智能体设计模式 01 - 提示链：别再盲目调优 Prompt！用 Rust + Rig 玩转提示链全实战

智能体设计模式 01 - 提示链：别再盲目调优 Prompt！用 Rust + Rig 玩转提示链全实战

01 导语：为什么你的Prompt总在翻车？

你是否经历过这样的挫败，为了让大模型完成一个复杂任务（如：分析财报 → 提取数据 → 撰写邮件），你写了一段长达两页纸的终极 Prompt，结果模型要么漏掉了关键信息，要么输出格式混乱。

这不是模型不够强，而是认知负荷过载

在大模型（LLM）开发领域，这种试图大力出奇迹的做法正逐渐失效。单次调用（Single Prompt）的认知负荷上限，正是AI幻觉与不稳定的温床。

吴恩达（Andrew Ng）早就指出：与其追求一个完美的Prompt，不如构建一个能够迭代、拆解的智能体流水线（Agentic Workflow）。今天，我们聊聊智能体设计模式的开篇之作——提示链（Prompt Chaining） 。

02 什么是提示链？

提示链（Prompt Chaining） ，有时也被称为管道模式（Pipeline Pattern） ，简单来说就是「把复杂任务拆成多个小步骤，一步一步解决」的AI工作模式。

核心思想是分而治之，它不期望模型在一个步骤中解决所有问题，而是将复杂任务拆解为一系列更小、更易管理的子任务。每个步骤的输出作为下一步的输入，通过依赖关系建立起逻辑链条。

想象一下，你让一个人一次性完成「分析一份市场报告、提取关键数据、生成可视化图表、撰写总结邮件」，他很可能手忙脚乱。但如果把任务拆成四步，每一步只专注做一件事，效果就会好很多。

提示链就是这个道理，它不期望LLM一步到位解决复杂问题，而是采用「分而治之」策略：

• 将大任务拆解为一系列小任务
• 为每个小任务设计专门的提示
• 前一步的输出作为下一步的输入

这样做的好处是，每一步都更简单明确，模型认知负荷降低，输出质量自然就提高了！

03 结构解析：智能体流水线

一个完整的提示链就像一条生产线，每个环节都有明确的分工：

• 任务分解器：像工厂的规划师，把复杂任务拆成一个个小任务
• 记忆/状态管理：像传送带，在步骤间传递信息，确保上下文不丢失
• 决策器：像质检员，根据前一步的结果决定下一步怎么做
• 执行器：像工人，执行具体的LLM调用和数据处理
• 输出验证：像品控，确保每一步的输出都符合质量标准

这样的结构化设计，让AI从「单打独斗」变成了「团队协作」，能力自然大幅提升。

04 具体应用场景：提示链的降维打击

提示链在实际应用中非常广泛，以下是7个典型场景：

1. 信息处理工作流

适用场景：分析大量文档、生成研究报告、自动化内容分析、AI驱动的研究助手开发 具体例子：

• 第一步：从给定的URL或文档中提取文本内容
• 第二步：总结清洗后的文本
• 第三步：从总结或原文中提取特定实体（如姓名、日期、地点）
• 第四步：使用这些实体搜索内部知识库
• 第五步：结合总结、实体和搜索结果，生成最终报告

2. 复杂问答系统

适用场景：需要多步推理的专业问题、多步信息检索 具体例子：

• 第一步：识别用户查询中的核心子问题
• 第二步：分别收集每个子问题的信息
• 第三步：整合信息生成最终答案

3. 数据提取与转换

适用场景：处理发票、表单等非结构化数据、OCR处理 具体例子：

• 第一步：从发票中提取特定字段（如姓名、地址、金额）
• 第二步：验证字段完整性和格式
• 第三步：如果字段缺失或格式不正确，专门查找缺失信息
• 第四步：再次验证结果，如有必要重复
• 第五步：提供经过验证的结构化数据

4. 智能内容生成

适用场景：撰写文章、报告、营销文案、创意故事、技术文档 具体例子：

• 第一步：基于用户的兴趣爱好，生成多个主题
• 第二步：允许用户选择一个主题或自动选择最好的一个
• 第三步：基于选定的主题，生成详细的大纲
• 第四步：基于大纲的各点撰写草稿，提供前一部分作为上下文
• 第五步：审阅和润色完整的初稿，确保连贯性、语气和语法

5. 有状态的对话智能体

适用场景：多轮对话系统、需要保持上下文的交互 具体例子：

• 第一步：处理用户的第一轮发言，识别意图和关键实体
• 第二步：更新对话状态，包含意图和实体
• 第三步：基于当前状态，生成响应或识别下一个所需的信息
• 第四步：在后续对话中重复此过程，利用不断积累的对话历史

6. 代码生成和优化

适用场景：AI辅助软件开发、代码编写和优化 具体例子：

• 第一步：理解用户的需求，生成伪代码或大纲
• 第二步：基于大纲，编写初始版本的代码
• 第三步：识别代码中可能存在的错误或需要改进的地方
• 第四步：基于识别出的问题，重写或优化代码
• 第五步：添加文档或测试用例

7. 多模态和多步推理

适用场景：分析包含多种模态（如图像、文本、表格）的数据 具体例子：

• 第一步：从用户的图像请求中提取并理解文本内容
• 第二步：将提取出的图像文本与其对应的标签进行关联
• 第三步：利用表格来解读已收集到的信息，以确定最终需要输出的内容

05 实战示例：Rust + Rig + Ollama 本地跑通

目标

用 Rust 实现一个两步骤的提示链，从非结构化文本中提取技术规格并转换为结构化JSON格式。

实现原理

我们将创建两个智能体：

1. 提取智能体：从文本中提取技术规格
2. 转换智能体：将提取的内容转换为结构化JSON

关键代码

// 初始化 Ollama 客户端（本地运行，无需API Key）
let client: ollama::Client = ollama::Client::new(Nothing)?;

