一、用不同 Prompt 技巧改进提示词（Improve Prompts Using Different Prompt Techniques）
与 agent 协作时，提示词工程（prompt engineering）是任何专业人士最重要的技能之一。虽然 agent 及其底层的 LLM 天生会回应自然人类语言的提示与风格，但优化提示词以获得更好结果仍需要技巧。掌握更高级的提示词工程策略，能帮你从单个 AI 应用跃升到可随需求演进的业务级解决方案。
完成本单元后，你将能够：
- 用相关上下文增强提示词，改善 AI 输出；
- 引导 AI agent 完成推理步骤，从而准确解决问题；
- 概述提示词生命周期中的各个步骤。
零样本提示（Zero-Shot Prompts）
零样本提示（zero-shot prompt），也叫直接提示（direct prompt），是大多数人第一次使用 AI 时最先想到的方式：给模型直接指令，不带任何额外上下文或示例。
它适用于创意项目头脑风暴、总结网站等任务——这些任务不需要太多额外框架就能得到可靠结果。例如：
- 「总结这份会议记录，并为每位参与者列出行动步骤。」
- 「写一段在网站更新时发送推送通知的代码。」
但对于具体、可执行的任务，零样本提示给模型提供的框架过宽，难以产出有用的结果。此时可以借助 少样本（few-shot）、思维链（chain-of-thought） 和 角色（role-based） 提示等技巧来让 AI 更好地帮你。
少样本提示（Few-Shot Prompts）
少样本提示（few-shot prompting）是一种技巧：给 AI 提供几个你想让它完成的任务示例。通过在提示中展示示例，模型学会其中的模式，并产出相关的结果。
在涉及 Salesforce 记录、自动邮件草稿、案例摘要或自定义 Flow 时尤其有用——这些场景下结构和风格至关重要。与其用文字描述想要的格式，不如直接展示给它看。
少样本：何时使用
在以下场景使用少样本提示：
- 你需要特定的输出格式；
- 你想让 AI 模仿特定的语气、结构或风格；
- 任务复杂或领域性强——例如用你公司自己的口吻总结客户支持案例。
在这三种情况下，几个示例能传达的信息远多于文字描述。
少样本示例：客服案例摘要
假设你在 Salesforce 中构建一个 AI 助手，帮客服总结支持案例，并希望它遵循「问题 · 解决方案 · 后续步骤」的固定格式。
少样本提示的写法是：先设定角色——「你是一名 Salesforce 客服」，然后给出两个符合 Case / Resolution / Next Steps 格式的完整示例，最后要求它总结一个新案例。例如：
- 示例 1：Case「客户反馈仪表板在移动设备上无法加载」→ Resolution「清除浏览器缓存并验证移动端兼容性设置」→ Next Steps「2 天后跟进确认功能正常」。
- 示例 2：Case「用户无法通过自助门户重置密码」→ Resolution「手动重置密码并更新门户配置」→ Next Steps「监控其他用户是否有类似问题」。
最后问「现在总结这个案例：客户无法通过 Experience Cloud 网站上传超过 20MB 的大文件」，模型便从示例中学会了结构，按同样的格式返回摘要。
思维链提示（Chain-of-Thought）
思维链提示（chain-of-thought，简称 CoT）引导 AI 在给出答案前先「把思考说出来」。模型不再直接跳到回答，而是逐步走过中间推理步骤，从而提升准确率——尤其在多步骤或逻辑繁重的任务上。
在 Salesforce 中，这在推理至关重要的场景尤其有用，包括：
- 线索分级（lead qualification）；
- 案例路由（case routing）；
- 预测场景（forecasting）。
本质上，你是在让模型展示它的「解题过程」。
思维链示例：线索分级
此例中，你构建一个自定义 GPT 操作，帮销售代表根据 Salesforce 记录中的字段对线索分级。你希望模型在把线索标为 Hot、Warm 或 Cold 之前先逐步思考，依据以下字段：
- Lead Source（线索来源）、Industry（行业）、Budget（预算）、Purchase Timeline（采购周期）。
提示中给出两个带推理的示例：
- 示例 1：Referral · Tech · $80,000 · 1 个月 → 推理「推荐来源意味着强意向，技术行业周期短，预算高」→ Hot。
- 示例 2：Web · Nonprofit · $5,000 · 6 个月 → 推理「网络线索若无紧迫性则偏冷，预算低、周期远」→ Cold。
