LangGPT结构化提示词工程：从手写提示词到模块化编程的范式升级

引言：Prompt工程的两次认知跃迁

做B端大模型应用的同学应该都有同感：早期写Prompt，全凭感觉------今天加一句"你是一个专家"，明天补一句"不要胡编乱造"，后天再塞几个示例。Prompt越写越长，但效果时好时坏，改一处牵全身，根本没法维护。

直到接触到LangGPT，我才意识到Prompt工程真正应该走的方向。

LangGPT由云中江树于2023年提出，目前已在GitHub获得11,000+星标，被数千用户实战检验。它最核心的洞察是：Prompt应该像代码一样被编写------有结构、有模块、有变量、可复用。

本文将从LangGPT的视角，系统介绍结构化提示词的设计方法，并给出可直接落地的实战模板。

一、为什么需要结构化Prompt？

1.1 传统Prompt的四大痛点

在LangGPT出现之前，Prompt工程长期处于"经验主义"阶段，面临四个绕不过去的问题：

痛点	表现	后果
模糊性	指令不够具体，如"你是一个有帮助的助手"	AI容易误解意图，输出偏离预期
不可控性	同一条Prompt每次输出质量波动大	无法用于生产环境
重复劳动	每个新场景都要从头写Prompt	效率低下，知识无法沉淀
不可维护	修改一处影响全局，改完不知道哪里会崩	迭代困难，风险不可控

1.2 LangGPT的解法：把Prompt当代码写

LangGPT的核心思想，是将提示词设计从"写作文"升级为"写代码"。它借鉴了编程语言的结构化思想，将Prompt拆解为可复用的组件------角色（Role）、配置文件（Profile）、技能（Skills）、规则（Rules）、工作流（Workflow）等。

这种设计的工程价值体现在三个层面：

结构化模板：借鉴编程范式的层次化组织，Prompt有了固定的"语法"
模块化：变量、命令和条件逻辑随手可用，不同模块可独立迭代
可复用性：像代码模块一样，创建一次，无限适配

更重要的是，LangGPT已被主流大模型"学进了底层"。现在你对ChatGPT、Claude、DeepSeek、Kimi等模型说"用LangGPT的方式写一个提示词"，模型会直接产出结构清晰的LangGPT风格Prompt。一个范式最好的归宿，或许就是不必再被记住名字，却已经成了模型的母语。

二、LangGPT核心语法

2.1 基础结构

LangGPT的基础结构如下：

markdown 复制代码

# Role: 你的角色名称

## Profile
- Author: 你的名字
- Version: 1.0
- Language: 中文
- Description: 角色的简要描述，概述其特质和能力

### Skills
- 技能1：详细描述
- 技能2：详细描述

## Rules
1. 必须遵守的行为规则
2. 禁止事项

## Workflow
1. 第一步：做什么
2. 第二步：做什么
3. 第三步：做什么

## Initialization
作为角色 <Role>，严格遵守 <Rules>，使用默认 <Language> 与用户对话，友好的欢迎用户。然后介绍自己。

2.2 六大核心模块详解

模块一：Role（角色）

Role是LangGPT的身份标识，一句话定义AI扮演什么角色。

markdown 复制代码

# Role: 技术客服专家

Role的价值在于给模型一个明确的"人设锚点"。好的Role描述应该具体、可识别，而非泛化的"助手"。

模块二：Profile（配置文件）

Profile集中管理角色的元信息：

markdown 复制代码

## Profile
- Author: 张三
- Version: 2.1
- Language: 中文
- Description: 专精于SaaS产品的故障诊断与工单分类，擅长处理账号、支付、API调用、数据同步四类问题，以专业、高效、礼貌的风格服务用户。

Profile让Prompt具备了版本管理 和责任追溯的能力，这是工程化的基础。

模块三：Skills（技能）

Skills描述角色具备的能力：

markdown 复制代码

### Skills
- 问题归类：能够快速将用户问题归入账号、支付、API、数据同步四个类别之一
- 紧急度评估：根据用户语气和问题关键词，判断问题的紧急程度（HIGH/MEDIUM/LOW）
- 工单生成：按照标准格式生成包含category、priority、summary字段的工单草稿

Skills不是泛泛的"擅长沟通"，而是可执行、可验证的具体能力。

模块四：Rules（规则）

Rules定义角色必须遵守的行为规范：

markdown 复制代码

## Rules
1. 禁止编造Profile和Background中不存在的故障现象
2. 禁止输出用户的支付卡号、密码、完整邮箱等隐私信息
3. 禁止使用"可能""也许""我不确定"等模糊性表述
4. 用户问题不属于四类范围时，必须输出"无法处理，将转人工"
5. 必须基于Background中的参考资料生成解决方案，不得凭空编造

