提示工程架构师指南：如何构建法律领域Agentic AI系统的提示词库

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

提示工程架构师指南：构建法律领域Agentic AI系统的提示词库实践

从需求拆解到迭代优化的全流程方法论

摘要/引言

当你使用AI工具审核合同时，是否遇到过以下问题：

• AI将“格式条款”误写为“制式条款”，专业术语出错；
• 生成的法律意见缺乏法条支持，逻辑链条断裂；
• AI自行给出“可以起诉”的结论，违反“不替代律师决策”的合规要求；
• Agent系统拥有法条检索工具，却不知何时启用。

这些问题的根本原因，并非LLM不够智能，而是缺乏适合法律场景的提示词库。法律领域的高度专业性（术语严格、逻辑严密）、强合规性（不得越界），以及Agentic系统的动态决策特性（自主调用工具、跟踪状态），要求提示词不能随意编写，而必须是结构化、可复用、适应Agent行为的知识集合。

本文将带你从0到1构建法律领域Agentic AI的提示词库，涵盖以下流程：

1. 需求拆解
2. 知识结构化
3. 分层设计
4. 集成测试
5. 迭代优化

读完本文，你将学会：

• 如何将法律专业知识转化为Agent能理解的提示词；
• 如何设计“分层+元数据”的提示词库架构；
• 如何解决法律AI的合规性和准确性问题；
• 如何使提示词库适应Agent的动态决策流程。

目标读者与前置知识

目标读者

• 提示工程架构师：希望进入法律AI领域，需要设计适应场景的提示词体系；
• 法律科技开发者：负责实施法律Agent系统（如合同审查、法律咨询），需要解决提示词的专业性问题；
• 法律AI产品经理：希望理解提示词库的设计逻辑，更好地与技术团队合作。

前置知识

• 基础提示工程：了解零样本/少样本提示、思维链（CoT）、Prompt Template；
• Agentic AI基础：熟悉LangChain/Autogpt等Agent框架的核心概念（工具调用、状态管理）；
• 法律常识：了解法律文本结构（如法条的“编-章-节-条-款-项”）、基本法律逻辑（三段论：大前提-小前提-结论）。

文章目录

• 引言与基础
• 法律领域Agentic AI的特殊性与挑战
• 核心概念：提示词库的设计原则
• 分步实现：从需求到提示词库落地
• 关键代码解析：LangChain集成提示词库
• 验证与优化：确保准确性与合规性
• 最佳实践与常见问题
• 未来展望
• 总结

一、法律领域Agentic AI的特殊性与挑战

要设计好提示词库，首先得理解法律场景对AI的独特要求——这些要求决定了提示词库不能简单复制通用场景的设计。

1.1 法律领域的核心特性

1. 高度专业性：术语与逻辑的“双重严谨”

法律文本的术语是“精确到字”的：例如，“定金”与“订金”的区别（前者适用双倍返还，后者不适用）；“无权处分”与“无权代理”的法律后果完全不同。若提示词中术语出错，AI生成的内容将完全失效。

同时，法律推理遵循三段论逻辑：

• 大前提（法律依据）：《民法典》第577条：“当事人一方不履行合同义务或者履行合同义务不符合约定的，应当承担继续履行、采取补救措施或者赔偿损失等违约责任”；
• 小前提（案件事实）：甲未按合同约定交付货物；
• 结论（法律意见）：甲应承担违约责任。

提示词必须引导AI遵循这一逻辑，不可“跳跃”或“遗漏”。

2. 强合规性：不可逾越的“红线”

法律AI的核心合规要求包括：

• 不可替代律师决策：所有输出需标注“仅供参阅，不构成法律建议”；
• 不可生成违法内容：例如，不可建议用户“伪造证据”；
• 必须基于现行有效的法律：例如，《民法典》于2021年生效后，不得再引用《合同法》。

这些要求必须“硬编码”到提示词中，否则AI容易“触线”。

3. 场景复杂性：多任务的动态决策

法律Agent需要应对的场景十分多样：

• 合同审查：需识别风险点→关联法条→提出修改建议；
• 法律咨询：需理解用户问题→检索相关法条→用通俗语言解释；
• 案例分析：需提取案例关键信息→对比现行法律→总结裁判规则。

