过去一年，大模型的火热席卷了整个To B世界，不论是HR、IT 还是客服场景，大家都在思考一个问题：我们能不能用大模型替代人工客服，提升内部效率？
而现实却往往让人“泼了一盆冷水”——
ChatGPT 在闲聊、问答上如鱼得水，一旦放入企业实际环境，比如：“提交一个 VPN 工单”、“查一下员工入职流程”、“问我在飞书上如何申请权限”，就会立刻露出马脚：
模型答非所问，胡乱编造；
回答范围不可控，被C端用户当作私人秘书；
回答没有权限边界，甚至乱许诺……
许多企业初尝大模型能力时，直接复用通用模型的能力，结果往往是出现“幻觉”、“越权”和“脱离业务”的问题。这并不是模型能力的问题，而是提示词没有做好定制化。
企业智能体和通用大模型的最大区别在于：
角色固定 + 知识限定 + 功能指向明确
企业不是在创造一个“会聊天的工具”，而是在塑造一个业务助手、员工分身或数字代理人（Agent）。它必须能“像人一样”理解业务背景，有明确的边界感，能执行特定流程，比如调用知识库、提交工单。
在给客户打造智能体的过程中，我总结了一套适用于企业智能体的提示词结构化框架。这个框架不仅适合 Agent 建模，也适合后续团队协作维护，这套标准同样适用于工作流。
这套结构包含如下五个模块：
角色定义：你是谁？你负责什么？
背景补充：你工作的业务语境是什么？
能力设定：你拥有哪些技能？能处理哪些任务？
工作步骤：如何多轮进行工作？每步要做什么？
限制设定：你不能说什么、不能做什么？
如果你是企业IT团队的一员，或正在做大模型应用落地，这篇文章会帮你梳理一个结构清晰、可交付的提示词设计方案。
? 模块一：提示词角色定义——从“你是谁”开始
如果把大模型比作一位全能的实习生，那么提示词就像是交给他的任务清单和行为准则。而这位“实习生”第一件事就是得知道：
我是谁？我在哪个部门工作？我的职责是什么？我不该做什么？
在企业环境中，角色的设定直接决定了模型是否“接地气”，能否说出符合业务逻辑的话。一个合格的提示词，应该让模型在接收到输入时，以某个具体的身份视角来思考和回答问题。如：
你是某企业的一名数字员工，工作职责是【填写职责】。你具备以下能力：【概括能力】。你不回答以下内容：【填写禁止项，如公司外部信息】。
?模块二：背景补充与业务场景设定
有了角色之后，大模型“知道自己是谁”，但还不够。因为即使是同一个角色，在不同企业、不同时期、不同任务中，其行为和回答方式都可能大不相同。
背景信息是企业智能体“知情达理”的关键。
这一模块的本质，是让智能体在“对话上下文之外”提前知晓业务背景，理解当前业务环境，判断信息边界，做出有场景感的应答。我们不能指望用户在每一次提问中都详细交代背景，因此要将“背景认知”前置写入提示词。
一、背景信息写什么？
背景模块建议覆盖以下几个方面：
二、背景写入的技术意义
企业提示词中嵌入背景信息的技术价值，不仅仅在于“防止大模型说错”，更在于帮助大模型理解任务、听懂人话、说对术语。许多模型提示词失败的根本原因，不是“语言没写好”，而是背景信息缺失，模型在错误的语境中工作。
很多时候，用户的提问本身语义是模糊的，而只有在企业上下文中，这些词汇才有具体意义。大模型在不了解你“说的是哪一套话语体系”时，就会依靠公共知识推理出错误解释。比如缩写，在不同领域中有不同的含义。
建议企业在提示词撰写时，把术语解释当成Prompt中的“微型业务词典”，逐步积累，逐步复用，也是构建企业智能体语义资产的重要一环。
因此，背景模块可以概括为两方面：
防幻觉、防越界（行为限定）
懂语境、懂术语（语义对齐）
?模块三：能力设定与任务范围说明（Agent 能做什么）
如果说“角色”设定是让大模型学会扮演好一个身份，那“能力设定”就是告诉它——你作为这个角色，可以完成哪些任务。
在企业级提示词编写中，这一步决定了智能体的响应方式是否专业、输出是否贴近业务场景。
企业智能体的第一项核心能力，通常是「基于企业知识库进行问答」。这意味着模型要做到：
不胡编乱造（避免幻觉）；
如果知识中有图片或食品，完整保留所有 Markdown 格式的图片和视频链接；
当知识库中信息不足时，不强行答复，而是建议转人工或引导提问优化。
2. 调用工具或插件，执行接口任务
很多企业场景不止于问答，还包含实际操作。这时就需要定义 Agent 可调用的“功能型能力”。比如 IT 服务场景中的：查询状态；修改密码；Function Call的提示词设计非常重要，直接影响智能体能否高效、安全地完成任务。
1. 明确调用条件
告诉模型：只有在什么情况下，才需要调用Function。
2. 指定调用功能
为不同插件/接口起一个清晰且直观的名字，并在提示词中教模型使用。如：
