Gemini API 提示词设计策略

提示词设计是创建提示词（即自然语言请求）的过程，目的是让语言模型给出准确、高质量的回复。

本页介绍提示词设计的基本概念、策略和最佳实践，帮助你着手设计提示词，充分发挥 Gemini AI 模型的能力。

说明：提示词工程是一个反复迭代的过程。这些指南和模板只是起点。请根据你的具体用例和观察到的模型回复不断试验和改进。

特定主题的提示词指南

想了解更具体的提示词策略？请查看我们关于以下主题的其他提示词指南：

• 使用媒体文件编写提示词
• 使用 Imagen 和 Gemini 原生图片生成编写图片生成提示词
• 编写视频生成提示词

你还可以在提示词库中找到其他示例提示词，它们以交互方式展示了本指南中介绍的许多概念。

清晰具体的指令

为模型提供清晰具体的指令，是自定义模型行为的一种高效且有效的方法。指令可以是一个问题、一系列分步任务，也可以复杂到描绘出用户的体验和心态。

输入

输入是提示词中必需的文本，也就是你希望模型作出回复的内容。输入可以是模型要回答的问题（问题输入）、模型要执行的任务（任务输入）、模型要处理的实体（实体输入），或者模型要补全或续写的部分输入（补全输入）。

输入类型：问题

提示词：

一家专门销售干花花束的花店，取什么名字好？
列出 5 个选项，只写名字。

生成的输出：

以下是 5 个适合干花专卖花店的名字：

1. 永恒花语
2. 干花之悦
3. 花瓣珍藏馆
4. 野花低语
5. 永生花开

输入类型：任务

提示词：

给我一份简单的清单，只列出露营时必须携带的物品。清单应包含 5 项。

生成的输出：

1. **帐篷：** 为你遮风挡雨的庇护所。
2. **睡袋：** 保暖又舒适。
3. **睡垫：** 隔凉并提供缓冲，让你睡个好觉。
4. **头灯或手电筒：** 夜间活动时照明。
5. **急救包：** 为应对轻微伤痛做好准备。

输入类型：实体

提示词：

将以下物品分类为 [大, 小]：
大象
老鼠
蜗牛

生成的输出：

分类结果如下：

* **大象：** 大
* **老鼠：** 小
* **蜗牛：** 小

部分输入补全

生成式语言模型的工作方式类似于高级的自动补全工具。当你提供部分内容时，模型可以给出其余内容，或者给出它认为是该内容的延续作为回复。在此过程中，如果你提供了示例或上下文，模型就能将这些示例或上下文考虑在内。

以下示例提供了一个包含指令和实体输入的提示词：

提示词：

对于给定的订单，返回一个 JSON 对象，包含 cheeseburger、hamburger、fries 或
drink 字段，值为对应的数量。

订单：一个汉堡和一杯饮料。

回复：

{
"cheeseburger": 0,
"hamburger": 1,
"fries": 0,
"drink": 1
}

（gemini-2.5-flash）

虽然模型按提示词完成了任务，但用自然语言写出指令有时并不容易，而且会给模型留下很大的理解空间。例如，一家餐厅的菜单可能包含许多菜品。为了缩小 JSON 回复的体积，你可能希望省略没有点的菜品。在这种情况下，你可以给出一个示例和一个回复前缀，让模型来补全：

提示词：

有效字段为 cheeseburger、hamburger、fries 和 drink。
订单：给我一个芝士汉堡和薯条
输出：
```
{
"cheeseburger": 1,
"fries": 1
}
```
订单：我要两个汉堡、一杯饮料和薯条。
输出：

回复：

```
{
"hamburger": 2,
"drink": 1,
"fries": 1
}
```

（gemini-2.5-flash）

请注意，由于订单中没有“cheeseburger”，输出中便没有包含它。

虽然你可以通过提示词指定简单 JSON 回复对象的格式，但如果要为回复指定更复杂的 JSON Schema，我们建议使用 Gemini API 的结构化输出功能。

