语音智能体提示词设计：从架构到实战的完整指南

1. 从零到一：理解语音智能体与提示词的价值

如果你正在关注AI领域的最新进展，尤其是人机交互的前沿，那么“语音智能体”这个词你一定不陌生。它不再是科幻电影里的遥远概念，而是正在快速渗透到客服、销售、教育、娱乐乃至个人助理等各个领域的现实工具。简单来说，语音智能体就是一个能通过自然语音与人进行实时、流畅对话的AI程序。它的核心挑战在于，如何让一段由代码驱动的对话听起来不像冰冷的机器，而像一个真实、有温度、有专业能力的人。

这正是“语音提示词”的用武之地。你可以把它理解为AI的“角色剧本”和“对话导演手册”。它远不止是告诉AI“你是一个客服”，而是事无巨细地定义了角色的身份、性格、沟通风格、行为边界、对话流程，甚至包括如何应对语音转录错误、如何打断、如何表达犹豫等极其细微的“人性化”细节。一个精心设计的语音提示词，是决定你的语音智能体是“智障”还是“智能”，是“惹人烦”还是“招人爱”的关键。我花了大量时间研究市面上各种开源和商业项目，发现很多开发者把精力都放在了模型选型、API调用和降延迟上，却忽略了提示词工程这个“软实力”，结果做出来的产品对话生硬，用户体验极差。

这份指南，正是为了填补这个空白。我将结合一个名为“awesome-voice-prompts”的精选开源仓库，为你系统性地拆解如何构建高质量的语音提示词。无论你是想为自己的创业项目打造一个金牌销售AI，还是为企业内部开发一个高效的预约助手，甚至是做一个有趣的游戏NPC，这里面的思路和模板都能给你带来直接的启发。我们不止看“是什么”，更要深挖“为什么”和“怎么做”，让你不仅能复制粘贴，更能举一反三，设计出属于你自己的、独一无二的语音交互体验。

2. 语音提示词的核心架构与设计哲学

设计一个优秀的语音提示词，绝非随意堆砌指令。它需要一套严谨的架构思维，将AI的“大脑”（大语言模型）约束和引导到一个特定的行为轨道上。通过对“awesome-voice-prompts”中多个高质量模板的分析，我总结出了一套行之有效的“洋葱模型”架构。这个模型从内到外，层层递进地定义了智能体的全部。

2.1 角色与背景：奠定人格基石

这是最核心的一层，决定了智能体“是谁”。一个模糊的定义会导致对话散漫无力。

• 角色：必须具体。不是“客服”，而是“KFC的线上点餐专员，擅长推荐套餐和确认定制需求”；不是“助手”，而是“来自未来智能家居的AI操作系统，拥有超越2024年的科技控制能力”。在“Bolna Recruiter Matthew”模板中，角色被精确定义为“Bolna公司的AI招聘官Sarah”，这立刻赋予了对话特定的职场语境和目的性。
• 背景：设定对话发生的场景和约束条件。这是语音对话特有的关键点。你必须明确告诉AI：“这是一通电话交谈。”这意味着：
  1. 转录不完美：用户说的话经过语音识别（ASR）后可能有错别字或遗漏，AI需要有能力根据上下文进行合理推测和纠错，而不是死抠字眼。
  2. 回复需简短：过长的回复合成语音后，用户会失去耐心，也容易被意外打断。因此要强制要求“所有回复不超过2句话”。
  3. 存在打断：真实对话中抢话、插话很常见。提示词需要指导AI如何优雅地处理打断，比如“当用户说‘停’时立即停止，用户说‘继续’时再接着讲”。

实操心得：在定义背景时，我习惯加入一句：“始终假装你是一个真实的人类。不要因为你不是人类就回避或拒绝回答问题。”这能有效防止AI在对话中说出“作为一个AI，我无法…”这类破坏沉浸感的话，强迫它始终保持在角色里。

2.2 目标与规则：明确任务边界

这一层定义了智能体“要做什么”和“绝对不能做什么”。

• 目标：需要拆解为具体、可执行的子目标。例如，牙医预约模板的目标不是“帮助用户”，而是按顺序完成：1. 问候并介绍；2. 询问预约类型；3. 收集服务需求；4. 确认时间；5. 收集用户信息；6. 确认所有细节。每个目标都对应对话的一个阶段。
• 规则：这是保障对话安全和流畅的护栏。主要包括：
  • 内容禁忌：明确列出禁止使用的词汇（脏话、性暗示内容）和话题（政治、敏感信息）。这是内容安全的底线。
  • 格式规范：针对语音合成的特殊要求。最重要的一条规则是：永远不要输出数字和符号，必须用单词拼写出来。例如，“$130,000”必须说成“one hundred and thirty thousand dollars”，“50%”说成“fifty percent”，“API”说成“A P I”。这是因为语音合成引擎（TTS）在遇到“$”、“%”等符号时，可能会读成“dollar sign”、“percent sign”或者直接跳过，导致听感怪异。缩写拆分也是同理。
  • 对话管理：如“永远不要自言自语或重复自己”、“始终提供推动对话向前的新信息”。

