你有没有这种感觉:让 AI 帮你做点事,它要么答非所问,要么给你一堆正确的废话。
"帮我写一封客户邮件" → 它洋洋洒洒写了 800 字,但没有任何行动指向。
"帮我分析这份数据" → 它给你总结了三个"非常有洞察力"的观点,但没有一个具体数字。
"帮我处理这个流程" → 它说"好的,我来帮你处理",然后就没有然后了。
这不是 AI 的问题,是 Prompt 的问题。
今天这篇文章,讲 OpenClaw 提供的四种实战 Prompt 模板,解决不同类型任务的 Prompt 设计问题。学会用这四种模板,你的 AI 助手会从"聊天搭子"变成"真正能干的员工"。
为什么普通 Prompt 做不好复杂任务
在讲模板之前,先理解一个关键问题:为什么你写的 Prompt 总是不 work ?
大多数人写 Prompt 的习惯,是描述目标,而不是设计流程。
"帮我分析销售数据" 是一个目标描述, AI 接收到这个目标后,需要自己决定怎么分解任务、调用什么工具、输出什么格式。
但 AI 在"自己决定"这件事上,有两个根本性的弱点:
第一,它不知道你有什么工具可用。你本地有什么数据库、接入了什么 API 、有什么 Skills——这些 AI 不知道。你不告诉它,它就默认"我没有额外工具可用",只能靠"生成"来完成任务。
第二,它不知道你的流程偏好。你希望它先做什么再做什么?遇到异常情况怎么处理?输出格式是什么?这些你没说明, AI 就按自己的理解随机发挥。
好的 Prompt 不是描述"要什么结果",而是设计"怎么得到结果"。 OpenClaw 的四种模板,就是四种"怎么"的标准化设计。
模板一:指令解析型——让 AI 听懂复杂需求
适用场景:用户给出一个模糊或复杂的指令, AI 需要先理解意图,然后拆解为可执行的步骤。
核心原理:用户说"帮我处理"或"帮我搞定", AI 第一反应不应该是执行,而应该是解析——这个需求的核心意图是什么?有哪些限制条件?有哪些不确定性需要确认?
模板结构:
你是一个任务解析专家。当用户提出需求时,你的首要任务是理解需求,而不是执行需求。
【用户需求】
{user_input}
【解析流程】
1. 意图识别:这个需求的核心目标是什么?
2. 要素提取:从需求中提取关键信息(人物、时间、约束条件、期望结果)
3. 缺省补充:识别需求中不明确的地方,用合理默认值补充,或标注需要确认
4. 任务拆解:将需求分解为可执行的任务步骤
【输出格式】
意图:{识别出的核心意图}
关键信息:{提取的要素}
补充假设:{补充的假设和默认值}
执行计划:
- 步骤1:...
- 步骤2:...
- 步骤3:...
确认请求:{是否有需要用户确认的不确定点}
请先完成解析,得到用户确认后再执行。
实际例子:
用户说:"帮我处理一下上个月的报销"
用这个模板解析:
意图识别:用户希望将上个月的报销单据完成提交流程
关键信息:
- 时间范围:上个月(具体日期需要确定)
- 报销类型:未明确(差旅/招待/办公用品?)
- 金额:未明确
- 提交目的地:内部报销系统(需要确认系统名称)
补充假设:
- 假设上个月指自然月
- 假设报销系统是公司统一财务系统
执行计划:
- 步骤1:确认报销类型和金额
- 步骤2:整理对应发票和凭证
- 步骤3:登录报销系统创建报销单
- 步骤4:上传凭证并提交
确认请求:
- 报销类型是什么?
- 大概金额范围?
这个解析过程,让 AI 从"我帮你处理"变成了"我先搞清楚再处理"。避免了 AI 假设了一个报销类型然后白干的情况。
模板二:工具调用型——引导 AI 选择正确技能
适用场景:任务涉及明确的工具调用,需要 AI 在多个可用工具中选择正确的组合。
核心原理:告诉 AI 你有哪些工具可用、每个工具的用途、什么情况下该调用什么工具。 AI 不需要临场发挥,只需要按规则匹配。
模板结构:
你是一个工具调用专家。你的任务是根据需求选择正确的工具并执行。
【可用工具】
{列出所有可用 Skills 和 MCP 服务,包括:工具名称、功能描述、输入参数、输出格式}
【调用规则】
1. 优先级规则:{什么情况下优先调用A工具,什么情况下优先调用B工具}
2. 组合规则:{哪些工具可以组合使用,组合的顺序是什么}
3. 降级规则:{工具调用失败时的降级策略是什么}
【任务】
{user_task}
【执行流程】
1. 需求分析:{这个任务需要调用哪些工具,为什么}
2. 调用顺序:{按什么顺序调用}
3. 参数准备:{每个工具需要传入什么参数}
4. 结果处理:{工具返回结果后怎么处理和输出}
【输出格式】
工具调用链:[工具A(参数) → 工具B(参数) → ...]
