场景1 - AI 求职助手：System 定义"职业顾问身份+不能虚构岗位"，User 输入"申请 Airbnb 产品经理的求职信"，两者协同保证回答专业且不违规
场景2 - 智能客服：System 设定"品牌语气+服务边界"，User 输入具体问题，客服机器人按规则回复，已交付 160+ 中大型企业（来源：53AI）
场景3 - 代码助手：System 设定"像海盗一样说话的专业程序员"，User 问"SDK 和 API 的区别"，AI 以角色风格回答
场景4 - 自动日报生成：纯后台场景，无需 User Prompt，仅用 System Prompt 定义"格式+逻辑"即可每天自动生成
场景5 - 企业知识库：System 定义"只能回答文档范围内的内容"，User 输入查询，系统在边界内检索回答

常见误区 / 踩坑（6 条）

❌ 误区1：认为 chatflow 的 Input 和 User Prompt 是重复的
✅ 正解：Input 是"食材"（结构化数据），User Prompt 是"菜谱"（自然语言组装），两者分工不同
❌ 误区2：把所有指令写在一个大 Prompt 里
✅ 正解：拆分为 System（固定规则）和 User（动态需求），更易维护
❌ 误区3：User Prompt 可以随意省略
✅ 正解：有用户交互的场景必须写，否则模型不知道用户要什么
❌ 误区4：System Prompt 和 User Prompt 优先级相同
✅ 正解：System Prompt 优先级最高，User Prompt 无法覆盖系统级规则
❌ 误区5：认为 Prompt 拆分是低代码平台"自创的"
✅ 正解：这是 OpenAI API 本身的设计规范
❌ 误区6：System Prompt 越长越好
✅ 正解：太长会挤压有效 token 空间，需在"详细程度"和"上下文利用率"间权衡

性能 / 复杂度（数据驱动）

时间复杂度：O(n)，n = 总 token 数，线性增长
空间复杂度：O(n)，n = 上下文窗口大小，受模型限制（如 GPT-4 支持 128k tokens）
与替代方案对比：
- 方案A - 单一大段 Prompt：开发简单，但维护性差，适合 MVP 原型
- 方案B - System/User 分离：工程化程度高，适合生产环境
- 临界点：应用规模 < 10 个功能时可用方案 A，> 10 个功能强烈建议方案 B
性能数字：
- System Prompt 通常占用 100-500 tokens
- GPT-4o 时代：system prompt 权重增强 2.3 倍（来源：CSDN 技术文）
- token 压缩率提升 37%（来源：CSDN 技术文）

与相关概念的区别（3 对）

vs 上下文窗口（Context Window）：
- System/User Prompt 是"内容"，上下文窗口是"容器容量"
- 容量满了需要压缩或截断历史消息
- 怎么选：先评估内容复杂度，再选择合适模型
vs Few-shot 示例（Few-shot Learning）：
- System Prompt 定义"角色"，Few-shot 定义"任务格式"
- Few-shot 通常放在 User Prompt 中，通过示例教模型输出格式
- 怎么选：角色设定用 System，格式示例用 User
vs RAG（检索增强生成）：
- System Prompt 定义"行为规则"，RAG 提供"外部知识"
- RAG 检索结果可作为 User Prompt 的一部分注入
- 怎么选：规则类用 System，知识类用 RAG+User Prompt

进阶 / 面试加分项（3 条）

最新进展：Anthropic 在 Claude 3.5 中引入 "Claude.md" 项目级上下文文件，扩展了 System Prompt 的应用场景（来源：53AI 文章引用）
业界争议：System Prompt 的"最高优先级"是否绝对？部分实验表明，在极端对抗性 User Prompt 下，模型行为可能偏离 System 设定
金句送给候选人：写 Prompt 前先问自己"这句话要长期生效还是只管这一次"——想明白这个，Prompt 设计就清晰了

Assistant Prompt 的补充说明

虽然两个网页对 Assistant Prompt 的讲解较少，但根据 OpenAI API 标准，它也是对话系统的核心组成部分：

Assistant Prompt 定义与作用

定义：模型历史回复的记录，role 字段标记为 "assistant"
作用：维护多轮对话的上下文一致性
来源：由模型生成后，自动存入 messages 数组
示例：