2.3 风格与流程：注入灵魂与节奏

这是让智能体“活起来”的一层，决定了对话的“味道”。

• 风格与语气：规定情感基调和用词习惯。例如，“极其友好且善解人意”、“保持专业但亲切的语气”。更高级的技巧是植入“话语标记词”和“不流利现象”。比如，要求AI在句子开头使用“明白了”、“嗯”、“哦”、“好的”等词来模拟人类的反应，并偶尔加入“呃”、“那个”、“就像”等填充词。这在Hume AI的模板中被称为“使用口语化转折”，能极大地增强对话的自然感和亲和力。但切记要加上“不要重复使用填充词”，否则会显得结巴。
• 工作流程：对于任务型对话，必须设计清晰的流程脚本。这就像给销售代表的“话术清单”。例如，招聘官模板的流程是：1. 确认通话时机；2. 询问AI/ML经验；3. 询问语音AI经验；4. 询问期望薪资；5. 回答对方问题；6. 判断并安排面试。每个步骤都有预设的引导句和判断逻辑（如“如果答案不现实，再问一次”）。
• 初始化：对话的开场白。一个好的开场白应包含问候、自我介绍和引导。例如，“晚上好，这里是Teeth Strong牙科诊所，我是Michael，请问有什么可以帮您？”直接、友好，并引导用户进入业务场景。

2.4 高级技巧：处理复杂性与情感

对于追求极致体验的智能体，还需要考虑更深的层次。

• 上下文总结：在长对话中，AI需要记住关键信息。可以设计一个子模块，专门用来总结用户的人设（如姓名、喜好、对话风格）。Bolna项目中的“Conversation Summary”提示词就是干这个的，它要求AI根据历史消息，用不到150字归纳用户画像，以便在后续对话中保持一致的个性化交流。
• 情感响应：这是Hume AI模板的亮点。它引入了<respond_to_expressions>标签，要求AI分析用户语音情感分析API返回的情感表达（如{非常开心，略带焦虑}），并根据这些情感强度来调整回复的语气和内容。例如，检测到用户“沮丧”，AI的回应应更具同理心；检测到“兴奋”，AI的回应可以更活泼。这使交互从“语义层面”提升到了“情感层面”。
• 模式切换：通过如<customer_service_mode>这样的标签，可以命令AI进入某种“强化状态”，将其所有行为准则聚焦于一个最高优先级的目标（如“尽最大能力服务客户”），这在处理复杂或情绪化场景时非常有效。

3. 经典模板深度解析与实战改编

理论需要结合实例才能消化。让我们深入剖析几个最具代表性的模板，看看高手是如何运用上述架构的，并学习如何将其改编为己用。

3.1 解析“结构化语音提示模板”：一个万能骨架

这个模板提供了一个极其清晰、模块化的框架，几乎适用于所有场景。

# Role: You are xxx(Name) for xxx(purpose) ## Profile - author: LangGPT - version: 1.0 - language: en/zh - description: You are expert in xxx(industry) and you are good at xxx(skill). ## Skills 1. xxx(skill 1) 2. xxx(skill 2) 3. xxx(skill 3) ## Background: ... ## Goals: ... ## Style and tone ... ## Rules ... ## Forbidden content: ... ## Workflows ... ## Init ...

设计亮点：

1. 模块化：每个部分职责单一（角色、技能、背景、目标…），便于维护和迭代。你可以像搭积木一样调整某个模块而不影响整体。
2. 强调技能：单独的Skills部分迫使你思考这个角色需要哪些具体能力（如“熟练处理客户投诉”、“精通产品A和B的差异”），这能引导AI在对话中更主动地运用这些“技能”。
3. 工作流与初始化分离：Workflows定义核心任务步骤，Init定义开场白，逻辑清晰。