不同场景的提示词需适应Agent的行为逻辑（如合同审查需调用法条检索工具，而法律咨询需用口语化表达）。

1.2 现有解决方案的局限性

• 通用提示词：例如，“你是一名律师，请回答我的问题”，无法满足法律的专业性和合规性要求；
• 单一场景提示词：例如，仅针对合同审查编写提示词，无法复用，维护成本高；
• 忽略Agent特性：未引导Agent调用工具（如需要法条时不知查询数据库），导致输出不准确。

二、核心概念：提示词库的设计原则

要解决上述问题，提示词库需遵循“分层架构+元数据管理+Agent适配”三大原则。

2.1 什么是“法律领域Agentic AI提示词库”？

它是结构化存储法律场景提示词的知识库，具有以下三个特点：

• 分层：按“基础能力→场景能力→Agent交互能力”分层，复用性强；
• 元数据化：每个提示词带有场景、合规级别、版本等标签，便于管理；
• Agent适配：提示词引导Agent自主决策（如“需要法条时调用工具”）。

2.2 核心设计原则

（1）分层设计：从通用到具体

提示词库分为三层，每层解决不同问题：

层级	作用	示例
基础层	提供通用能力，如基本法律逻辑、术语定义等	“请解释‘定金’与‘订金’的区别”
场景层	针对特定应用场景，如合同审查、法律咨询等	“请审查以下合同条款，指出潜在风险并提供改进建议”
交互层	指导Agent与用户互动，如调用工具、反馈结果等	“在需要时，请调用法条检索工具以获取相关信息”

定义AI的“身份”“合规要求”“通用规则”

“你是一名专业的中国律师，回答需基于2021年《民法典》及现行有效的司法解释；所有输出必须标注‘仅供参阅，不构成法律建议’。”

场景层

针对具体任务的指示（如合同审核）

“请审核以下合同的风险点，每个风险点需指出对应的法律依据（如《民法典》第XX条），并提供修改建议。”

Agent交互层

指导Agent调用工具、追踪状态

“当你需要查询法律条文时，请调用工具‘LegalProvisionsRetriever’，输入关键词（如‘格式条款 无效’）；当你需要验证案例时，请调用‘CaseBase’。”

优势

：基础层可以重复使用（所有场景都需要合规要求），场景层针对特定任务，Agent交互层适应系统行为，结构清晰。

（2）元数据管理：使提示词“可控、可查找、可追溯”

每个提示词需要添加元数据，例如：

{
"id": "contract_review_001",
"content": "请审核以下合同的风险点...",
"metadata": {
"scene": "合同审核",          // 场景标签
"compliance_level": "high",  // 合规级别（高/中/低）
"version": "v1.0",           // 版本号
"update_time": "2024-05-01", // 更新时间
"author": "LegalAI Team",    // 作者
"dependency": ["base_001"]   // 依赖的基础层提示词
}
}
    

功能

：快速检索：例如要找“合同审核”场景的提示词，直接过滤

scene

标签；

版本控制：防止修改冲突（例如v1.0和v2.0的提示词可以共存）；

合规审计：通过

compliance_level

快速定位高风险提示词。

（3）Agent适配：引导自主决定

Agentic AI的核心是“自主行动”，提示词需要

清楚地告诉Agent“何时做何事”。

例如：

当需要法律依据时：“请调用工具‘LegalProvisionsRetriever’，输入关键词”；

当需要验证事实时：“请询问用户提供合同签订时间”；

当完成任务时：“请总结风险点、法律依据和修改建议，最后标注合规提示”。

三、逐步实施：从需求到提示词库落地

接下来，我们用**“合同审核Agent”**作为案例，展示提示词库的构建过程。

3.1 步骤1：需求分解——明确“要解决的问题”

