两周前，我在写一篇关于如何从电商网站抓取商品数据的文章时，差点把自己折腾病了。
原因是这样的：我尝试用自己为 Datablist AI Assistants 设计的数据分类与编辑 Prompt 框架，抓取 GymShark 电商网站上的商品。刚开始一切正常，但抓回来的数据没有正确归类，导致整个数据集都无法使用。
那时我才意识到：不同的 AI 和使用场景，需要完全不同的 Prompt。
编写 Prompt 时，一些看似不起眼的细节也会造成巨大差异，哪怕漏掉 5% 的细节，都可能让输出结果彻底失去价值。
开始吧！
如果你需要一份 AI Agent Prompt 模板，可以先明确输入数据、需要检查的信息源、具体的输出字段，以及找不到证据时该如何处理。以企业调研名单为例，一条实用的简短 Prompt 可以这样写：
针对每一行数据，使用
Company Website中的网址访问该公司的官方网站。返回Industry、Evidence URL和Status。如果无法验证所属行业，请填写Not found，不要根据公司名称猜测。将输出结果保留在对应的原始行中，方便我审核不确定的结果。
这样就为 Agent 指定了信息源和输出规范。先用几条差异较大的数据进行测试，检查 Evidence URL，再根据结果调整指令，最后运行完整名单。下文的详细模板会展示如何将这一模式扩展到多步骤调研任务中。
本文核心要点：
- Datablist 的 AI Agents 可以搜索 Google、访问网站、调用 API 等
- 使用 AI Agent 时，好的 Prompt 会显著影响最终结果
- 遵循最佳实践，可以更轻松地为 AI Agents 编写 Prompt
- Datablist 提供 Prompt 模板，但掌握编写方法仍然最重要
Datablist AI Agents 与 AI Assistants 对比
要理解 AI Agents 和 AI Assistants 在 Prompt 写法上的区别，首先需要弄清楚二者各自具备哪些能力。
下面用两个简短的介绍，说明这些工具分别能做什么：
AI Assistant
Datablist 中的 AI Assistants 主要用于读取、分类、提取、编辑和生成文本或代码。
AI Agent
Datablist 中的 AI Agents 是配备了多种工具的 AI 系统，可以执行 Google 搜索、渲染 HTML 代码、浏览多个页面、调用 API，以及访问 Google News、网站和电商平台并提取结果等任务。
💡 简单易懂
你可以把 AI Agents 理解为处理外部数据的系统，而 AI Assistant 则主要处理 Datablist collection 中的数据。
Datablist AI Agent 的能力
要为 AI Agent 编写有效的 Prompt，我们需要先了解它可以使用的工具和能力，包括：
- 搜索 Google
- 搜索 Google News
- 提取和生成文本或代码
- 获取账户信息
- 访问网站
- 对网站进行分页浏览
- 渲染 HTML
- 调用 API
为 Datablist AI Agents 编写 Prompt 的 11 条规则
了解可用工具后，可以运用以下规则，让 Prompt 更容易执行，结果也更便于审核。清晰的 Prompt 能减少歧义，但无法保证答案绝对准确。具体规则如下：
- 把 Prompt 当作路线图：你需要通过具体要求引导 Agent，而不是只下达一个笼统命令，然后期待它自动完成。
- 始终先说明目标，并提供必要的背景信息。
- 为 Prompt 的每个部分添加明确标签，帮助 Agent 理解内容，并区分不同操作或命令。
- 使用清晰的命令调用 AI Agent 的工具，例如“搜索 Google”“提取文本”“获取 HTML 代码”等。
- 为输出字段添加标签并提供具体示例，这些内容将作为输出配置的基础。
- 如果要抓取特定信息，请告诉 Agent 可以在网站的哪个位置找到它。
- 使用分隔符（
.===）划分 Prompt 的不同部分，让结构更加清晰。 - 明确告诉 Agent 需要避免哪些错误。
- 规定遇到错误和缺失数据时应如何处理。
- 持续迭代 Prompt，不要一看到糟糕的输出就怪 AI Agent（我以前也这么做）。
- 始终把 Agent 需要读取数据的来源列放在 Prompt 的最后。
遵循这些 AI Agent Prompt 编写原则和最佳实践，可以减少 credits 消耗，也能省下大量反复修改 Prompt 的时间。
