在详解和实测吴恩达 4 种 Agentic 工作流之中，测试了各种框架诸如反思、工具调用、规划、多智能体。在学习了其中各种 Prompt 设计后，有了一些新的认识。
对于特定的任务来说，没有万能的 Prompt，只有一些通用的模式，要完成这个任务还需要这个任务特定的 Example。另外，一定要强化指令，使用类似 MUST、奖励等字眼来引导它，这样能让大模型更好的跟随指令。
对你没看错，如果你想要更好的达成你的目的，你一定要给它 Example，我在测试各个框架过程中，没有一个不包含 Example。虽说网上也有介绍 Zero Shot 的 Prompt，比如 Let's think step by step，但遇到稍微复杂点的任务，它就不一定能解决了，它只是分步思考，并不是步步为营。
一个精心设计完成特定任务的 Prompt 大体需要包含这几部分：
- 解决任务的方法
- 任务的输入和输出
- 任务的 Example，3 到 5 个左右。
- 任务的历史纪录，如果有的话
- 用户输入的问题。
话不多说，我们来看看 4 种 LLM Agentic 工作流 Prompt 设计。
1. 规划 Prompt 设计案例
- ReAct
ReAct 提供了一种更易于人类理解、诊断和控制的决策和推理过程。它的典型流程可以用一个有趣的循环来描述：思考（Thought）→ 行动（Action）→ 观察（Observation），简称 TAO 循环。
思考（Thought）首先，面对一个问题，我们需要进行深入的思考。这个思考过程是关于如何定义问题、确定解决问题所需的关键信息和推理步骤。 行动（Action）确定了思考的方向后，接下来就是行动的时刻。根据我们的思考，采取相应的措施或执行特定的任务，以期望推动问题向解决的方向发展。 观察（Observation）行动之后，我们必须仔细观察结果。这一步是检验我们的行动是否有效，是否接近了问题的答案。
循环迭代以上流程。
Prompt 设计如下所示，包含说明解决问题的方法、输入和输出、样例和用户问题。
用交替进行的"思考、行动、观察"三个步骤来解决问答任务。思考可以对当前情况进行推理，而行动必须是以下三种类型：
(1) Search[entity]，在维基百科上搜索确切的实体，并返回第一个段落（如果存在）。如果不存在，将返回一些相似的实体以供搜索。
(2) Lookup[keyword]，在上一次成功通过 Search 找到的段落中返回包含关键字的下一句。
(3) Finish[answer]，返回答案并结束任务。
你可以采取必要的步骤。确保你的回应必须严格遵循上述格式，尤其是行动必须是以上三种类型之一。
以下是一些参考示例：
问题：科罗拉多造山运动东部地区的海拔范围是多少？
思考 1: 我需要搜索科罗拉多造山运动，找到科罗拉多造山运动东部地区的范围，然后找到该地区的海拔范围。
行动 1: 搜索 [科罗拉多造山运动]
观察 1: 科罗拉多造山运动是科罗拉多州及周边地区的一次造山运动（造山运动）。
思考 2: 它没有提到东部地区。所以我需要查找东部地区的信息。...
（例子结束）
Question：{question}
{scratchpad}
- CoT
想让模型按照思维链这样的方式思考，你一定要给他 Example，并且针对特定的任务。我们看 reflexion 框架中如何设计的 CoT 式 Prompt：
COT_AGENT_REFLECT_INSTRUCTION = """通过思考来解决问答任务，然后用你的答案完成任务。
思考可以推理当前情况。Finish[answer] 返回答案并完成任务。你将获得一些背景信息，你应该利用这些信息来帮助你回答问题。
以下是一些示例：:
{examples}
(END OF EXAMPLES)
相关背景：{context}
问题：{question}{scratchpad}"""
Example
COT = """相关背景：尼罗河是世界上最长的河流，长度约为 6,650 公里（4,132 英里）。它流经东北非的十一国，包括埃及、苏丹和乌干干。
问题：世界上最长的河流是什么？
思考：这个问题询问世界上最长的河流，根据提供的背景信息，我知道是尼罗河。
行动：完成 [尼罗河]
..."""
