为什么大多数 Prompting 方法会失效
根据 Anthropic 的 Context Engineering 研究，在 2025 年，真正重要的不是“prompt engineering”，而是“context engineering”。问题不再是“如何打造完美的 prompt”，而是“哪种 context 组合能引发期望的行为”。
我会带你走一遍当前研究（Anthropic、OpenAI、Google、Wharton）对 AI agent prompting 的结论——以及如何在 n8n 工作流中具体落地。
你将学到：
- System Message vs User Prompt（以及为什么错误的分离会让 token 成本翻倍）
- 2025 年真正有效的五大核心技巧（有研究背书）
- 高级模式（Chain-of-Thought、RAG、Structured Outputs、Tool Use）
- 为什么应该与模型一起生成 prompt，而不是手工堆砌
- 模型相关注意事项（只讲实际相关的）
- 生产级模式（测试、错误处理、token 优化）
复制模板的陷阱
我经常见到：有人在 Reddit 上找到一个“完美”的 prompt 模板，复制到 AI Agent Node 里，然后期待它“魔法生效”。
剧透：不会。
复制模板失败的原因：
- Context mismatch：模板是为完全不同的用例、数据、工具写的
- Model differences：模板对 Claude 3 有效，而你用的是 GPT-4o-mini
- Over-complexity：模板有 500 行，因为作者想覆盖所有边界情况
- Under-specification：模板过于通用，对任何事都不够好
Anthropic 的 Prompt Engineering 指南强调“找到合适的高度”（right altitude）——对指导足够具体，但又为推理留有空间。模板对你的特定场景来说，几乎总是在错误的高度。
第二个问题：Prompt 过于复杂
“越多越好”的思路会带来巨大问题：
- Ignored instructions：当 context 超过 800+ 行，模型会开始忽略指令——Context Engineering 研究显示 LLM 有“有限注意力预算”
- Increased latency：更多 tokens = 更慢响应
- Higher costs：每个额外 token 都要花钱
- Maintenance nightmare：800 行 prompt 几乎无法调试或优化
解决方案：与模型一起生成 prompt
真正的游戏规则改变者是：让模型为你写 prompt。
不要花数小时打磨 prompt，而是给模型：
- 你的目标（agent 要做什么）
- 示例（输入/输出对）
- 约束（不该做什么）
模型会生成为你场景优化的 prompt。你测试、与模型迭代、再细化。
为什么有效：模型最了解自己的“偏好”。它知道哪种表述、结构、示例最有效。
稍后我会展示具体做法。
基础：n8n 中的 System Message 与 User Prompt
n8n 的 AI Agent prompting 中最基础也最常见的错误：混淆 System Message 和 User Prompt。
在 AI Agent Node 中，有两个不同的 prompt 区域：
System Message（Options → System Message）：
- 定义 agent 的持久“DNA”
- 每次请求都会发送
- 几乎不变/不应该频繁更改
- 包含：role、tools、workflow、constraints
User Prompt（主输入）：
- 只针对“本次请求”的具体任务
- 来自 Chat Trigger、Webhooks 或前置节点
- 每次请求都变化
- 只应包含本次的具体任务
图片
为什么重要：Token 经济学与 Prompt Caching
两者都会随每次 API 调用发送。但正确分离对成本和性能都至关重要：
错误做法（把一切都塞进 User Prompt）：
复制若每天 1,000 次请求、每次 400 tokens： = 400,000 个冗余 tokens = 以 Claude Sonnet（$3/M）计：$1.20/天 = 每月 $36 的纯冗余 context
正确做法：
System Message（只定义一次）：
复制User Prompt 仅为：{{$json.message}}
= 每次 50 tokens 而非 400 = 节省：每天 350K tokens = 每月约 $31.50（以 Claude Sonnet 计）
Prompt Caching：为什么 System Message 应尽量保持静态
Anthropic 和 OpenAI 提供 Prompt Caching——System Message 会被缓存，不必每次都重新处理。可将延迟降低 50–80%，对已缓存的 tokens 成本最高可降至 10%。
