1、提示词正常来说有两种方式：
一种是结合xml格式，例如：
这是一份客服质检数据

一种是markdown结构，例如：## 背景 这是一份客服质检数据。

很多人有习惯让AI来帮我们写提示词，我也会这样做。
这里有个建议，去掉AI生成的提示词中的大量的**，之类的东西。
这些会占用大量的token，浪费钱，这些符号仅仅只是让我们在markdown渲染工具里面看起来更舒服而已，对大模型来说无所谓的。
我们用markdown或者xml是为了结构化，而不是复杂化。

2、生产级任务中，可以写一些示例，我们知道，大模型是非常擅长模仿的，但更适合用在你期望输出结果相对稳定、格式明确的情况。
示例要结合各种情况进行应用。
比如，你在每天的固定时间，系统要去固定查询一些数据，然后帮你生成一个邮件（html）。这种情况你期望的是一个极其相似的结果。那你就可以给个html模板或者html邮件示例。
当然html示例可能会很长，这个时候就别让模型生成了，写一个脚本，在这个节点接收模型产生的数据，直接将数据由脚本渲染为html（可以让AI来写，但是要调试）。

当然，或者是，编写产品需求说明文档（PRD），每个公司肯定都有自己的PRD模板，你期望的输出肯定是一个标准格式的文档，这种情况下提供示例也会比较合适。

或者是，我们期望输出某个固定的格式，比如json，那就多来几个示例，正常情况、异常情况，以强化模型对输出格式的遵循。
当然，最好加上禁止性语言：禁止输出思考过程，只需要按输出格式输出结果。

3、不管是串行的llm节点还是并行的llm节点，每个llm最好只干一件事，专注才能做得好。而且这样还能更好的控制context，因为每个llm只做一件事，所以只需要做这件事的context就可以了，不管是tools、数据、或者其他的什么。

4、在对LLM输入外部数据的时候，最好做一个条件判断，避免没有任何数据输入，LLM根据你的示例瞎搞一些数据。这种情况，在提示词中控制说没有数据就告诉用户没有数据，LLM是个概率结果，能用确定性判断的，就不要交给概率。
在确定性的任务里面，能将mcp当api用，就把他当api用，道理同上（大部分金融公司的LLM使用tools的能力都很差吧。
老师，你的模型版本是Deepseek最新版了吗，qwen最新版了吗）

有的mcp工具很多，你完全不知道用哪个工具。可以让外部模型，比如GLM或者其他的，帮你探索一条使用工具最快的路径，然后再生产环境，按照这个路径搞，确定性的，比不确定性的好。

5、错误的数据也非常有价值，是迭代提示词的宝贵资产。

1. AI加工版本

1、提示词在实践中通常有两种常见的结构化写法：  
一种是偏机器可解析的 XML标签式结构，例如：  
<background_information>这是一份客服质检数据</background_information>  
一种是偏人类可读的 Markdown / 标题式结构，例如：  
## 2. 背景  
这是一份客服质检数据  
  
很多人会让 AI 来帮忙生成提示词，我自己也经常这样做。  
但有一个经验是：不要无脑照抄 AI 生成的“好看版提示词”。比如大量的 **加粗**、装饰性符号、过深的层级结构，  
这些内容对模型的理解价值非常有限，反而容易引入无效的上下文噪声。  
我们使用 Markdown 或 XML 的目的，是帮助模型理解结构、约束语义边界，而不是为了让提示词看起来更复杂、更像一份文档。  
2、生产级任务中，可以写一些示例，我们知道，大模型是非常擅长模仿的，但更适合用在你期望输出结果相对稳定、格式明确的情况。  
示例要结合各种情况进行应用。  
比如，你在每天的固定时间，系统要去固定查询一些数据，然后帮你生成一个邮件（html）。这种情况你期望的是一个极其相似的结果。那你就可以给个html模板或者html邮件示例。当然html示例可能会很长，这个时候就别让模型生成了，写一个脚本，在这个节点接收模型产生的数据，直接将数据由脚本渲染为html（可以让AI来写，但是要调试）。  
当然，或者是，编写产品需求说明文档（PRD），每个公司肯定都有自己的PRD模板，你期望的输出肯定是一个标准格式的文档，这种情况下提供示例也会比较合适。  
或者是，我们期望输出固定的格式，比如json，那就多来几个示例，正常情况、异常情况，以强化模型对输出格式的遵循。  
当然，要加上约束条件：禁止输出思考过程，只需要按输出格式输出结果。  
3、不管是串行的llm节点还是并行的llm节点，每个llm最好只干一件事，专注才能做得好。这样能更好的控制context，因为每个llm只做一件事，所以只需要做这件事的context就可以了，不管是tools、数据、或者其他的什么。  
4、在对LLM输入外部数据的时候，最好做一个条件判断，避免没有任何数据输入，LLM根据你的示例瞎搞一些数据。这种情况，在提示词中控制说没有数据就告诉用户没有数据，LLM是个概率结果，能用确定性判断的，就不要交给概率。  
在确定性的任务里面，能将mcp当api用，就把他当api用，道理同上（大部分金融公司的LLM使用tools的能力都很差吧。老师，你的模型版本是Deepseek最新版了吗，qwen最新版了吗）  
有的mcp工具很多，你完全不知道用哪个工具。可以让外部模型，比如GLM或者其他的，帮你探索一条使用工具最快的路径，然后再生产环境，按照这个路径搞，确定性的，比不确定性的好。  
5、错误的数据也非常有价值，是迭代提示词的宝贵资产。