📘 好的 Prompt 至关重要
即使不遵循上述任何规则，AI Agent 也可能正常运行。不过，采用这些规则后，结果通常会好得多，因为 Prompt 的结构确实会直接影响输出质量。
AI Agent Prompt 示例：优秀与糟糕写法对比
AI Agent Prompt：优秀示例
我们先看一个优秀的 Prompt，再看看糟糕的版本。
这是我最近为了从电商网站抓取商品数据而编写的一份 Prompt。
下面具体分析一下，为什么这是一份优秀的 Prompt：
- 开头就给出了具体、定义清晰的目标和背景
- Prompt 包含多个带标签的部分，AI 很容易理解
- 使用了清晰、以行动为导向的命令
- 各项命令遵循明确的执行顺序
- 详细说明了要查找的信息，并给出示例
- 告诉 Agent 如何处理数据不一致和错误
- 明确列出了需要避免的错误
- 使用
.===清楚地分隔各个部分 - Prompt 结构完整，可以逐步引导 AI 执行要求
- 最后关联了包含源数据的列
AI Agent Prompt：糟糕示例
如果你觉得我只是个很会写 Prompt 的技术达人，那我要说实话：首先，我不会写代码；其次，我以前写的 Prompt 是这样的：
没错，有些人可能仍然觉得它写得不错，但事实并非如此——因为它的输出结果非常糟糕。
这个例子存在很多问题。虽然看起来很专业，但这份 Prompt 以及由此生成的结果都没有实际价值。下面是我犯过的错误，以及你可以如何避免它们：
糟糕原因 1：结构一般
这份 Prompt 缺少清晰的流程和组织结构。
如何避免：
把目标拆分成具体步骤，就像你在向另一个人解释任务一样。 例如：
- 首先，访问网站。
- 然后，找到商品区域。
- 最后，提取价格。
糟糕原因 2：标签含糊
标签和各个部分的名称不够具体。
如何避免：
使用清晰、日常的语言为每个部分命名。不要写 Data Parameters，可以改成 Product Information to Extract；不要写 Input，可以改成 Website URLs to Process。
糟糕原因 3：输出无结构且缺少示例
没有清楚定义数据格式和预期的输出示例。
如何避免：
始终同时提供数据结构（可使用编号列表）和 2～3 个具体的预期输出示例。
示例：
1. 商品名称：Nike Air Max；Adidas Ultraboost；Puma RS-X；
2. 价格：$120；$180；$110；
3. 颜色：黑色；云朵白；高危红；
4. 尺码：US 9；US 10.5；US 8；
5. 材质：网布与合成材料；Primeknit；皮革与网布；
糟糕原因 4：缺少明确的执行顺序
各项操作没有按照合理的逻辑顺序排列。
如何避免：
像给朋友指路一样编写步骤——“先做这个，再做那个”。
示例：
1. 打开网站；
2. 找到商品区域；
3. 提取数据
使用 AI Agents 最常见的 3 个错误
加入 Datablist.com 之后，我与许多希望使用 AI Agent 的客户进行过交流。在这些对话中，我发现大家经常会犯几类相似的错误——请务必避开它们。
-
不愿意认真写 Prompt： 有些人以为，即使不告诉 AI 自己在想什么，AI 也能自动理解。他们想节省时间，却觉得花时间去设计一个能真正省时的流程很荒唐——不要成为这样的人。
-
指令过于模糊： 不要只说“获取商品信息”，而要准确列出需要的数据点，例如“从商品详情区域提取商品名称、美元价格和可选尺码”。
-
忽略错误处理： Prompt 应包含处理缺失数据或意外情况的指令，例如“如果没有价格，则标记为
N/A”。
编写 Prompt 值得投入多少时间
你需要考虑这套工作流能带来多少价值，以及它可以为你节省多少时间。
我个人会投入很多时间编写 Prompt，既为自己使用，也为了帮助我们的用户。
使用 Grok 时，我不会花 30 分钟写一份 Prompt，而是先提出初步要求，再根据结果不断迭代，因为我通常不会让它处理特别复杂的任务。但如果要为邮件个性化或数据清洗编写 Prompt，我就会认真投入时间，因为这样能减少后续排查问题、修改 Prompt 和重新运行任务所花的时间。
LangChain 创始人 Harrison Chase：“我认为，我们还没有真正找到与这些 Agent 应用交互的最佳方式。由于它们还不够可靠，人类参与审核仍然很有必要。但如果人工介入得太多，Agent 本身又发挥不了多少实际作用。所以，这里面存在一种很微妙的平衡。”