但：一旦你更改 System Message，缓存就会失效。因此：
- 设计 System Message 为静态：基础角色、工具、工作流逻辑
- 用 User Prompt 承载可变信息：动态数据、具体任务
- 仅在出现重大变更时更新 System Message：新增工具、工作流逻辑改变
缓存影响示例：
无缓存： 请求 1：500 tokens 的 System Message = $0.0015 请求 2：500 tokens 的 System Message = $0.0015 请求 1000：500 tokens 的 System Message = $0.0015 总计：1,000 次请求 $1.50
有缓存（System Message 保持稳定）： 请求 1：500 tokens 的 System Message = $0.0015（写入缓存） 请求 2：500 tokens 缓存命中 = $0.00015（便宜 90%） 请求 1000：500 tokens 缓存命中 = $0.00015 总计：~$0.15/1000 次请求 = 90% 节省
Dynamic System Messages：强大但要谨慎
你可以用 n8n Expressions 让 System Message 动态化——但要注意缓存：
复制适用场景：多租户系统——一个工作流，多个客户配置。
工作流：Webhook（Customer ID） → DB Lookup → AI Agent（动态 System Message） → Response
缓存权衡：动态 System Message 会破坏缓存——仅在必要时使用。
五大核心技巧：2024–2025 年研究给出的答案
来自 Anthropic、OpenAI、Google 在 2024–2025 的研究显示：有一些对所有模型都有效的基本技巧。以下五条最重要：
图片
技巧 1：清晰与具体（“Altitude” 原则）
Anthropic 的 Prompt Engineering 指南称之为“找到合适的高度”（right altitude）——既足够具体以提供指导，又为推理保留灵活性。
“同事测试”：如果一个聪明的同事看不懂这条指令，AI 也不会懂。
反例：
复制“intelligently” 是什么？有哪些类别？输出格式是怎样？
正例：
复制为何有效：
- 消除歧义（明确只有四类）
- 提供决策标准（非主观）
- 明确输出格式（无需猜测）
- 可度量（有 confidence 分数）
技巧 2：正向指令（质量提升 57%）
Bsharat 等（2024）研究显示，正向指令明显优于负向指令。将“不要做 X”改为“请做 Y”，平均带来 57% 的质量提升。
负向指令为何失效：
- 模型先要理解你“不想要”的
- 再推断你“想要”的
- 这个两步推理经常失败
负向反例：
复制正向改写：
复制实际影响：
在生产环境的邮件分类 agent 中，负向指令（“不要误判紧急请求”）造成 31% 的漏判。正向改写（“凡含时间限制的请求一律标记为 urgent”）将漏判降至 8%。
技巧 3：Few-Shot Learning（示范胜于告知）
Few-shot 示例非常有效——但大多数人用错了。
研究共识：
- 大多数任务 2–5 个示例最优（更多帮助不大）
- 示例要“多样化”（avoid 相似堆砌）
- 应包含 edge cases
- Label bias 重要：Zhao 等（2021）显示示例顺序会影响结果
糟糕的 few-shot（过于相似）：
复制全是同一种问题。模型学不到边界处理。
良好的 few-shot（多样且含 edge cases）：
复制复制复制复制为何有效：
- 覆盖不同场景（标准、紧急、混合、不清楚）
- 示范如何处理边界（低置信度 → 追问澄清）
- 展示一致的输出格式
- 让模型学习决策模式，而非仅做类别匹配
技巧 4：Constraints & Grounding（对抗幻觉）
AI agents 的大问题之一：hallucination（幻觉）。找不到答案时它们会编造。
解决方案：显式约束，将 agent “落地”。
糟糕做法（无约束）：
复制后果：找不到信息时 agent 会胡编。
良好做法（显式约束）：
复制为何有效：
- 清晰边界（ONLY 文档中的信息）
- 明确兜底行为（不确定时怎么做）
- 升级标准（何时转人类）
- 不留“自由发挥”的空间
生产影响：
在每月处理 2000+ 询问的客服 agent 中，加入约束将幻觉率从 23% 降至 3%。升级的人工工单质量显著提升，因为工单会包含具体的文档缺口信息。
技巧 5：Context Engineering（最小高信号 token 集）
Anthropic 的研究很明确：不是“更多 context”，而是“正确的 context”。
原则：Smallest High-Signal Token Set
- 你的 context 中每一个 token 都应提供价值
