写好agentspace提示词需明确“做什么、依据什么、怎么判断对错”，采用“角色+任务+约束”三段式结构，嵌入自检触发条件，并用最小反例测试鲁棒性，将调试过程提示词化而非代码化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
写好 AgentSpace 的提示词，关键在于让智能体明确“要做什么、依据什么、怎么判断对错”，而不是只给模糊目标。调试逻辑错误时，提示词本身就要具备可验证性、分步性和上下文感知能力。
用“角色+任务+约束”三段式结构写提示词
很多逻辑错误源于智能体角色不清或任务边界模糊。比如不要写“帮我分析数据”，而要写：
- 角色：你是一个金融风控助手，专注识别交易流水中的异常模式
- 任务：逐行检查输入的 CSV 数据，对每笔交易输出“正常”“高频小额”“跨时区突增”三类标签之一
- 约束：不推测未出现的字段；若某行缺失金额列，直接标记“字段缺失”并跳过后续判断
在提示词里嵌入“自检触发条件”
让智能体自己发现逻辑断点，比人工逐条查更高效。例如在任务描述后加一句：
“每次输出前，请默读：我是否用了最新一行的数据？上一行的判断是否影响了当前行？标签是否严格落在三个预设值内？”AgentSpace 支持在 system prompt 中加入这类元指令，能显著减少状态泄漏和标签越界问题。
用“最小反例”测试提示词鲁棒性
写完提示词后，别急着跑全量数据，先手动构造 3 类典型反例输入：
- 空行或全 null 字段（测容错）
- 金额为负但时间戳是未来日期（测规则优先级）
- 连续 5 行相同 IP 但金额递增（测模式识别是否被数值干扰）
观察智能体输出是否稳定符合预期。如果某类反例总出错，问题大概率在提示词中缺少对应约束，而非模型能力不足。
把调试过程“提示词化”而非“代码化”
遇到逻辑错误，不要立刻改代码或调参数，先问：这个错误能不能用一句话补在提示词里预防？例如发现智能体总把“退款”误判为“异常”，就追加约束：
“注意：transaction_type 字段值为 'refund' 时，无论金额或频率如何，一律视为正常。”这种修复方式可复用、易追溯，也避免因修改底层逻辑引发新问题。
