错误1：Prompt过长，模型注意力分散
表现：1000+行超长Prompt，模型经常"忘记"关键指令
原因：模型注意力机制的限制，过长的Prompt导致关键信息被淹没
解决方案:
1 采用Multi-Agent架构，每个Agent只负责一个子任务
2 分层加载上下文，只加载当前步骤相关的信息
3 单个Agent的Prompt控制在500行以内
实战案例：将超长Prompt拆分为多个聚焦的小Prompt，每个控制在300-500行以内
错误2：状态管理混乱，多轮对话不连贯
表现：Agent"忘记"用户之前的诉求，重复提问，用户体验差
原因：依赖LLM从历史对话中推断状态，但LLM不擅长状态管理
解决方案:
状态显式传递：在Prompt开头明确告知当前状态
职责分离：LLM负责内容生成，代码负责状态管理
实战案例：在每个Agent的Prompt开头添加"## 当前状态"部分
错误3：边界case处理不当，误判率高
表现：相似意图经常混淆，如"为什么限制我的支付？"被误判为其他意图
原因：边界规则描述不清晰，缺少边界case的示例
解决方案:
1 用表格清晰展示边界规则
2 提供大量边界case的Few-shot示例
3 明确判断逻辑
错误4：输出格式不稳定，程序解析失败
表现：LLM有时输出JSON，有时输出自然语言，导致程序解析报错
原因：格式约束不够强，示例不够多
解决方案:
在Prompt中明确要求"严格遵循XML/JSON格式"
提供至少5个完整的输出格式示例
明确标注必填和可选字段
在输出要求中强调"不要输出分析过程，直接输出结果"
实战案例：在每个Agent的Prompt中添加"## 输出格式"部分，提供6-7个示例
6大核心原则：
单一职责：一个Agent只做一件事，做好一件事。
职责分离：LLM擅长创造性生成，不擅长确定性决策。
显式优于隐式：状态、规则、示例都显示，明确告知优于期待模型推断。
结构化优于自然语言：使用表格、列表、代码块展示规则、要求、示例。
示例优于说明：边界case、输出格式都要有示例而非说明。
测试驱动优化：建立测试用例集、准确率baseline，根据错误case分析优化。
各位彦祖亦菲，你学会了吗？
延展阅读：Prompt设计六要素
