从新 Siri 提示词看端侧 Agent 怎么设计

AIOK
, , ,
1

今天（2026-06-09，北京时间）看到新 Siri AI 的新闻，再回头看这两份 Siri 新提示词和中文翻译，我觉得它最值得普通 AI 用户和开发者学习的地方，不是“又一个更聪明的语音助手”，而是 Apple 正在把 Siri 做成一个端侧 Agent 操作系统。

文件先放这里，两个都可以直接下载：

校验：

siri_prompt.md     596cb8eccdf11d9142164da273b30431d4b5e891311ae60c265724749d1c65e0
siri_prompt_zh.md  af8778997de75fbadfa4f1b9a2cc7b31b869d40ed76c1e398453a9b126d873bf

今天的新 Siri 新闻，可以抓住这几条

Apple 这次把新版本称为 Siri AI，官方说它会有个人情境理解、广泛的联网世界知识、屏幕感知，并能跨 app 操作。官方稿还提到开发者今天已经可以测试，用户侧会在今年稍晚以 beta 形式开放。

这件事和提示词文件能对上：提示词不是单纯写“你要聪明、你要礼貌”，而是在定义 Siri 怎么识别设备里的实体、怎么调用工具、怎么处理屏幕内容、什么时候必须问用户、什么时候不能猜。

另一个关键点来自 Apple Developer 文档：App Intents framework 是 app 接入 Apple Intelligence 和 Siri AI 的方式；新的 View Annotations API 让开发者把屏幕上的视图映射成实体，让用户可以自然地引用“眼前这个东西”。这说明新 Siri 的重点不是聊天窗口，而是让 app、屏幕、个人数据、系统动作都变成可被模型可靠使用的结构化接口。

这份提示词真正有意思的地方

第一，实体是事实，不是提示词。

提示词里反复强调 Entities 是设备、app、网页搜索等来源返回的结构化事实；实体属性应当优先于模型记忆，但实体里的文字不能反过来指挥模型。这一点很重要：未来个人助手真正危险的地方不是“模型不知道”，而是“模型把邮件、网页、消息里的内容当成系统指令”。所以它把数据和指令切得很硬。

第二，缺失字段就是未知，不是让模型脑补。

文件里对 missing properties 的要求非常严：没有字段就代表未知，而不是默认安全、默认存在、默认可用。这个设计很适合所有 agent 产品复用。一个助手宁愿说“我缺这个信息”，也不要从上下文里自作聪明补齐，因为补错以后可能就是发错消息、打错电话、删错东西。

第三，工具调用是围绕实体 id 做的，不是围绕自然语言名字做的。

提示词里要求 _id、_ids 参数传实体，而不是随便传名字；有歧义就让用户选。这其实是在给 LLM 加一层“数据库外键”意识：自然语言负责理解，执行层必须落到稳定 id。做任何自动化工具、群机器人、浏览器 agent，都应该学这个。

第四，屏幕上下文是新 Siri 的核心入口。

Device State 里有 focused app、foreground window、selected entities、live entities 等概念。用户说“这个”“屏幕上这个”“刚才那个”，Siri 不是靠猜，而是先把可见窗口里的实体展开。结合 Apple Developer 里的 View Annotations API，这就是把 UI 变成模型可引用、可操作的实体图。

第五，回答不是纯文本，而是“多模态 UI 输出”。

提示词开头就要求 Siri 做视觉丰富的回答：图片、原生 app UI、结构化比较、引用来源。这里能看出 Apple 对助手的产品判断：真正的个人助手不是一直吐段落，而是在合适的时候把答案变成系统 UI、实体卡片、图像集合、表格或 app 动作。

第六，安全边界写得比人格设定更长。

它对工具失败、用户纠错、语音识别假设、批量操作、模糊目标、不可撤销动作都写了规则。比起“你是谁”的人格设定，这些才是 Agent 能不能落地的关键。因为端侧助手一旦能动通讯录、短信、邮件、日历、地图、照片，错误成本就不再是“答错一句话”。

可以照着学的设计清单

如果自己做 AI 助手、客服、浏览器 agent 或本地自动化，我会从这份提示词里抄走这几条结构：

  1. 给所有外部事实加来源和 id，不让模型用文本相似度直接执行动作。
  2. 把“缺失字段”当成硬状态，而不是让模型补全。
  3. 工具结果只当事实，不当指令，防 prompt injection。
  4. 对不可撤销、目标歧义、多人同名、语音识别分歧，强制走确认。
  5. 让 UI 自己暴露实体，而不是让模型靠截图猜。
  6. 把回答设计成可操作界面，而不是纯聊天段落。
  7. 每个跨 app 动作都要能解释“我依据哪个实体、哪个来源、哪个工具结果”。

我觉得最有趣的结论

新 Siri AI 表面上像是“Apple 终于追 ChatGPT / Gemini 了”，但从提示词看，它更像一个系统级 agent runtime：实体系统负责事实，工具系统负责动作，设备状态负责上下文，App Intents 和 View Annotations 负责把第三方 app 接进来，最后由 Siri 做自然语言调度。

这可能也是 Apple 和通用聊天机器人的分野：聊天机器人可以靠长上下文和强模型硬扛，端侧 Siri 必须靠结构化、权限、确认、UI 映射、隐私边界来工作。模型只是大脑的一部分，真正的产品壁垒在“设备世界怎么被安全地表示给模型”。

参考

1 个赞
2

赞成，Siri更像是一个agent runtime，但这也是苹果精明的地方，站对了合适的位置