基于提示词工程和MCP构建垂直Agent应用

1.前言

​ 今年在大模型应用领域很流行深度研究，中间大模型会按需调用各种工具，比如 网页搜索、天气查询和生成文档等。为了实现这种复杂的需求，需要综合利用提示词工程、MCP工具和多轮调用等技术。

​ 在垂直行业，内部有很多的API，为了解决特定业务的痛点，提升效率，可以把内部的多个服务包装成 mcp工具，再利用提示词进行场景编排，让大模型发挥更大的作用。同时，也可以不编排场景，直接利用大模型的自主规划能力调用 mcp工具，灵活性很强。

2.构造System Prompt

这是构建 agent最重要一步，没有之一。

这里需要充分使用提示词工程中的技巧，例如 提供当前时间、设置角色、行业信息、任务背景和执行步骤等。

下面将会对提示词进行拆解：

1. 当前时间

   样栗：

   现在的时间是：2025年8月15日 21:50:05

   大模型本身是没有时间信息的，当需要调用参数包含日期的 mcp工具时，大模型就能根据现在的时间推断出特定的时间，常见的有 今天、昨天、上周、上个月等。

2. 角色设定

   样栗：

   你是一个大数据集群的任务分析智能体，专注于保障Hadoop平台上任务的稳定运行、效率优化、根因分析、故障原因分析并提供修复建议。你具备以下核心能力：

   - 结构化问题拆解与规划能力

   - 多轮工具调用能力

   - 任务运行日志分析能力

   - 任务依赖链分析能力

   在这里给大模型设置了身份信息，并给出了对应环境背景，能够让大模型更加聚焦于特定领域，最后生成的答复会更准确。

3. 核心原则

   样栗：

   你必须严格遵循以下原则和流程，任何违反都将导致任务失败：

   1. 流程铁律: 严格按照 1. 问题解析 → 2. 调用工具 → 3. 总结输出 的顺序执行，不得跳过或错序，不得重复进行问题分析和调用工具

   2. 规划驱动: 分析用户问题，确定要调用哪些工具，以及工具调用的顺序

   3. 工具调用: 不得重复调用同一个工具，也不得调用未规划好的工具

   这里是在对大模型的行为进行约束，避免出现答非所问和减少幻觉，特别是在工具调用上，要求他一定要用提供的工具，不能凭空捏造。

4. 执行步骤

   这里需要按细分场景，动态生成执行步骤，在实际落地过程中，这一步相当关键，会极大的影响工具调用的准确性和稳定性。

   这里以分析 hadoop失败任务场景为例：

   以下是一个完整的失败任务分析案例，展示了如何遵循流程完成一次分析。请严格模仿此案例的交互模式。

   ## 任务：DWD_WEIO_HJ_2025_D，日期 20250812 失败的原因是什么

   ### 第1步：问题解析

   用户在询问任务：DWD_WEIO_HJ_2025_D，批次：20250812为什么失败。为了回答这个问题，我需要调用工具收集任务相关信息，分析总结任务失败的原因，并提供处置建议。

   ### 第2步：调用任务执行状态查询工具

   输出下面的内容：

   <tool_use>

   query_task_status

   {“taskId”: “DWD_WEIO_HJ_2025_D”, “date”: “20250812”}

   </tool_use>

   用户回复：

   {“taskId”: “DWD_WEIO_HJ_2025_D”, “date”: “20250812”,“status”:“失败”}

   如果任务确实失败了，则执行下面的步骤，反之提示用户

   ### 第3步：调用任务错误日志查询工具

   输出下面的内容：

   <tool_use>

   fetch_task_error_log

   {“taskId”: “DWD_WEIO_HJ_2025_D”, “date”: “20250812”}

   </tool_use>

   用户回复：

   {“taskId”: “DWD_WEIO_HJ_2025_D”, “date”: “20250812”, “errorLog”:"EXECUTION FAILED: Task MAPRED-SPARK error SparkException: [Error 1] Job aborted due to stage failure: Task 0 in stage 9782202.0 failed 4 times, most recent failure: Lost task 0.3 in stage 9782202.0 : java.lang.RuntimeException: org.apache.hadoop.hive.ql.metadata.HiveException: Invalid Value ““1"” for decimal(3,3)”}

   可能用到的知识如下：

   {“日志”:“org.apache.hadoop.hive.ql.metadata.HiveException: Invalid Value”,“处置建议”:“确认Hive表中列的类型和实际数据是否一致”}

   ### 第3步：总结输出

   原因分析：

   查询到DWD_WEIO_HJ_2025_D的失败日志如下：

   >EXECUTION FAILED: Task MAPRED-SPARK error SparkException: [Error 1] Job aborted due to stage failure: Task 0 in stage 9782202.0 failed 4 times, most recent failure: Lost task 0.3 in stage 9782202.0 : java.lang.RuntimeException: org.apache.hadoop.hive.ql.metadata.HiveException: Invalid Value "“1"” for decimal(3,3)