- 冗余信息会稀释关键信号
- 更多 context ≠ 更好表现（往往适得其反）
糟糕的 context（冗长、重复）：
复制350 个 token 的空话，几乎没有可执行指导。
良好的 context（密度高、具体）：
复制110 个 token，信号密度很高。每行都有可执行信息。
Token 审计：
对 prompt 中每个句子问一句：“删掉它，agent 会变差吗？”如果不会，就删。
高级模式：何时用（何时别用）
核心技巧适用于所有场景。下面这些高级模式非常强，但要“对症下药”。
模式 1：Chain-of-Thought（CoT）——用于复杂多步推理
沃顿商学院 2025 年 6 月的研究给出了迄今最全面的分析：CoT 对复杂推理有帮助，但对简单任务效果参差。
何时使用 CoT：
- 需要多步逻辑推理
- 数学计算
- 有依赖关系的复杂决策树
- 中间步骤重要的任务
不该用 CoT 的场景：
- 简单分类（增加负担无益）
- 模式匹配型任务
- 对速度极其敏感（CoT 会增加延迟）
图片
在 n8n 中的实现：
复制性能影响：
- 准确度提升：复杂推理任务提升 2–5%
- 延迟增加：20–40%（模型输出更多 tokens）
- 成本增加：与输出 token 增长成正比
结论：只有当准确度提升能抵消成本和延迟的权衡时，才使用 CoT。
模式 2：RAG（Retrieval-Augmented Generation）——用于外部知识
当你的 agent 需要：
- 动态/频繁更新的内容（产品目录、文档）
- 体量巨大、放不进 context 的知识库
- 客户特定数据（订单记录、账户详情）
- 训练语料之外的专有信息
RAG 就是必需的。
n8n 中的 RAG 基本流程：
复制关键 RAG 要点（基于 kapa.ai 的分析）：
- Chunk size：每块 500–800 tokens（大多任务的最佳区间）
- Overlap：块间重叠 50–100 tokens（避免边界信息丢失）
- Number of chunks：返回 3–5 个最相关块
- Reranking：向量召回后做语义重排以提升相关性
- Metadata：包含来源、时间戳、置信度
RAG Prompt 示例：
复制模式 3：Document Repacking——顺序比你想的更重要
Wang 等（2024）研究发现：context 的“顺序”影响显著。
发现要点：
- Primacy bias：模型更注意开头的信息
- Recency bias：也更注意结尾的信息
- Middle neglect：中间的信息更容易被忽略
- 性能影响：通过最优排序可提升 5–10% 准确度
最优排序策略：
- 最相关/最重要的信息放最前
- 次要的支持信息放中间
- 约束与提醒放最后（利用近因效应）
示例（RAG context）：
复制模式 4：Structured Outputs——为数据抽取提供 100% 可靠性
OpenAI 的 Structured Outputs（GPT-4o）及其他模型的类似能力，解决了一个大问题：获得一致、可解析的输出。
传统 prompting 的问题：
复制模型可能会输出：
- 合法 JSON
- 带多余字段的 JSON
- 缺字段的 JSON
- 格式错误的 JSON
- 先文字解释再给 JSON
你得为这些情况全部做兜底。
Structured Outputs 的方案：
定义 JSON schema，配合 Structured Output Parser 节点拦截异常即可。
示例 schema：
复制好处：
- 不再有解析错误
- 保证 schema 合规
- 下游处理更简单
- Enum 约束（只允许有效值）
何时使用：
- 非结构化文本的数据抽取
- 固定类别的分类
- 需要特定格式的 API 集成
- 任何对输出格式一致性要求高的任务
元技能：与模型一起生成 prompt
我构建 AI agents 的方式就此改变：别再手写 prompt，让模型来生成。
流程：
- 定义需求（agent 要做什么）
- 提供示例（能代表期望行为的输入/输出对）
- 指定约束（绝不该做什么）
- 让模型生成“优化后的”prompt
- 测试并迭代（基于实际表现微调）
Meta-prompt 示例：
复制模型会生成一个：
- 结构与措辞最优
- 融合有效技巧
- 在具体与灵活间取得平衡
- 针对你用例的 prompt
为何有效：
- 模型了解自己的“偏好”
- 它会采用最优结构和表述
- 你能省下大量试错时间
模型相关注意事项：哪些真的重要
大多数“模型特定技巧”并不靠谱。但有些差异确实重要：
Claude（Anthropic）：
- 优势：复杂推理、长 context（200K tokens）
- 劣势：有时过度谨慎，会拒绝无害请求
- 最佳实践：明确写清 constraints，再让其自由推理
- Prompt caching：对 >1024 tokens 的 System Messages 启用
