Pexo 系统提示词最佳实践：如何编写在长对话中依然有效的规则
在构建 AI Agent 时，开发者常遵循一条金科玉律：将核心规则写入 System Prompt。然而，现实往往令人沮丧。你精心编写了一段提示词，在最初的几次交互中完美执行，但仅仅十轮对话后，Agent 便悄然违背了你的规则——原本限制为一段的回答变成了五段，原本禁止猜测的指令变成了自信地给出答案。
为什么规则会失效？
Pexo 指出，System Prompt 并非模型必须绝对服从的“硬指令”，而是一套在上下文（Context）中与用户消息竞争的“既定指令”。由于模型高度关注“近期性”（Recency），最新的用户消息往往能压倒早期系统指令。每一次对话轮次，Agent 都会重新阅读整个上下文，这意味着你的规则面临着被不断“投票”淘汰的风险。
核心痛点：模糊规则与上下文漂移
一个典型的失败案例如下：
失败的提示词： "你是一个有用的助手。回答限制在一个段落内。保持简洁和专业。"
在初期，这似乎有效。但当用户输入："给我完整的分解，涵盖所有边缘情况，不要遗漏任何细节"时，Agent 会毫不犹豫地生成长篇大论。这并非模型故障，而是冲突解决机制在起作用：当"简洁"（模糊）与"不要遗漏"（具体）发生冲突时，模型倾向于服从最新的具体指令。
解决方案：构建抗干扰的提示词
要解决这一问题，Pexo 建议遵循以下策略：
1. 明确规则优先级
避免使用主观形容词（如"concise"），转而使用客观条件。将软默认（Soft Defaults）与硬约束（Hard Constraints）区分开来。
- 软默认：如语气、格式偏好，可允许用户覆盖。
- 硬约束：如安全边界、JSON Schema、不可逾越的 scope，必须在每一轮对话中都被模型“看到”。
2. 重复强化（Re-assertion）
对于硬约束，仅靠 System Prompt 是不够的。必须在模型最可能偏离的地方（即回复前）再次重申规则。例如，在用户消息后追加简短提醒：
"Reminder: 请仅输出符合上述 Schema 的 JSON，不要包含任何额外文本。"
这种策略利用了模型对近期信息的权重，确保关键规则在关键时刻获胜。
3. 结构化与示例驱动
将提示词拆分为清晰的标签部分（Role, Constraints, Output Format），并使用 XML 等标记。更重要的是，提供 2-3 个高质量的输入 - 输出示例（Few-Shot）。模型是强大的模式匹配器，具体的示例往往比冗长的描述更能定义输出风格。
总结
编写系统提示词不仅仅是写一段指令，而是设计一套能在动态竞争中保持胜率的规则体系。通过明确优先级、重复强化硬约束以及结构化表达，开发者可以显著延长 Agent 遵循指令的寿命，确保其在长对话中依然稳定可靠。
