构建具备推理与反思能力的高级 Prompt：LLM 智能代理设计指南

在构建强大的 AI 系统，尤其是基于大语言模型（LLM）的智能代理（Agent）时，Prompt 设计的质量决定了系统的智能程度。传统 Prompt 通常是简单的问答或填空式指令，而高级任务需要更具结构性、策略性和思考性的 Prompt。

本文将结合 链式思维（Chain-of-Thought, CoT）、反思机制（Reflection） 和 代理执行机制（LLM Agents），分享如何高效构建具备"推理+行动+自检"的高级 Prompt，并结合 Python 代码示例展示如何在实践中使用。

本文的案例使用三方API为Openrouter："https://openrouter.ai"

---

背景知识回顾

技术	概述
链式思维 (CoT)	通过让 LLM 逐步推理，提升复杂任务的准确率和可解释性（如数学推理、规划）。
反思/自我反馈 (Reflection)	模型对自己的回答进行分析与修正（如 ReAct、Reflexion）。
代理机制 (Agent)	LLM 执行有目标的任务，通过观察 → 思考 → 行动 → 再观察的闭环完成复杂目标。

---

构建高效 Prompt 的 4 个关键原则

1. 明确角色与任务（Position & Purpose）

指定 LLM 的身份与任务目标，提升上下文对齐效果：

你是一个项目管理专家，专注于软件交付效率优化。你的任务是分析以下项目状态，并输出关键改进建议。

Python 实现示例：

from openai import OpenAI
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()

# 初始化客户端
client = OpenAI()

def create_expert_consultant(expertise, task_description):
    """创建一个专家角色的 Prompt"""

    system_message = f"""你是一个{expertise}专家。
    你的任务是{task_description}。
    请基于你的专业知识提供深入、专业的分析和建议。"""

    return system_message

# 使用示例
project_analysis_prompt = create_expert_consultant(
    expertise="项目管理",
    task_description="分析以下项目状态，找出延迟原因，并输出关键改进建议"
)

# 向 API 发送请求
def get_expert_analysis(prompt, project_data):
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": prompt},
            {"role": "user", "content": f"项目状态数据：\n{project_data}"}
        ]
    )
    return response.choices[0].message.content

# 测试使用
project_data = """
项目名称: 电商平台重构
计划周期: 3个月
当前状态: 已延期1个月
团队规模: 5名开发, 2名测试
完成进度: 65%
主要问题:
- API文档不完整导致集成困难
- 前端组件复用率低
- 测试覆盖率不足
"""

analysis = get_expert_analysis(project_analysis_prompt, project_data)
print(analysis)

2. 引导链式推理（Process）

设计多步骤的任务指令，引导 LLM 逐步完成推理与判断：

请按照以下步骤进行：
1. 分析输入信息中存在的问题；
2. 推测可能的原因；
3. 提出改进建议；
4. 总结为清晰的行动计划。

Python 实现示例：

from openai import OpenAI
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()
# 初始化客户端
client = OpenAI()

def chain_of_thought_prompt(task_description, steps):
    """创建一个引导模型逐步思考的 Prompt"""

    steps_text = "\n".join([f"{i+1}. {step}" for i, step in enumerate(steps)])

    prompt = f"""任务：{task_description}

请按照以下步骤逐一思考并输出结果：
{steps_text}

请确保每个步骤都有明确的输出，并标注步骤编号。"""

    return prompt

# 使用示例 - 解决一个数学问题
math_steps = [
    "理解问题，确定已知条件和求解目标",
    "列出解决问题所需的方程或关系",
    "逐步求解方程",
    "检查答案的合理性",
    "给出最终答案"
]

math_cot_prompt = chain_of_thought_prompt(
    "解决以下数学问题：一个水箱以每分钟5升的速度注水，同时以每分钟3升的速度漏水。如果水箱初始有10升水，那么多久后水箱会有25升水？",
    math_steps
)

