从单轮到多轮：AI提示词编排实战

1. 引言

在 AI 应用开发中，提示词（Prompt）早已不只是“问一句、答一句”的简单输入。随着大语言模型能力的提升，如何通过精心设计的提示词来编排复杂的任务流程，已成为构建高效 AI 工作流的关键。本文将带你从最基础的单轮对话出发，逐步深入到多轮对话工作流的构建，揭示提示词工程在其中的核心作用。

文章摘要

从一句提示词到一套智能工作流，提示词工程如何驾驭LLM完成复杂任务？本文以状态管理为线索，系统梳理从单轮对话到多轮AI 工作流的演进路径。通过结构化提示词模板、对话记忆机制与意图路由等实战技巧，手把手教你构建可维护的多轮问答系统。适合对话系统、智能客服与自动化编排场景的开发者阅读。

2. 单轮对话：一切的基础

单轮对话是 AI 交互的最小单元：用户输入一条指令，模型返回一次回答。看似简单，但一个高质量的单轮交互，背后往往需要结构化的提示词设计。

2.1 结构化提示词模板

一个典型的单轮提示词通常包含以下要素：

• 角色设定：定义 AI 的身份（如“你是一位资深 Python 开发者”）。
• 任务描述：明确要完成的具体任务（如“请为以下函数编写单元测试”）。
• 输入数据：提供待处理的内容。
• 输出格式：指定返回结果的格式（如 JSON、Markdown 表格）。
• 约束条件：限制回答的长度、风格或禁止事项。

# 角色 你是一位资深 Python 开发者。 # 任务 为以下函数编写单元测试，覆盖正常输入和边界情况。 # 输入函数 def divide(a, b): return a / b # 输出格式 请用 pytest 风格，返回完整的测试代码。 # 约束 - 不要使用第三方 mock 库。 - 每个测试用例用 `def test_xxx():` 命名。

2.2 单轮对话的局限性

单轮对话虽然简单直接，但在复杂任务中暴露出明显不足：

• 上下文有限：无法利用历史对话中的信息。
• 无法纠错：一次回答出错，需要用户重新组织整个问题。
• 缺乏状态：无法记住用户偏好或中间结果。

这些局限性催生了多轮对话工作流的需求。

下面从多个维度对比单轮对话与多轮对话工作流的差异：

3. 多轮对话：状态与记忆的引入

多轮对话的核心在于状态管理和上下文记忆。AI 需要记住之前说过的话，并根据当前状态决定下一步行动。

3.1 对话状态的设计

在多轮工作流中，我们通常用一个结构化的“状态对象”来记录对话进展：

classConversationState:def__init__(self):self.history=[]# 对话历史self.current_step=0# 当前步骤self.collected_info={}# 已收集的信息self.pending_questions=[]# 待追问的问题

每次模型回答后，后端解析回答并更新状态，再根据状态决定下一轮提示词的内容。

3.2 多轮提示词模板示例

以下是一个“信息收集型”多轮工作流的提示词模板：

# 系统角色 你是一位友好的客服助手，负责收集用户的订单问题。 # 当前对话状态 - 已收集信息：{collected_info} - 当前步骤：{current_step} - 待确认项：{pending_items} # 对话历史（最近3轮） {recent_history} # 指令 请根据当前状态，向用户提出下一个问题，或确认已收集的信息。 如果所有信息已收集完毕，请总结并告知用户。