约束

指定阅读提示词或生成回复时需要遵守的约束。你可以告诉模型该做什么、不该做什么。例如，你可以在提示词中约束摘要的长度：

提示词：

用一句话总结这段文字：
文本：量子计算机利用量子力学现象，执行计算的速度比任何现代传统计算机
都快上指数级。在极其微小的尺度上，物质既表现为
粒子，也表现为波，而量子计算使用专用硬件来利用这种特性。
量子设备的工作原理超出了经典物理学的范畴。大规模
部署后，量子计算机可用于多种多样的应用，例如：在
网络安全领域破解现有的加密方法，同时帮助研究人员创造新的加密方法；在
气象学领域开发更好的天气预报等。然而，目前最先进的量子
计算机在很大程度上仍处于实验阶段，尚不实用。

回复：

量子计算机利用量子力学现象，执行计算的速度可比传统计算机快上指数级，有望应用于网络安全和气象学等领域，但目前在很大程度上仍处于实验阶段，尚不实用。

（gemini-2.5-flash）

回复格式

你可以给出指令来指定回复的格式。例如，你可以要求回复采用表格、项目符号列表、电梯演讲、关键词、句子或段落的格式。以下系统指令让模型在回复时更具对话性：

系统指令

所有问题都应详细、全面地回答，除非用户明确要求简洁的回复。

提示词

在 2026 年经营一家销售 DVD 的企业，有什么明智的做法？

回复：

由于数字流媒体和点播服务占据压倒性的主导地位，在 2026 年开办一家销售 DVD 的企业会面临重大挑战；因此，“明智”的做法需要一个高度专业化的细分市场、超越光盘本身的强大价值主张，而且很可能要专注于社群或收藏者市场，而不是主流消费市场。

以下是 2026 年一家明智的 DVD 企业大致需要做到的几点：

1. 极致的细分市场专业化：你无法与流媒体片库竞争。你的业务必须专注于数字渠道不易提供或根本不提供的内容。这可能包括：

* 绝版与稀有影片：寻找从未以数字形式发行、或目前在主流流媒体平台上无法观看的电影或电视节目。
....

（gemini-2.5-flash）

用补全策略设定回复格式

补全策略也有助于设定回复的格式。以下示例让模型为一篇文章拟定大纲：

提示词：

为一篇关于蜂鸟的文章拟一份大纲。

回复：

以下是一篇关于蜂鸟的文章可以采用的大纲：

I. 引言
A. 引子：以一个关于蜂鸟的引人入胜的事实或描述开篇（例如它们的速度、闪耀的羽色或小巧的体形）。
B. 背景：简要介绍蜂鸟——它们的分布地区（美洲），以及它们作为独特鸟类的名声。
C. 论点陈述：阐明文章的主要观点，可以围绕蜂鸟非凡的适应能力、行为方式及其生态重要性展开。

II. 外形与识别
.....

（gemini-2.5-flash）

提示词没有指定大纲的格式，于是模型替你选了一种格式。要让模型按特定格式返回大纲，你可以添加代表大纲开头的文字，让模型按照你起好的模式补全。

提示词：

为一篇关于蜂鸟的文章拟一份大纲。
I. 引言
*

回复：

好的，以下是一篇关于蜂鸟的文章大纲，从你提供的引言部分开始：

I. 引言
* 引子：以一个关于蜂鸟的引人入胜的事实或描述开篇（例如它们的速度、闪耀的羽色或小巧的体形）。
* 背景：简要介绍蜂鸟——它们的分布地区（美洲）、作为独特鸟类的名声，以及它们的一般特征。
* 论点陈述：阐明文章的主要观点，重点讨论让蜂鸟与众不同的非凡适应能力、行为方式和生态意义。
.....

（gemini-2.5-flash）

零样本提示词与少样本提示词

你可以在提示词中加入示例，向模型展示怎样才算做对。模型会尝试从示例中识别模式和关系，并在生成回复时加以运用。包含若干示例的提示词称为少样本提示词，不提供示例的提示词则称为零样本提示词。少样本提示词常用于规范模型回复的格式、措辞、范围或总体模式。请使用具体且多样的示例，帮助模型缩小关注范围，生成更准确的结果。

我们建议始终在提示词中加入少样本示例。不含少样本示例的提示词效果很可能会差一些。事实上，如果你的示例足以清楚地展示当前任务，甚至可以从提示词中删去指令。

以下零样本提示词要求模型选出最佳解释。

提示词：

请为以下问题选出最佳解释：

问题：雪是怎样形成的？
Explanation1：空气中的水蒸气在大气中冻结成冰晶，就会形成雪，
这些冰晶在穿过大气层下落的过程中会相互结合、长大成雪花，
最后在地面上堆积起来。
Explanation2：水蒸气冻结成冰晶，形成雪。
答案：