如需查询最新IT政策，请调用 function_get_IT_policy。如需提交硬件维修工单，请调用 function_submit_IT_ticket。
3. 给出调用时的字段规范
有些Function需要特定字段，比如用户ID、部门名、故障类型。必须明确告诉模型：
调用 function_submit_IT_ticket 时，必须提供：- employee_id（员工编号）- device_type（设备类型）- issue_description（问题描述）
当然，当涉及多个工具调用和多个字段收集时，也可以将所需收集的参数作为工具发布为function（返回所需收集的参数名称）供模型调用。
在提示词中可以这样表达：
你可以调用工具完成如下任务：如需查询最新IT政策，请调用 function_get_IT_policy。如需提交硬件维修工单，请调用 function_submit_IT_ticket。
?模块四：工作步骤设定（Workflow）
step by step这个概念已经被验证了能够大幅度提高模型的表现。在企业语境中，一个合格的智能体不能只是“对问题做出反应”，更要像一个流程型角色一样，主动引导、分步执行、结构清晰、稳定复现。
为什么企业智能体需要“工作流思维”？
在日常使用 ChatGPT 的过程中，用户往往是提出一个问题，系统回答一句话，结束。
而在企业场景中，一个任务往往包含多个步骤，例如：
收集信息 → 验证输入 → 给出建议 → 触发系统 → 提醒相关人
或者是：判断问题类型 → 参考知识 → 进行处理或分流
这样的**“多步任务链”**，如果没有明确的引导，模型可能会：
跳步：直接给结果，不核实前提；
漏步：忘记收集某个关键信息，导致后续流程出错；
误判：搞不清楚是处理问题，还是仅做咨询。
工作流设定，正是解决这一类问题的有效方式。
企业 Prompt 中的工作步骤设计思路：
下面以一个典型的 IT 工单智能体为例，我们可以把任务流程拆解成如下几个步骤：
当你收到用户的问题时，请按如下步骤进行：Step 1：明确问题类型。判断用户是咨询类问题，还是需要处理具体事务（如账号异常、VPN报错等）。Step 2：如果是事务类问题，请收集以下关键信息（逐一询问）：- 员工姓名/工号- 所在部门- 报错信息或截图- 影响时间段Step 3：检查已有知识库是否能回答该问题，若有匹配信息，请直接答复。Step 4：如需进一步处理，可通过插件提交工单。请在回答中告知用户：已帮他提交，并告知预计处理时间。Step 5：记录操作日志，确保信息闭环。请严格按顺序执行步骤，确保服务流程合规。
提示词模板建议包含：
明确的 Step 数字或编号（便于模型结构化理解）；
每一步具体要“做什么”，避免抽象语言；
关键字段的收集说明；
用户话术的建议（便于生成自然语言回应）；
每一步之间的“条件判断”，体现智能分流。
?模块五：边界设定（行为限制）
在企业级智能体的构建中，提示词不仅定义了智能体能做什么，更必须明确它不能做什么。
边界不仅仅是为了“约束”，更是为了“护航”——在模型自由生成能力极强的当下，边界感就是企业级智能体稳定性和合规性的第一道防线。
为什么要设定边界？
OpenAI 或其他大模型平台提供的原始模型，设计初衷是面向“通用场景”。
换句话说，它的输出自由度很高，会尝试“尽力回答任何问题”。这就意味着，如果我们不给企业Agent设定边界，它可能：
回答知识库之外的问题：胡编乱造，增加幻觉风险；
触碰敏感话题或隐私信息：违反企业安全规范；
企业级 Prompt 中常见的边界设定方式
我们可以在提示词中通过清晰指令，设定行为限制，例如：
你只能根据企业提供的知识库内容回答问题。超出范围的内容，请回复“该问题超出我的知识范围，建议联系人工客服”。请避免回答与个人隐私、薪酬待遇、政治立场、外部产品比较等相关的问题。如有类似问题，请提醒用户遵循公司交流规范。你是IT服务助手，仅处理技术相关问题。不要进行心理咨询、聊天陪伴、法律建议等与职责无关的内容。如果知识库中没有找到答案，请勿自行生成内容。请告知用户“该问题建议联系管理员”或引导用户提交工单。在关键操作（如工单提交、权限修改）前，需再次确认用户身份，并提示“将提交操作，若有误请立刻中止”。输出时注明：系统行为由平台记录，最终处理以人工审核为准。
如何在提示词中优雅表达“不能做什么”？
避免粗暴指令，如“你不准这样”“禁止那样”，可以采用更温和、更企业风的表达方式：
这样既能明确边界，又能保持语言风格的一致性和专业感。
结语
提示词（Prompt）的设计，看似是一场语言的艺术，实则是一项系统工程
