提示词工程最佳实践
通过 Claude 团队的提示词工程技术，获得更好的 AI 结果。
上下文工程已成为使用大语言模型（LLM）工作中越来越重要的一部分，而提示词工程是其核心基石。
提示词工程是构建指令以从 AI 模型获得更好输出的技艺。它关乎你如何措辞查询、指定风格、提供上下文以及引导模型行为来实现你的目标。
一个模糊指令和一个精心设计的提示词之间的差异，可能意味着泛泛而谈的输出和正中靶心的结果之间的鸿沟。一个结构不良的提示词可能需要多次来回交流才能明确意图，而一个精心设计的提示词能让你一次就达到目标。
为了帮助你入门，我们汇集了我们团队的一些最佳实践，包括旨在立即改善结果的实用方法。我们将从今天就能使用的简单习惯开始，然后扩展到复杂项目的高级方法。
如何使用提示词工程
在最基本的层面上，提示词工程只是修改你传递给 LLM 的查询。通常它只是在你提出实际请求之前向查询添加信息——但知道哪些信息是正确的信息才是设计出色有效提示词的秘诀。
核心技巧
这些提示词工程技术构成了有效 AI 交互的基础。持续使用它们能立即看到响应质量的改善。
明确清晰
现代 AI 模型对清晰、明确的指令反应非常好。不要假设模型会推断你想要什么——直接说明。使用简单的语言准确表达你想要的内容，不要含糊其辞。
关键原则：准确告诉模型你想看到什么。如果你想要全面的输出，就要求它。如果你想要特定功能，就列出它们。像 Claude 这样的现代模型特别受益于明确的指导。
示例：创建分析仪表板
模糊："创建一个分析仪表板"
明确："创建一个分析仪表板。包含尽可能多的相关功能和交互。超越基础，创建一个功能齐全的实现。"
第二个版本明确要求全面的功能，并表明你希望模型超越最低要求。
最佳实践：
- 以直接的动作动词开头："写"、"分析"、"生成"、"创建"
- 跳过开场白，直奔主题
- 说明你希望输出包含什么，而不仅仅是要处理什么
- 明确质量和深度期望
提供上下文和动机
解释某事为什么重要有助于 AI 模型更好地理解你的目标并提供更有针对性的响应。这对能够推理你潜在目标的新模型特别有效。
示例：格式偏好
不够有效："永远不要使用项目符号"
更有效："我更喜欢自然段落形式的响应，而不是项目符号，因为我觉得流畅的散文更易于阅读，更有对话感。项目符号对我的休闲学习风格来说太正式、太像列表了。"
第二个版本帮助模型理解规则背后的原因，这使它能够对相关格式选择做出更好的决定。
何时提供上下文：
- 解释输出的目的或受众
- 阐明某些约束存在的原因
- 描述输出将如何使用
- 指出你试图解决的问题
具体明确
提示词工程中的具体性意味着用明确的指南和要求来构建你的指令。你对想要的内容越具体，结果就越好。
示例：膳食计划
模糊："为地中海饮食创建一份膳食计划"
具体："为糖尿病前期管理设计一份地中海饮食膳食计划。每日1,800卡路里，强调低血糖指数食物。列出早餐、午餐、晚餐和一份零食，并附完整的营养成分。"
什么使提示词足够具体？
包括：
- 明确的约束（字数、格式、时间线）
- 相关上下文（受众是谁，目标是什么）
- 期望的输出结构（表格、列表、段落）
- 任何要求或限制（饮食需求、预算限制、技术约束）
使用示例
示例并非总是必要的，但在解释概念或演示特定格式时非常有用。也称为单样本或少样本提示，示例通过展示而非描述来阐明难以用语言表达的细微要求。
现代模型的重要提示：Claude 4.x 和类似的高级模型会非常仔细地关注示例中的细节。确保你的示例与你想要鼓励的行为一致，并尽量减少任何你想要避免的模式。
示例：文章摘要
不带示例："总结这篇文章"
带示例：
这是我想要的摘要风格示例：
文章：[关于 AI 监管的文章链接]
摘要：欧盟通过针对高风险系统的综合 AI 法案。关键条款包括透明度要求和人工监督授权。2026年生效。
现在用相同风格总结这篇文章：[你的新文章链接]
何时使用示例：
- 期望的格式更容易展示而不是描述
- 你需要特定的语气或风格
- 任务涉及细微的模式或惯例
- 简单的指令没有产生一致的结果
专业提示：从一个示例开始（单样本）。只有在输出仍不符合你的需求时才添加更多示例（少样本）。
允许 Claude 表达不确定性