回复：

Explanation1 是更好的解释，因为它对这一过程提供了更多细节，
包括冰晶在穿过大气层下落时如何相互结合并
长大成雪花。

（gemini-2.5-flash）

如果你的用例要求模型给出简洁的回复，你可以在提示词中加入偏好简洁回复的示例。

以下提示词提供了两个偏好较短解释的示例。从回复中可以看到，这些示例引导模型选择了较短的解释（Explanation2），而不是像之前那样选择较长的解释（Explanation1）。

提示词：

以下是一些展示问题、解释和答案格式的示例：

问题：天空为什么是蓝色的？
Explanation1：天空之所以呈蓝色，是因为瑞利散射使波长较短的蓝光
比波长较长的红光更容易被散射，
从而让天空看起来是蓝色的。
Explanation2：由于瑞利散射效应。
答案：Explanation2

问题：地震的成因是什么？
Explanation1：地壳中能量的突然释放。
Explanation2：当构造板块突然滑动或断裂时就会发生地震，
由此释放的能量会产生地震波，而地震波可能使
地面震动并造成破坏。
答案：Explanation1

现在，请按照上面的示例格式回答以下问题：

问题：雪是怎样形成的？
Explanation1：空气中的水蒸气在大气中冻结成冰晶，就会形成雪，
这些冰晶在穿过大气层下落的过程中会相互结合、长大成雪花，
最后在地面上堆积起来。
Explanation2：水蒸气冻结成冰晶，形成雪。
答案：

回复：

答案：Explanation2

（gemini-2.5-flash）

最佳示例数量

Gemini 这类模型通常只需几个示例就能领会其中的模式，不过你可能需要试验在提示词中提供多少个示例才能获得最佳结果。与此同时，如果示例过多，模型的回复可能会开始对这些示例过拟合。

格式保持一致

请确保各个少样本示例的结构和格式相同，以免模型给出不符合预期格式的回复。在提示词中加入少样本示例的主要目的之一，就是向模型展示回复的格式。因此，务必确保所有示例的格式一致，尤其要注意 XML 标签、空格、换行符和示例分隔符。

添加上下文

你可以在提示词中写入模型解决问题所需的指令和信息，而不是假定模型已经掌握了所有必要信息。这些上下文信息有助于模型理解你要求它完成的工作有哪些约束和细节。

以下示例要求模型为路由器提供故障排除指导：

提示词：

我的 Wi-Fi 断开了，该怎么修复？我的 Google Wifi
路由器上的指示灯是黄色的，正在缓慢闪烁。

回复：

Google Wifi 路由器上的黄灯闪烁通常表示互联网连接
出现了问题。以下是排查并解决该问题的一些步骤：
1. 重启路由器和调制解调器：
- 从电源插座上拔下调制解调器，等待 30 秒。
- 重新插上调制解调器，等待它完全启动。
- 拔下 Google Wifi 路由器，等待 30 秒。
- 重新插上 Google Wifi 路由器，等待它完全启动。
.....

（gemini-2.5-flash）

这个回复看起来只是通用的故障排除信息，并没有针对这款路由器或 LED 指示灯的状态。

要让回复针对这款特定的路由器，你可以把该路由器的故障排除指南作为上下文添加到提示词中，供模型在回复时参考。

提示词：

请根据下面的文字回答问题。只使用所提供的文字作答。
问题：我的 Wi-Fi 断开了，该怎么修复？我的 Google Wifi 路由器上的指示灯是黄色的，正在缓慢闪烁。

文本：
颜色：黄色缓慢脉冲闪烁
含义：出现了网络错误。
处理方法：
检查以太网线是否同时连接到路由器和调制解调器，并确认两台设备都已开机。你可能需要将每台设备拔下后重新插上。

颜色：黄色快速闪烁
含义：你正按住重置按钮，将此设备恢复出厂设置。
处理方法：
如果你继续按住重置按钮，大约 12 秒后，指示灯会变为黄色常亮。指示灯变为黄色常亮后，松开恢复出厂设置按钮。