提示词库的设计必须从

用户需求

和

场景痛点

出发，不能凭空想象。

（1）场景列举

首先列出法律Agent的核心场景，例如：

合同审核（最常见）：识别合同中的风险点（如格式条款、违约条款）；

法律咨询：回答用户的法律问题（如“租房押金不退怎么办”）；

合规检查：检查企业行为是否符合《数据安全法》《反垄断法》；

案例分析：总结类似案例的裁判规则（如“民间借贷利率的上限”）。

本文以

合同审核

为例。

（2）用户需求收集

通过访谈律师、法务人员，收集合同审核的核心需求：

AI需

准确识别风险点

（如“提前3个月支付全部租金”是否违法）；

每个风险点必须

关联具体的法律条文

（不能只说“违法”，要指出“《民法典》第721条”）；

需提供

可操作的修改建议

（如“改为按月支付”）；

必须

标注合规提示

（“仅供参阅，不构成法律建议”）。

（3）合规要求整理

法律合规是“红线”，必须明确写入提示词：

所有输出必须标注“仅供参阅，不构成法律建议”；

不能代替用户做决定（如不能说“你应该起诉”，只能说“你可以考虑起诉”）；

必须基于现行有效的法律（如2021年《民法典》）。

3.2 步骤2：法律知识结构化——将“法律文本”变为“提示词原料”

提示词库的核心是

法律知识

，必须先将法律文本结构化，才能转化为提示词。

（1）法律条文结构化

法律条文的结构是“编-章-节-条-款-项”，例如《民法典》的结构：

第一编 总则 → 第六章 民事法律行为 → 第三节 民事法律行为的效力 → 第一百四十三条 具备下列条件的民事法律行为有效：

（一）行为人具有相应的民事行为能力；

（二）意思表示真实；

（三）不违反法律、行政法规的强制性规定，不违背公序良俗。

我们需要将法律条文拆解为**“编号+内容+关键词”**的结构，便于Agent检索：

{
"law_id": "民法典_143",
"content": "具备下列条件的民事法律行为有效：（一）行为人具有相应的民事行为能力；（二）意思表示真实；（三）不违反法律、行政法规的强制性规定，不违背公序良俗。",
"keywords": ["民事法律行为", "有效条件", "行为能力", "意思表示", "公序良俗"]
}
    

（2）法律逻辑建模

合同审核的核心逻辑是**“事实→风险点→法律条文→建议”**，我们需要将这一逻辑转化为提示词的“引导语”：

“请按照以下步骤分析合同：

提取合同中的关键条款（如租金支付方式、解除条件）；

辨识每项条款的风险点（例如是否增加了承租人的责任）；

引用相应的法律条文作为依据（例如《民法典》第XX条）；

提出具体的修订提议（例如“将预付3个月改为按月支付”）；

最后注明合规性建议。

3.3 步骤3：提示词库分层构建——从基础至场景

依据先前的分层准则，我们构建了合同审核场景下的提示词库。

1. 基础层提示词（base_001）

   界定AI的角色、合规需求及普遍规则：

   你是一名专业的中国律师，擅长合同审查。回答需严格遵循以下规则：
   1. 所有分析基于2021年《中华人民共和国民法典》及现行有效司法解释；
   2. 不得生成违反法律、行政法规的内容；
   3. 所有输出必须标注：“本意见仅供参考，不构成法律建议，请咨询专业律师。”

2. 场景层提示词（contract_review_001）

   针对合同审核的具体工作：

   请审查以下合同的风险点，按照“风险点→法条依据→修改建议”的结构输出：
   1. 风险点：明确指出合同中的违规或不合理条款（如“提前3个月支付全部租金”）；
   2. 法条依据：引用具体的法律条文（如《民法典》第721条）；
   3. 修改建议：给出可操作的调整方案（如“改为按月支付租金”）。

3. Agent交互层提示词（agent_contract_review_001）

   指导Agent调用工具：

   当你需要检索法条时，请调用工具“LegalProvisionsRetriever”，输入关键词（如“格式条款 无效”）；
   当你需要确认合同细节时，请询问用户补充信息（如“请提供合同的签订时间”）；
   当你完成分析后，请按照“风险点→法条依据→修改建议”的结构总结，并标注合规提示。

4. 组合完整提示词

   整合三层提示词，生成最终的Agent提示词：

   {基础层提示词}
   {场景层提示词}
   {Agent交互层提示词}
   合同文本：{contract_text}

3.4 步骤4：元数据录入——使提示词‘可管理’

为每个提示词添加元数据，比如场景层提示词

contract_review_001

的元数据：

{
"id": "contract_review_001",
"content": "请审查以下合同的风险点...",
"metadata": {
"scene": "合同审查",
"compliance_level": "high",
"version": "v1.0",
"update_time": "2024-05-01",
"author": "LegalAI Team",
"dependency": ["base_001"]
}
}
    

