用 system_prompt 控制智能体说话风格

刘胡子大叔2026-10-26 11:37

AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格

环境：WSL Ubuntu-24.04 / Python 3.11+ / AgentScope 2.x

代码：单文件自包含，含「裸人设 vs 人设卡」对照实验

适合：做人设 Agent、客服、导购，发现"人设写了但模型不遵守"的开发者

很多人写 system_prompt 的方式是描述性格：亲切、专业、耐心、有温度。

写完发现模型的行为还是不可控：该问的时候不问，不该说的抢着说，问它是谁偶尔还会否认。

问题不在模型，在人设的结构。

这篇给一套可落地的写法：三条边界 + 一份完整代码 + 实测对比。

### 文章目录

  • [AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [@toc](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [一、问题：一句话人设为什么撑不住业务](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [二、三条边界](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [2.1 身份边界：你是谁，以及你不是谁](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [2.2 知识边界：知道什么，不知道时怎么说](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [2.3 行为边界：先做什么、后做什么、什么时候停](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [三、完整代码](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [四、实测结果](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [五、把 prompt 当配置管](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [5.1 版本化](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [5.2 对比测试](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [5.3 按场景分配](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [5.4 灰度：别一次全量](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [六、人设模板（可直接改）](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [七、常见问题](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [7.1 人设写了但模型不遵守](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [7.2 人设越长越好吗](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [7.3 Token 成本](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [7.4 写「要友好」这类形容词有用吗](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [7.5 人设改了，正在进行的会话怎么办](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [7.6 多语言场景怎么组织人设](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)
  • [八、下一篇](#文章目录 AgentScope 2.0 人设配置：用 system_prompt 控制智能体说话风格 @[toc] 一、问题：一句话人设为什么撑不住业务 二、三条边界 2.1 身份边界：你是谁，以及你不是谁 2.2 知识边界：知道什么，不知道时怎么说 2.3 行为边界：先做什么、后做什么、什么时候停 三、完整代码 四、实测结果 五、把 prompt 当配置管 5.1 版本化 5.2 对比测试 5.3 按场景分配 5.4 灰度：别一次全量 六、人设模板（可直接改） 七、常见问题 7.1 人设写了但模型不遵守 7.2 人设越长越好吗 7.3 Token 成本 7.4 写「要友好」这类形容词有用吗 7.5 人设改了，正在进行的会话怎么办 7.6 多语言场景怎么组织人设 八、下一篇)

一、问题：一句话人设为什么撑不住业务

最常见的写法是一句话：

python 复制代码 
BARE_PROMPT = "你是一个护肤顾问，回答用户关于护肤品的问题。"

我拿它问了两句话，结果值得看。

问：我皮肤敏感，有红血丝，推荐什么产品？

回答输出 450 个 Token：四种成分、四类产品、三条使用提醒，最后推荐了三个不同品牌的修护霜。

问：你家的美白精华多少钱？

回答第一句是：「我需要澄清一下，我并不是某个护肤品牌的销售顾问。」

它没有说错话，只是不知道自己是谁。

它把"护肤顾问"理解成了中立第三方，所以推荐竞品、撇清商业身份，都符合它的自我认知。

二、三条边界

人设不是描述性格，是划边界。三条：

2.1 身份边界：你是谁，以及你不是谁

只写"你是谁"不够，必须写"你不是谁"。因为模型的默认倾向是当老好人------你不排除，它就往"中立、客观、全面"上靠。

text 复制代码 
你是「敏辰」的专业护肤导购，你的工作是帮用户找到最适合的护肤产品。
你不是医生，不做诊断；你不是通用助手，不回答与护肤无关的问题。

2.2 知识边界：知道什么，不知道时怎么说

只写"不要编造"没用，模型不知道该做什么。要给出口：

text 复制代码 
你只掌握本品牌产品信息，不了解其他品牌的价格与库存。
不确定的事，请引导用户联系人工客服，不要猜测。

2.3 行为边界：先做什么、后做什么、什么时候停

写清单没用（"要专业、要贴心"），要写成顺序：

text 复制代码 
第一步：用户没说清肤质和需求，先问，不要急着推荐。
第二步：按肤质 / 预算 / 成分匹配产品。
第三步：说清价格、用法、适合肤质。

三、完整代码

保存为 003_persona_card.py。同一组问题，分别喂给裸人设和人设卡，打印 Token 与耗时。

python 复制代码 
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
AgentScope 2.0 · 人设卡对照实验
A 组：一句话裸人设
B 组：三条边界人设卡
"""

import asyncio
import gc
import os
import time

from agentscope.agent import Agent
from agentscope.credential import DeepSeekCredential
from agentscope.message import Msg
from agentscope.model import DeepSeekChatModel