颜色：黄色常亮
含义：路由器正在恢复出厂设置。
处理方法：
这最多可能需要 10 分钟。完成后，设备会自行重置并开始以白色脉冲闪烁，表示已可以进行设置。

颜色：红色常亮
含义：出现了故障。
处理方法：
严重故障。请将路由器恢复出厂设置。如果指示灯仍为红色，请联系 Wifi 客户支持。

回复：

检查以太网线是否同时连接到路由器和调制解调器，并确认两台设备都已开机。你可能需要将每台设备拔下后重新插上。

（gemini-2.5-flash）

将提示词拆分为多个组成部分

对于需要复杂提示词的用例，你可以把内容拆分为更简单的组成部分，帮助模型应对这种复杂性。

1. 拆分指令： 不要在一个提示词中写入许多指令，而是为每条指令分别创建一个提示词。你可以根据用户的输入选择要处理哪个提示词。

2. 串联提示词： 对于包含多个先后步骤的复杂任务，把每个步骤写成一个提示词，并将这些提示词按顺序串联起来。在这条顺序串联的提示词链中，前一个提示词的输出会成为下一个提示词的输入。序列中最后一个提示词的输出就是最终输出。

3. 聚合回复： 聚合是指对数据的不同部分并行执行不同的任务，再将结果汇总起来生成最终输出。例如，你可以让模型对数据的第一部分执行一种操作，对其余数据执行另一种操作，然后汇总结果。

试验模型参数

你发送给模型的每次调用都包含参数值，用于控制模型如何生成回复。参数值不同，模型生成的结果也可能不同。请试验不同的参数值，找到最适合当前任务的值。不同模型可用的参数可能有所不同。最常用的参数如下：

1. 最大输出 token 数（max output tokens）： 指定回复中最多可以生成的 token 数量。一个 token 大约相当于四个字符。100 个 token 大约对应 60-80 个单词。

2. 温度（temperature）： 温度控制 token 选择的随机程度。温度用于在生成回复时进行采样，采样发生在应用 topP 和 topK 时。较低的温度适合需要更确定、开放性更低的回复的提示词，而较高的温度可能带来更多样或更有创意的结果。温度为 0 时结果是确定的，也就是说，始终会选择概率最高的回复。

   说明：`temperature`、`top_p` 和 `top_k` 参数控制模型如何生成回复。虽然你可以修改这些参数，但对于 Gemini 3.x 模型，我们强烈建议保持其默认值。更改这些参数（例如将温度设为低于 1.0）可能导致意外行为，例如陷入循环或性能下降，在复杂的数学或推理任务中尤其如此。

3. topK： topK 参数会改变模型为输出选择 token 的方式。topK 为 1 表示所选 token 是模型词表中所有 token 里概率最高的那个（也称为贪婪解码），而 topK 为 3 表示使用温度从概率最高的 3 个 token 中选出下一个 token。在每个 token 选择步骤中，都会对概率最高的 topK 个 token 进行采样。然后再根据 topP 进一步筛选 token，并通过温度采样选出最终的 token。

4. topP： topP 参数会改变模型为输出选择 token 的方式。模型按概率从高到低依次选择 token，直到这些 token 的概率之和等于 topP 值。例如，如果 token A、B、C 的概率分别为 0.3、0.2 和 0.1，且 topP 值为 0.5，那么模型会使用温度从 A 和 B 中选择一个作为下一个 token，并将 C 排除在候选之外。topP 的默认值为 0.95。

5. stop_sequences： 设置停止序列（stop sequences），让模型停止生成内容。停止序列可以是任意字符序列。请尽量避免使用可能出现在生成内容中的字符序列。

提示词迭代策略

提示词设计有时需要经过几轮迭代，才能稳定地得到你想要的回复。本节提供一些在迭代提示词时可以尝试的做法：

换一种措辞： 在提示词中使用不同的用词或措辞，即使意思完全相同，往往也会让模型给出不同的回复。如果你的提示词没有得到预期的结果，请尝试换一种说法。

版本 1：
怎样烤馅饼？

版本 2：
推荐一个馅饼的食谱。

版本 3：
有什么好的馅饼食谱？

改为类似的任务： 如果你无法让模型按照你针对某项任务给出的指令行事，请尝试给它一个能达成相同结果的类似任务的指令。

这个提示词让模型使用预定义的类别对一本书进行分类：

提示词：

《奥德赛》属于哪个类别：
惊悚
科幻
神话
传记

回复：

《奥德赛》属于**神话**类别。

原因如下：

* **神话：** 《奥德赛》讲述了希腊神话中的英雄奥德修斯在特洛伊战争结束后
返回家乡的旅程。书中有神祇、怪物和超自然事件，这些都是
希腊神话中常见的元素。
.....

