工程上

上周，我帮一家跨境电商客户调试他们的自动客服 Agent。他们用 LangChain + GPT-4 搭建了一个处理退货申请的流程，但上线三天就收到 17 起客诉——AI 居然建议顾客“把衣服剪了当抹布”，只因为用户说“这衣服我不想要了”。问题不在于模型不够聪明，而在于我们没教会它“怎么说话”。

Agent 执行器不是遥控器，而是“导演+场务”的结合体

很多人以为，Agent 执行器（Executor）就是个发指令的遥控器：你按一下，LLM 就动一下。其实它更像电影片场的“导演+场务”组合：导演负责分镜脚本（任务拆解），场务负责道具调度（工具调用）。执行器的核心职责，是把模糊的用户意图，翻译成 LLM 能精确执行的一系列动作。

举个生活化类比：你让家里的扫地机器人“打扫客厅”，它不会真的理解“客厅”在哪——你需要提前设置虚拟墙、禁区、清洁顺序。Agent 执行器干的就是这个活：把“帮我处理退货”这种模糊需求，拆解成“验证订单号→查库存状态→生成退款单→发邮件通知”等原子步骤。

LLM 是演员，提示词就是它的剧本和提词器

大语言模型（LLM）本质上是个“即兴表演天才”——给它一个开头，它能编出整部剧。但商业场景不需要即兴发挥，需要的是精准复现。这时候，“提示工程”（Prompt Engineering）就是写给演员的剧本 + 实时提词器。

我在 n8n 工作流里调试过上百个 LLM 节点，发现 80% 的失败案例都源于提示词设计缺陷。比如下面这个反面教材：

// 错误示范：模糊指令
"请处理用户的退货请求"

// 正确示范：结构化提示
task: "处理电商退货"
steps:
  1. 验证订单号格式是否为 ORD-XXXXXX
  2. 查询该订单是否在30天内且未使用
  3. 若符合条件，生成全额退款链接；否则回复标准话术“抱歉，已超期”
  4. 输出必须包含：退款金额、预计到账时间、客服联系方式
constraints:
  - 禁止建议破坏商品
  - 禁止使用表情符号
  - 语气保持专业且带歉意

实战：在 n8n 中构建一个“防翻车”的退货 Agent

我们以 n8n 为例，搭建一个安全可靠的退货处理流程。关键不是堆砌节点，而是设计好“提示词骨架”：

1. 输入预处理节点：用 Function Item 节点清洗用户原始消息，提取订单号、退货原因等结构化字段。
2. 提示词组装节点：用 Set 节点拼接“系统提示 + 用户输入 + 约束条件”，形成完整 Prompt。
3. LLM 执行节点：调用 OpenAI 或本地模型，传入组装好的 Prompt。
4. 输出校验节点：用 IF 节点检查回复中是否包含“退款金额”“客服电话”等关键词，缺失则触发重试或人工接管。

这套架构下，即使 LLM 偶尔抽风，也会被第四步的“安全网”拦住。我客户的客诉率从 17 例直接降到 0——不是换了更强的模型，只是提示词加了 5 行约束。

提示工程的本质：给 AI 戴上“业务紧箍咒”

别再把提示工程当成“调教话术”的雕虫小技。它是连接“技术可能性”与“商业可行性”的桥梁。一个优秀的提示工程师，必须同时懂三件事：LLM 的思维模式、业务的合规红线、用户的潜在情绪。

下次当你发现 AI 回答跑偏，先别急着换模型——打开你的提示词，加上这三行魔法：

• 角色设定： 你是一名严谨的电商售后专员
• 输出格式： 必须包含 [退款金额][处理时效][联系方式]
• 绝对禁令： 禁止建议销毁商品/使用网络流行语

你会发现，同样的模型，突然变得“懂事”了。

总结：交互靠执行器，质量靠提示工程

Agent 执行器负责把大象装进冰箱（拆解步骤），LLM 负责具体操作（开门、塞象、关门），而提示工程则是那本《冰箱使用说明书》——没有它，LLM 可能把大象塞进微波炉。三者缺一不可，但最容易被忽视的，恰恰是那本“说明书”。

你在搭建 AI Agent 时踩过哪些提示词的坑？欢迎在评论区分享你的“翻车现场”，我会挑三个最典型的案例，手把手帮你重构提示词架构。