# 向 API 发送请求
response = client.chat.completions.create(
    model="qwen/qwen-2.5-72b-instruct",
    messages=[
        {"role": "system", "content": "你是一个擅长解决数学问题的助手，请一步步思考。"},
        {"role": "user", "content": math_cot_prompt}
    ]
)

print(response.choices[0].message.content)

3. 加入反思机制（Proofing）

鼓励 LLM 审查自己的输出、找出问题并修正：

请回顾你刚才的回答，思考是否存在逻辑漏洞或遗漏的关键点，并进行修正。输出最终版本的建议。

Python 实现示例：

from openai import OpenAI
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()
# 初始化客户端
client = OpenAI()
def self_reflection_prompt(initial_task, response_to_evaluate):
    """创建一个让模型自我反思的 Prompt"""

    reflection_prompt = f"""初始任务：{initial_task}

你之前的回答：
{response_to_evaluate}

请对你的回答进行自我评估，考虑以下几点：
1. 是否有逻辑漏洞或不一致的地方？
2. 是否遗漏了重要信息或关键点？
3. 推理过程是否足够严谨？
4. 结论是否合理且有力度支持？

请指出存在的问题，并提供修正后的完整回答。标记为"最终版本"。"""

    return reflection_prompt

# 使用示例 - 假设这是一个初始回答
initial_response = """
解决方案：实施微服务架构可以提高系统的可扩展性和灵活性。
步骤：
1. 将系统拆分为独立服务
2. 实施 API 网关
3. 部署到云环境
"""

# 让模型反思并改进
reflection_prompt = self_reflection_prompt(
    "设计一个高可用的电商系统架构",
    initial_response
)

# 向 API 发送请求
response = client.chat.completions.create(
    model="qwen/qwen-2.5-72b-instruct",
    messages=[
        {"role": "system", "content": "你是一个系统架构专家，请对你的方案进行批判性思考和完善。"},
        {"role": "user", "content": reflection_prompt}
    ]
)

improved_response = response.choices[0].message.content
print(improved_response)

4. 增强行动能力（Agent-style Prompt）

设计具备感知、思考、行动、反思循环的 Prompt：

你将完成以下任务：
1. 读取输入数据（环境感知）；
2. 分析目标需求（理解与推理）；
3. 拆解任务并规划步骤（任务规划）；
4. 输出每个步骤的操作建议；
5. 若任务未完成，则思考失败原因并重新规划（反思+重试）。

请开始处理任务：{用户输入}

Python 实现示例：

from openai import OpenAI
import json
import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
base_url = os.getenv("OPENAI_BASE_URL")
client = OpenAI(api_key=api_key, base_url=base_url)

class ReflectiveAgentQwen:
    """适配 Qwen 模型的反思型智能代理"""

    def __init__(self, system_role):
        self.system_role = system_role
        self.messages = [{"role": "system", "content": system_role}]
        self.tools = []

    def register_tool(self, name, description, function):
        self.tools.append({
            "name": name,
            "description": description,
            "function": function
        })

    def _get_tools_prompt(self):
        if not self.tools:
            return ""
        tool_list = "\n".join([f"{tool['name']}: {tool['description']}" for tool in self.tools])
        return f"\n你可以使用以下工具来辅助完成任务（请在需要时明确说明要调用哪个工具及输入内容）：\n{tool_list}"

    def _call_tool_if_needed(self, response_content):
        for tool in self.tools:
            if f"调用工具 {tool['name']}" in response_content:
                # 提取输入
                input_start = response_content.find("输入：")
                if input_start != -1:
                    input_text = response_content[input_start + 3:].strip().splitlines()[0]
                    print(f"\n>>> 调用工具 {tool['name']}，输入: {input_text}")
                    return tool["function"](input_text)
        return None

    def think_act_reflect(self, user_input, max_cycles=3):
        intro = self._get_tools_prompt()
        self.messages.append({"role": "user", "content": user_input + intro})

        for cycle in range(max_cycles):
            print(f"\n--- 循环 {cycle + 1}/{max_cycles} ---")

