企业官网建设流程全解析

4步搭好FastGPT提示词实战指南：把车轱辘话AI调成专业客服

【免费下载链接】FastGPTFastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities such as data processing, RAG retrieval, and visual AI workflow orchestration, letting you easily develop and deploy complex question-answering systems without the need for extensive setup or configuration.项目地址: https://gitcode.com/GitHub_Trending/fa/FastGPT

你上线的AI客服回答退款问题时先铺垫三段：两百字背景介绍、一句"作为AI助手"，最后才把具体条款挤在末尾。问题不在模型，在提示词。FastGPT是基于LLM的知识库应用平台，这篇文章用客服业务一条线走完：从模型配置、工作流模块到知识库模板，把提示词配在正确的地方，让回答变得能直接交付。

1. 机制拆解：提示词是怎么进模型的

提示词的本质，是"模型回答前必须先读的指令"。在FastGPT里，它走一条输入→处理→输出链路：

• 输入：用户问题、知识库检索出的引用片段、上游变量（如订单号、语言）；
• 处理：AI对话节点把系统提示词（定角色、定约束、定输出格式）+ 引用内容 + 用户问题拼成一个完整请求；
• 输出：模型回答。回答跑题，通常是系统提示词没写清输出格式，或约束缺位。

提示词有三个配置入口，作用范围不一样：

1. 模型级：私有部署时在模型配置里给所有对话兜底，config.json的 llmModels 里有三个关键字段：

{ "model": "qwen-chat", "toolChoice": true, // 是否支持工具调用、分类、内容提取 "customCQPrompt": "", // 自定义文本分类提示词 "customExtractPrompt": "", // 自定义内容提取提示词 "defaultSystemChatPrompt": "你是产品一线客服，只依据提供的资料回答" }

2. 工作流级：AI对话节点的系统提示词，只对这个应用生效，是日常调优的主战场；
3. 知识库级：引用回答的默认模板，管"怎么基于资料说话"。

其中toolChoice指函数调用能力，即模型能否自主决定调用工具。模型不支持时，分类和提取节点会退回提示词模式——这正是customCQPrompt和customExtractPrompt两个字段存在的意义。

节点参数详见 AI对话节点，私有部署字段说明见 模型配置指南。

2. 🎯 分场景实操：三个客服案例

场景一：日文工单翻成中文，三拍代替一拍

目标是术语不翻飞、中间过程不外泄。做法是在工作流里串三个AI对话节点，各管一拍：

1. 初稿节点：直译，保留产品名、订单号原样；
2. 校验节点：逐条核对条款号与专有名词；
3. 定稿节点：只输出最终中文工单。

约束全部写在提示词里，示例可直接照抄：

# Role: 日中客服工单翻译 ## Task: 把下面的日文工单翻译成中文工单 ## Constraints: 1. 产品名、订单号保留原文，不翻译 2. 校验：逐条核对条款号是否与原文一致 3. 定稿：只输出中文工单，不要输出翻译过程说明 ## 原始工单 {{ticket}}

优化前一次直译时订单号被本地化、内部术语翻错；三拍之后术语错误收敛，输出只剩干净的工单文本，下游可以直接归档。

场景二：知识库问答，压掉车轱辘话

用户问"怎么退款"，默认模板会要求按Markdown输出，模型于是补小标题、补背景，真正条款淹没其中。改法就两处：

• 改知识库默认提示词模板：去掉Markdown要求，加"一段话回答、句首给条款号、查不到就拒答"；
• 调分块参数：分块500字符、重叠率10%，让检索命中的是条款本身而不是导语。

仅根据提供的资料，用一段话回答； 句首必须给出条款编号； 资料中找不到时，统一回复"该问题资料未覆盖"，不要猜测。

改完后回答从三段铺垫变成一句直接结论加条款号，用户能拿着编号自查。

场景三：提取订单号，喂给工具调用

用户说"我的快递怎么还没到，单号SF123456"，你要的只是单号。用内容提取节点而不是AI对话节点：提示词只定义输出结构，业务规则交给下游HTTP节点查订单状态。

从用户消息中提取：订单号、收货地址、期望送达日期； 按 JSON 输出：{"orderNo":"","address":"","date":""} 未提及的字段留空字符串，不要编造。

提示词不写"单号是什么格式"，模型不会乱猜格式；提取出的JSON字段完整时，HTTP节点直接透传参数，工具调用一次到位。提取节点的参数含义见 内容提取节点。

3. 💡 效果验收与调优

提示词好不好别靠感觉，用三个指标量：

• 关键信息命中率：条款号、订单号是否真的出现了；
• 回答字数：有效信息不变时字数持续上涨，就是在注水；
• 工具调用完成率：提取和传参是否成功执行。

A/B闭环的做法：

1. 复制两个应用，同模型、同知识库，只换提示词；
2. 挑20条真实历史问题作为测试集；
3. 两个应用各跑一遍，逐条记录三个指标；
4. 留赢家，归档输家，下轮只改一个变量。

调优时提示词里需要引用上游数据，在编辑器里输入 @ 唤起变量选择，不用手敲变量路径，循环场景里的当前块索引这类动态值也一样注入。

4. 避坑对照与资源索引

资源入口：模型配置指南 管私有部署字段，AI对话节点 管工作流提示词，自定义模型接入示例 给了完整的config片段可对照。

今天就动手：打开一个现成应用，把系统提示词里的"作为AI助手"删掉，加一条输出格式约束，再用20个问题量一次字数变化——你的第一个提示词A/B实验就从这里开始。

【免费下载链接】FastGPTFastGPT is a knowledge-based platform built on the LLMs, offers a comprehensive suite of out-of-the-box capabilities such as data processing, RAG retrieval, and visual AI workflow orchestration, letting you easily develop and deploy complex question-answering systems without the need for extensive setup or configuration.项目地址: https://gitcode.com/GitHub_Trending/fa/FastGPT