# ---------- A 组：裸人设 ----------
PERSONA_BARE = "你是一个护肤顾问，回答用户关于护肤品的问题。"

# ---------- B 组：三条边界 ----------
PERSONA_CARD = """
# 身份
你是「敏辰」的专业护肤导购，你的工作是帮用户找到最适合的护肤产品。
你不是医生，不做诊断；你不是通用助手，不回答与护肤无关的问题。

# 知识边界
你只掌握本品牌产品的成分、价格、用法。
不了解其他品牌的价格与库存，不要编造。
不确定的事，引导用户联系人工客服。

# 回答顺序
第一步：用户没说清肤质和核心需求时，先问，不要急着推荐。
第二步：按肤质、预算、成分匹配产品。
第三步：说清价格、用法、适合肤质。
第四步：可关联推荐搭配产品。

# 说话风格
称呼用户为「亲」。
推荐时说清成分和适合肤质，不夸大功效。

# 红线
不承诺治疗效果；不贬低其他品牌。
""".strip()

# 同一组问题，两个场景都问一遍
QUESTIONS = [
    "我皮肤敏感，有红血丝，推荐什么产品？",
    "你家的美白精华多少钱？",
]


def check_env() -> bool:
    if not os.environ.get("DEEPSEEK_API_KEY"):
        print("[x] 缺少 DEEPSEEK_API_KEY")
        return False
    return True


def build_model() -> DeepSeekChatModel:
    return DeepSeekChatModel(
        credential=DeepSeekCredential(api_key=os.environ["DEEPSEEK_API_KEY"]),
        model="deepseek-v4-flash",
        stream=False,   # 关流式，避免流未消费导致的退出报错
    )


def msg(text: str) -> Msg:
    return Msg(name="user", content=[{"type": "text", "text": text}], role="user")


def read_text(resp) -> str:
    for block in resp.content:
        if getattr(block, "type", None) == "text":
            return block.text
    return ""


def usage_of(resp):
    u = getattr(resp, "usage", None)
    if u is None:
        return (None, None)
    return (getattr(u, "input_tokens", None), getattr(u, "output_tokens", None))


async def run_group(model, label: str, persona: str) -> None:
    """一个场景跑完两句话，逐条打印 Token 与耗时"""
    print("\n" + "=" * 58)
    print("  %s" % label)
    print("=" * 58)

    # 注意：每个场景用独立实例，避免两组互相污染上下文
    agent = Agent(name="小帮", model=model, system_prompt=persona)

    for i, q in enumerate(QUESTIONS, 1):
        t0 = time.perf_counter()
        resp = await agent.reply(msg(q))
        cost = time.perf_counter() - t0
        in_tok, out_tok = usage_of(resp)

        print("\n  [Q%d] %s" % (i, q))
        print("  %s" % read_text(resp))
        print("  -- %.2fs | in=%s out=%s" % (cost, in_tok, out_tok))


async def main() -> None:
    if not check_env():
        return

    model = build_model()

    try:
        await run_group(model, "A 组：裸人设", PERSONA_BARE)
        await run_group(model, "B 组：三条边界人设卡", PERSONA_CARD)
    finally:
        client = getattr(model, "client", None)
        if client is not None:
            try:
                await client.close()
            except Exception:
                pass
        del model
        gc.collect()


if __name__ == "__main__":
    asyncio.run(main())

四、实测结果

WSL Ubuntu-24.04，DeepSeek deepseek-v4-flash：

指标 A 组（裸人设） B 组（人设卡）
Q1 输出 Token 450 67
Q1 耗时 6.53s 1.92s
Q2 输出 Token 465 144
Q2 耗时 5.94s 2.45s
是否推荐竞品 是（三个品牌） 否
是否守住身份 否 是

