面向客户的 AI 代表着你的品牌，其所需的打磨方式与内部工具截然不同。
实用的智能体与令人信服的智能体之间，差异更多在于理念而非技术，因为大多数提示词都被写成了指令集，而不是对话设计。
语言学和认知心理学提供了更好的思路：对话具有结构，而提示词会营造一种注意力环境。最先放什么、重复什么以及如何收尾，都会切实影响智能体的行为。
约束确实有用，但前提是足够精确。边缘情况过多会让互动变得生硬，也会使提示词臃肿难用；减少需要做出的决定，才能把注意力集中在更重要的决定上。
对企业而言，构建面向客户的对话式 AI 并非易事。
即便是技术的超级拥趸，已经让每位员工都采用 AI 协作，甚至开发了内部专用 AI 工具，要把 AI 推到企业与外界交互的前台，也完全是另一回事。
而且，这确实是一次晋升。当 AI 开始面向客户，它便从勤奋的实习生晋升为获得认可的正式员工，穿上工装，在客户眼中代表品牌。
这件事事关重大。如今，每一次失误都会暴露在公众面前，还可能被记录下来。
我们构建的产品往往是多智能体系统，其中包含业务层面的复杂交互。然而，这些逻辑反倒可能是比较容易的部分。更大的挑战是让用户相信，他们始终在与同一个智能体交谈，而且这个智能体说的内容值得听。
因此，我们一次又一次地撰写、改写提示词。
有些智能体要经过数百轮提示词迭代才能成形。它们的目标都一样：专注于任务，并以能引起人类用户共鸣的方式表达。
在不断改进提示词的过程中，我们开始以更具创意的方式寻找灵感。我们开始借鉴其他学科。当然，并非所有尝试都奏效；即便有效，也很少能一次成功。这些探索最终促使团队形成了一套不同以往的提示词设计范式。
一个只能按部就班完成任务的智能体，与一个深谙对话之道的智能体之间，并非只有技术差距，更有理念差距。这种差距存在于两个世界之间：一个是你通过提示词为智能体设定的世界，另一个是智能体实际身处的人类交流世界。
后者充满歧义，而人类对此早已习以为常；善意的交流者会遵循一套微妙且不言自明的话语规则，通过协作来应对这些歧义。准备不足的智能体很容易被识破。
为了维持“第四面墙”，也就是图灵测试营造的真实感，我们可以借鉴语言学和认知心理学，让智能体掌握对话的艺术。
语言学拥有一整套研究实际语言运用的工具，包括“会话分析”。它关注人们如何逐步组织和把控对话。将这一框架应用于提示词设计，可以让我们用一套新的概念来理解对话：对话不是言语的交换，而是行动的交换。
有些行动具有实用目的，例如获取或提供信息；另一些则具有社交目的，例如维持融洽关系或避免摩擦。这些互动发生在对话及其各个阶段构成的整体结构中，而每个阶段都有相应的预期行动。对话有开场和收尾，也有话题转换，甚至还有转换前奏——在这些有时略显尴尬的时刻，新方向被含蓄地提出、协商，并在言外之意中确定。
即使各方都抱有最大的善意，沟通不畅也时有发生。虽然人们掌握对话艺术的程度各不相同，但关键在于：智能体背后的 LLM 并不会天然具备哪怕普通人类交流者也拥有的直觉。
除了语言学分析，认知心理学还能提供互补的视角。它揭示了注意力、记忆和决策的实际运作方式：人们如何区别看待最先与最后出现的信息，特定触发因素如何稳定地引发某种行为，以及约束如何通过减轻认知负荷来释放能力。
提示词并不是承载指令的中性容器。它是一种注意力环境。因此，最前面放什么很重要。最后面放什么也很重要。重复什么同样重要。面对一份列表，人们通常更容易记住开头和结尾，而不是中间部分。心理学家称之为系列位置效应，包括首因效应和近因效应。
在实践中，我们发现 LLM 也有类似表现。最先出现的指引会确立整体框架：智能体是谁、扮演什么角色，以及预期会遇到怎样的世界。结尾的指引往往像是“它最后听到的内容”。如果把最重要的指令放在那里，这些指令更有可能得到落实。
我们不仅要仔细考虑各项指令在提示词中的位置，还应关注这些指令为智能体构成的整体边界。
指令通过约束智能体，减少它必须权衡的相互竞争的可能性，并缩小整体问题空间。提示词需要提供足够的约束，让智能体的任务保持在可控范围内。
在指导人类员工，尤其是经验较少的员工时，心理学告诉我们，明确定义当前任务、尽可能减少歧义，才能有效降低认知负荷。约束看似会限制自由，但减少需要做出的决定，可以让我们专注于余下的少数重要决策，并在限制范围内创造性地采取行动。
反过来，如果试图列举各种行为示例，覆盖所有想象得到的边缘情况，让智能体做出零决策，最终只会造出一个谈吐生硬的对话者。更不用说，这样的提示词会像用无数 if 和 else 拼成的“弗兰肯斯坦怪物”，臃肿不堪，维护起来简直是噩梦。
（说的就是少样本示例。）
边界合理的提示词能够明确方向，又不会让任务说明超载，导致智能体无所适从。这通常意味着给智能体设置更少的边缘情况或目标，无论是规定说什么、不说什么，还是如何说、不要如何说。
根据我们的经验，如果需要借助少样本示例来调整边界，就说明边界还不够精确。回到核心指令，继续打磨。
从认知心理学角度出发，我们一直在思考各类指令应放在提示词的什么位置，并从数量和质量两方面判断需要哪些指令，才能恰当地限定智能体的问题空间。
结合之前从语言学角度对对话艺术的观察，我们可以把对话驱动型指令纳入智能体更广泛的任务边界，从而完善这套提示词设计范式。
对于面向客户的 AI，对话始终是一项元任务，无论我们是否意识到这一点。当我们选择在提示词中有意识地处理对话时，就意味着要让智能体投入部分处理能力或“认知负荷”，用于感知对话并做出响应，从而提升对话能力。
但代价是，我们很可能需要缩减主要任务的规模，才能让整体问题空间保持可控且边界清晰。
因此，对于面向客户的 AI，我们要从整体上设计有利于对话和决策的条件。我们的目标是打造规模更小、边界清晰的智能体，并把其主要任务置于对话这一元任务的情境中，或直接将对话纳入主要任务。我们不会堆砌大量指令，再通过示例逐步改进。我们只编写少量经过打磨的指令，并将其精确到无需示例。
这就是我们用来打造智能体的提示词设计范式：智能体不仅能专注于任务，还能优雅自然地进行对话。
梳理清楚理念框架后，下一篇博客将进一步探讨实践方法。我们将介绍一些关键模式，它们来自我们在现实环境中反复试验、将这些原则应用于提示词的过程。有趣的是，前沿模型提供商的提示词指南也开始呈现类似模式。下期详述。