            #  思考阶段
            print(" 思考中...")
            response = client.chat.completions.create(
                model="qwen/qwen-2.5-72b-instruct",
                messages=self.messages,
            )
            message = response.choices[0].message
            content = message.content
            print(" 输出:", content)
            self.messages.append({"role": "assistant", "content": content})

            # ️ 行动阶段（判断是否调用工具）
            result = self._call_tool_if_needed(content)
            if result:
                self.messages.append({
                    "role": "user",
                    "content": f"工具调用结果：{result}"
                })
            else:
                print(" 没有需要调用工具，任务可能已完成")
                break

            #  反思阶段
            print(" 反思中...")
            reflection_prompt = (
                "请反思你刚才的分析与工具使用是否合理，有无遗漏？"
                "如果有改进建议，请继续执行。若任务完成，请明确标注“任务已完成”。"
            )
            self.messages.append({"role": "user", "content": reflection_prompt})
            reflection_response = client.chat.completions.create(
                model="qwen/qwen-2.5-72b-instruct",
                messages=self.messages
            )
            reflection_message = reflection_response.choices[0].message
            print(" 反思输出:", reflection_message.content)
            self.messages.append({"role": "assistant", "content": reflection_message.content})

            if "任务已完成" in reflection_message.content:
                break

        #  最终总结
        final = client.chat.completions.create(
            model="qwen/qwen-2.5-72b-instruct",
            messages=self.messages + [{"role": "user", "content": "请总结你的最终答案:"}]
        )
        return final.choices[0].message.content

# 示例用法
if __name__ == "__main__":
    agent = ReflectiveAgentQwen(
        system_role="你是一个研究型智能助手，能够理解任务、调用工具、反思并总结。"
    )

    # 注册一个模拟搜索工具
    def web_search(query):
        if "人工智能" in query:
            return "人工智能是计算机科学的一个分支，致力于模拟人类智能。"
        elif "机器学习" in query:
            return "机器学习是 AI 的一个子领域，专注于让系统从数据中学习。"
        else:
            return "未找到相关信息。"

    agent.register_tool("web_search", "用于网络搜索信息", web_search)

    # 测试任务
    question = "请解释人工智能与机器学习的区别，并说明应用领域。"
    result = agent.think_act_reflect(question)
    print("\n 最终回答:\n", result)

---

示例：面向医疗场景的智能代理设计 Prompt

你是一个 AI 项目设计专家，请你帮助团队分析并设计一个面向医疗场景的 AI 代理。

任务如下：
1. 任务目标：分析用户上传的电子病历，抽取关键信息，自动生成初步诊疗建议；
2. 输入格式：包含 PDF、图片、文本等混合文档；
3. 输出格式：结构化 JSON + 建议摘要。

请你分步骤完成以下内容：
1. 明确关键需求与挑战；
2. 推理出合适的技术架构与模块；
3. 说明每个模块的功能与关键技术点；
4. 回顾整体设计并输出最终建议。

输出后，请你反思是否有遗漏或逻辑漏洞，若有请修正，并标注"最终版本"。

Python 医疗AI代理示例实现：

from openai import OpenAI
import json
import os
from dotenv import load_dotenv
from typing import Dict, List, Any, Optional
import base64
from datetime import datetime

# 加载环境变量
load_dotenv()

# 初始化 OpenAI 客户端
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

class MedicalDocumentProcessor:
    """处理各种格式的医疗文档"""

    def extract_text_from_image(self, image_path: str) -> str:
        """从图片中提取文本（使用Vision模型）"""
        try:
            # 读取图片并转为base64
            with open(image_path, "rb") as image_file:
                base64_image = base64.b64encode(image_file.read()).decode('utf-8')

