新上线昨天0 投票
Amazon Quick 提示工程全解析：按组件拆解最佳模式与常见陷阱
在 Amazon Quick 中，提示工程的基础原则——具体性、上下文设定、少样本示例以及 CRISPE 框架——适用于所有场景。但每个组件对提示的解读方式不同，因此需要针对性的策略。本文是系列第二部分，逐一拆解 Quick Research、Quick Flows、Quick Sight、聊天代理和操作集成的提示模式，并指出常见陷阱。
Quick Research：从模糊目标到可执行报告
Quick Research 代理会将你的目标拆解为子主题，搜索企业数据和外部来源，最终生成带引用的结构化报告。目标越具体，报告越有行动价值。
AWS 文档明确指出：“要具体说明你想实现什么、为谁、以及为什么。”一个强有力的目标应包含：
- 主题：明确研究领域
- 时间范围：限定数据区间
- 受众：报告为谁而写
- 重点输出：最关注哪些维度
例如：
分析过去 12 个月美国医院系统对生成式 AI 的采用情况。重点关注两个领域：临床决策支持工具和行政自动化（排班、计费、记录管理）。面向正在决定下一步投资的医疗 IT 高管撰写报告。
这个目标告诉代理调查什么、用什么视角、读者关心什么。在撰写目标前，先问自己：这项研究将支持什么决策？谁会阅读？什么内容会让他们觉得“这正是我需要的”？
分解复杂主题为子问题
Quick Research 会自动拆解目标，但手动列出具体问题能获得更好结果。对于多面性研究，明确列出你想回答的问题，给代理更清晰的指引，减少遗漏。
其他组件的提示模式
- Quick Flows：用于自动化流程。提示需明确触发条件、步骤顺序和期望结果。避免模糊的“自动化这个流程”，而应指定输入、输出和异常处理。
- Quick Sight：数据可视化。提示需指明数据源、维度和度量、图表类型偏好。陷阱是假设代理知道你的业务术语，应提供字段映射。
- 聊天代理：团队知识访问。提示应设定角色、知识范围和回答格式。常见陷阱是未限制范围，导致代理回答超出知识库的问题。
- 操作集成：跨系统工作流。提示需定义系统间数据映射和权限。陷阱是忽略错误处理，导致流程中断。
常见陷阱与规避
- 过度依赖自动拆解：手动提供子问题能提高精度。
- 忽略受众：未指定受众会导致报告深度和术语不匹配。
- 缺乏时间范围：研究可能包含过时数据。
- 未定义输出格式：报告结构可能不符合预期。
- 假设代理理解业务上下文：需显式提供术语和字段说明。
通过针对每个组件定制提示，并避免这些陷阱，你可以从 Amazon Quick 获得更精准、可操作的结果。