3.5 步骤5：存储与管理——采用JSON/数据库存储提示词库

可以使用 JSON文件 或关系型数据库（例如PostgreSQL）来存储提示词库。本文使用JSON文件示例（

legal_prompt_library.json

）：

{
"base_001": {
"content": "你是一名专业的中国律师...",
"metadata": {...}
},
"contract_review_001": {
"content": "请审查以下合同的风险点...",
"metadata": {...}
},
"agent_contract_review_001": {
"content": "当你需要检索法条时...",
"metadata": {...}
}
}
    

四、关键代码解析：LangChain集成提示词库

接下来，我们将使用LangChain框架将提示词库集成到Agent系统中，以实现合同审查功能。

4.1 环境准备

1. 依赖库安装

   pip install langchain openai elasticsearch pandas python-dotenv

2. 工具准备

   Elasticsearch ：用于存储和检索法条（模拟法律数据库）；

   OpenAI API Key ：用于调用GPT-3.5/4模型；

   .env文件 ：存储敏感信息（如OPENAI_API_KEY、ELASTICSEARCH_URL）。

4.2 核心代码实现

1. 加载提示词库

   import json
   from dotenv import load_dotenv
   # 加载环境变量
   load_dotenv()
   # 加载提示词库JSON文件
   def load_prompt_library(path: str) -> dict:
   with open(path, "r", encoding="utf-8") as f:
   return json.load(f)
   prompt_library = load_prompt_library("legal_prompt_library.json")
               

2. 定义法条检索工具

   模拟使用Elasticsearch检索法条：

   from elasticsearch import Elasticsearch
   # 初始化Elasticsearch客户端
   es_client = Elasticsearch(
   hosts=[os.getenv("ELASTICSEARCH_URL")],
   http_auth=(os.getenv("ELASTICSEARCH_USER"), os.getenv("ELASTICSEARCH_PASS"))
   )
   # 定义法条检索工具函数
   def retrieve_legal_provisions(keywords: str) -> list:
   """调用Elasticsearch检索法条"""
   query = {
   "query": {
   "match": {
   "keywords": keywords  # 匹配法条的关键词字段
   }
   }
   }
   results = es_client.search(index="legal_provisions", body=query)
   return [hit["_source"]["content"] for hit in results["hits"]["hits"]]
               

3. 构建Agent提示词

   拼接三层提示词，创建PromptTemplate：

from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI
from langchain.agents import initialize_agent, Tool
# 1. 获得各层提示语
base_prompt = prompt_library["base_001"]["content"]
scene_prompt = prompt_library["contract_review_001"]["content"]
agent_prompt = prompt_library["agent_contract_review_001"]["content"]
# 2. 组合完整提示语
full_prompt = f"{base_prompt}\n{scene_prompt}\n{agent_prompt}\n合同文本：{{contract_text}}"
# 3. 建立PromptTemplate（输入变量为合同文本）
prompt_template = PromptTemplate(
input_variables=["contract_text"],
template=full_prompt
)
# 4. 启动LLM（采用OpenAI GPT-3.5）
llm = OpenAI(temperature=0, model_name="gpt-3.5-turbo-instruct")
# 5. 规定工具列表
tools = [
Tool(
name="LegalProvisionsRetriever",
func=retrieve_legal_provisions,
description="用于查找中国现行有效的法律条文，输入关键字（如‘格式条款 无效’）"
)
]
# 6. 启动Agent（zero-shot-react-description类型：依据工具说明自主调用）
agent = initialize_agent(
tools,
llm,
agent="zero-shot-react-description",
verbose=True  # 展示Agent的思考流程
)
（4）测试合同审核
提交一份租赁合同，测试Agent的输出：
# 测试用合同文本
contract_text = """
租赁合同
甲方：张三（出租人）
乙方：李四（承租人）
1. 租赁对象：甲方位于北京市朝阳区XX路XX号的房产；
2. 租期：1年（2024年1月1日至2024年12月31日）；
3. 租金：每月5000元，乙方需提前3个月支付总租金（总计60000元）；
4. 解约条件：若乙方未能按时支付租金，甲方有权立即终止合同，并不退还已支付的租金。
"""
# 运行Agent
response = agent.run(prompt_template.format(contract_text=contract_text))
# 输出结果
print("合同审核结果：")
print(response)
4.3 代码解释
提示语组合
：连接基础层、场景层、Agent互动层提示语，保证AI同时满足“角色定义”“任务需求”和“工具调用逻辑”；
工具定义
：利用
Tool
类封装法规检索功能，
description
字段告知Agent“何时使用此工具”；
Agent启动
：选用
zero-shot-react-description
类型，Agent将基于工具的描述自行决定是否调用工具；
verbose=True
：展示Agent的思考流程（例如“我需要查询关于租金支付时间的法规，因此调用LegalProvisionsRetriever工具”），便于调试。
五、验证与优化：确保准确性和合规性
提示语库构建完毕后，必须验证
准确性
（风险点识别无误）、
合规性
（不超出界限）、
Agent兼容性
（正确调用工具）。
5.1 结果验证
执行上述代码后，Agent的输出示例：
我现在需要审查这份租赁合同的风险点。首先看第3条“乙方需提前3个月支付全部租金”，这涉及租金支付期限的问题。我需要调用LegalProvisionsRetriever工具，检索关键词“租金支付期限 民法典”。