两处关键差异：

Q1，A 组直接给推荐。 列了神经酰胺、积雪草、泛醇、角鲨烷四种成分，四类产品，最后落到三个不同品牌的修护霜。

Q1，B 组先问问题。 只输出 67 个 Token：「亲，敏感肌确实要特别小心......先问一下您是干性敏感还是油性敏感呢？」

这正是人设里"第一步先问"在起作用。

Q2，A 组说「我不是品牌销售顾问」。 它把自己放在了中立位置，于是"你家的产品"这个问题它没法接。

Q2，B 组接住了。 顺着身份回答「咱们先别急着看美白精华」，并解释了敏感肌用美白精华的风险。

五、把 prompt 当配置管

人设写在代码字符串里，最大的问题是改不动。

改一次要发版，发版要重启，重启所有会话清零。久而久之没人敢碰。

三件事可以改掉这个局面：

5.1 版本化

每次改人设记一个版本号，写清改了什么、为什么改。

我遇到过一次：为了"语气更活泼"加了一句，结果投诉率上升。回滚之后才定位到，那句"活泼"让模型开始用表情包，在售后场景里显得不专业。

没有版本号，你连"改坏了哪一版"都说不清。

5.2 对比测试

固定一组测试问题（我的是 20 个），每次改人设都跑一遍，对比输出差异。

不用看回答漂不漂亮，看三件事：

  • 该问的时候问了吗（行为边界）
  • 不该说的说了吗（知识边界）
  • 身份有没有丢（身份边界）

三条全过才上线。

5.3 按场景分配

同一个模型，售前一套人设、售后一套人设。不是两份代码，是两份配置。

实现上把人设存成 dict，按场景键取：

python 复制代码 
PERSONAS = {
    "presale": "......",
    "aftersale": "......",
}

agent = Agent(name="小帮", model=model, system_prompt=PERSONAS[scene])

5.4 灰度：别一次全量

改人设最怕两种情况：改坏了没人发现，或者发现了但不知道影响面多大。

我的做法是先在 10% 的会话上生效，跑一天，看三个指标：转人工率、投诉数、平均对话轮次。

三个都没异常，再全量。

实现上不需要复杂的实验框架，在创建实例时按会话 ID 取模就行：

python 复制代码 
version = "v3" if hash(session_id) % 10 < 1 else "v2"
agent = Agent(name="小帮", model=model, system_prompt=load_persona(scene, version))

注意人设版本要跟着会话走------同一个用户在同一个会话里，不能中途换人设，否则上下文会精神分裂。

六、人设模板（可直接改）

text 复制代码 
# 身份
你是【品牌】的【角色】，你的工作是【核心任务】。
你不是【不该扮演的角色】，不做【不该做的事】。

# 知识边界
你掌握【明确的资料范围】。
你不了解【明确的范围外内容】，不要编造。
不确定时，引导用户【去问谁 / 去看哪里】。

# 回答顺序
第一步：【前置确认动作，通常是提问】
第二步：【核心动作】
第三步：【交付信息】
第四步：【可选动作】

# 说话风格
称呼：【称呼】
表达：【对信息密度的要求】
禁忌：【不该出现的表达】

# 红线
不【行为一】；不【行为二】。

用 # 身份 这种标记，比纯文本段落更稳。模型对结构化标记的遵循度明显更高，尤其在长 prompt 里。

七、常见问题

7.1 人设写了但模型不遵守

三个原因，按概率排：

  1. 位置太靠后。 身份必须放最前面，长 prompt 里靠后的指令容易被稀释。
  2. 只写禁令没给出口。 "不要编造"不如"不确定时引导用户联系客服"。
  3. 约束互相冲突。 比如同时写"回答要详细"和"回答不超过两句"。

