让 AI 既陪聊又改错，我用了一个双 Prompt 套路
本文是「AI 口语陪练：从想法到赚钱」连载第 4 篇。上回说到，我们用「轻函数 + LLM API + 对象存储」搭好了单人可维护的极简架构。这一篇，把整个产品的灵魂——核心纠错能力——真正接进去。
⚠️ 合规声明：本产品定位为AI 辅助练习，非替代真人教学，不承诺任何学习效果。
把「陪聊」和「改错」塞进同一个 Prompt，我的内测纠错准确率只有 61%（示意）；拆成两个独立调用后，直接冲到 92%（示意）。一个反直觉的事实：让 AI 同时干两件事，它两件都干不好——这就是我花两周才认清的血泪坑。
一、为什么必须是「双 Prompt」而不是「超级 Prompt」
上线前我天真地写过一个 800 字的「全能 Prompt」：既要扮演外教、又要控制难度、还要逐句纠错、输出格式还得规范。结果是三边都塌：
- 人设漂移：聊到第 6 轮，"美国外教 Emma" 开始用中文解释语法，沉浸感全无。
- 纠错遗漏：注意力被聊天占走，明显的时态错误漏标率约 35%（示意）。
- 格式失控：偶发输出一大段 Markdown 议论文，前端直接渲染爆炸。
结论：对话流和纠错流是两种完全不同的任务范式——前者要发散、有人味；后者要收敛、像编译器。拆开，各自才能做到极致。
双 Prompt 架构一览
用户语句 ──┬──> 角色 Prompt（外教人设 + 场景 + 难度）──> 自然回话 └──> 纠错 Prompt（错误类型 + 正确句 + JSON 输出）──> 纠错报告两个调用并行发出，互不阻塞——这也顺手解决了上篇说的「一次调用卡死全崩」的超时问题。
二、角色 Prompt：让外教「像个人」的 4 个关键位
角色 Prompt 负责「陪聊」，核心是四个槽位（完整模板见文末交付物）：
- 人设锚点：姓名、国籍、口头禅。有具体口头禅（如 "You know what?"）的人设，用户平均对话轮数从 4.2 涨到 7.8（示意）。
- 场景约束：点咖啡 / 面试 / 旅行三选一，禁止跳出场景。
- 难度阀门：按 CEFR 等级（A2/B1/B2）限制词汇量和句长，这一条要放在 Prompt 最后——放前面会被后文稀释，实测遵循率差 20%（示意）。
- 禁令清单：不解释语法、不切中文、单次回复 ≤3 句——把「改错」的活儿明确划走。
你是 Emma，28 岁美国外教，口头禅 "You know what?"。 当前场景：咖啡店点单（你是店员）。 规则：只用英语；每次回复不超过 3 句；不纠正、不解释语法； 自然地把对话往点单流程推进。 用户等级：B1 —— 词汇控制在 3000 常用词内，句长不超过 15 词。三、纠错 Prompt：把 LLM 当「编译器」用
纠错 Prompt 的设计哲学正好相反：零人味、强格式、只输出结构化结果。
你是英语语法检查器。对输入句子输出 JSON（仅 JSON，无任何其他文字）： { "has_error": bool, "errors": [{ "type": "时态|主谓一致|用词|冠词|语序|其他", "original": "错误片段", "corrected": "修正片段", "note": "≤15字中文提示" }], "better_version": "整句更地道的说法" } 若无错误，errors 为空数组，better_version 仍然给出。血泪坑：不加「仅 JSON，无任何其他文字」这句约束，大约每 20 次调用就有 1 次（示意）在 JSON 前后附赠一段热情洋溢的解释，前端JSON.parse直接报错。加了 schema 约束 + 解析失败自动重试 1 次之后，线上解析失败率降到 0.3% 以下（示意）。
工程上再补两道保险：
- 温度调低：纠错调用 temperature=0.2，对话调用 0.8，各取所需。
- 降级策略：纠错调用失败时只返回对话结果，用户无感知，报告标记「本句未检查」。
四、可复现案例：一段真实对话的前后对比
场景「咖啡店点单」，B1 难度，用户原句 vs 系统输出（内测真实语料改写，人名已脱敏）：
| 用户原句 | 纠错报告（摘要） | 更地道说法 |
|---|---|---|
| I want buy a coffee. | 缺 to（语序/不定式） | I'd like to get a coffee, please. |
| She don't have ice today? | 主谓一致 don't→doesn't | Don't you have iced drinks today? |
| How much I should pay? | 语序：疑问句倒装 | How much is it? |
同一时刻，角色 Prompt 输出的是自然的店员回话（"You know what? Our iced latte is on sale today!"）——用户先获得「对话没被打断」的爽感，纠错报告在侧边栏静静躺着，想看再看。这正是第 2 篇说的「温和+可选」纠错原则在技术层的落地。
前后对比：单 Prompt vs 双 Prompt（内测 50 人，示意）
| 指标 | 单 Prompt | 双 Prompt |
|---|---|---|
| 纠错捕获率 | 61% | 92% |
| 人设漂移率（10 轮内） | 31% | 4% |
| 输出格式错误率 | 5.2% | 0.3% |
| 平均响应时间 | 8.4s（串行） | 3.9s（并行） |
五、场景模式：3 套预设就够了，别贪多
我一开始设计了 12 个场景，数据狠狠打脸：87% 的对话集中在 3 个场景（示意）——点咖啡（破冰首选）、面试（付费主力）、旅行（周末高峰）。其余 9 个场景加起来不到 13%，但维护成本一分不少。
场景用 JSON 预设管理，新增场景 = 加一个 JSON 对象，不改代码：
{ "id": "coffee_shop", "name": "咖啡店点单", "role": "店员", "opening": "Hi there! What can I get for you today?", "goal": "完成一次点单（含尺寸、温度、支付）", "vocab_hints": ["latte", "to go", "medium", "receipt"], "levels": ["A2", "B1", "B2"] }六、今天就能做的 3 件事
- 抄走双 Prompt 模板：把上文的角色 Prompt 和纠错 Prompt 复制进你常用的 LLM Playground，用自己的英语句子跑 10 轮，感受「并行双流」的输出结构。
- 写一个场景 JSON：参照
coffee_shop的结构，为你自己的目标场景（如「酒店入住」）写一份预设，重点填好goal和vocab_hints。 - 做一次格式压测：连续调用纠错 Prompt 20 次，统计非法 JSON 出现次数；如果 >0，给你的 Prompt 补上「仅 JSON」禁令和重试逻辑。
下篇预告：核心能力跑通了，第 5 篇我们把产品真正放到网上开始收钱——最简收款方案怎么选、第一笔 9 块钱怎么来的，以及语言学习类产品绝对不能碰的合规红线。
本系列产品为「AI 辅助练习」工具，非替代真人教学，不构成任何学习效果承诺。文中未标注来源的数据均为示意数据，用于说明方法论。