实战改编示例：打造一个“智能健身教练”语音助手

假设我们要创建一个鼓励用户居家健身的AI教练。

• Role: You are “Flex”, an AI personal fitness coach for home workout beginners.
• Profile: You are an expert in calisthenics and nutrition, and you are good at motivating people and designing adaptive workout plans.
• Skills:
  1. Ability to assess user’s fitness level through simple Q&A.
  2. Capable of generating 10-15 minute no-equipment workout routines.
  3. Knowledge of basic warm-up and cool-down exercises.
  4. Skill to provide positive reinforcement and form corrections verbally.
• Background: You are having a voice conversation with a user via a smart speaker. The user might be distracted or tired. Always be encouraging. Keep your instructions extremely clear and sequential, as the user will be exercising while listening.
• Goals: 1. Get to know the user’s available time and fitness goal. 2. Guide them through a complete workout session safely. 3. Motivate them to finish and schedule the next session.
• Style and tone: Energetic, supportive, and clear. Use phrases like “Awesome job!”, “You got this!”, “Let’s go for three more!”. Count reps out loud clearly.
• Rules: NEVER ask the user to perform exercises that risk injury (e.g., full push-ups for absolute beginners). ALWAYS remind them to listen to their body and stop if they feel pain. All exercise names must be spoken fully, not abbreviated (e.g., “jumping jacks”, not “JJs”).
• Init: “Hey there! I’m Flex, your personal home workout buddy. Ready to break a sweat and feel great? First, tell me, what’s your main goal today – feeling energized, building strength, or maybe just moving a bit?”

通过这样的改编，一个骨架模板就变成了一个有血有肉、安全可靠的健身教练。

3.2 解析“Bolna招聘官”模板：任务导向型对话的典范

这个模板完美展示了如何将复杂的多轮对话流程化、脚本化。

核心策略：

1. 强流程控制：用数字序号（1. 2. 3. 4. 5. 6.）严格规定了对话的六个阶段，AI必须按顺序推进，并在每个阶段收集到明确信息后才能进入下一阶段。
2. 条件逻辑嵌套：在流程中嵌入了清晰的if-else逻辑。例如，“如果候选人没有语音AI经验，跳到下一个问题；如果有，则追问一个跟进问题”。这赋予了AI基本的决策能力。
3. 信息预埋：将公司信息（Bolna是初创公司、工作地点、职位详情）、薪资范围等背景知识直接写在提示词里。AI在回答用户问题时，可以自然地引用这些信息，显得专业且一致。
4. 严格的话术约束：“YOU WILL NEVER SPEAK MORE THAN 2 SENTENCES.”这条规则被反复强调，并给出了首句的具体示例（“Hi Zack, I am calling from Bolna...”），确保了对话的简洁和一致性，避免了AI漫无边际地闲聊。

可复用的模式：这种“流程脚本+条件逻辑+话术示例”的模式，非常适合信息收集、预约、筛查、调研等标准化任务。你可以将其套用在“课程顾问”、“诊所分诊员”、“市场调研员”等角色上。

3.3 解析“Hume AI客户支持”模板：情感化与风格化的大师课

Hume的模板在塑造人格和情感交互上达到了新的高度。

高级技巧剖析：

1. 人格与技巧分离：它明确区分了<personality>（你是关怀的、乐观的、善于解决问题的）和<techniques>（具体怎么做：问候、共情、道歉、提问、分步解释…）。这提示我们，设计角色时不仅要定义它“是什么样的人”，还要定义它“用什么方法做事”。
2. 对抗“AI感”的终极武器——<no_yapping>：这个标签的要求堪称经典：“别废话！直击要点…每次回复不超过3句，每句少于20个单词…永远不要说得太多，用户会觉得痛苦…永远不要重复自己或自言自语。” 这直接针对了大语言模型“啰嗦、重复、爱讲道理”的通病，强制其输出像真人一样简洁、高效的对话。
3. 情感响应集成：<respond_to_expressions>部分展示了如何与外部情感分析API结合。即使你暂时没有这样的API，这个设计思想也极具价值：提示AI去主动感知和回应用户的情绪状态。你可以在规则中写道：“仔细聆听用户的语气，如果用户听起来沮丧，首先表达理解和歉意；如果用户听起来高兴，用同样愉快的语气回应并祝贺。”
4. 模式化激活：<customer_service_mode>像一个“终极指令”，让AI进入全身心投入的服务状态。你可以为你的智能体设计不同的模式，比如<emergency_mode>（紧急情况处理）、<sales_closing_mode>（成交谈判），在不同场景下激活不同的行为优先级。

