写Agent的Prompt总感觉在碰运气，有没有系统的方法论？

不建议硬套框架，先把任务拆成可验证的小步骤，每步设个退出条件试试。

我也经历过这个阶段，感觉就是在跟模型玩心理战。后来慢慢意识到，Prompt不稳定很多时候不是措辞问题，而是任务本身没被拆干净。比如你说的“总结再行动”，如果总结和行动是两个独立步骤，那就别指望一句指令让模型自觉分两步走，直接拆成两次调用更靠谱。我现在写Agent基本会先画一个状态流转图，明确每个节点输入输出是什么，Prompt只是这个节点里的一个执行细节。另外few-shot确实有用，但例子得覆盖边界情况，光给正例模型学不到什么时候该停。还有个体会是不同模型对指令结构的敏感度差别很大，同一个Prompt在Claude和GPT上表现可能完全相反，所以别追求一套通吃，针对主力模型调就行。至于方法论，Anthropic和OpenAI的文档里其实有一些框架，比如ReAct和Plan-and-Execute，但落地时还是得结合自己场景裁剪，没有银弹。

我也踩过这坑，感觉问题不在prompt本身，而是把「总结再行动」这种流程控制全押在自然语言上，模型当然会飘。后来我把Agent拆成几个独立节点，每个节点只管一件事，中间用代码做状态校验，比如没拿到总结字段就直接重试，prompt反而简单多了。另外few-shot别乱堆，最好挑那种「模型最容易偷懒跳过」的case来放，比塞一堆正常例子管用。