系统消息框架：用 LLM 自动生成高质量 System Prompt

前面五篇文章都在讲 Agent 怎么用工具、怎么检索、怎么设计循环。但有一个更基础的问题一直被跳过了：system prompt 怎么写？

手工写一个好的 system prompt 需要反复调试。写短了 Agent 行为不稳定，写长了 token 成本高。更麻烦的是，如果你需要创建 10 个不同角色的 Agent，每个都要手写一份 system prompt——格式不一致、风格不统一、质量参差不齐。

系统消息框架（System Message Framework）解决的就是这个问题。

📦 相关链接

项目仓库：Building Agent from Scratch
本课代码：06-building-trustworthy-agents/code_samples/
原生 SDK 版：06-python-agent-framework.py
qwen-agent 框架版：06-qwen-agent-framework.py

🎯 问题：手工写 System Prompt 的三个痛点

假设你要为一家旅行社构建以下 Agent：

航班预订 Agent（查航班、比价格、订票）
酒店 Agent（查房源、比位置、预订）
客服 Agent（处理退改签、投诉）
行程规划 Agent（根据偏好推荐路线）

每个 Agent 都需要一份详细、结构化的 system prompt。手工写的结果是：

第一个写得很认真，后三个越来越敷衍
格式不统一（这个用 markdown，那个用 plain text）
缺少边界条件说明（哪些能做、哪些不能做）
每次修改需要人工逐份更新

🔬 解法：用一个 Meta-Prompt 生成所有 System Prompt

flowchart LR
    A["Meta-Prompt<br/>（系统提示词生成专家）"] --> B["输入：角色 + 公司 + 职责"]
    B --> C["LLM 生成详细 System Prompt"]
    C --> D1["航班 Agent"]
    C --> D2["酒店 Agent"]
    C --> D3["客服 Agent"]
    C --> D4["行程 Agent"]

三步流程：

步骤 1：定义 Meta-Prompt

META_SYSTEM_PROMPT = """你是创建 AI 代理助手的专家。
你将会得到一个公司名称、职位、职责以及其他信息，这些信息将用于生成系统提示。
为了创建系统提示，请尽可能详细描述，并提供一个结构化的格式，让使用大语言模型的系统能够更好地理解 AI 助手的角色和职责。"""

这个 prompt 的角色不是"帮用户完成任务"，而是**"生成另一个 Agent 的 system prompt"**。这是元层次（meta-level）的思考——用 LLM 来设计 LLM 的行为规范。

步骤 2：输入角色描述

user_message = (
    "你是Contoso旅行社的旅游代理 "
    "负责预订航班的那个人。"
)

不是写完整的 system prompt，而是写一句简洁的角色描述。告诉生成专家"我要的是什么样的 Agent"。

步骤 3：LLM 自动生成完整 System Prompt

response = client.chat.completions.create(
    model=MODEL,
    messages=[
        {"role": "system", "content": META_SYSTEM_PROMPT},
        {"role": "user", "content": user_message},
    ],
    temperature=1.0,
    max_tokens=1000,
)
generated_prompt = response.choices[0].message.content

LLM 输出一份详尽、结构化的 system prompt，包括：

角色目标（Objective）
核心职责（Key Responsibilities，按序号展开）
操作指南（Operating Guidelines）
工具和系统说明（Tools and Systems）
语气和风格要求（Tone and Style）

🧪 验证：用生成的 System Prompt 测试 Agent

生成的 system prompt 不是终点——你需要验证它是否有效：

def test_generated_prompt(system_prompt: str, test_query: str) -> str:
    """用生成的系统提示词测试 Agent 行为。"""
    response = client.chat.completions.create(
        model=MODEL,
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": test_query},
        ],
    )
    return response.choices[0].message.content

测试用例设计原则：

测试类型	示例 query	验证点
正常路径	"帮我订北京到东京下周一的航班"	Agent 按角色要求回答
边界条件	"帮我订去火星的航班"	Agent 合理拒绝而非胡编
角色越界	"帮我写一篇作文"	Agent 说明自己的职责范围

📊 同一框架 × 两种角色 = 完全不同的输出

本课代码中实现了三个示例，展示同一个 meta-prompt 如何为不同角色生成差异化的 system prompt：

角色	公司	职责	生成结果特点
Travel Agent	Contoso Travel	booking flights	航班查询、价格比较、预订流程、行李政策
Tech Support	CloudServe Inc.	troubleshooting cloud infra	故障诊断、系统日志、权限管理、升级流程

同一个 meta-prompt，输入不同的角色描述，输出完全适配该角色的 system prompt。这就是"框架"的价值——模板复用，实例分化。

🔑 框架对比速查

概念	原生 SDK	qwen-agent
Meta-Prompt 生成	`client.chat.completions.create()` 两步调用	`Assistant(system_message=..., function_list=[])` + `run_once()`
本课特殊性	无工具调用，纯文本交互	同左，`function_list=[]`
Agent 测试	直接 `chat.completions.create()`	再创建一个 `Assistant` 实例
相比其他课	代码最短（~120行），无 tool calling 循环	同左

本课是全部 18 课中代码量最小的一课，但概念密度不小。它回答的是一个元问题："谁来决定 Agent 的行为边界？"

💡 和构建可信赖 Agent 的关系

系统消息框架本质上是一个安全基础设施。原因如下：

1. 一致性 = 可审计性

用同一个 meta-prompt 生成的 10 个 Agent 的 system prompt，在风格、结构、边界定义上保持一致。审计时可以快速定位"这个 Agent 被允许做什么、不允许做什么"。

2. 边界清晰 = 风险可控

手工写的 system prompt 容易遗漏边界条件。Meta-prompt 的模板中包含了"操作指南""限制条件"等结构化章节，迫使生成器明确列出每个 Agent 的能力边界。边界写清楚了，越权行为就更容易被检测。

3. 可迭代 = 可持续改进

当发现安全漏洞时（如某个 Agent 在特定 prompt 下会越权），可以调整 meta-prompt 模板，然后重新生成所有 Agent 的 system prompt——而不是逐个人工修改。

🚀 运行

cd 06-building-trustworthy-agents/code_samples
 
# 原生版（三步：生成 → 验证 → 新角色演示）
python 06-python-agent-framework.py
 
# 框架版
python 06-qwen-agent-framework.py

🔮 下一篇

下一篇进入 规划设计模式——当任务复杂到单 Agent 无法直接完成时，如何用 Planning Agent 做任务分解，再用 Concierge Agent 按依赖顺序执行？Pydantic 结构化输出在多 Agent 协作中扮演什么角色？

✍️ 结语

系统消息框架的精髓不在于"用 LLM 生成 system prompt"这个操作本身——这只是两层 API 调用的叠加。它的价值在于把 system prompt 从"手工艺品"变成了"可规模化生产的设计文档"。

当你的项目有 10 个 Agent 时，meta-prompt 是你保持 sanity 的唯一方式。当安全审计来的时候，结构化、一致性的 system prompt 是你最好的辩护。

目录