然后要求模型分级一条新线索，迫使它套用同样逻辑再下结论。
角色提示（Role-Based Prompting）
角色提示（role-based prompting）是在要求 AI 完成任务前，先为它指定一个具体角色或人设，让模型的语气、专业度和决策风格与该角色对齐——就像 Salesforce 用户在日常工作中的表现一样。
当角色定义清晰时，AI 可以：
- 模仿特定岗位的语言和行为；
- 从该用户的视角理解任务；
- 产出更相关、更准确、更像人类的输出。
角色提示与来自你 org 的动态数据结合时威力更强——用 {{Contact.FirstName}}、{{Case.Subject}} 等合并字段来个性化提示词。
角色提示示例：销售跟进邮件
在此场景中，你创建一个 GPT 驱动的助手，帮销售代表在发现电话（discovery call）后起草跟进邮件。你希望 AI 采用 Salesforce 客户经理（account executive）的思维和语气。
提示词先指定角色——「扮演一名 Salesforce 客户经理」，然后要求起草一封跟进邮件：
- 回顾关键痛点；
- 突出 Salesforce 能如何提供帮助；
- 包含下一步会议的 CTA（行动号召）。
语气要专业、自信、聚焦价值。同时把通话细节喂给它：客户苦于销售与服务数据割裂、正在用电子表格和遗留工具、希望改善跨团队协作与可见性。最终产出的邮件读起来就像一位真正的客户经理写的，贴合实际对话。
对话式提示（Conversational Prompts）
有时最强大的提示不只是给指令，而是创造一段对话。对话式提示（conversational prompts）引导 AI 进行一场模仿人类 Salesforce 代理或用户与同事、客户、系统互动方式的对话。
与提供静态指令或示例的零样本/少样本提示不同，对话式提示通过一来一回的交流塑造 AI 行为。在以下场景使用：
- 你想让 AI 表现得像一位贴心的协作者，而非工具；
- 你在为 Slack、机器人或引导式体验构建基于聊天的 Flow；
- 你需要动态的多轮交互，让 AI 根据不断变化的输入做出回应。
对话式示例：入职助手
假设你构建一个 Flow，引导新 Salesforce 管理员完成首次 org 设置。与其一次性倾倒所有信息，不如让 AI 逐步引导——提问、提供选项，让体验更像一场实时的入职培训。
提示词是：「你是一名乐于助人的 Salesforce 入职助手。请提出澄清性问题，逐步引导用户完成设置任务，并在需要时提供建议。让体验像一场实时对话。」
AI 的输出示例：先打招呼「欢迎使用 Salesforce！我来帮你完成 org 设置」，接着问「首先，你打算主要把 Salesforce 用于销售（Sales）、服务（Service），还是两者？」——然后根据用户的回答调整下一步，形成真正的一来一回的入职对话。
反事实提示（Counterfactual Prompts）
反事实提示（counterfactual prompts）要求 AI 推理「另一种现实」——如果事情不同，会发生什么？当你希望模型评估场景、解释结果、或通过想象假设性变化来提出改进时，这种技巧很有用。
在 Salesforce 中，它可用来：
- 排查某条记录、交易或营销活动为何表现不及预期；
- 让 AI 基于「本可能发生什么」提出优化建议；
- 辅导用户、复盘历史案例以改善未来结果；
- 构建模拟来帮助团队探索潜在策略或风险。
它把模型变成了一个「假如」引擎。
反事实示例：丢单复盘
此例中，你构建一个助手，帮销售经理辅导团队复盘丢单。提示词指定「销售教练」角色，并要求两件事：解释这笔交易为何丢失，然后给出反事实场景——本可以改变什么来赢得它。
输入是丢失商机的数据：决策人未参与、演示偏重功能而非结果、异议是「平台感觉太复杂」、竞争对手 BigDigital。模型先诊断根因，再想象一条替代路径：更早让决策人参与、把演示聚焦在业务影响上，结果可能就会反转。
创意提示（Creative Prompts）
创意提示（creative prompts）帮助 AI 生成原创、富有想象力、风格引人入胜的内容——无论是头脑风暴营销活动名称、起草活动主题，还是撰写抓人眼球的主题行，创意提示都能让 AI 发挥其生成优势。
在 Salesforce 中，创意提示在营销、品牌建设、内部沟通和体验设计中大放异彩——任何需要一点原创性来提升影响力的地方。当你需要新点子（名称、口号、标题、概念）、需要带语气/主题/品牌个性的内容、或需要多样性来突破空白页时，都可以使用。
创意示例：营销活动命名