通过动态填充{collected_info}、{current_step}等变量，模型就能“记住”当前进度，并做出符合流程的回应。

4. 实战：构建一个多轮问答工作流

下面我们用一个具体的例子——智能客服工单系统，来演示如何用提示词构建多轮工作流。

4.1 工作流定义

4.2 核心代码实现

importjsonfromopenaiimportOpenAI client=OpenAI()defbuild_prompt(state):"""根据当前状态构建提示词"""# 构建系统提示词，将当前对话状态序列化为结构化指令system_prompt=f""" 你是一个智能客服助手。请根据当前对话状态，向用户提出下一个问题。 当前状态： - 问题类型：{state.get('issue_type','未确定')}- 已收集信息：{json.dumps(state.get('collected', {}), ensure_ascii=False)} - 当前步骤：{state['step']}对话历史：{format_history(state['history'])}请用中文回复，每次只问一个问题。 """returnsystem_promptdefrun_workflow():# 初始化对话状态：定义步骤流转、问题类型、已收集信息和历史记录state={"step":"ask_type",# 当前对话阶段，控制流程走向"issue_type":None,# 用户问题类型，用于分支路由"collected":{},# 已收集的关键信息，逐步累积"history":[]# 完整对话历史，供提示词构建上下文}# 循环控制：只要未到达"done"状态，就持续进行多轮对话whilestate["step"]!="done":# 根据当前状态动态构建提示词，将状态信息注入 LLM 上下文prompt=build_prompt(state)# 调用大模型生成回复response=client.chat.completions.create(model="gpt-4",messages=[{"role":"system","content":prompt}])reply=response.choices[0].message.contentprint(f"AI:{reply}")# 获取用户输入并追加到历史记录，维持对话记忆user_input=input("用户: ")state["history"].append({"role":"user","content":user_input})# 解析用户输入并更新状态（简化版）# 根据当前步骤匹配用户意图，驱动状态机向下一个阶段流转ifstate["step"]=="ask_type":# 根据用户回复中的关键词判断问题类型，决定下一步分支if"技术"inuser_input:state["issue_type"]="技术"state["step"]="ask_version"# 切换到版本询问阶段elif"账单"inuser_input:state["issue_type"]="账单"state["step"]="ask_order"# 切换到订单询问阶段elifstate["step"]=="ask_version":# 收集版本信息后，推进到日志收集阶段state["collected"]["version"]=user_input state["step"]="ask_log"elifstate["step"]=="ask_log":# 收集日志信息后，标记对话完成，循环条件将不满足而退出state["collected"]["log"]=user_input state["step"]="done"# ... 其他步骤类似if__name__=="__main__":run_workflow()

4.3 运行效果示例

AI: 您好！请问您遇到的是技术问题还是账单问题？ 用户: 技术问题 AI: 好的，请问您使用的系统版本是多少？ 用户: Windows 11 专业版 23H2 AI: 收到。请提供相关的错误日志或截图。 用户: 错误代码 0x80070005 AI: 感谢您提供的信息。我已为您生成工单，工单编号 TK-2024-001，预计24小时内会有工程师联系您。

5. 进阶技巧：提示词编排与分支逻辑

在实际生产环境中，多轮工作流往往需要更复杂的分支逻辑和条件跳转。

5.1 基于意图的路由

在每一轮对话中，先让模型输出一个结构化的“意图标签”，后端根据标签决定下一步：

请分析用户输入，输出以下 JSON 格式： { "intent": "ask_question | provide_info | request_escalation | end_conversation", "extracted_info": { ... }, "next_step": "step_name" }

5.2 错误恢复与重试

当模型输出不符合预期时（如 JSON 解析失败），工作流应具备重试机制：

max_retries=3forattemptinrange(max_retries):try:response=call_llm(prompt)parsed=json.loads(response)breakexceptjson.JSONDecodeError:prompt+="\n【注意】请严格输出 JSON 格式，不要包含其他文字。"else:# 降级处理：使用默认分支parsed={"intent":"ask_question","next_step":"default"}