（调用工具后，返回《民法典》第721条：“承租人应当按照约定的期限支付租金。对支付租金的期限没有约定或者约定不明确，依据本法第五百一十条的规定仍不能确定，租赁期限不满一年的，应当在租赁期限届满时支付；租赁期限一年以上的，应当在每届满一年时支付，剩余期限不满一年的，应当在租赁期限届满时支付。”）

接下来分析第4条“若乙方未按时支付租金，甲方有权立即解除合同，且不退还已支付的租金”，涉及解除合同的条件和押金退还问题。需要检索“解除合同 租金 民法典”。

（调用工具后，返回《民法典》第722条：“承租人无正当理由未支付或者迟延支付租金的，出租人可以请求承租人在合理期限内支付；承租人逾期不支付的，出租人可以解除合同。”）

现在整理风险点：

1. 风险点：第3条要求提前3个月支付全部租金，违反《民法典》关于租金支付期限的规定。
   法条依据：《民法典》第721条。
   修改建议：将“提前3个月支付全部租金”改为“按月支付租金，每月5日前支付当月租金”。

2. 风险点：第4条约定“未按时支付租金立即解除合同且不退还租金”，不符合《民法典》关于解除合同的“合理期限”要求，且不退还租金可能加重承租人责任。
   法条依据：《民法典》第722条。
   修改建议：将“立即解除合同”改为“出租人有权催告承租人在7日内支付，逾期不支付的，出租人可以解除合同”；删除“且不退还已支付的租金”。

本意见仅供参考，不构成法律建议，请咨询专业律师。
5.2 验证标准
准确性
：风险点对应的法规是否准确（例如第3条对应《民法典》第721条）；
合规性
：是否标有“仅供参考”（是）；
Agent兼容性
：是否正确调用工具（是，两次调用LegalProvisionsRetriever）；
实用性
：修改建议是否可行（是，例如“改为按月支付”）。
5.3 优化迭代
如果验证失败，需要针对性地优化：
若风险点识别错误
：增加少量样本示例（例如向AI展示正确的风险点分析实例）；
若Agent不调用工具
：优化Agent互动层提示语，明确“需要法规时调用工具”；
若合规性缺失
：在基础层提示语中强制添加“必须标注合规提示”；
若法规关联错误
：优化法规的关键词（例如将“租金支付时间”改为“租金 支付时间 民法典”）。
六、最佳实践与常见问题
6.1 最佳实践
（1）利用“少量样本示例”提高准确性
在场景层提示语中加入
少样本示例
    

，使AI更明确“如何输出”。例如合同审查的少量样本：

示例1：

合同条款：“乙方需支付10万元定金，如果乙方违约，定金不予退还；如果甲方违约，仅退还定金。”

风险点：定金条款不符合“双倍返还”的规定（《民法典》第586条）。

法条依据：《民法典》第586条“当事人可以约定一方给予另一方定金作为债权的担保。定金合同自实际交付定金时生效。定金的金额由当事人约定；但是，不得超过主合同标的额的百分之二十，超出部分不产生定金的效力。实际交付的定金金额多于或少于约定金额的，视为变更约定的定金金额。”