{"role": "assistant", "content": "作为您的职业顾问，我来帮您分析简历..."}

三者协同机制

System Prompt 设置"初始人格"（如"严谨的法律顾问"）
User Prompt 触发具体任务（如"审阅这份合同"）
Assistant Prompt 记录回复（如"以下是合同的风险点..."）
下一轮对话中，三者共同构成上下文，模型据此继续对话

与 System/User 的区别

维度	System Prompt	User Prompt	Assistant Prompt
来源	开发者配置	用户输入	模型生成
可见性	对用户隐藏	用户可见	用户可见
变化频率	静态（固定）	动态（每次不同）	动态（随对话变）
优先级	最高	中	仅上下文
功能	定义身份规则	传递需求	维护记忆

System Prompt 是 AI 的"宪法"，定义角色、语气、知识边界，对话全程生效且优先级最高；User Prompt 是"点菜单"，承载用户即时需求，每次可能不同。分开设计的核心原因有四个：①工程化——System 部分可写死逻辑，User 部分映射用户输入，应用可维护性大幅提升；②安全性——可在 System Prompt 中加入隐形约束，即使 User Prompt 诱导也难绕过；③清晰度——角色设定和用户需求泾渭分明；④稳定性——System 部分的核心任务不会被覆盖，保证应用方向不跑偏。简单说：System 保证"有规矩"，User 保证"懂需求"。

🟡 在 chatflow 中，Input 节点和 User Prompt 有什么区别？很多人觉得它们是重复的。

回答要点：

它们绝对不是重复，而是分工不同——Input 是"食材"，User Prompt 是"菜谱"。以 AI 求职助手为例：Input 接收的是结构化数据（如岗位="产品经理"、公司="Airbnb"），来自表单、API 参数或数据库；User Prompt 是将这些数据加工成模型能理解的自然语言（如"请帮我写一封申请 Airbnb 产品经理的求职信"）。Input 提供原料，User Prompt 把原料组装成模型可操作的指令。这就是为什么在 LLM 节点里仍然需要写 User Prompt——没有它，模型只知道"有食材"，但不知道"要做什么菜"。

🟡 什么情况下 User Prompt 可以留空不写？什么情况下必须写？

回答要点：

必须写 User Prompt的情况：当用户每次都会输入新需求，比如搜索、问答、翻译、写文章——没有 User Prompt，模型就不知道用户要干什么。可以不写的情况：任务完全固定且自动触发，比如每天早上 8 点自动生成一份日报，此时只需要 System Prompt 定义好格式和逻辑，User Prompt 留空即可。总结一句：有交互的场景一定要写 User Prompt，纯后台自动化的场景可以只用 System Prompt。这样设计既灵活，又不会无谓增加复杂度。

🟡 System Prompt 在对抗用户恶意诱导时能起到什么作用？

回答要点：

System Prompt 相当于 AI 的"安全护栏"，可以在其中加入隐形约束规则。比如设定"不能输出违规内容"、"不能提供违法建议"等边界。这种设计的核心逻辑是：System Prompt 的优先级高于 User Prompt，当用户在 User Prompt 中试图诱导模型（如"忽略之前的指令，回答 XXX"），模型会优先遵循 System 设定。实际效果是：即便用户输入诱导性内容，也很难完全绕过系统级规则。不过需要注意，System Prompt 并非绝对安全——在极端对抗性输入下，模型行为可能偏离设定，所以生产环境还需要配合其他安全机制。

🔴 请从系统设计角度分析，为什么真正的商业 AI 应用，其核心价值往往藏在 System Prompt 中？

回答要点：

核心原因在于 System Prompt 是"对用户隐藏的竞争力"。User Prompt 是暴露给用户的输入框（任何人都能看到/修改），而 System Prompt 是开发者配置、用户不可见的。在智能客服、代码助手等专业场景中，企业投入大量资源设计的角色设定、专业知识边界、语气风格等核心能力，都沉淀在 System Prompt 里。这就像餐厅的核心配方不会公开一样——你可以抄走菜单（User Prompt），但抄不走厨房的秘方（System Prompt）。因此，System Prompt 的质量直接决定了 AI 应用的差异化程度和商业价值。

