AI Agent 的能力往往取決於「提示」（Prompt）的設計。雖然底層模型（LLM）本身具備強大的語言與推理能力，但若提示寫得不好，Agent 可能出現答非所問、流程混亂或效率低落的情況。Prompt 設計就像是給 Agent 下達「任務規則」與「思考框架」，影響其行為模式。
本文將介紹 Agent Prompt Design 的基本概念，並深入探討兩種經典提示模板：ReAct Prompt 與 Planner Prompt，解釋它們的核心邏輯、優缺點，以及在實際應用中的使用方式。

為什麼需要 Agent Prompt Design？

在傳統的 LLM 使用方式中，我們只會下單純指令（例如：「幫我寫一封英文求職信」）。但在 Agent 框架下，模型不僅要生成文字，還要 規劃、思考、行動、再反思。
這意味著 Prompt 需要更嚴謹，至少包含：
角色設定（Role Instruction）：告訴 Agent 它是誰、要解決什麼問題。
任務流程（Task Flow）：引導 Agent 如何拆解任務、規劃步驟。
互動規範（Interaction Protocol）：告訴 Agent 什麼時候需要呼叫工具、什麼時候要回答。
輸出格式（Output Format）：避免輸出雜亂，方便後續系統解析。
好的 Prompt 能讓 Agent 有條理地行動，避免隨機發揮。

常見的 Prompt 模板
ReAct Prompt
ReAct（Reason + Act）是一種將 推理（Reasoning） 與 行動（Action） 結合的提示設計。
它的核心精神是：
Agent 先「思考」（Reason），寫下它的推理過程。
再「行動」（Act），選擇要使用的工具或輸出答案。
最後進行「觀察」（Observation），並持續迭代。
Planner Prompt
Planner Prompt 側重於「計畫」階段。它要求 Agent 先規劃完整解題步驟，再逐一執行。與 ReAct 的「邊想邊做」不同，Planner 更像是「先寫企劃，再執行」。

寫出「好提示」的建議
明確規範輸出格式
用範例引導 Agent（例如「Final Answer: XXX」）。
避免模糊的「請幫我處理」這種模糊指令。
適度加入角色設定
例如「你是一位專案經理，負責制定計畫」→幫助模型鎖定行為風格。
設計迴圈與停止條件
在 ReAct Prompt 中避免無限迴圈，可以明確寫「最多嘗試 5 次工具調用」。
根據任務選擇範式
如果是需要逐步探索 → 用 ReAct。
如果是需要有全局規劃 → 用 Planner。