明确允许 AI 表达不确定性而不是猜测。这减少了幻觉并提高了可靠性。
示例："分析这些财务数据并识别趋势。如果数据不足以得出结论，请直说而不是推测。"
这个简单的补充通过允许模型承认局限性使响应更值得信赖。
高级提示词工程技术
这些核心习惯会让你走得很远，但你可能仍会遇到需要更高级方法的情况。
链式思维（CoT）提示
链式思维提示鼓励模型"大声思考"，在给出最终答案之前展示其推理过程。这对复杂问题特别有价值，可以提高准确性并让你验证逻辑。
示例：数学问题求解
标准提示："解决这个问题：一家商店以20%的折扣出售商品，然后再降价10%。最终价格是多少？"
CoT 提示："解决这个问题，并逐步展示你的工作：一家商店以20%的折扣出售商品，然后再降价10%。最终价格是多少？首先，解释你将如何处理这个问题。"
CoT 版本鼓励模型：
- 确定需要什么计算
- 展示每一步
- 解释其推理
- 给出最终答案
何时使用 CoT：
- 多步推理问题
- 需要解释答案的决策
- 调试不正确的输出（查看推理揭示错误在哪里）
- 建立对复杂输出的信任
角色提示
角色提示让模型采用特定的视角或专业知识。这可以调整响应的语气、深度和方法。
示例：技术解释
标准："解释什么是 API"
角色提示："作为一位向非技术利益相关者解释技术概念的资深软件架构师，解释什么是 API，为什么它对我们的业务很重要，以及它如何使我们能够更快地构建。避免使用术语，使用商业术语。"
角色提示设定：
- 专业知识水平（资深架构师）
- 受众（非技术利益相关者）
- 目的（商业理解）
- 语气约束（避免术语）
有效的角色设定：
- 与期望的输出专业知识水平相匹配
- 包括受众考虑
- 设定适当的正式程度
- 暗示相关背景知识
提示链接
将复杂任务分解为一系列更简单的提示。每个提示的输出成为下一个的输入，创建一个由更易管理的步骤组成的流水线。
示例：内容创建流程
不是一个巨大的提示，而是链接多个：
- 研究阶段："找出关于可持续城市规划的10个关键事实"
- 大纲阶段："使用这些事实，创建一篇博客文章的大纲"
- 写作阶段："将这个大纲的第一部分扩展为完整的段落"
- 完善阶段："编辑这个段落以提高可读性和影响力"
提示链接的好处：
- 更好地控制输出的每个方面
- 更容易识别和修复流程中的问题
- 能够在途中改变方向
- 通常产生比单一庞大提示更高质量的结果
自我一致性
为同一个问题生成多个响应，然后选择最一致或投票最多的答案。这对于正确答案应该收敛的任务特别有用。
示例：问题求解
生成3个独立的解决方案：
- "用方法A解决这个问题：[问题]"
- "用方法B解决这个问题：[问题]"
- "用方法C解决这个问题：[问题]"
然后："检查这三个解决方案。哪个最合理？它们是否一致？"
何时使用自我一致性：
- 高风险决策
- 复杂的推理问题
- 当你想要额外的信心
- 验证计算或逻辑
系统提示和元提示
系统提示设置贯穿整个对话的持久上下文。元提示是关于如何构建其他提示的提示。
系统提示示例：
你是一位技术写作助手。在所有响应中：
- 使用简洁、主动语态的句子
- 为技术术语提供示例
- 以清晰度为优先而非简洁性
- 在不确定时征求澄清
元提示示例：
在回答问题之前，首先生成3个可能有助于获得更好答案的澄清问题。评估是否需要这些澄清，如果不需要则继续回答。
为组织提示词工程
随着 AI 在组织中的扩展，提示词工程变成了团队活动。
创建提示词库
记录和共享有效的提示词：
组织结构：
提示词库/
├── 客户支持/
│ ├── 投诉响应.md
│ ├── 产品推荐.md
│ └── 技术故障排除.md
├── 内容创作/
│ ├── 博客大纲.md
│ ├── 社交媒体帖子.md
│ └── 新闻稿.md
└── 数据分析/
├── 报告摘要.md
├── 趋势分析.md
└── 数据可视化.md
每个提示词应包括：
- 目的和用例
- 完整的提示词模板
- 示例输入和输出
- 已知限制
- 版本和最后更新
制定提示词指南
为你的组织创建标准：
示例指南：
- 语气和声音：所有面向客户的内容应[描述期望的语气]
- 格式规范：使用[指定格式标准]
- 安全和隐私：永远不要在提示词中包含[敏感数据类型]