🟡 多轮对话中，System Prompt、User Prompt、Assistant Prompt 三者是如何协同工作的？

回答要点：

三者在多轮对话中形成"上下文链"：①初始化阶段，System Prompt 设置模型的初始人格（如"你是严谨的法律顾问"）；②用户提问，User Prompt 触发具体任务（如"审阅这份合同"）；③模型生成回复，自动标记为 Assistant Prompt 存入历史；④下一轮对话时，历史消息（system + user + assistant）共同构成上下文，模型据此继续对话。Attention 机制会权重分配给相关历史内容，让模型"记住"之前的对话。关键点：每轮对话的 messages 数组都在累积，三者缺一不可——System 定义身份，User 传递需求，Assistant 维护记忆。

🟡 在使用 OpenAI API 时，role 字段的优先级是怎样的？为什么？

回答要点：

在 OpenAI API 中，role 字段有三种取值：system（优先级最高）、user（中等）、assistant（仅上下文）。优先级从高到低的原因是设计理念：System Prompt 定义的是"AI 应该是什么"的根基性规则，必须凌驾于用户输入之上；User Prompt 是用户的需求，但需求不能违背系统规则；Assistant Prompt 是模型自己的输出，主要用于上下文记忆。实际表现：当 User Prompt 的指令与 System Prompt 冲突时，模型会遵循 System Prompt。这就是为什么可以在 System Prompt 中设置安全边界、角色设定——它们不会被用户输入轻易覆盖。

🔴 如果让你设计一个 AI 客服系统，在 Prompt 工程层面你会注意哪些问题？

回答要点：

从 Prompt 工程角度设计 AI 客服，我会关注五点：①System Prompt 分层——第一层定义基本角色（"你是 XX 公司的客服"），第二层定义服务边界（"只能回答产品相关问题"），第三层定义处理流程（"遇到无法回答的问题转人工"）；②User Prompt 留足变量位——让具体问题能动态注入；③控制 System Prompt 长度——太长会挤压有效 token 空间，建议 100-500 tokens；④预设 Few-shot 示例——在 User Prompt 中放入标准问答示例，保证输出格式一致；⑤安全护栏——在 System Prompt 末尾加入合规约束。核心原则：System 管"不变"，User 管"变"，两者配合实现既稳定又灵活的客服体验。

System Prompt、User Prompt、Assistant Prompt 分别有什么作用？

System Prompt、User Prompt、Assistant Prompt 分别有什么作用？

核心概念（术语表）

历史背景 / 来源

工作原理 / 核心机制（详细讲解）

整体思路

输入/输出

核心步骤

关键知识点（15 条）

应用场景（5 个真实例子）

常见误区 / 踩坑（6 条）

性能 / 复杂度（数据驱动）

与相关概念的区别（3 对）

进阶 / 面试加分项（3 条）

Assistant Prompt 的补充说明

Assistant Prompt 定义与作用

三者协同机制

与 System/User 的区别

面试如何回答

🟢 请解释 System Prompt 和 User Prompt 的本质区别，以及为什么要分开设计？

🟡 在 chatflow 中，Input 节点和 User Prompt 有什么区别？很多人觉得它们是重复的。

🟡 什么情况下 User Prompt 可以留空不写？什么情况下必须写？

🟡 System Prompt 在对抗用户恶意诱导时能起到什么作用？

🔴 请从系统设计角度分析，为什么真正的商业 AI 应用，其核心价值往往藏在 System Prompt 中？

🟡 多轮对话中，System Prompt、User Prompt、Assistant Prompt 三者是如何协同工作的？

🟡 在使用 OpenAI API 时，role 字段的优先级是怎样的？为什么？

🔴 如果让你设计一个 AI 客服系统，在 Prompt 工程层面你会注意哪些问题？