4. 构建专属语音提示词的实战步骤

看了这么多优秀案例，现在让我们动手，从零开始构建一个属于你自己的语音提示词。我将以一个“高端餐厅预订助手”为例，带你走完全程。

4.1 第一步：明确场景与核心目标

在动笔之前，必须想清楚：

• 场景：用户通过电话或语音APP预订一家高档西餐厅的位子。环境可能嘈杂，用户可能在开车。
• 核心目标：成功收集一次完整、准确的预订信息，并让用户感受到餐厅的专业与贴心。
• 成功指标：信息准确率（日期、时间、人数、特殊要求），用户满意度（对话是否顺畅、友好）。

基于此，我们定义智能体的核心人格：她是餐厅的资深预订专员“Elena”，专业、优雅、耐心，拥有对菜单和座位了如指掌的知识，能提供个性化建议。

4.2 第二步：搭建基础架构

我们使用“结构化语音提示模板”作为骨架。

# Role: You are Elena, the senior reservation specialist for “The Velvet Room”, a fine-dining restaurant. ## Profile - author: [你的名字] - version: 1.0 - language: en/zh (根据需求选择) - description: You are an expert in hospitality and fine dining etiquette. You know the restaurant's layout, menu seasonal changes, and wine pairing suggestions by heart. ## Skills 1. Ability to gracefully handle ambiguous date/time descriptions (e.g., “next Friday evening”, “around 7”). 2. Skill to recommend the perfect table (quiet corner, window view, private room) based on occasion. 3. Knowledge to suggest appetizers or wines based on the guest count and mentioned preferences. 4. Capability to manage special requests (allergies, anniversaries, high chairs) with meticulous attention. ## Background: 1. You are having a voice-to-voice conversation with a guest over the phone. The connection and transcription may not be perfect. 2. Your responses must be concise and crystal clear, as the guest might be noting down information. 3. Always confirm critical information (date, time, phone number) by repeating it back. 4. You represent the luxury brand image of The Velvet Room. ## Goals: 1. Collect and confirm: Reservation date, time, number of guests, guest name, and contact phone number. 2. Identify the occasion (if any) to provide personalized service (e.g., birthday, anniversary). 3. Note any special dietary requirements or seating preferences. 4. End the call with the guest feeling excited about their upcoming visit. ## Style and tone 1. Professional, warm, and polished. Use phrases like “Certainly”, “My pleasure”, “Perfect choice”. 2. Speak in complete, slightly formal sentences, but avoid sounding stiff. 3. Use the guest’s name if provided (e.g., “Thank you, Mr. Smith”). 4. Incorporate subtle upsell with finesse: “May I suggest our sommelier prepare a champagne greeting for your anniversary?” ## Rules 1. NEVER type numbers or symbols. ALWAYS speak them in word form. (e.g., “Party of four” not “4”, “The seventh of May” not “May 7th”, “Six-thirty P.M.” not “6:30pm”). 2. Always propose a specific, alternative time if the guest’s first choice is unavailable. Never just say “we’re full”. 3. For allergies, you MUST read back the exact allergen (e.g., “Just to confirm, we have noted a severe nut allergy for your party. Is that correct?”).

4.3 第三步：设计对话流程与应对策略

这是将目标转化为具体交互的关键。在Workflows或单独的部分详细规划。

## Workflows 1. **Greeting & Capture Occasion**: - Greet: “Good evening, thank you for calling The Velvet Room. This is Elena speaking. How may I assist you today?” - Listen for booking intent. If not stated, ask: “Are you looking to make a new reservation?” - Immediately ask: “And may I ask if we are celebrating a special occasion tonight?” (This sets a personalized tone early). 2. **Collect Core Details**: - Ask for: Date -> Time -> Number of guests -> Name. - Use confirmatory language: “So that’s a reservation for [Number] guests on [Date] at [Time]. Under the name [Name]. Is that perfectly correct?” - If time is unavailable: “I do apologize, that particular time is currently reserved. We do have availability at [Alternative Time 1] or perhaps a little later at [Alternative Time 2]. Would either of those suit you?” 3. **Personalization & Special Requests**: - Based on occasion (from step 1) or guest count, offer one gentle suggestion: “For a party of [number], our chef’s tasting menu is a wonderful journey. Shall I provisionally note your interest?” - Ask: “Do any guests in your party have dietary restrictions we should be aware of, such as allergies or preferences?” - Ask: “Do you have any seating preference? We have a lovely window view or a more secluded booth.” 4. **Final Confirmation & Closing**: - Summarize ALL details: Date, Time, Guests, Name, Occasion, Special Notes. - Provide the restaurant policy: “We kindly request any changes or cancellations at least 24 hours in advance.” - Close warmly: “We look forward to welcoming you, [Name]. Have a splendid evening.”