此例中，你构建一个助手帮营销人员为即将到来的 Salesforce 活动头脑风暴名称，主题聚焦客户忠诚与长期关系。提示词指定「Salesforce 创意营销人员」角色，要求生成 5 个强调连接、信任与长期合作、适合数字与活动营销的品牌化名称。
输出展示了创意提示的生成力——五个各具角度、契合品牌的名称：
- Forever Forward（永远向前）
- Trailblazer Together（同行拓荒者）
- Built to Last（为持久而建）
- Trusted by Design（设计即信任）
- Momentum Matters（势能至上）
提示词生命周期（Prompt Lifecycle）
提示词以自然语言呈现，很容易被当作简单的写作任务。但提示词工程更像是软件开发——需要理解系统的底层规则，而不只是产出。正如软件或产品管理流程，提示词也有生命周期，决定它们对企业长期价值的大小。
对于任何你可能想复用的提示词，记住这四个阶段：
- Develop（开发）：基于业务需求规划并创建提示词，使用 Prompt Builder、Prompt Templates、模型 API 和平台工具。
- Test（测试）：运行已构建的提示词，将结果与预期目标对比。
- Monitor（监控）：一旦确信提示词可投入使用，借助 Data 360 AI 报表和 Einstein Trust Layer 的安全与分析能力，全面了解提示词对业务的影响。
- Iterate（迭代）：从前几步中学习，调整以提升性能与准确度。Prompt 模板让你基于反馈数据创建新版本，免去每次修改都要重建复杂提示词的麻烦。
提示词最佳实践（Prompting Best Practices）
除了提示词自身的生命周期，还有几条最佳实践能帮你在 agentic AI 的进阶应用中走向成功：
- 把用例拆分成任务（Divide use cases into tasks）：尽可能把复杂操作拆解成更易管理的小子任务。越擅长把复杂操作拆成更小的提示词，越容易找到可改进的部分，从而提升整体价值。
- 定义输入（Define your inputs）：LLM 是上下文机器，上下文越多，表现越好。提供语气示例、合适的响应长度、与你想让 AI 产出的内容相似的真人内容，并尽量具体。例如「为一处度假村写营销文案」远不如「以幽默语气为加州一家轻松、适合家庭的海滨度假村写营销文案」有用。
- 依赖有效的方法（Depend on what works）：当你找到有效的提示词时，为它留出一块「提示词库」，记录其有用用例。这既为你和未来的工程师节省时间，也是他人开发新提示词的绝佳起点。
最重要的一点是：每次用 AI 做任务时，你无需从头造轮子。随着用例越来越高级，这些最佳实践能帮你迎接挑战、高效扩展。
二、动手实践 Prompt（Get Hands-On with Prompts）
现在你已像提示词工程师一样思考，可以亲自创建一些提示词了。你将处理几个用例：先从一个直接/零样本提示模板开始，然后编辑初始提示词，利用进阶工程技巧来优化。通过对比每个提示词的模型输出，你会看到几处简单改动如何增强每次响应。
请跟随本单元的步骤操作，以便通过最后的挑战并获得 badge。确保在注册 Developer Org 后，先按下方说明把该 org 连接到 Trailhead。
注册 Developer Edition Org
完成本模块需要一个已启用 Agentforce 的特殊 Developer Edition org——它免费且专为这些挑战设计，请勿用其他 org 替代。
- 点击链接注册免费的 带 Agentforce 的 Developer Edition org。
- 邮箱填有效地址；用户名填一个形如邮箱且唯一的字符串（无需真实邮箱账户）；填完表单点击 Sign me up。
- 收到激活邮件后（可能需要几分钟），打开并点击 Verify Account。
- 设置密码和密保问题，完成注册并登录。
然后把新 org 连接到 Trailhead：
- 确保已登录 Trailhead 账户。
- 在页面底部 Challenge 区域，点击 playground 名称，再点击 Connect Org。
- 在登录页输入刚设置的 Developer Edition 用户名和密码。
- 在 Allow Access? 页面点击 Allow。
- 在「Want to connect this org for hands-on challenges?」页面点击 Yes! Save it。
设置 Agentforce
在创建提示词前，先确保 org 中已启用 Agentforce。
- 点击齿轮图标进入 Setup。
