专业级Prompt工程

Hannah和Christian两位工程师手把手教学，从案例来推导出一份好的提示词该如何写好。还有很清晰的步骤。那到底啥是提示词工程？简单说，就是通过测试、评估、分析和优化，系统性地改进LLM应用的提示词。这可不是随便写写，而是一门真正的技术活儿！需要掌握：

• 🎯 自然语言编程
• ✍️ 清晰准确的写作
• 🧠 概念工程思维
• 🔬 科学评估方法
• 💭 产品思维
• 📊 测试与分析

👍记住：提示工程是一门经验科学！
核心循环就三步：

1. 📝 设计初步提示词
2. 🧪 测试各种案例
3. 🔧 优化改进提示词

然后？继续循环！这就是为啥视频里说要"always test your prompts & iterate often"！来到底怎么写提示词了？第一步：掌握完整的10层黄金结构看到没？Anthropic的完整提示词结构竟然有10层！这才是真正的"工程级"模板：

1. Task context（任务背景）
2. Tone context（语气语调）
3. Background data, documents, and images（背景数据）
4. Detailed task description & rules（详细任务描述和规则）
5. Examples（示例）
6. Conversation history（对话历史）
7. Immediate task description or request（即时任务或请求）
8. Thinking step by step / take a deep breath（逐步思考）
9. Output formatting（输出格式）
10. Prefilled response (if any)（预填充响应）

下面举个例子：实战案例：AI职业顾问Joe

<!-- 1-2层：角色和语调 -->
你将扮演AdAstra Careers公司创建的AI职业顾问Joe。
你需要保持友好的客服语调。

<!-- 3层：背景文档 -->
这是你回答时应该参考的职业指导文档：
<guide>{{DOCUMENT}}</guide>

<!-- 4层：详细规则 -->
重要的交互规则：
- 始终保持Joe的角色
- 不确定时说"抱歉，我不明白，请重复问题"
- 无关问题时引导回职业咨询

<!-- 5层：标准示例 -->
<example>
用户：Hi Joe，你是如何被创建的？
Joe：你好！我是Joe，由AdAstra Careers创建...
</example>

<!-- 6层：对话历史 -->
<history>{{HISTORY}}</history>

<!-- 7层：当前问题 -->
用户问题：<question>{{QUESTION}}</question>

<!-- 8层：思考提示 -->
回答前请先思考。

<!-- 9-10层：输出格式 -->
请将回答放在<response></response>标签内。
<response>

第二步：任务背景要给足视频里有个超经典的案例——瑞典保险公司的车险理赔。

第一版提示词：就简单说"分析这个事故报告"

结果：Claude以为是滑雪事故... 😂第二版提示词：明确说明这是"瑞典保险公司的AI系统，帮助理赔员审核交通事故报告"

结果：Claude立马知道是车祸，分析准确率直接起飞！关键语气设定：

• 要实事求是，保持自信
• 不确定就不要瞎猜
• 只有充分把握时才下判断

第三步：信息组织的艺术——XML标签大法重要提醒：无组织的提示词，Claude很难理解！就像人类阅读需要标题和段落一样，Claude也需要清晰的信息分割。看看这个对比：❌ 混乱的写法：

你是旅行助手，用户想去某个地方几天，有什么偏好，帮他制定行程...

✅ 结构化写法：

<location>{{LOCATION}}</location>
<num_days>{{NUM_DAYS}}</num_days>
<user_preferences>{{USER_PREFERENCES}}</user_preferences>

请在<itinerary>标签内输出行程：

为什么偏爱XML标签？
官方给出了明确理由：

• 📍 边界清晰：Claude能精确知道信息的开始和结束
• 💰 Token高效：比其他分隔符更节省Token
• 🎯 语义明确：标签名本身就说明了内容类型

实际效果对比：
右边的圣托里尼行程输出，格式完美、内容丰富，这就是结构化的威力！

<itinerary>
Adventure-Packed 3-Day Itinerary for Santorini, Greece

Day 1: Exploring the Caldera
Morning:
• Start with challenging hike from Fira to Oia (3-4 hours)
• Enjoy breakfast at local café in Oia...
</itinerary>

第四步：系统提示词要用好把不变的信息放进系统提示：

• 表格格式说明（比如瑞典车险表17个选项的含义）
• 评判标准
• 输出格式要求

瑞典车险事故报告表格说明：
- 表格标题：xxx
- 两列分别代表车辆A和B
- 第1行：xxx情况
- 第2行：xxx情况
...