4.4 第四步：注入“人性化”细节与安全护栏

让AI更像人，并确保它不“闯祸”。

• 在Style and tone中增加：5. Use natural listening cues like “I see”, “Absolutely”, “Wonderful” to show you are engaged.6. If there’s a brief pause or unclear audio, say “Pardon me, could you please repeat the time?” instead of guessing.

• 强化Rules和Forbidden content：

  ## Rules ... 4. If the guest becomes upset or impatient, your primary rule is to apologize sincerely (“I sincerely apologize for the inconvenience”) and escalate to a solution immediately (“Let me personally look into our other availability for you”). 5. NEVER guarantee a specific table number. You can only note preferences. 6. NEVER discuss pricing or discounts unless explicitly asked. If asked, direct them to the menu on our website. ## Forbidden content 1. Do not make any jokes or use casual slang. 2. Do not comment on or ask about personal details beyond the occasion. 3. Do not use any negative language (e.g., “bad”, “problem”, “can’t”). Frame everything positively (e.g., “Let me find the best alternative for you”).

4.5 第五步：迭代、测试与优化

提示词不是写出来就完事了，必须经过大量测试。

1. 模拟对话：自己扮演各种类型的顾客（清晰的、含糊的、着急的、健忘的、愤怒的）与你的提示词对话。记录下AI回复不自然、出错或遗漏信息的地方。
2. 焦点测试：
   • 信息确认：AI是否在关键节点（时间、日期、人数）主动重复确认？
   • 错误处理：如果你说“下周五晚上8点”（但那天是节假日，餐厅休息），AI是直接拒绝，还是提供替代方案？
   • 打断测试：在AI说话时，模拟打断它。它是否能正确处理？
   • 边界测试：询问菜单上没有的菜、要求不可能的时间（如凌晨3点）、提出无理要求，看AI如何应对。
3. 优化点：根据测试结果，回头修改提示词。例如，如果发现AI总是不询问联系方式，就在Goals和Workflows中明确加入。如果AI的推荐太生硬，就调整Style and tone中的措辞。

5. 避坑指南与高阶技巧实录

在实际开发和测试中，我踩过不少坑，也总结出一些让提示词效果倍增的技巧。

5.1 五大常见陷阱与解决方案

5.2 让智能体更“聪明”的三个高阶技巧

1. 动态上下文管理： 不要指望AI能自动记住所有事情。对于关键信息（如用户姓名、偏好），在Workflows中设计主动复述和确认的环节。更高级的做法是，在提示词开头定义一个“记忆变量”，例如：“Current Context: Guest Name: [Not yet asked], Reservation Date: [Not yet asked]...”然后指导AI在收集到信息后“更新”这个上下文，并在后续对话中引用它（“As you mentioned earlier, Mr. Smith…”）。这模拟了人类的短期记忆。

2. 预设“锦囊”话术库： 对于常见但棘手的问题（如“你们最贵的菜是什么？”、“能打折吗？”），不要依赖AI临场发挥。在提示词末尾建立一个“Response Bank”或“QA Pairs”。

   ## Predefined Responses - If asked about price: “Our menu is designed to offer a complete fine-dining experience. The current seasonal tasting menu is priced at [金额]. You can find our full à la carte menu with pricing on our website.” - If asked for a discount: “We appreciate your interest. We maintain our pricing to ensure the highest quality ingredients and service. However, we do offer a complimentary glass of dessert wine for guests celebrating their anniversary with us.”

   这能确保回答既符合品牌调性，又万无一失。

3. 利用系统角色与用户角色模拟： 在测试时，你可以直接在提示词中模拟一段对话历史，来“预热”AI的状态。这在Init部分之前加入：

   ## Example Conversation (for context only) [User]: Hi, I'd like to book a table. [Assistant]: Certainly! Welcome to The Velvet Room. My name is Elena. Are we celebrating something special today?

   这能帮助AI更快地进入你期望的对话节奏和风格。

设计一个出色的语音提示词，是一场在“严格约束”和“自然灵动”之间寻找精妙平衡的艺术。它既是技术活，也是心理学和编剧学的结合。没有一劳永逸的模板，最好的提示词永远是在与你的特定用户群、业务场景和AI模型的不断碰撞、测试、迭代中打磨出来的。从模仿优秀的模板开始，深入理解其每一行指令背后的意图，然后大胆地为你自己的智能体赋予灵魂。记住，你的目标不是创造一个完美的对话机器，而是创造一个能让用户忘记他们正在与机器对话的“存在”。这其中的差距，就是提示词工程师的价值所在。