// Step 1: 提取 Agent - 专门负责提取技术规格
let extractor_agent = client
    .agent("qwen2.5:14b")  // 使用 qwen2.5 模型
    .preamble(
        "You are a technical analyst. \
         Extract only the technical specifications from the user's input.",
    )
    .temperature(0.0)  // 设为0，确保输出稳定
    .build();

// Step 2: 转换 Agent - 专门负责格式转换
let transformer = client
    .extractor::<Specifications>("qwen2.5:14b")
    .preamble(
        "You are a JSON formatting assistant. \
         Convert the provided specifications into the required JSON structure.",
    )
    .build();

// 运行 Prompt Chain
let extracted_text = extractor_agent.prompt(input_text).await?;
let specs = transformer.extract(&extracted_text).await?;

运行步骤

1. 环境准备：

   • 安装 Ollama：ollama.com/download
   • 下载模型：ollama pull qwen2.5:14b

2. 项目配置： 在 Cargo.toml 中添加依赖：

   [dependencies]
   rig = "0.1.0"
   dotenvy = "0.15.0"
   serde = { version = "1.0", features = ["derive"] }
   schemars = "0.8.16"
   tokio = { version = "1.0", features = ["full"] }
   

3. 运行命令：

   # 启动 Ollama 服务
   ollama run qwen2.5:14b
   
   # 运行示例
   cargo run --example chapter_01_prompt_chaining_example
   

运行效果

输入：

The new laptop model features a 3.5 GHz octa-core processor, 16GB of RAM, and a 1TB NVMe SSD.

输出：

{
  "cpu": "3.5 GHz octa-core",
  "memory": "16GB",
  "storage": "1TB NVMe SSD"
}

实战提示

Rig 的 extractor 配合 schemars 自动生成 JSON Schema，让 LLM 输出直接映射到 Rust 结构体，彻底告别手动解析。

06 选型对比：Rig vs LangChain-Rust

在 Rust 生态中，选型决定了你的开发体验：

维度	Rig (推荐)	LangChain-Rust
API 设计	简洁直观，Builder 模式，类型安全	宏驱动，深度模仿 Python 版
性能损耗	极低（零成本抽象）	较高（运行时动态分发）
上手难度	极低，Rust 开发者友好	中等，需理解 LangChain 核心概念
典型 API	extractor::<T> 配合 schemars	复杂的 Chain 与解析器组合
适用场景	高性能、定制化智能体	复刻 Python 工作流
扩展能力	模块化设计，易于扩展	插件系统完善，扩展性强

如何选择？

• 选 Rig：如果你是 Rust 开发者，追求简洁高效，快速实现原型
• 选 LangChain-Rust：如果你需要与其他语言版本的 LangChain 兼容，或需要更复杂的功能

API 差异示例

// 1. 客户端初始化
// Rig - 简洁的 Nothing 类型
let client = ollama::Client::new(Nothing)?;
// LangChain-Rust 
let ollama = Ollama::default().with_model("llama3.2");

// 2. Agent 构建
// Rig - Builder 模式，链式调用
let agent = client.agent("llama3.2").preamble("...").build();
// LangChain-Rust 
let agent = ConversationalAgentBuilder::new()
        .tools(&[Arc::new(command_executor)])
        .options(ChainCallOptions::new().with_max_tokens(1000))
        .build(ollama)
        .unwrap();

// 3. 结构化输出
// Rig - 自动派生 JsonSchema，类型安全
let result: MyStruct = extractor.extract(input).await?;
// LangChain-Rust - 手动指定解析器
let executor = AgentExecutor::from_agent(agent).with_memory(memory.into());
let result = executor.invoke(input).await?.parse::<MyStruct>()?;

07 为什么你应该用 Rust 写 AI Agent？

• 极致性能：零成本抽象让推理延迟降到最低，适合实时响应场景。
• 强类型安全：借助 schemars 自动生成 JSON Schema，引导模型输出精准数据，编译通过即意味着运行时少踩坑。
• 并发优势：tokio 异步生态能以极低开销处理高并发的提示链 I/O 请求。
• 本地私有化：Rust 编译产物极小，与 Ollama 协同部署在本地，无需 API Key，更安全更快速。

08 优点与挑战

优点

• 可靠性：分步处理降低了模型的认知负荷，输出质量显著提高
• 可维护性：模块化设计让系统更易于理解和调试
• 灵活性：可以根据需要调整提示链的长度和复杂度
• 可扩展性：易于集成外部工具和数据源，功能无限扩展

挑战与解决方案

挑战	解决方案
延迟增加：多步骤调用会增加响应时间	采用并行处理和缓存策略
错误传播：一步出错影响整个链条	实现错误处理和重试机制
上下文丢失：长链条可能丢失信息	设计合理的状态管理
成本增加：多步骤调用增加 API 成本	优化提示和模型选择

在设计提示链时，合理控制链的长度，通常 3-5 步是最佳选择，过长会增加复杂性和延迟。

立即行动

想获取更多 Rust + AI Agent 实战案例？ 欢迎关注 「Rust 知行社」，点击下方卡片，带你用 Rust 重新定义智能体。

1. [尝试示例] ：克隆 示例仓库 并在本地跑通代码。
2. [关注动态] ：Star Rig 和相关仓库，跟踪 Rust AI 生态进展。
3. [加入讨论] ：在评论区分享：你在构建复杂 Prompt 时遇到的最大的问题是什么？

参考资料

1. Rig 官方仓库
2. Ollama 文档
3. LangChain-Rust
4. Rust 知行社示例仓库
5. Agentic Design Patterns - Prompt Chaining 指南

本文使用 markdown.com.cn 排版