（gemini-2.5-flash）

这个回复是正确的，但模型没有局限于给定的选项。你还希望模型只用其中一个选项作答，而不是用完整的句子回答。在这种情况下，你可以把指令改写为一道选择题，让模型选出一个选项。

提示词：

选择题：以下哪个选项描述了《奥德赛》这本书？
选项：

惊悚
科幻
神话
传记

回复：

正确答案是神话。

（gemini-2.5-flash）

调整提示词内容的顺序： 提示词中内容的顺序有时会影响回复。请尝试调整内容顺序，看看这对回复有什么影响。

版本 1：
[示例]
[上下文]
[输入]

版本 2：
[输入]
[示例]
[上下文]

版本 3：
[示例]
[输入]
[上下文]

兜底回复

兜底回复是指当提示词或回复触发安全过滤器时，模型返回的回复。兜底回复的一个例子是：“我只是一个语言模型，无法帮你处理这个问题。”

如果模型给出了兜底回复，请尝试调高温度。

接地（grounding）与代码执行

Gemini 能够使用工具，在原本可能给出错误回复的场景中避免产生幻觉。

基于 Google 搜索的接地可将 Gemini 模型连接到实时网络内容；只要模型可能需要了解冷门或最新的事实，就应启用该功能。

Gemini 的代码执行工具使模型能够生成并运行 Python 代码；只要模型需要进行任何形式的算术、计数或计算，就应启用该工具。

Gemini 3

Gemini 3 模型专为高级推理和指令遵循而设计。对于直接、结构清晰、明确界定了任务及各项约束的提示词，它们的回复效果最好。要在 Gemini 3 上获得最佳结果，建议采用以下做法：

提示词编写核心原则

• 精准直接： 清晰、简洁地说明你的目标。避免使用不必要的或过度劝说性的语言。
• 使用一致的结构： 使用清晰的分隔符来区分提示词的不同部分。XML 风格的标签（例如 <context>、<task>）或 Markdown 标题都很有效。选定一种格式，并在同一个提示词中始终如一地使用。
• 定义参数： 明确解释任何含义模糊的术语或参数。
• 控制输出的详略程度： 默认情况下，Gemini 3 模型会给出直接、高效的回答。如果你需要更具对话性或更详细的回复，必须在指令中明确提出要求。
• 连贯地处理多模态输入： 使用文本、图片、音频或视频时，将它们视为同等地位的输入。确保你的指令在需要时明确提及每种模态。
• 优先放置关键指令： 将必要的行为约束、角色定义（人设）和输出格式要求放在系统指令中，或放在用户提示词的最开头。
• 为长上下文安排结构： 提供大量上下文（例如文档、代码）时，请先提供全部上下文。把你的具体指令或问题放在提示词的最末尾。
• 锚定上下文： 在一大段数据之后，使用清晰的过渡语句衔接上下文与你的问题，例如“根据以上信息……”

Gemini 3 Flash 策略

• 当前日期准确性： 在系统指令中加入以下条款，帮助模型注意到当前日期处于 2026 年：

  对于需要最新信息、具有时效性的用户查询，你在工具调用中构造搜索查询时，
  必须遵循所提供的当前时间（日期和年份）。
  请记住，今年是 2026 年。
  

• 知识截止日期准确性： 在系统指令中加入以下条款，让模型知道自己的知识截止日期：

  你的知识截止日期是 2025 年 1 月。
  

• 接地表现： 在系统指令中加入以下条款（并视情况修改），提升模型依据所提供上下文给出回复的能力：

  你是一个严格接地的助手，只能使用用户上下文中提供的信息。
  在回答中，**只能**依据该上下文中直接提及的事实。
  你**不得**调用或利用你自己的知识或常识来作答。
  不要根据所提供的事实进行假设或推断；只需完全按照事实原本的样子转述。
  你的回答必须基于事实，完全忠实于所提供的文本，绝不留下任何猜测或解读的空间。
  将所提供的上下文视为事实的绝对边界；任何没有在上下文中直接提及的事实或细节，
  都必须被视为**完全不真实**且**完全没有依据**。
  如果上下文中没有明确写出确切答案，你必须说明该信息不可用。
  

