百小应需用结构化提示词触发实操能力：明确工具链+动作动词+交付物三要素，结合报错反推、形态限定与角色约束，才能生成可运行的AI工作流教程。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想让百小应帮你写一个能真正跑起来的AI工作流教程，但直接说“写个AI工作流教程”效果很差——它要么堆砌概念，要么漏掉关键执行细节，甚至把本地部署写成云端操作。你需要的是能撬动百小应底层推理能力、触发它调用结构化知识和实操经验的提示词问法。
聚焦具体工具链的指令式问法
第一步：明确写出你正在用的工具组合，比如“用LangChain + Ollama + ChromaDB本地搭建RAG流程”。
第二步：加上动作动词“生成”，而不是“介绍”或“讲解”。
第三步：限定输出必须含可复制的代码块、配置路径、启动命令三要素。
这三步缺一不可——漏掉Ollama版本号，它可能默认用v0.3.6的API，而你装的是v0.5.2，启动就报错。
带失败场景反推的问法
方法一：直接描述你卡住的报错信息。“百小应，我运行RAG流程时出现‘vector store not initialized’错误，用的是FastEmbedEmbeddings + Chroma，Python 3.11，没改过默认persist_directory。请生成一份能避开这个错误的完整初始化脚本，并标出每行为什么不能删。”
方法二：给出错误日志片段+你的环境快照。“贴出pip list | grep -E ‘chroma|langchain|fastembed’结果后，再问：基于这个依赖状态，哪一行初始化代码会导致向量库写入失败？”
【注意：不提供pip list结果，百小应会按最新版依赖推测，而你实际环境里chromadb是0.4.20，不兼容新版LangChain的add_documents接口】
限定交付物形态的问法
“生成一份Markdown格式的AI工作流教程，满足：① 每个代码块上方有中文说明（不是注释），说明这一步解决什么问题；② 所有路径用相对路径，根目录标记为./rag_demo；③ 配置文件内容用YAML块呈现，不混在Python代码里；④ 最后一个步骤必须是验证命令及预期返回示例。”
这种问法强制百小应放弃泛泛而谈，转而构建可逐行执行的交付物骨架。它不会在“安装依赖”环节只写pip install langchain，而是拆成pip install langchain-community==0.2.12 → pip install chromadb==0.4.20 → pip install fastembed==0.3.1，因为版本错配是本地RAG失败最常见原因。
用角色+约束激发细节还原
“你现在是帮中小企业部署AI客服工作流的工程师，刚在客户现场修完一台内存只有16GB的旧服务器。请写一份适配该硬件的LangChain+Llama3-8B工作流教程，要求：所有模型加载用llm = LlamaCpp(model_path=..., n_gpu_layers=20, n_ctx=2048)；向量库禁用HNSW索引；每步附带内存占用预估（单位MB）。”
这句里的“16GB旧服务器”不是背景装饰——它让百小应自动过滤掉需要40GB显存的vLLM部署方案，也绕开默认启用的GPU加速参数。没有这个约束，它大概率生成一份在客户机器上根本起不来的教程。
