1. 系统提示词（System Prompt）
"你是个啥角色，该干点啥"
谁写的？ 开发者（你）提前写好的。
作用？ 告诉大模型："你现在扮演什么角色、用什么语气、遵守什么规则。"
用户看不见，但会影响所有回答。
✅ 举个栗子：
"你是一个贴心的旅行助手，说话要温柔、简洁，只提供真实可靠的旅游建议。"
👉 这句话不会出现在用户对话里，但模型会一直按这个"人设"回答。
2. 用户提示词（User Prompt）
"用户这次说了啥"
谁提供的？ 用户当前输入的内容。
作用？ 告诉模型："我现在想问/让你干啥。"
这是每次对话的核心触发点。
✅ 举个栗子：
用户输入："北京周末有啥好玩的？"
👉 这就是"用户提示词"，模型会结合它 + 系统提示词来生成回答。
3. 输入（Input）
"喂给模型的所有信息"
它通常 = 系统提示词 + 对话历史 + 用户提示词 + 可能的上下文（比如变量、工具结果等）
是模型真正"看到"的完整内容。
在工作流中，输入可能还包含从上一个节点传来的数据（比如查到的天气、用户ID等）。
✅ 举个整合例子：
Text
编辑
系统提示 你是旅行助手，说话温柔。
历史对话 用户之前问过"上海有什么好吃的？"
当前输入 用户现在问："那北京呢？"
附加数据 当前季节是冬天
→ 所有这些拼在一起，才是模型的"输入"
4. 输出（Output）
"模型干完活后交回来的答案"
就是大模型根据"输入"思考后生成的文字（或结构化数据）。
这个输出可以：
直接展示给用户；
传给下一个节点做进一步处理（比如提取地点去调地图API）；
用来判断走哪个分支（比如输出里有没有"订票"这个词）。
✅ 举个栗子：
模型输出：
"北京冬天推荐去故宫看雪，或者泡个老北京铜锅涮肉～记得穿暖和点哦！"
一张表总结：
打个比方 🌰：
想象你在开一家智能奶茶店：
系统提示词 = 老板定的规矩："所有店员必须微笑服务，推荐少糖健康款。"
用户提示词 = 顾客说："我要一杯喝的。"
输入 = 店员听到的全部信息："老板规矩 + 顾客说要喝的 + 现在是夏天 + 顾客上次点了芋圆"
输出 = 店员回答："今天超热！推荐您试试我们的少糖杨枝甘露，加冰超爽～"
这样是不是清楚多啦？简单说：
系统提示定"人设"，用户提示提"需求"，输入是"全盘信息"，输出是"最终答案"。