下面是一个更完整的实战示例，包含状态回滚、重试提示词优化和用户引导逻辑：

importjsonfromtypingimportOptional,Dict,AnyclassRetryableWorkflow:"""带错误恢复与重试的多轮对话工作流"""def__init__(self,max_retries:int=3):self.max_retries=max_retries self.state={"history":[],"last_valid_state":None}def_build_retry_prompt(self,original_prompt:str,error_detail:str,attempt:int)->str:"""根据重试次数动态构建提示词"""base_instruction=("你是一个严格输出 JSON 的助手。请只输出一个 JSON 对象，""不要包含任何 Markdown 标记、代码块围栏或额外说明文字。")ifattempt==1:# 第一次重试：温和提醒returnf"{original_prompt}\n\n【提示】{base_instruction}"elifattempt==2:# 第二次重试：给出明确格式要求return(f"{original_prompt}\n\n"f"【重要】上次输出格式错误（{error_detail}）。\n"f"请严格按照以下格式输出，不要添加任何其他内容：\n"f'{{"intent": "意图名称", "params": {{}}, "next_step": "下一步"}}')else:# 最后一次重试：使用 few-shot 示例return(f"{original_prompt}\n\n"f"【最后一次尝试】请参考以下示例输出：\n"f'正确示例：{{"intent": "ask_question", "params": {{"question": "你好"}}, "next_step": "respond"}}\n'f'正确示例：{{"intent": "search_knowledge", "params": {{"keyword": "Python"}}, "next_step": "search"}}\n'f"请只输出一个 JSON 对象：")def_rollback_state(self)->None:"""回滚到上一个有效状态"""ifself.state["last_valid_state"]isnotNone:self.state["history"]=self.state["last_valid_state"]["history"]print("[状态回滚] 已恢复到上一个有效对话状态")else:print("[状态回滚] 无有效历史状态，保持当前状态")def_handle_fallback(self,user_input:str)->Dict[str,Any]:"""优雅降级：当所有重试都失败时，使用规则解析"""print("[降级处理] 模型输出持续异常，切换到规则解析模式")# 简单的规则匹配作为兜底ifany(kwinuser_inputforkwin["你好","嗨","hello"]):return{"intent":"greeting","params":{},"next_step":"respond"}elifuser_input.endswith("?"):return{"intent":"ask_question","params":{"question":user_input},"next_step":"respond"}else:return{"intent":"unknown","params":{"raw_input":user_input},"next_step":"clarify"}def_guide_user_retry(self,attempt:int)->str:"""生成引导用户重新输入的提示"""guides=["请重新描述您的问题，我会更仔细地处理。","您可以换一种方式表达，或者直接说“帮助”查看可用功能。","看起来遇到了解析问题，请用简单的句子重新描述您的需求。"]returnguides[min(attempt-1,len(guides)-1)]defprocess_message(self,user_input:str)->Dict[str,Any]:"""处理用户消息，带重试与降级"""prompt=self._build_base_prompt(user_input)forattemptinrange(1,self.max_retries+1):try:response=call_llm(prompt)parsed=json.loads(response)# 校验必要字段if"intent"notinparsedor"next_step"notinparsed:raiseValueError("缺少必要字段")# 成功：保存当前状态作为有效状态快照self.state["last_valid_state"]={"history":self.state["history"].copy()}self.state["history"].append({"role":"assistant","parsed":parsed})returnparsedexcept(json.JSONDecodeError,ValueError)ase:error_detail=str(e)print(f"[重试{attempt}/{self.max_retries}] 解析失败:{error_detail}")ifattempt<self.max_retries:# 更新提示词，并引导用户重新输入prompt=self._build_retry_prompt(prompt,error_detail,attempt)user_guide=self._guide_user_retry(attempt)print(f"[引导用户]{user_guide}")else:# 所有重试耗尽：回滚状态 + 降级处理self._rollback_state()fallback_result=self._handle_fallback(user_input)self.state["history"].append({"role":"assistant","parsed":fallback_result,"fallback":True})returnfallback_resultdef_build_base_prompt(self,user_input:str)->str:"""构建基础提示词（示例）"""return(f"对话历史：{json.dumps(self.state['history'],ensure_ascii=False)}\n"f"用户输入：{user_input}\n""请分析用户意图并输出 JSON。")# 使用示例defcall_llm(prompt:str)->str:"""模拟 LLM 调用（可能返回非法 JSON）"""importrandom# 模拟：前两次返回非法 JSON，第三次成功ifrandom.random()<0.6:return"好的，我来回答你的问题。"# 非 JSON 输出return'{"intent": "ask_question", "params": {"question": "示例"}, "next_step": "respond"}'# 运行演示workflow=RetryableWorkflow(max_retries=3)result=workflow.process_message("Python 怎么学？")print(f"最终解析结果:{result}")

这个示例的核心改进点：

• 动态重试提示词：根据重试次数逐步增强约束（温和提醒 → 格式要求 → few-shot 示例）
• 状态回滚：_rollback_state()在重试耗尽后恢复到上一个有效对话状态，避免污染后续对话
• 用户引导：_guide_user_retry()在每次重试时给出不同的引导文案，提升用户体验
• 优雅降级：_handle_fallback()使用规则匹配作为兜底方案，确保系统不崩溃
• 字段校验：不仅检查 JSON 合法性，还校验必要字段是否存在

6. 总结与展望

从单轮到多轮对话，提示词工程的核心演进路径是：

1. 从静态到动态：提示词不再是固定文本，而是根据状态实时组装。
2. 从无状态到有状态：引入对话状态对象，让 AI 拥有“短期记忆”。
3. 从线性到分支：通过意图识别和条件跳转，实现复杂业务流程。

未来，随着 Agent 框架和工具调用能力的成熟，提示词工作流将进一步与外部 API、数据库、代码执行引擎深度融合，构建出真正自主决策的 AI 系统。

希望本文能帮助你理解提示词在构建 AI 工作流中的关键作用，并动手实践自己的多轮对话应用。