如果说Agent的架构是骨骼，那么提示词就是大脑中的神经元连接。一个好的提示词能让模型从“差不多”变成“精确可控”，而思维链则让模型从“直觉反应”升级为“逻辑推理”。本章将程序性地讲解如何建立Agent的大脑。说起来，

提示词设计模式：少样本提示与思维链

Zero-shot、One-shot 与 Few-shot

使用者痛点：在实际项目中。往往只提供了单一示例或根本没有示例，导致模型输出格式混乱、准确率低下。

提示词设计的第一步先是理解“示例”的力量。按照是否提供示例，提示词可以分为三种模式：

Few-shot 的主要思想：不要告诉模型怎么做，而是展示怎么做。

from langchain_core.prompts import FewShotChatMessagePromptTemplate,ChatPromptTemplate
examples =
example_prompt = ChatPromptTemplate.from_messages()
few_shot_prompt = FewShotChatMessagePromptTemplate(
example_prompt=example_prompt。examples=examples,)
final_prompt = ChatPromptTemplate.from_messages()

思维链

使用者痛点：面对需要多步推理的问题时模型经常直接给出错误答案，缺乏解释过程，使调试成本飙升。

思维链是中最关键的突破之一。主要思想极其简单：让模型把推理过程写出来。其实，

方式一：在提示词中加入 “Let's think step by step”

prompt = """问题：一个商店有23个苹果。卖出了17个，又进货了8个。现在有多少个苹果，请一步一步思考。
"""

方式二：用 Few-shot 展示推理过程

examples =

CoT 之所以有效，是因为它迫使模型在给出答案前进行中间计算。对于需要多步推理的问题，CoT 可以将准确率从约30%提高到80%以上。

再看结构化输出，强制模型返回 JSON 与 XML 格式

为什么需要结构化输出？

使用者痛点：Agent 调用工具时需要解析模型的自然语言输出。却经常出现截断、歧义或格式错误，导致程序崩溃或产生误操作。

结构化输出让 Agent 的返回值变成可编程的数据,是建立可靠程序的前提。

OpenAI 的结构化输出方案

方式一：response_format 参数

from langchain_openai import ChatOpenAI
from pydantic import BaseModel
class TaskPlan:
task_name: str
priority: int
至于steps，list
llm = ChatOpenAI
structured_llm = llm.with_structured_output
result = structured_llm.invoke
print # → “微服务部署”
print # → 1
print # →

方式二：JSON 模式

import openai。json
response = openai.chat.completions.create(
model="gpt-4o",response_format={"type": "json_object"},messages=
)
data = json.loads
print
# 示例输出:

LangChain 的输出解析器

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import PromptTemplate
from pydantic import BaseModel,Field
class MovieReview:
说到title，str = Field
说到rating，float= Field")
summary: str = Field
parser = JsonOutputParser
prompt = PromptTemplate(
template=("分析以下电影评价，并按 JSON 格式返回。"
"{format_instructions}
评价这方面，{review}"),input_variables=,partial_variables={"format_instructions": parser.get_format_instructions}。)
# 使用时:
# result_json = llm.invoke)
# review_obj = parser.parse