- 质量检查：所有 AI 生成的内容必须[验证过程]
测试和迭代
像对待代码一样对待提示词：
- 从基线提示词开始
- 用各种输入测试
- 记录哪些有效，哪些无效
- 进行小的迭代改进
- 验证改进确实更好
- 与团队共享学习
特定用例的提示词模板
代码生成
创建一个 [语言] [功能类型（函数/类/组件）] 用于 [目的]。
要求：
- [具体要求1]
- [具体要求2]
- [具体要求3]
约束：
- [技术约束]
- [性能要求]
- [兼容性需求]
包括：
- 内联注释解释关键决策
- 错误处理
- 边缘情况处理
- 简要的使用示例
数据分析
分析这些数据：[数据或数据描述]
具体：
1. 识别关键趋势和模式
2. 突出任何异常或异常值
3. 计算相关统计数据：[列出具体指标]
4. 提供可操作的见解
格式化为：[表格/项目符号/段落]
如果发现数据不足，请注明缺少什么。
内容编辑
编辑这个文本以：[主要目标]
优先考虑：
- [质量方面1：例如，清晰度]
- [质量方面2：例如，简洁性]
- [质量方面3：例如，影响力]
保持：
- [需要保留的方面]
- [现有的语气/风格元素]
显示：
1. 带跟踪更改的编辑版本
2. 关键更改的简要摘要
3. 任何你建议但未做出的重大结构变化
常见提示词工程错误
1. 过于开放式
问题："告诉我关于 AI" 更好："解释 AI 如何在医疗诊断中使用，重点关注当前的应用和限制。3-4段，为医疗专业人员撰写。"
2. 矛盾的指令
问题："简洁但详细地解释量子计算" 更好："用2-3段解释量子计算的核心概念，为技术专业人员撰写。优先考虑准确性而非简化。"
3. 隐含假设
问题："改进这段代码"（未说明'改进'意味着什么） 更好："重构这段代码以提高可读性。添加注释，使用更多描述性的变量名，并将复杂的逻辑拆分为更小的函数。"
4. 忽略格式
问题："创建一份项目时间表"（未指定格式） 更好："创建一个带周列的表格格式项目时间表。包括任务名称、负责人、开始日期、结束日期和状态列。"
持续改进
提示词工程是一种技能，随着练习会有所改善。对于你经常使用的提示词：
- 跟踪结果：哪些提示词产生最佳输出？
- 识别模式：是什么使这些提示词有效？
- 进行实验：测试变化并衡量影响
- 记录学习：建立你自己的提示词最佳实践库
- 分享知识：与你的团队或社区合作
入门的快速启动提示词
使用这些提示词来改进你的日常 AI 交互。你可以将它们作为系统提示词或对话启动器。
创作与写作
嗨 Claude！你能[创作任务]吗？如果你需要我提供更多信息，请立即问我1-2个关键问题。如果你认为我应该上传任何对你更好地完成工作有帮助的文档，请告诉我。如果有助于你更好地完成此任务，你可以使用你可以访问的工具——如 Google Drive、网络搜索等。请不要使用分析工具。请保持你的响应友好、简洁和对话式。
请尽快执行任务——如果有意义的话，工件会很棒。如果使用工件，请考虑什么类型的工件（交互式、可视化、检查清单等）对这个特定任务最有帮助。谢谢你的帮助！
学习
嗨 Claude！你能[学习任务]吗？如果你需要我提供更多信息，请立即问我1-2个关键问题。如果你认为我应该上传任何对你更好地完成工作有帮助的文档，请告诉我。如果有助于你更好地完成此任务，你可以使用你可以访问的工具——如 Google Drive、网络搜索等。请不要使用分析工具。请保持你的响应友好、简洁和对话式。
请尽快执行任务——如果有意义的话,工件会很棒。如果使用工件，请考虑什么类型的工件（交互式、可视化、检查清单等）对这个特定任务最有帮助。谢谢你的帮助！
代码
嗨 Claude！你能[编码任务]吗？如果你需要我提供更多信息，请立即问我1-2个关键问题。如果你认为我应该上传任何对你更好地完成工作有帮助的文档，请告诉我。如果有助于你更好地完成此任务，你可以使用你可以访问的工具——如 Google Drive、网络搜索等。请不要使用分析工具。请保持你的响应友好、简洁和对话式。
请尽快执行任务——如果有意义的话，工件会很棒。如果使用工件，请考虑什么类型的工件（交互式、可视化、检查清单等）对这个特定任务最有帮助。谢谢你的帮助！