            # 调用OpenAI Vision模型
            response = client.chat.completions.create(
                model="gpt-4-vision-preview",
                messages=[
                    {
                        "role": "user",
                        "content": [
                            {"type": "text", "text": "请从这个医疗文档图片中提取所有文本内容，保持原始格式。特别注意提取患者信息、诊断结果、用药情况等医疗关键信息。"},
                            {
                                "type": "image_url",
                                "image_url": {
                                    "url": f"data:image/jpeg;base64,{base64_image}"
                                }
                            }
                        ]
                    }
                ],
                max_tokens=1000
            )
            return response.choices[0].message.content
        except Exception as e:
            print(f"图片处理错误: {e}")
            return "图片处理失败"

    def extract_text_from_pdf(self, pdf_path: str) -> str:
        """从PDF中提取文本（实际应用中使用PyPDF2等库）"""
        # 这里是简化的示例，实际实现需要使用PDF处理库
        return f"从PDF {pdf_path} 中提取的文本内容"

    def process_document(self, document_path: str) -> str:
        """处理各类文档并提取文本"""
        if document_path.lower().endswith(('.png', '.jpg', '.jpeg')):
            return self.extract_text_from_image(document_path)
        elif document_path.lower().endswith('.pdf'):
            return self.extract_text_from_pdf(document_path)
        elif document_path.lower().endswith(('.txt', '.doc', '.docx')):
            # 简化示例，实际应用中需使用专门的文本处理方法
            with open(document_path, 'r', encoding='utf-8') as file:
                return file.read()
        else:
            return "不支持的文档格式"

class MedicalInformationExtractor:
    """从医疗文本中提取结构化信息"""

    def extract_key_information(self, text: str) -> Dict[str, Any]:
        """提取关键医疗信息并结构化"""

        # 构建提示词来指导模型提取结构化信息
        prompt = f"""
        请从以下医疗文档中提取关键信息，并整理为结构化JSON格式。

        需要提取的字段包括:
        - 患者基本信息（姓名、年龄、性别、ID）
        - 主诉
        - 现病史
        - 既往史
        - 检查结果
        - 诊断结果
        - 用药建议

        仅返回JSON格式，不要包含其他文字。

        医疗文档内容:
        {text}
        """

        response = client.chat.completions.create(
            model="gpt-4",
            messages=[
                {"role": "system", "content": "你是一个专业的医疗信息提取工具，能够从医疗文档中准确提取结构化信息。"},
                {"role": "user", "content": prompt}
            ],
            response_format={"type": "json_object"}
        )

        # 尝试解析JSON结果
        try:
            return json.loads(response.choices[0].message.content)
        except json.JSONDecodeError:
            # 若解析失败，返回空结构
            return {
                "error": "无法提取结构化信息",
                "raw_text": text
            }

class MedicalDiagnosisAdvisor:
    """生成初步诊疗建议"""

    def generate_advice(self, patient_info: Dict[str, Any]) -> Dict[str, Any]:
        """基于提取的信息生成初步诊疗建议"""

        # 转换病人信息为JSON字符串
        patient_json = json.dumps(patient_info, ensure_ascii=False, indent=2)

        # 构建提示词
        prompt = f"""
        基于以下患者信息，生成初步诊疗建议。
        注意：这只是初步建议，最终诊疗方案应由专业医生确定。

        患者信息:
        {patient_json}

        请提供:
        1. 初步诊断分析
        2. 建议进一步检查项目
        3. 可能的治疗方向
        4. 生活方式建议

        返回JSON格式，包含上述四个方面的信息。
        """

        # 调用API生成建议
        response = client.chat.completions.create(
            model="gpt-4",
            messages=[
                {"role": "system", "content": "你是一个医疗诊断辅助系统，能基于患者信息提供初步诊疗建议。你的建议应严格基于医学知识，同时明确标注这只是初步建议，不能替代专业医生的诊断。"},
                {"role": "user", "content": prompt}
            ],
            response_format={"type": "json_object"}
        )

