Agent Space多轮对话提示词需结构化引导：固定角色声明、摘要替代全量历史、末尾明确目标动作、预留槽位变量注入动态信息。
☞☞☞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☜☜☜
Agent Space 中的多轮对话提示词，核心是让模型“记住”历史交互、理解当前意图，并自然承接上下文。不靠堆砌历史消息，而靠结构化引导和角色锚定。
明确 Agent 的身份与任务边界
每次提示词开头固定声明角色职责，比如：
- 你是一个电商客服助手，只处理订单查询、退换货和物流跟踪，不回答天气或闲聊
- 用户问“我昨天下的单还没发货”，你不需复述订单号，直接查并反馈；若用户突然问“苹果怎么挑”，你要礼貌拒答并拉回任务
用摘要代替全量历史，控制上下文长度
Agent Space 通常有 token 限制，避免粘贴全部对话。每轮只传入一句精炼摘要：
- 上一轮用户确认了退货地址，当前轮次提示词中写：“用户已提供收货地址：上海市浦东新区XX路XX号”
- 不要写“用户说：‘我填好了’；我说：‘好的谢谢’”，这类无效交互会稀释关键信息
显式标注当前轮次的目标动作
在提示词末尾加一句指令性语句，告诉模型“这一步该做什么”：
- “请根据用户最新提问和已有信息，直接给出可执行的物流单号或下一步操作指引”
- “判断用户是否已完成身份验证，如未完成，请用一句话提醒补传身份证正反面”
预留槽位变量，适配动态信息
把可能变化的关键字段设计成占位符，在运行时注入真实值，保持提示词模板稳定：
- “用户订单号：{order_id}，下单时间：{order_time}，当前物流状态：{status}”
- 这样同一套提示词可复用于不同订单，上下文连贯性由变量填充保障，而非硬编码