增强推理与规划

Gemini 2.5 和 3 系列模型会自动生成内部的“思考”文本，以提升推理表现。因此，通常没有必要让模型在返回的回复中列出提纲、制定计划或详述推理步骤。对于需要大量推理的问题，“回答前请深入思考”这类简单的要求就能提升表现，但代价是消耗额外的思考 token。

有关详细信息，请参阅 Gemini 思考文档。

结构化提示词示例

使用标签或 Markdown 有助于模型区分指令、上下文和任务。

XML 示例：

<role>
你是一个乐于助人的助手。
</role>

<constraints>
1. 保持客观。
2. 注明来源。
</constraints>

<context>
[在此插入用户输入 - 模型知道这是数据，而不是指令]
</context>

<task>
[在此插入具体的用户请求]
</task>

Markdown 示例：

# 身份
你是一名资深解决方案架构师。

# 约束
- 不允许使用外部库。
- 仅使用 Python 3.11+ 语法。

# 输出格式
返回单个代码块。

融合最佳实践的示例模板

此模板概括了为 Gemini 3 编写提示词的核心原则。请务必针对你的具体用例反复迭代和修改。

系统指令：

<role>
你是 Gemini 3，一个专注于 [插入领域，例如数据科学] 的专业助手。
你严谨、善于分析，并且坚持不懈。
</role>

<instructions>
1. **规划**：分析任务并制定分步计划。
2. **执行**：落实计划。
3. **验证**：对照用户的任务审查你的输出。
4. **格式化**：按要求的结构呈现最终答案。
</instructions>

<constraints>
- 详略程度：[指定 低/中/高]
- 语气：[指定 正式/随意/技术性]
</constraints>

<output_format>
按以下结构组织你的回复：
1. **执行摘要**：[简短概述]
2. **详细回复**：[主要内容]
</output_format>

用户提示词：

<context>
[在此插入相关文档、代码片段或背景信息]
</context>

<task>
[在此插入具体的用户请求]
</task>

<final_instruction>
请记住，回答之前先逐步思考。
</final_instruction>

智能体工作流

对于深度的智能体工作流，通常需要具体的指令来控制模型如何推理、规划和执行任务。虽然 Gemini 的总体表现很强，但复杂的智能体往往需要你在计算成本（延迟和 token）与任务准确性之间配置取舍。

为智能体设计提示词时，请考虑以下几个可以在智能体中加以引导的行为维度：

推理与策略

用于配置模型在采取行动之前如何思考和规划。

• 逻辑分解： 定义模型必须以多高的彻底程度分析约束、前提条件和操作顺序。
• 问题诊断：控制识别原因时的分析深度，以及模型对溯因推理的运用。决定模型应当接受最显而易见的答案，还是去探索复杂但可能性较低的解释。
• 信息详尽程度： 在分析每一项可用的政策和文档与优先考虑效率和速度之间的取舍。

执行与可靠性

用于配置智能体如何自主运行以及如何应对阻碍。

• 适应性： 模型如何应对新数据。决定当观察结果与假设相矛盾时，模型应严格遵循最初的计划，还是立即调整方向。
• 坚持与恢复： 模型尝试自行纠正错误的程度。高度坚持会提高成功率，但也有 token 成本升高或陷入循环的风险。
• 风险评估： 评估后果的逻辑。明确区分低风险的探索性操作（读取）与高风险的状态变更（写入）。

交互与输出

用于配置智能体如何与用户沟通以及如何格式化结果。

• 歧义与权限处理： 定义模型在什么情况下可以自行做出假设，在什么情况下必须暂停执行，向用户请求澄清或许可。
• 详略程度： 控制伴随工具调用生成的文本量。这决定了模型是向用户解释自己的操作，还是在执行过程中保持沉默。
• 精确性与完整性： 对输出保真度的要求。指定模型是必须处理每一种边界情况并给出精确数字，还是可以接受粗略估计。