        # 解析并返回建议
        try:
            advice = json.loads(response.choices[0].message.content)

            # 添加免责声明
            advice["disclaimer"] = "本建议由AI辅助生成，仅供参考，不构成医疗建议。请咨询专业医生进行正式诊疗。"

            return advice
        except json.JSONDecodeError:
            return {
                "error": "无法生成诊疗建议",
                "disclaimer": "请咨询专业医生进行诊疗。"
            }

class MedicalAIAgent:
    """医疗AI代理总控制器"""

    def __init__(self):
        self.document_processor = MedicalDocumentProcessor()
        self.info_extractor = MedicalInformationExtractor()
        self.advisor = MedicalDiagnosisAdvisor()

    def process_medical_documents(self, document_paths: List[str]) -> Dict[str, Any]:
        """处理医疗文档并生成诊疗建议"""

        # 1. 处理所有文档并合并文本
        combined_text = ""
        for doc_path in document_paths:
            text = self.document_processor.process_document(doc_path)
            combined_text += text + "\n\n"

        # 2. 提取结构化信息
        structured_info = self.info_extractor.extract_key_information(combined_text)

        # 3. 生成诊疗建议
        diagnosis_advice = self.advisor.generate_advice(structured_info)

        # 4. 整合结果
        result = {
            "patient_info": structured_info,
            "diagnosis_advice": diagnosis_advice,
            "summary": self._generate_summary(structured_info, diagnosis_advice)
        }

        # 5. 反思和验证结果
        result = self._validate_and_reflect(result, combined_text)

        return result

    def _generate_summary(self, patient_info: Dict[str, Any], advice: Dict[str, Any]) -> str:
        """生成易读的摘要"""

        # 构建提示词
        prompt = f"""
        基于以下患者信息和诊疗建议，生成一段简洁的摘要，用通俗易懂的语言概括关键信息和建议。

        患者信息:
        {json.dumps(patient_info, ensure_ascii=False)}

        诊疗建议:
        {json.dumps(advice, ensure_ascii=False)}

        请用200字左右生成摘要。
        """

        response = client.chat.completions.create(
            model="gpt-4",
            messages=[
                {"role": "system", "content": "你是一个医疗信息总结专家，能将复杂的医疗信息转化为通俗易懂的语言。"},
                {"role": "user", "content": prompt}
            ]
        )

        return response.choices[0].message.content

    def _validate_and_reflect(self, result: Dict[str, Any], original_text: str) -> Dict[str, Any]:
        """验证结果并进行反思改进"""

        # 构建验证提示词
        validation_prompt = f"""
        请验证以下从医疗文档中提取的信息是否准确、完整，并检查生成的诊疗建议是否合理。

        原始文档文本:
        {original_text[:1000]}... (已截断)

        提取的结构化信息:
        {json.dumps(result["patient_info"], ensure_ascii=False, indent=2)}

        生成的诊疗建议:
        {json.dumps(result["diagnosis_advice"], ensure_ascii=False, indent=2)}

        请检查:
        1. 是否有重要信息遗漏或错误？
        2. 诊疗建议是否与患者情况相符？
        3. 有无任何不合逻辑或不一致的地方？

        如有问题，请指出并建议如何修正。
        """

        # 调用API进行验证
        response = client.chat.completions.create(
            model="gpt-4",
            messages=[
                {"role": "system", "content": "你是一个医疗信息验证专家，能够严格审查从医疗文档中提取的信息和生成的建议，确保其准确性和合理性。"},
                {"role": "user", "content": validation_prompt}
            ]
        )

        # 将验证结果添加到输出中
        result["validation"] = {
            "reflection": response.choices[0].message.content,
            "timestamp": "反思时间：" + str(datetime.now())
        }

        return result

# 使用示例（模拟运行）
if __name__ == "__main__":
    # 创建医疗AI代理
    medical_agent = MedicalAIAgent()

    # 模拟文档路径（实际应用中需要真实路径）
    document_paths = [
        "patient_record.pdf",
        "lab_results.jpg",
        "prescription.txt"
    ]

    print("开始处理医疗文档...")
    # 这里只是示例，实际运行需要真实文件
    # result = medical_agent.process_medical_documents(document_paths)