修改建议：将“仅退还定金”改为“双倍返还定金”。

（2）定期更新提示词库

法律是不断变化的（例如新的司法解释出台、旧法修订），需要定期更新提示词库：

当《民法典》司法解释出台时，更新基础层提示词中的“现行有效法律”；

当合同审查的新风险点出现（如“数据隐私条款”），添加新的场景层提示词。

（3）用自动化测试保证质量

编写单元测试验证提示词的效果，例如：

def test_contract_review_prompt():
    # 测试用合同文本（包含格式条款）
    contract = "乙方不得提前解除合同，否则需支付违约金10万元。"
    # 预期输出：识别格式条款风险，关联《民法典》第497条
    response = agent.run(prompt_template.format(contract_text=contract))
    assert "格式条款" in response
    assert "《民法典》第497条" in response

6.2 常见问题与解决方法

问题	解决方法
AI生成的术语错误（如“定金”写成“订金”）	在基础层提示词中加入术语定义（如“‘定金’指…，‘订金’指…”），或使用少量样本示例。
Agent不调用工具	优化Agent交互层提示词，明确“需要法条时调用工具”，或提高工具的 description 清晰度。
合规提示缺失	在基础层提示词中强制加入“所有输出必须标注合规提示”，或用代码检查输出是否包含该提示。
提示词库维护困难	使用元数据管理（如场景标签、版本号），或用数据库存储（如PostgreSQL）替代JSON文件。

七、未来展望

法律领域Agentic AI的提示词库有很大的优化空间：

7.1 结合法律知识图谱

利用知识图谱关联法条、案例、术语，使提示词库更加“智能化”：例如当AI识别到“格式条款”时，自动关联相关法条（《民法典》第497条）、案例（例如“淘宝格式条款案”），生成更全面的提示词。

7.2 多模态提示词

支持处理合同中的图片、表格（如财务数据表格），生成多模态提示词：例如“请分析合同附件中的财务表格，识别其中的金额风险”。

7.3 跨司法管辖区支持

支持不同国家/地区的法律（如中国、美国、欧盟），通过元数据的

jurisdiction

标签区分提示词：例如

jurisdiction: "China"

对应中国法律提示词，

jurisdiction: "US"

对应美国法律提示词。

7.4 提示词的自动化生成

使用LLM自动生成提示词：例如输入“合同审查场景”，LLM自动生成基础层、场景层、Agent交互层的提示词，再由人工审核，提高效率。

八、总结

构建法律领域Agentic AI的提示词库，关键是**“将法律专业知识转化为Agent能理解的结构化提示”**。主要步骤包括：

• 需求拆解：明确用户需求和合规要求；
• 知识结构化：将法条、法律逻辑转化为提示词原料；
• 分层设计：基础层（身份与合规）、场景层（具体任务）、Agent交互层（工具调用）；
• 集成测试：使用LangChain等框架验证提示词的效果；
• 迭代优化：根据反馈调整提示词，确保准确性和合规性。

法律AI的核心价值是**“辅助律师，而不是替代律师”**，提示词库的设计必须围绕这一核心，确保AI输出的内容“专业、合规、有用”。

希望本文能帮助你开始法律领域提示工程的实践，如果你有任何问题或想法，欢迎在评论区交流！

参考资料

• LangChain官方文档：https://python.langchain.com/
• 《中华人民共和国民法典》：https://www.gov.cn/xinwen/2020-05/28/content_5516317.htm
• OpenAI提示工程指南：https://platform.openai.com/docs/guides/prompt-engineering
• 法律知识图谱项目：https://github.com/koaning/legal-bert
• Elasticsearch官方文档：https://www.elastic.co/guide/index.html

附录

完整提示词库JSON示例：https://github.com/your-repo/legal-prompt-library/blob/main/legal_prompt_library.json

Elasticsearch法律条文索引创建脚本

：https://github.com/your-repo/legal-prompt-library/blob/main/create_legal_index.py

测试用合同文档

：https://github.com/your-repo/legal-prompt-library/blob/main/test_contract.txt

（注：上述链接为示例，实际项目中应替换为个人仓库地址。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：agent NTIC 架构师 TIC Age