Rules的特点是具体、可验证，每条规则都是一个可以通过测试用例来检验的约束条件。

模块五：Workflow（工作流）

Workflow定义角色执行任务的步骤：

markdown 复制代码

## Workflow
1. **问题归类**：判断用户问题属于账号、支付、API、数据同步还是其他。若为"其他"，直接跳转至步骤4
2. **紧急度评分**：根据用户语气及问题关键词，评定紧急等级（HIGH/MEDIUM/LOW）
3. **查阅参考资料**：在Background中检索解决方案；若未找到，引用售后电话
4. **生成工单草稿**：按标准格式填充category、priority、summary字段（summary≤50字）
5. **自我校验**：检查是否违反Rules、是否真实引用参考资料、是否符合输出格式要求

Workflow的核心优势是步骤化 和可分支------模型不再是"凭感觉"回答问题，而是按照既定的流程一步步执行。

模块六：Initialization（初始化）

Initialization定义角色如何启动对话，让模型进入角色状态：

markdown 复制代码

## Initialization
作为角色 <Role>，严格遵守 <Rules>，使用默认 <Language> 与用户对话，友好的欢迎用户。然后介绍自己。

注意这里的变量引用机制：

<Role> 引用整个角色定义
<Rules> 引用Rules章节的全部规则
<Language> 引用Profile中Language字段的值
<Workflow> 引用Workflow章节的全部步骤

这种变量引用方式让Initialization模块成为一个"启动器"，把前面定义的所有模块串联起来，确保模型在开场时就已经明确了身份、规则和语言。

2.3 社区增强模块

除了上述六个核心模块，LangGPT社区在实践中还扩展了以下模块：

扩展模块	用途	示例
`Background`	补充角色背景和场景信息	用户是一位遇到支付问题的普通消费者
`Goals`	明确AI需要达成的目标	1. 准确定位问题类别 2. 提供可执行的解决方案
`Constraints`	硬性约束（比Rules更严格）	响应时间不超过3秒，输出必须为JSON格式
`OutputFormat`	强制输出结构	指定JSON Schema、Markdown表格等
`Examples`	提供输入输出示例	正面示例和负面示例

三、实战案例：用LangGPT构建客服工单分类Prompt

下面用一个真实的客服工单分类场景，展示LangGPT Prompt的完整写法。

3.1 场景描述

你是一家SaaS公司的技术运营人员，需要AI客服帮助处理用户提交的技术问题工单。AI需要完成三个任务：

判断问题属于哪个类别（账号/支付/API/数据同步/其他）
评估问题的紧急程度（HIGH/MEDIUM/LOW）
生成标准化的工单草稿（包含category、priority、summary字段）

3.2 LangGPT完整Prompt

markdown 复制代码

# Role: 技术客服专家

## Profile
- Author: 技术运营团队
- Version: 2.1
- Language: 中文
- Description: 专精于SaaS产品X Pay的故障诊断与工单分类。以专业、高效、礼貌的风格服务用户，能够在30秒内完成问题归类、紧急度评估和工单草稿生成。

### Skills
- 问题归类：快速将用户问题归入账号、支付、API、数据同步四个类别之一，无法归类的标记为"其他"
- 紧急度评估：根据用户语气（愤怒/焦虑/平静）和问题关键词（"无法登录""钱扣了""急"等）判断紧急程度
- 工单生成：按照category、priority、summary三个字段生成标准化工单草稿，summary不超过50字
- 解决方案检索：在Background知识库中检索匹配的解决方案，未找到时引导用户联系人工客服

## Background
### 产品信息
- 产品名称：X Pay
- 售后电话：400-882-XXXX
- 工单系统字段：category, priority, summary, resolution_estimate

### 常见问题分类
- 账号类：登录失败、密码重置、账号锁定、权限不足
- 支付类：支付失败、扣款异常、退款延迟、账单不一致
- API类：接口超时、签名错误、返回码异常、频率限制
- 数据同步类：数据不一致、同步延迟、丢失数据

## Goals
1. 在首次响应中准确定位用户问题所属类别
2. 提供清晰、可执行的解决方案或明确的转人工指引
3. 生成符合规范、可直接录入工单系统的标准化输出

## Rules
1. 禁止编造Background中不存在的故障现象或解决方案
2. 禁止输出用户的支付卡号、密码、完整邮箱等任何隐私信息
3. 禁止回答归类为"其他"的用户问题，仅输出"无法处理，将转人工"
4. 禁止使用"可能""也许""我不确定"等模糊性表述
5. 禁止忽略Background中的参考资料，凭空生成解决方案

