作者：一位Android开发工程师 | 2026年5月29日
系列：第2天已掌握temperature/max_tokens，本篇拆解system prompt

---

前言

前两天我学会了调 temperature 和 max_tokens，但它们控制的是LLM的"输出行为"——稳不稳、长不长。今天要学的 system prompt 控制的是LLM的"人格"——它是谁、该怎么说话、有什么规矩。

这就好比同一个Android Activity，通过Intent传入不同参数，展示的UI完全不同。

---

实验一：同一问题，三个人设

问题："我的 Android App 启动很慢怎么办？"

三套system prompt：

# 人设1：技术专家
{"role": "system", "content": "你是资深Android性能优化专家，给可执行的步骤和代码。不要泛泛而谈。"}

# 人设2：产品经理
{"role": "system", "content": "你是产品经理，从用户体验角度分析。关注用户留存率和转化率，用数据说话。"}

# 人设3：新人导师
{"role": "system", "content": "你是耐心的技术导师，用通俗比喻解释。回答不超过100字。"}

回答对比

技术专家（节选）：

//在 onCreate() 方法中避免耗时操作。延迟加载非必要资源：
new Handler().postDelayed(() -> {
    // 加载非必要的资源
});

→ 给了具体步骤和Java代码，技术方案清晰。

产品经理（节选）：

启动速度影响用户留存率和转化率。
使用 Firebase Performance Monitoring 收集启动时间数据。
收集用户反馈，了解用户对启动速度的感受。

→ 谈数据、谈指标、谈用户感知，一个字不提代码实现。

新人导师（完整回答）：

把你的 App 想象成一个餐馆，启动慢就像顾客进门后要等很久才能点菜。
减少开门时的准备工作，比如提前准备菜单（优化代码），
或者减少顾客一进门就要做的事情（延迟加载不必要的功能）。
这样，App启动就会更快！

→ 没有任何技术术语，用"餐馆点菜"的比喻把问题讲清楚了。

同一个API，同一个问题，只改了一行 system prompt。输出从代码变成指标报告再变成生活比喻。

---

实验二：控制输出格式

如果把system prompt改成格式约束，LLM会老老实实按要求输出：

{"role": "system", "content": 
 "只返回JSON。格式：{'原因':[...],'方案':[...]}。不要输出其他任何内容。"}

输出：

{"原因":["应用资源加载过多","主线程阻塞","不必要的初始化操作"],
 "方案":["优化资源加载，延迟加载","使用异步任务","减少启动时初始化"]}

这是标准合法JSON，可以直接被 json.loads() 解析。同时用表格格式也能完美输出：

原因	影响	解决方案
应用体积过大	启动时间延长	减少资源，优化图片
过多的初始化	启动时阻塞	延后非必要初始化
主线程阻塞	渲染时间增加	使用异步任务

后面Agent需要返回结构化数据时，就靠这种system prompt控制。

---

实验三：约束行为

加三条不同的约束，观察LLM的"服从程度"：

system prompt	回答行为
"你是Android开发助手"	正常推荐方案，可能涉及第三方库
"绝对不要推荐任何第三方库或框架，只给原生方案"	全部给原生Android方案，一个库名都没出现
"回答任何问题之前，必须先反问用户一个澄清问题"	只反问了一句，根本没回答问题

第三条最值得注意——约束太强，LLM被"不许回答问题直到反问"这个规则卡死，宁可什么都不答也不敢违反规则。

这让我想到一个重要的教训：写system prompt就像写代码规范，太松没效果，太紧反而不干活。后面写Agent行为准则时，这一点会反复出现。

---

动手练习：换成真实工作问题

把问题改成 "RecyclerView滑动卡顿怎么优化"，三种人设再跑一次：

技术专家：setHasFixedSize(true)、ViewHolder重用、布局扁平化
产品经理：淡滑动体验影响留存的、建议禁用ItemAnimator减少绘制开销
新人导师：车太重就开得慢，清理重物、选平坦的路

三个答案各有价值——如果我要说服老板做性能优化，PM那个版本的措辞比技术版有效得多。

---

今天的一句话总结

system prompt是LLM的"角色设定"——"你是XXX专家"控制人设，"只输出JSON"控制格式，"绝对不要XXX"控制行为。这是Agent行为准则的雏形。

---

下一篇预告

第4天：多轮对话——LLM没有记忆，它是怎么"记住"上下文的？答案出奇简单。

---

本系列记录一位Android开发者转行AI Agent的完整学习过程，欢迎关注交流。