构建高效工具调用Prompt的极简范例

构造一个能有效引导模型判断是否调用工具的Prompt，关键在于清晰定义工具、明确决策规则、严格约束输出格式。下面通过一个最简单的天气查询例子，分步拆解。

一、核心Prompt结构示例

假设我们只有一个工具：get_weather（获取天气）。以下是最简化的Prompt：

# 定义工具信息（通常从工具注册表中动态获取）
available_tools = [
    {
        "name": "get_weather",
        "description": "获取指定城市的当前天气情况。输入必须是城市名称。",
        "parameters": {
            "location": {
                "type": "string",
                "description": "城市名称，例如：北京、上海、纽约"
            }
        }
    }
]

def build_simple_prompt(user_query: str, tools: list) -> str:
    """
    构建最简单的工具调用决策Prompt
    """
    # 1. 角色与能力定义 system_role = "你是一个AI助手，可以根据问题决定是否调用工具。"
 # 2. 工具描述（关键部分）
    tools_text = "你可以使用的工具如下：
"
    for tool in tools:
        tools_text += f"- {tool['name']}: {tool['description']}
"
        if "parameters" in tool:
            params = tool["parameters"]
            tools_text += f"  参数: {list(params.keys())}
"
 # 3. 决策规则（核心引导）
    decision_rules = """
决策规则：
1. 当用户询问某个地点的当前天气、温度、气候状况时，必须调用get_weather工具。
2. 其他所有问题（如问候、闲聊、知识问答），都直接回答，不要调用工具。
"""
 # 4. 输出格式约束（强制结构化）
    output_format = """
你必须严格按照以下JSON格式回复：
如果需要调用工具：
  {"action": "call_tool", "tool": "工具名", "parameters": {"参数名": "参数值"}}
如果直接回答：
  {"action": "direct_answer", "content": "你的回答内容"}
"""
    
    # 5. 组合完整Prompt
    full_prompt = f"""{system_role}

{tools_text}

{decision_rules}

{output_format}

用户问题：{user_query}
"""
    return full_prompt

# 测试不同查询
test_queries = [
    "北京今天天气怎么样？",      # 应触发工具调用
    "你好，请介绍一下你自己",    # 应直接回答
    "上海现在多少度？",          # 应触发工具调用 "机器学习是什么？"           # 应直接回答
]

for query in test_queries:
    prompt = build_simple_prompt(query, available_tools)
    print(f"问题: {query}")
    print("生成的Prompt前200字符:", prompt[:200] + "...")
    print("-" * 50)

二、Prompt各部分的详细作用

三、实际调用与解析流程

import json
import openai

def call_model_with_prompt(prompt: str) -> str:
    """调用大模型获取响应（简化示例）"""
    # 实际应使用API调用，这里模拟返回
    test_responses = {
        "北京今天天气怎么样？": '{"action": "call_tool", "tool": "get_weather", "parameters": {"location": "北京"}}',
        "你好，请介绍一下你自己": '{"action": "direct_answer", "content": "我是AI助手，可以帮你查询天气信息。"}',
        "上海现在多少度？": '{"action": "call_tool", "tool": "get_weather", "parameters": {"location": "上海"}}',
        "机器学习是什么？": '{"action": "direct_answer", "content": "机器学习是人工智能的一个分支，让计算机从数据中学习规律。"}'
    }
    
    # 模拟根据问题返回对应响应
    for q, resp in test_responses.items():
        if q in prompt:  # 简化匹配逻辑
            return resp
    return '{"action": "direct_answer", "content": "我不确定如何回答这个问题。"}'

def process_user_query(user_query: str):
    """完整的查询处理流程"""
    # 1. 构建Prompt
    prompt = build_simple_prompt(user_query, available_tools)
    print(f"[Prompt内容]\
{prompt}\
")
 # 2. 调用模型
    model_response = call_model_with_prompt(prompt)
    print(f"[模型原始响应]\
{model_response}\
")
 # 3. 解析响应 try:
        response_data = json.loads(model_response)
        
        if response_data["action"] == "call_tool":
            tool_name = response_data["tool"]
            parameters = response_data["parameters"]
 print(f"✅ 模型决定调用工具: {tool_name}")
            print(f"   参数: {parameters}")
 # 4. 执行工具（模拟）
            if tool_name == "get_weather":
                weather = f"{parameters['location']}的天气：晴，25℃"  # 模拟工具执行 print(f"   工具执行结果: {weather}")
                return weather        elif response_data["action"] == "direct_answer":
            print(f"✅ 模型决定直接回答")
            print(f"   回答内容: {response_data['content']}")
            return response_data["content"]
            
    except json.JSONDecodeError:
        print("❌ 模型响应不是有效的JSON格式")
        return "解析响应时出错"
 return None

# 运行测试
print("=" * 60)
print("测试1: 天气查询")
result1 = process_user_query("北京今天天气怎么样？")
print("=" * 60)

print("\
测试2: 一般问答")
result2 = process_user_query("机器学习是什么？")
print("=" * 60)

四、Prompt设计的关键要点

1. 工具描述要具体：

   # 不好的描述 ❌
   "获取天气"
   

        好的描述 ✅

"获取指定城市的当前天气情况，包括温度、湿度和天气状况。输入必须是城市名称。"

2. **决策规则要明确**：
```python
# 模糊的规则 ❌ "有时候可以调用工具"

# 明确的规则 ✅ "当且仅当用户明确询问当前天气时调用get_weather工具，其他情况一律直接回答。"

1. 输出格式要严格：

   # 宽松的格式 ❌ "用JSON格式回复"
   

严格的格式 ✅

"""必须严格按照以下JSON格式回复：
{"action": "call_tool", "tool": "工具名", "parameters": {"参数名": "参数值"}}
或
{"action": "direct_answer", "content": "回答内容"}"""

4. **提供少量示例（Few-shot）可提高准确性**：
```python examples = """
示例：
用户：北京天气如何？
输出：{"action": "call_tool", "tool": "get_weather", "parameters": {"location": "北京"}}
用户：你好吗？
输出：{"action": "direct_answer", "content": "我很好，谢谢！"}
"""

五、常见问题与优化

总结：构造工具调用Prompt的核心是清晰描述工具能力 + 明确决策规则 + 严格输出约束。通过这个最简单的天气查询例子，可以看到模型如何根据Prompt的引导，将“北京今天天气怎么样？”解析为调用get_weather工具并提取location: "北京"参数。实际系统中，Prompt会更复杂（支持多工具、多轮对话等），但基本原理相同。

参考来源

• AI的提示词专栏：API 文档 Prompt，从接口描述生成 Swagger
• AI的提示词专栏：代码生成 Prompt，从自然语言描述到完整函数
• AI的提示词专栏：医学报告 Prompt，病例描述、药品说明、医学科普
• 结构化思维助力Prompt创作：专业化技术讲解和实践案例
• Midjourney Prompt的使用基本结构介绍