GPT-4o（OpenAI）：
- 优势：Structured Outputs（100% schema 合规）、速度快
- 劣势：context 较短（128K），较少“深思熟虑”
- 最佳实践：数据抽取使用 Structured Outputs，配合精确指令
- Prompt caching：对 System Messages 自动启用
GPT-4o-mini：
- 优势：便宜（$0.15/M vs $3/M），适合简单任务
- 劣势：复杂指令鲁棒性较弱
- 最佳实践：使用具体、结构化的 prompts，配 few-shot 示例
Gemini（Google）：
- 优势：多模态（图像、视频）、超长 context（2M tokens）
- 劣势：tool-use 支持较弱，有时不稳定
- 最佳实践：用于多模态场景，避免复杂工具编排
选型经验法则：
- 复杂推理 + 长文档 → Claude Sonnet
- 数据抽取 + Structured Outputs → GPT-4o
- 简单分类 + 预算敏感 → GPT-4o-mini
- 多模态（图/视频）→ Gemini
生产级模式：测试、错误处理、优化
好 prompt 远远不够——你需要生产级工作流。
- 测试策略
用真实的 edge cases 测，别只测“快乐路径”：
复制- 错误处理
AI agents 可能失败——要有兜底：
复制带 confidence 的 System Message 约定：
复制- Token 优化
高并发下，每个 token 都很宝贵：
- 移除冗余：例如 “Please”、“Thanks”、“I think”
- 合理缩写：“Maximum”→“Max”，“Information”→“Info”
- 使用符号：“→” 代替 “then”，“✓” 代替 “correct”
- 用 JSON 替代散文：结构化数据优于长句
- 监控与日志
跟踪关键指标：
- Latency：agent 响应耗时
- Token usage：每次请求的输入 + 输出 tokens
- Error rate：失败频率
- Confidence distribution：置信度分布
在 n8n 中：用 Webhook → Google Sheets 进行轻量记录：
复制上线检查清单
上线前：
Prompt 质量：
- System Message 与 User Prompt 是否正确分离？
- System Message 是否稳定以利用 prompt caching？
- 是否使用正向指令（而非“避免 X”）？
- 是否有含 edge cases 的 few-shot 示例？
- 约束是否清晰？
- 输出格式是否明确？
测试：
- 是否用 10+ 个真实测试用例？
- 边界情况（短输入、错别字、混合意图）是否覆盖？
- 错误处理是否有效？
- 不确定时是否有 fallback 策略？
性能：
- Token 是否优化（无冗余）？
- 是否启用 prompt caching？
- 延迟是否可接受（< 3s）？
- 单次请求成本是否核算？
监控：
- 是否记录 token 使用？
- 是否实现错误跟踪？
- 是否启用置信度评分？
- 是否有关键指标仪表板？
迭代：
- 是否有 A/B 测试策略来改进 prompt？
- 是否建立基于真实用户数据的反馈回路？
- 是否规划定期复盘？
总结：2025 年真正有效的是什么
五大通用核心技巧：
- Clarity & Specificity：合适的“高度”——具体且保留推理空间
- Positive Instructions：质量提升 57%（Bsharat 等，2024）
- Few-Shot Learning：多样示例 + 边界情况
- Constraints & Grounding：以清晰边界对抗幻觉
- Context Engineering：最小高信号 token 集
情境性高级模式：
- Chain-of-Thought：仅用于复杂多步推理（提升 2–5%）
- RAG：应对外部/更新知识（chunk 500–800 tokens）
- Document Repacking：通过排序提升 5–10% 准确度
- Structured Outputs：数据抽取 100% 可靠（GPT-4o）
元结论：
- 复制模板会失败——与模型一起生成 prompts
- 保持 System Message 稳定以发挥 prompt caching（可省 90% 成本）
- Token 经济学比“完美措辞”更重要
- 用 edge cases 做测试比“再加几个 few-shot”更关键
图片
你的下一步：挑一个现有的 n8n AI Agent 工作流，套用以上五大核心技巧。对比前后 token 使用。通常你会看到成本大幅下降，同时输出质量不降反升。
这就是“勉强可用”的 prompting 与“可规模化、可上生产”的 prompting 的区别。