最终输出:{格式化后的最终结果}
执行日志:{记录每步调用的情况}
实际例子:
用户说:"帮我看看这个月的销售情况"
【可用工具】
- sales_query(SKU, date_range) → 销售数据JSON
- data_analytics(sales_data, metrics) → 分析结果JSON
- report_generator(analysis_result, template) → 格式化报告
【调用规则】
1. 优先调用 sales_query 获取原始数据
2. sales_query 成功后再调用 data_analytics 进行分析
3. 如果 sales_query 失败,报告错误并建议检查数据源
执行流程:
1. 调用 sales_query(date_range="本月")
2. 调用 data_analytics(销售数据, metrics=["月环比","品类分布","Top客户"])
3. 调用 report_generator(分析结果, template="月度销售报告模板")
这样设计之后, AI 不会再"描述"销售情况,而是真正"查询并分析"销售数据。
模板三:流程控制型——管理多步骤任务状态
适用场景:复杂任务需要多个步骤,步骤之间有依赖关系,需要追踪状态和进度。
核心原理:把任务分解为状态机,每个步骤是状态转换, AI 驱动状态向前推进,处理异常和回退。
模板结构:
你是一个流程控制引擎。任务是驱动一个多步骤流程从开始到完成。
【流程定义】
流程名称:{流程名称}
初始状态:{流程从哪里开始}
终止状态:{流程到哪里结束}
状态列表:
- S1(初始):{描述}
- S2(进行中):{描述}
- ...
- SN(完成):{描述}
【转换规则】
S1 → S2 当:{满足什么条件触发}
S2 → S3 当:{满足什么条件触发}
...
Sn → 失败 当:{什么情况判定流程失败}
失败 → Sr 当:{失败后可以重试的步骤}
【任务】
{user_task}
【执行模式】
你是流程引擎,不是一次性执行所有步骤。
你每次执行一个步骤,然后等待确认结果(或者模拟结果)。
根据结果决定:继续下一步 / 回退到上一步 / 标记失败。
【当前状态】
当前状态:S1
已执行步骤:[步骤记录]
待执行步骤:[剩余步骤]
请执行下一步骤,并在执行后更新状态。
实际例子:
一个客户投诉处理流程:
【流程定义】
状态列表:
- S1(受理):收到投诉,提取信息
- S2(核查):查询相关订单/用户信息
- S3(决策):根据投诉类型和金额决定处理方案
- S4(执行):自动处理(退款/换货/补偿)或标记人工介入
- S5(完成):生成处理报告,更新郎户状态
【转换规则】
S1 → S2:当投诉信息提取完整(包括:客户ID、订单ID、投诉类型)
S2 → S3:当订单信息查询成功
S3 → S4:
- 金额≤500元 且 类型=商品问题 → 自动退款
- 金额>500元 或 类型≠商品问题 → 标记人工介入
S4 → S5:当处理完成(退款成功 或 人工介入已创建工单)
当前状态:S1
用这个模板, AI 不会"跳跃式"地直接给用户回复,而是在状态机里一步步推进,每个步骤有记录、有条件判断、有明确的下一步。
模板四:协同决策型——多 Agent 协作
适用场景:复杂决策需要多角度分析, AI 需要扮演不同角色协作完成。
核心原理:为每个参与决策的角色设计独立的 Prompt ,多个角色各自分析后汇总观点,最终由协调者做出判断。
模板结构:
你是一个多角色决策团队。任务需要不同角色从各自视角分析,最终给出综合决策。
【团队成员】
成员1(角色A):
- 视角:{从什么角度分析}
- 职责:{负责什么部分的判断}
- 分析要点:{需要关注什么}
- 决策建议:{基于其视角给出什么建议}
成员2(角色B):
- 视角:...
- ...
成员N(协调者):
- 职责:汇总各方观点,做出最终决策
- 决策标准:{什么情况下接受什么建议}
【决策议题】
{user_question}
【协作流程】
1. 独立分析:各成员独立分析,形成自己的建议(不看其他成员的输出)
2. 观点汇总:协调者汇总各方观点,识别共识点和分歧点
3. 权衡决策:协调者根据决策标准,对分歧点进行权衡
4. 最终输出:给出综合决策和理由
【输出格式】
成员A分析:{其独立分析内容}
成员A建议:{其决策建议}
成员B分析:...
成员B建议:...
共识点:{各方都认可的点}
分歧点:{各方有不同看法的点}
协调者决策:{最终决策}
决策理由:{为什么这样决策}
实际例子:
"这个月要不要上新功能 A"
【团队成员】
产品经理视角:
- 分析:功能A对用户痛点的解决程度、市场竞品是否已有、研发成本
- 建议:竞品已上线且用户呼声高,建议上
技术负责人视角:
- 分析:当前技术债务、研发人力、上线后的运维压力
- 建议:Q2技术债务清理是重点,建议延后到Q3
财务分析师视角:
- 分析:功能A的收入潜力、开发成本 ROI、竞品上线对收入的影响
- 建议:竞品已上线有先发优势,建议优先上
协调者:
- 权衡:先发优势 vs 技术债务
- 决策:建议本月先上MVP版本(减少技术债务压力),下月补齐完整功能
这种模板让 AI 不再只输出"公说公有理婆说婆有理"的废话,而是真正做决策。
四种模板怎么选
最后给一个速查表:
| 场景 | 推荐模板 |
|---|---|
| 用户说"帮我 XXX",但需求不清楚 | 指令解析型 |
| 任务需要调用工具组合完成 | 工具调用型 |
| 任务有明确的多步骤流程 | 流程控制型 |
| 复杂决策需要多角度分析 | 协同决策型 |
一个复杂任务,可能需要组合使用多个模板——比如先用指令解析型搞清楚需求,再用流程控制型执行具体步骤。
但不要过度设计。如果一个任务三句话就能说清楚,不需要用任何模板。模板是用来管理复杂度的,复杂度不够的时候不要硬上。
夜雨聆风