    # 模拟一个结果进行展示
    sample_result = {
        "patient_info": {
            "name": "张三",
            "age": 45,
            "gender": "男",
            "id": "P12345",
            "chief_complaint": "胸闷、气短3天",
            "history": "高血压病史5年，服用缬沙坦片控制",
            "examinations": "血压145/95mmHg，心电图显示窦性心律不齐",
            "diagnosis": "1. 高血压 2. 疑似冠心病"
        },
        "diagnosis_advice": {
            "analysis": "患者存在高血压控制不佳，伴有胸闷气短症状，需警惕冠心病可能。",
            "further_examination": [
                "心脏彩超检查",
                "心肌酶谱检测",
                "冠状动脉CT血管造影",
                "运动心电图"
            ],
            "treatment_options": [
                "调整降压药物，控制血压在130/80mmHg以下",
                "考虑加用β受体阻滞剂改善心律不齐",
                "如确诊冠心病，可考虑抗血小板、他汀类药物治疗"
            ],
            "lifestyle_suggestions": [
                "限制钠盐摄入（<5g/天）",
                "适量有氧运动（如散步），避免剧烈运动",
                "戒烟限酒",
                "规律作息，避免情绪激动"
            ],
            "disclaimer": "本建议由AI辅助生成，仅供参考，不构成医疗建议。请咨询专业医生进行正式诊疗。"
        },
        "summary": "张三先生，45岁，近期出现胸闷、气短症状，伴有高血压控制不佳（145/95mmHg）和心律不齐情况。建议进行心脏相关检查以排除冠心病可能，同时调整降压方案，注意限盐控制饮食，进行适量运动，保持良好作息。请务必在专业医生指导下进行治疗。",
        "validation": {
            "reflection": "从提取的信息和建议来看，整体内容合理，符合医学临床实践。针对高血压伴胸闷症状的患者，冠心病的筛查是必要的。建议进一步完善生化检查如血脂、血糖等指标，这些是心血管疾病风险评估的重要参数，但在当前建议中未提及。同时，患者的用药史中提到缬沙坦，但未评估其依从性和剂量是否适当，这也是高血压控制不佳的可能原因之一。",
            "timestamp": "反思时间：2023-08-15 10:23:45"
        }
    }

    print("\n最终结果:")
    print(json.dumps(sample_result, ensure_ascii=False, indent=2))

结语：高级Prompt工程的未来展望

随着大语言模型能力的不断提升，构建具备推理与反思能力的高级Prompt已成为充分发挥LLM潜力的关键。本文介绍的四个关键原则—明确角色与任务、引导链式推理、加入反思机制和增强行动能力，为开发者提供了系统化的Prompt设计框架。

这些技术正在改变我们与AI系统的交互方式。未来的发展趋势包括：

1. 多模态智能代理：结合图像、音频等多种输入形式，实现更全面的场景理解和决策
2. 记忆增强代理：通过外部知识库和长期记忆机制，实现更连贯的对话和任务执行
3. 自我完善系统：代理能够从经验中学习，自动优化自身的推理流程和反思能力
4. 协作型智能网络：多个专业化代理协同工作，处理复杂任务流程

在实际应用中，高级Prompt设计需要注意以下几点：

• 平衡指导与自由：提供足够的框架引导模型思考，但也留出创新空间
• 迭代优化：通过分析模型输出，持续改进Prompt设计
• 注重反馈机制：让模型能够接收和整合外部反馈，动态调整其行为

希望本文介绍的技术和理念能够帮助开发者构建更智能、更可靠的AI系统，让大语言模型真正成为人类的得力助手，而不仅仅是简单的问答工具。

---