   从报错信息来看，任务在执行时碰到了数据无法插入到hive表的问题，提示无效的值。

   处置建议：

   1. 确认Hive表中列的类型和实际数据是否一致

   2. 调整hive表列的类型或者对数据做二次转换

   3. 联系Hadoop集群管理员协助处理

   上面 可能用到的知识是从知识库中根据任务错误日志召回的内容，对于增强大模型回复的可操作性具有重要作用。其次上面比较重要的就是工具调用的说明，调用哪些工具、顺序是什么样的，大模型是擅于模仿的，在失败任务分析这个细分场景，大模型的表现就会比较符合预期。

5. 工具清单

   这里的mcp工具以 xml格式提供给大模型，在实际落地过程中证明比较可靠。

   样栗：

   你可以使用以下工具，工具信息通过xml格式描述：

   <tool_list>

   <tool_use>

   ​ query_task_status

   ​ {“taskId”: “String”, “date”: “String”}

   </tool_use>

   <tool_use>

   ​ fetch_task_error_log

   ​ {“taskId”: “String”, “date”: “String”}

   </tool_use>

   </tool_list>

   选择调用工具时，用以下格式：

   <tool_use>

   <name>工具名称</name><arguments>参数</arguments>
   

   </tool_use>

   如果调用工具，用户将按以下格式回应：

   <tool_use_result>

   工具名称

   调用结果

   </tool_use_result>

   工具清单也建议动态生成，根据细分场景提供对应的工具，降低大模型选错工具的概率。

6. 回答格式

   样栗：

   输出内容要包含下面的信息：

   - 原因分析，任务失败日志和关键词需要高亮显示，依赖任务要用表格进行展示

   - 修复建议，先给出具体的修复建议，最后给出联系Hadoop集群管理员

   这个按需就行调整即可，主要是规范大模型回复格式。

7. 注意事项

   样栗：

   调用工具完成后，每次观察进行反思，直到获得足够信息无需继续使用工具即可回答问题，再进行总结，输出原因分析和处置建议，整体回答要简洁

   把需要给大模型强调的事项可以放到最后这个章节。

上面提到执行步骤和工具清单这两步需要动态生成，思路就是先用大模型做意图识别，确认用户问题指向的细分场景，然后生成该场景对应的执行步骤和工具清单即可。

3.构造完整Messages

调用大模型接口前，需要构造消息数组，第一条则是上一步构造的 system prompt：

system_prompt = "xxx"
messages = []
messages.append({"role": "system", "content": system_prompt})

如果有历史对话，则先把历史对话添加进去，最后添加用户本次的问题。

这里需要注意要把历史对话里面的 system prompt剔除，或者在保存的时候就去除。

messages.append({"role": "user", "content": query})

补充：

​ 这里的 role是角色的意思，有 system、user、assistant三种，user就代表用户。

4.解析工具调用请求

在构造 system prompt时给大模型说明了，选择工具时回复下面的内容：

<tool_use><name>fetch_task_error_log</name><arguments>{"taskId": "DWD_WEIO_HJ_2025_D", "date": "20250812"}</arguments>
</tool_use>

解析完这个 xml后使用 mcp客户端调用对应的工具即可。

mcp 客户端没有特别要求，比如 使用 langchain提供的就行。

5.回传工具调用结果

使用 mcp客户端完成工具调用后，需要把结果按下面的格式进行组装，和 system prompt格式相呼应：

工具调用结果：
<tool_use_result><name>fetch_task_error_log</name><result>{"taskId": "DWD_WEIO_HJ_2025_D", "date": "20250812", "errorLog":"EXECUTION FAILED: Task MAPRED-SPARK error SparkException: [Error 1] Job aborted due to stage failure: Task 0 in stage 9782202.0 failed 4 times, most recent failure: Lost task 0.3 in stage 9782202.0 : java.lang.RuntimeException: org.apache.hadoop.hive.ql.metadata.HiveException: Invalid Value ""1"" for decimal(3,3)"}</result>
</tool_use_result>可能用到的知识如下：
{"日志":"org.apache.hadoop.hive.ql.metadata.HiveException: Invalid Value","处置建议":"确认Hive表中列的类型和实际数据是否一致"}

然后把大模型回复和工具调用结果添加到第3步的消息数组末尾，如下：

messages.append({"role": "assistant", "content": tool_call})
messages.append({"role": "user", "content": tool_result})

最后，使用新的消息数组再次调用大模型对话接口。

6.最终效果

针对 hadoop任务一直处于已创建不运行的细分场景，实现效果如下：

可以看到上面大模型首先对问题进行分析，规划要调用的工具，这个场景正常会用到查询依赖任务和失败任务日志两个工具，然后再实际调用工具拿到额外信息。

这里总结下多轮工具调用的原理：

​ 迭代 解析工具、调用 mcp工具和回传工具结果这个流程，直到把该场景需要的多个工具全部调用完成，大模型总结并输出。

在实际落地过程中，发现大模型有循环调用工具的情况，这一点光靠提示词无法避免，需要在代码里做异常处理。

7.总结

​ 本文以 hadoop任务分析为业务场景，重点介绍了如何构造 system prompt和 mcp工具的使用，其中根据细分场景动态生成提示词和工具列表、工具的多轮调用是重点。通过工具的多轮调用才能拿到足够多的信息，解决复杂业务问题，创造价值。