7.2 人设越长越好吗

不是。

我试过写 800 字人设，包含品牌故事、产品线、服务理念。结果模型开始在每个回答里塞品牌介绍------你问一句价格，它先讲三段品牌历史。

长度不是问题，结构才是。没有边界的 800 字，只是给了它更多自由发挥的素材。

7.3 Token 成本

人设卡本身会增加输入 Token（A 组 in=102，B 组 in=382），但输出通常大幅缩短（450 → 67）。

两组算总账，B 组不一定更贵。人设写清楚，反而省钱------因为它不废话。

7.4 写「要友好」这类形容词有用吗

基本没用。

"友好""专业""耐心"描述的是态度，模型无法据此做出具体行为。它可以一边推荐竞品一边保持友好。

有效的写法是把形容词翻译成动作：

无效写法 有效写法
要专业 推荐时必须说明成分和适合肤质
要贴心 用户没说清需求时，先问一句再推荐
要有边界 涉及疾病、赔偿、法律，一律建议转人工

形容词是给人看的，动作是给模型看的。

自检方法很简单：把人设读一遍，凡是形容词都划掉，看还剩多少可执行的动作。剩不下几条，说明这份人设基本没用。

7.5 人设改了，正在进行的会话怎么办

这是上线之后才会遇到的问题。

system_prompt 是在 Agent 实例创建时传入的。已经创建的实例，人设不会自动更新------它仍然是旧的那一套。

三种处理：

  • 不管：新会话用新人设，老会话自然结束。适合人设改动很小的情况。
  • 强制重建：发版时清空会话缓存，所有人重新开始。适合改动大但可以接受失忆的场景。
  • 双版本并存：会话里记录人设版本号，按版本取对应 prompt。适合灰度发布。

我现在的做法是第一种，只有在改红线时才用第二种。

7.6 多语言场景怎么组织人设

不要在一个 prompt 里写三种语言。

正确做法是按语言拆文件，结构完全一致，只换文案：

text 复制代码 
personas/
├── presale.zh.yaml
├── presale.en.yaml
└── presale.ja.yaml

结构一致的好处是：改一条规则（比如"先问肤质"）能同步到所有语言，不会漏。

如果混在一个 prompt 里写"如果是中文用户就这样回答，英文用户就那样回答"，模型会开始混用语言。

八、下一篇

工具调用：让 Agent 真正能查数据。

人设解决的是"它知道该扮演谁"，工具解决的是"它能碰到真实世界"。而工具描述写得清不清楚，直接决定调用成功率的量级差异。

代码已通过 py_compile 语法校验。Token 与耗时数据来自真实运行，模型有随机性。

相关推荐
Agent世界1 小时前
千问Go上线我的应用：一句话生成可部署 AI 软件的技术拆解
开发语言·人工智能·golang·ai智能体
xiejava10181 小时前
【一个人的SOC】(12) AI 安全报告与主动推送——五种场景的自动化闭环
人工智能·安全·自动化·开源软件·安全运营·ai soc
AI前端工程狮1 小时前
从 Function Calling 到 MCP（四）：把 Server 部署上线前，先处理好这五件事
人工智能·程序员
虎鲸不是鱼1 小时前
AI 自动化逆向（十七）解码器、反汇编器、反编译器：能力边界表
人工智能·自动化·大模型·逆向·ai逆向
天燹1 小时前
本地部署大模型ollama
人工智能·llama
疯狂学习GIS1 小时前
将谷歌地球引擎账号升级为Contributor与Partner层级的方法
java·数据库·人工智能
艺杯羹1 小时前
告别大模型滥用与延迟失控：确定性优先法则与本地规则引擎实战
前端·人工智能·系统架构
智联视频超融合平台1 小时前
机器狗进火场、无人机爬上 50 层楼：应急现场的“眼睛“正在换班
人工智能·无人机·视频监控·视频联网·应急管理
阿里云大数据AI技术1 小时前
阿里云Flink + Fluss年度发布：Streaming Agent 与湖流一体
人工智能·flink·agent
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02如何新建文件夹？ 电脑新建文件夹的4种方法03GitHub 镜像站点04历年考研数学一、数学二、数学三真题试卷及答案PDF05几个好用的ip纯净度检测网站06苹果iPA游戏软件资源下载网站07昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战08ai安全工具:CyberStrikeAI安装部署与使用09蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接10乙二醇水溶液物性参数