可直接修改的 AI Agent Prompt 模板与示例
复制下面的模板，并用你自己的输入数据、信息源和输出字段替换每个占位符。 如果答案来自网站，请同时提供 Evidence URL。正式大规模运行前，先用少量数据测试，并同时检查成功结果和数据缺失的情况。
我的目标：[说明这项调研将支持什么决策，以及需要使用哪个输入列。]
===
我希望你：
- 首先，检查 [Input Column] 中提供的信息源。
- 然后，提取所需字段，并记录作为证据的页面 URL。
需要提取的信息（含示例）：
- 字段 1：[字段名称及一个有效示例]
- 字段 2：[字段名称及一个有效示例]
- Evidence URL：[能够证明上述字段信息的页面]
- Status：Found、Not found 或 Needs review
如何处理数据不一致：
- 如果页面无法打开或缺少所需字段，请返回 Not found，并将该字段留空。不要根据域名或公司名称进行猜测。
需要避免的错误：
- 不要混用名称相似公司的信息。每项结果必须与其原始输入行保持关联。
Input Column：[填写 collection 中包含源 URL 或其他标识符的列名。]
下面是这套框架在电商数据抓取场景中的应用示例：
我的目标：我有一份电商网站名单，需要从中获取特定的商品信息。
===
我希望你：
- 访问我接下来提供链接的每个网站
- 提取每件商品的信息，具体字段将在下文说明
我需要查找以下信息（含示例）：
- 商品名称（Traveler XP 300）
- 以页面所示货币计价的商品原价（$30；€10）
- 商品类别（旅行背包；商务包）
- 商品规格 1（30L 容量；17.4×14.3×8）
- 商品规格 2（黑色；11 个隔层）
- 特殊标签（Last chance；Limited offer）
如何处理数据不一致：
- 每种类型只返回一项信息
- 如果数据不可用，则返回 "N/A"
需要避免的错误：
- 不要返回任何不属于上述数据类型的内容，例如 CTA、评论等。
- 各页面的结构不一定相同，但所有商品都有足够清楚的标签，你应该能够识别各个数据点之间的区别。
需要抓取商品的网站：/Category Pages
下面是这套框架在媒体调研场景中的应用示例：
我的目标：根据指定人员的姓名和公司名称，查找近期的媒体报道。
===
任务说明：
- 在 Google 上搜索提及每位目标人物的新闻或媒体文章
- 访问提及目标人物的网站
- 按照下方要求，提取与这些报道相关的信息
需要提取的信息（含示例）：
- 文章标题（"John Smith 创办新科技初创公司"）
- 媒体名称（The Tech Times）
- 发布日期（2025-05-20）
- 提及类型（采访、新闻报道、新闻稿）
数据处理规则：
- 仅提取最近 3 个月内最新的一条报道
- 如果最近 3 个月内没有找到相关报道，则返回 "No recent mentions"
需要避免的错误：
- 不要收录社交媒体上的提及，直接忽略即可
- 不要混淆同名或姓名相近的人，因此必须始终匹配“全名 + 公司名称”
- 跳过赞助内容或广告
- 确认发布日期位于指定时间范围内
目标人物的全名：/People to Research
===目标人物的公司名称：/company name
AI Prompt 编写常见问题
1. 真的需要花时间写 Prompt 吗？直接告诉 AI 我的需求不行吗？
虽然编写 Prompt 看起来很花时间，但如果想获得准确结果，就必须投入时间把指令写清楚。模糊的指令只会带来模糊的输出，最终你需要花更多时间反复调整和纠错。
2. 优秀 Prompt 和糟糕 Prompt 的区别是什么？
优秀的 Prompt 结构清晰、指令具体，会提供预期输出示例和错误处理规则。糟糕的 Prompt 往往含糊、缺少结构和示例，也没有考虑潜在错误或数据不一致的情况。
3. 有没有简单易用的 Prompt 编写模板？
有。本文提供了一份包含五个主要部分的模板：目标、任务说明、需要提取的信息、数据处理规则，以及需要避免的错误。每个部分都应使用 === 清楚分隔。
4. Prompt 中的示例应该写得多详细？
示例应当足够具体，并覆盖可能遇到的不同情况。例如，提取商品信息时，可以提供不同格式、货币或计量单位的示例。
5. Prompt 中最不能省略的部分是什么？
错误处理和“需要避免的错误”这两部分至关重要。它们可以减少常见问题，并确保 Agent 即使遇到意外数据或特殊场景，也能保持输出一致。