- 在 Quick Find 中搜索并选择 Einstein Setup。
- 确保 Turn on Einstein 开关为 On。
- 刷新浏览器重新加载 Setup。
- 在 Quick Find 中搜索并选择 Agentforce Agents。
- 确保 Agentforce 开关为 On。
两个开关都打开后，org 就绪，可以开始 Prompt Builder 的工作了。
创建零样本提示模板
现在在 Prompt Builder 中创建你的第一个提示模板。
- 在 Quick Find 中搜索并选择 Prompt Builder。
- 点击 New Prompt Template，选择类型 Flex，命名为
Generate Sample Email（API 名称自动填充为Generate_Sample_Email），描述填Creates a basic email template.，点击 Next。 - 输入一段活动邀请邮件的零样本指令（只给直接指令，无示例）。
- 引用一个真实的客户账户供模型使用：在 Preview Settings 中，把 Customer Account 字段设为 Burlington Textiles Corp of America。
- 点击 Save & Preview 生成并预览响应，你会看到 Resolved Prompt 和 Generated Response 两个字段。
这个零样本响应返回一封相当通用的邮件，但至少是个起点。
用少样本示例编辑提示词
零样本生成的邮件很通用，现在用少样本提示来改进它。
- 点击 Prompt 回到你的提示词。
- 把 Prompt 区域的文本替换为包含几个目标风格示例邮件的少样本版本。
- 点击 Save & Preview 再次生成并预览。
对比后你会发现，新邮件融入了示例中的语言和风格——这正是本单元的核心：即使是简单示例也能带来明显差异，尤其是配合清晰的指令一起使用。而这些技巧跨 LLM 和提示类型都通用。
尝试思维链提示词
现在把思维链应用到一种不同的输出格式——一个命名度假村套餐的 Einstein AI-Generated Search Answers 提示词。
思路和之前一样：先从一个基础提示开始，再加入思维链推理并对比。基线零样本版本会返回一串光秃秃的编号名称，以原始 JSON 式的答案呈现，没有任何解释——这就是我们要改进的起点。
创建新提示模板
- 如果还在上一节的提示词里，点击返回箭头回到 Prompt Builder Setup 页面。
- 点击 New Prompt Template。
- 类型选 Einstein AI-Generated Search Answers，命名为
Resort Package Names（API 名称Resort_Package_Names），描述为「基于提供的详情为 Coral Cloud 度假村生成套餐名称」，点击 Next。
定义提示词指令
- 点击 Preview Settings，设置 Query：
Generate 5 Package names，以及private villas（私人别墅）、beachside dining（海滨餐饮）、family-friendly atmosphere（家庭友好氛围）。 - 在 Prompt 区域粘贴提示词文本。
- 点击 Save and Preview 测试，在 Response 区域查看生成的套餐名称。
你会看到编号名称放在方括号内的答案，形如 {"answer":"1. Coral Cloud Escape Package 2. Beachside Bliss Family Retreat ..."}。你的响应可能略有不同，但只要生成了新套餐名称，就算成功。
添加思维链指令
现在编辑模板，加入思维链逻辑——在提示中加入「explain your thought process for each package step-by-step」（逐步解释你对每个套餐的思考过程）。由于 LLM 能理解上下文，你可以把这些指令放在任何合适的位置。保持 query 和 chunks 不变，然后点击 Save & Preview。
差异非常明显：不再是光秃秃的名称，每个套餐现在都附带理由——例如「Azure Bliss Villas」因为 Azure 反映美丽的海景颜色、Bliss 传达奢华入住带来的幸福感。思维链让你看清内容背后的推理，这种洞察会随时间不断累积。
完成挑战步骤后，点击 Check Challenge 即可获得本 badge。恭喜，你已经走在用更高级的提示技巧获得更好结果的路上了！