系统指令模板

以下系统指令是一个示例，经研究人员评估，它能提升模型在智能体基准测试中的表现；在这类基准测试中，模型必须遵守一套复杂的规则手册并与用户交互。它鼓励智能体成为出色的推理者和规划者，在上面列出的各个维度上强制执行特定行为，并要求模型在采取任何行动之前主动进行规划。

你可以调整此模板，使其适应你具体用例的约束条件。

你是一名非常出色的推理者和规划者。请使用以下关键指令来组织你的计划、思考和回复。

在采取任何行动（无论是工具调用*还是*对用户的回复）之前，你都必须主动、有条理且独立地就以下各项进行规划和推理：

1) 逻辑依赖与约束：根据以下因素分析拟采取的行动。按重要性顺序解决冲突：
    1.1) 基于政策的规则、强制性前提条件和约束。
    1.2) 操作顺序：确保采取某项行动不会妨碍后续必要的行动。
        1.2.1) 用户可能会以随机顺序请求各项操作，但你可能需要重新排列操作顺序，以最大程度地成功完成任务。
    1.3) 其他前提条件（所需的信息和/或行动）。
    1.4) 用户明确提出的约束或偏好。

2) 风险评估：采取该行动会带来什么后果？新的状态会不会在将来引发问题？
    2.1) 对于探索性任务（例如搜索），缺少*可选*参数属于低风险。**应优先使用现有信息调用工具，而不是询问用户，除非**你依据 `Rule 1`（逻辑依赖）所做的推理判定计划中的后续步骤需要这些可选信息。

3) 溯因推理与假设探索：在每一步中，为遇到的任何问题找出最合乎逻辑、可能性最大的原因。
    3.1) 不要只看眼前或显而易见的原因。可能性最大的原因未必是最简单的，可能需要更深入的推断。
    3.2) 假设可能需要额外的研究。每个假设都可能需要多个步骤来检验。
    3.3) 按可能性为假设排定优先级，但不要过早抛弃可能性较低的假设。低概率事件仍可能是根本原因。

4) 结果评估与适应性：之前的观察结果是否要求你对计划做出调整？
    4.1) 如果你最初的假设被证伪，请根据已收集的信息主动提出新的假设。

5) 信息可得性：纳入所有适用的信息来源及可替代的信息来源，包括：
    5.1) 使用可用的工具及其功能
    5.2) 所有政策、规则、检查清单和约束
    5.3) 之前的观察结果和对话历史
    5.4) 只有询问用户才能获得的信息

6) 精确性与接地：确保你的推理极其精确，并且与当前每一个具体情境紧密相关。
    6.1) 提及信息（包括政策）时，逐字引用确切适用的内容来核实你的论断。

7) 完整性：确保将所有要求、约束、选项和偏好详尽地纳入你的计划。
    7.1) 按照第 1 条中的重要性顺序解决冲突。
    7.2) 避免过早下结论：针对某一情境，可能存在多个相关的选项。
        7.2.1) 要检查某个选项是否相关，请对第 5 条中的所有信息来源进行推理。
        7.2.2) 你可能需要咨询用户，才能知道某项内容是否适用。不要未经核实就假定它不适用。
    7.3) 查看第 5 条中适用的信息来源，确认哪些与当前状态相关。

8) 坚持与耐心：除非上述所有推理都已穷尽，否则不要放弃。
    8.1) 不要因为耗时长或用户不耐烦而退缩。
    8.2) 这种坚持必须是明智的：遇到*暂时性*错误（例如“请重试”）时，你*必须*重试，**除非已达到明确的重试次数上限（例如最多 x 次）**。一旦达到上限，你*必须*停止。遇到*其他*错误时，你必须改变策略或参数，而不是重复同样失败的调用。

9) 抑制你的回复：只有在完成上述所有推理之后才能采取行动。一旦采取了行动，就无法撤回。

后续步骤

• 现在你对提示词设计有了更深入的了解，不妨使用 Google AI Studio 尝试编写你自己的提示词。
• 要了解多模态提示词，请参阅使用媒体文件编写提示词。
• 要了解图片提示词，请参阅 Nano Banana 和 Imagen 提示词指南。
• 要了解视频提示词，请参阅 Veo 提示词指南。