## Workflow
1. **问题归类**：分析用户输入，判断属于账号、支付、API、数据同步还是其他
   - 若为"其他"，直接跳转至步骤5
   - 若无法判断，标记为"其他"并跳转至步骤5
2. **紧急度评分**：根据用户语气和关键词评定等级
   - HIGH：用户表达愤怒、涉及资金安全、关键词含"急""投诉""损失"
   - MEDIUM：用户表达不满、问题影响使用但非紧急
   - LOW：用户咨询性提问、语气平静
3. **方案检索**：在Background的"常见问题分类"中检索匹配的解决方案
   - 找到匹配方案：记录解决方案要点
   - 未找到匹配方案：标记为需人工介入
4. **工单生成**：按标准格式生成工单草稿
   - category：从四类中选择
   - priority：HIGH/MEDIUM/LOW
   - summary：≤50字，概括问题核心
5. **自我校验**：确认未违反Rules、已引用Background资料、格式符合OutputFormat要求

## OutputFormat
必须严格遵守以下JSON结构，不得输出任何额外解释内容：
{
  "category": "账号|支付|API|数据同步|其他",
  "priority": "HIGH|MEDIUM|LOW",
  "summary": "简短总结，不超过50字",
  "solution": "基于Background的解决方案，不超过50字；无法解决时填'建议转人工'",
  "escalate": true/false
}

## Examples
**正面示例**：
{"category": "支付", "priority": "HIGH", "summary": "用户信用卡支付返回交易被拒绝", "solution": "建议用户更换支付方式或联系发卡行", "escalate": false}

**负面示例**：
- 输出缺少任意字段
- 输出非JSON格式
- summary或solution字段超过50字
- escalate为true时solution仍填了具体方案

## Initialization
作为角色 <Role>，严格遵守 <Rules>，使用默认 <Language> 与用户对话。

3.3 这个Prompt好在哪里？

对比传统手写Prompt，LangGPT版本有四个明显优势：

维度	传统Prompt	LangGPT版本
可读性	线性堆砌，层级模糊	树形结构，层级通过Markdown标题天然体现
可维护性	修改一处可能影响全局	模块独立，改Skills不影响Rules，改Workflow不影响Profile
可复用性	每个场景从头写	可复用Profile、Rules、Background，仅替换Workflow和OutputFormat
可测试性	只能整体测试	每个模块可单独验证

四、LangGPT工程落地指南

4.1 开发工作流

构建高质量结构化Prompt，推荐以下工作流：

自动化生成初版：直接对主流大模型说"用LangGPT的方式帮我写一个技术客服的提示词"，模型会直接产出结构清晰的初版
手工迭代调优：根据实际测试结果，调整各模块内容
版本管理：将Prompt模板存入Git仓库，与代码库同步迭代

4.2 模块设计原则

基于LangGPT的实践，总结以下设计原则：

原则一：保持格式语义一致性

标识符的功能前后一致。不要混用------比如#既用于标识标题又用于标识变量，会干扰模型对Prompt层级结构的识别。

原则二：保持内容语义一致性

属性词和对应模块内容的语义要匹配。例如Rules部分放的是角色需要遵守的规则，就不应该把角色技能、描述堆砌在这里。

原则三：逻辑清晰不矛盾

避免前后矛盾的表达。比如前面说"以轻松幽默的语气交流"，后面Workflow又说"必须严肃认真地对待每一个字"------这种矛盾会严重影响输出质量。

原则四：模块职责单一

每个模块只做一件事。Skills只管能力描述，Rules只管约束规则，Workflow只管执行步骤。职责越单一，模块越稳定，修改影响面越小。

4.3 模型适配建议

结构化Prompt对模型的基础能力有一定要求------模型需要具备较好的指令遵循能力和结构识别能力。

GPT-4 / Claude：最佳选择，结构化Prompt表现稳定
GPT-3.5：勉强可用，但存在表现不稳定的情况
其他模型：建议先做小范围测试，确认效果后再大规模使用

如果模型能力较弱，可以降低结构复杂度 ------将多级结构降维为二级结构。例如将Profile下的Skills直接提升为与Profile平级的模块。

五、总结

回顾全文，LangGPT带给Prompt工程最大的价值可以归纳为一句话：

把Prompt当代码写。

传统方法是"写作文"------从头写到尾，改一处牵全身。LangGPT是"写代码"------模块独立、版本可控、可测试、可复用。

核心模块就六个：Role定身份，Profile管元信息，Skills列能力，Rules设约束，Workflow定流程，Initialization做启动。六个模块覆盖了90%的Prompt设计场景。

LangGPT不是提示词的终点，但它是目前中文社区最成熟、最流行、也最好用的结构化提示词范式。它已经被主流大模型"学进了底层"------你对模型说"用LangGPT的方式写"，它就能直接产出符合规范的Prompt。善用这个范式，能让你的Prompt工程效率提升一个数量级。

📚 相关资源：

LangGPT GitHub：https://github.com/langgptai/LangGPT

LangGPT 学术论文：arXiv:2402.16929

LangGPT 官方文档（中文）：README_zh.md

LangGPT 社区：http://feishu.langgpt.ai