友情提醒：系统提示里的信息可以用提示缓存，省钱又高效！

更牛的是这些1、Few-Shot示例的威力——比千言万语更有效官方明确指出：与其用文字描述，不如直接给Claude看1-2个例子！为什么示例这么牛？

• 🎯 具体模板：Claude能直接复制你的格式
• 📝 一致性保证：特别适合需要统一格式的任务
• 💡 行业标准：遵循特定术语或规范

示例设计的黄金法则：

• 相关性：示例要贴近实际场景
• 多样性：至少3-5个不同类型的例子
• 数量适中：通常1-2个就够了，别太多

实战对比：

<!-- ❌ 纯文字描述 -->
请创建专业的旅行行程，要包含景点、餐饮、住宿建议，
格式要整齐，内容要丰富...

<!-- ✅ 直接给示例 -->
<example>
Day 1: Exploring the Caldera
Morning:
• Start with challenging hike from Fira to Oia (3-4 hours)
• Enjoy breakfast at local café in Oia...
</example>

2、长提示词的终极技巧第5点"重复关键指令"是针对超长提示词的神技！当你的提示词超过几千字时，Claude可能会"忘记"前面的重要指令。解决方案：

<!-- 开头定义任务 -->
你需要创建旅行行程...

<!-- 中间一大堆内容 -->
各种规则、示例、数据...

<!-- 结尾再次强调 -->
记住：基于位置、天数和偏好创建行程，
请在<itinerary>标签内输出结果！

3、变量占位符的产品思维

<location>{{LOCATION_🏝️}}</location>
<num_days>{{NUM_DAYS_📅}}</num_days> 
<user_preferences>{{USER_PREFERENCES_💭}}</user_preferences>

这不仅是技术实现，更是产品设计！让提示词变成可复用的"模板"。4、"Take a deep breath"的科学依据看到第8层的"Thinking step by step / take a deep breath"了吗？这不是开玩笑！研究表明，让AI"深呼吸"能显著提升推理能力：

回答前请先思考你的回答。
Put your response in <response></response> tags.

Extended Thinking vs 传统提示工程什么时候用Extended Thinking？

• 🧠 给Claude更多思考时间：复杂推理任务的第一选择
• 🔍 调试AI思路：通过思考痕迹了解Claude的推理过程
• 🎯 优化系统提示：根据思考轨迹改进提示词

但要注意缺点：

• 💰 Token消耗更大：需要"重新发明轮子"，成本更高
• 🎲 一致性较差：temperature=1，结果可能不够稳定

实战建议：

<!-- 开发阶段：用Extended Thinking调试 -->
启用扩展思考，分析推理过程

<!-- 生产环境：用优化后的提示词 -->
基于分析结果，写出精准的step-by-step指令

这就是为什么提示工程如此重要——它能把Extended Thinking的洞察固化成高效、稳定的生产级提示词！5、预填充响应的神奇技巧第10层"Prefilled response"是个高级技巧：

<response>

就这样！让Claude从这里开始输出，能：

• 强制按格式输出
• 节省tokens
• 提高响应一致性

6、对话历史的重要性第6层专门处理历史对话，这对聊天机器人至关重要：

<history>{{之前的对话内容}}</history>

用户问题：<question>{{当前问题}}</question>

这样Claude就有"记忆"了！防止Claude"胡编乱造"的终极秘籍生产环境最怕的就是AI"一本正经地胡说八道"！Anthropic给出了4个防幻觉的核心技巧：

🚫 技巧1：让Claude承认"不知道"

如果你不确定答案，请直接说"我不知道"，
不要猜测或编造信息。

🎯 技巧2：要求高置信度回答

只有在你非常确信答案正确时才回答，
不确定的内容请明确标注。

🤔 技巧3：让Claude先思考再回答

请先仔细思考这个问题，然后再给出答案。
在<thinking></thinking>标签中展示你的思考过程。

📝 技巧4：引用式回答（适合长文档）

请先从文档中找到相关的具体引用，
然后基于这些引用来回答问题。

引用格式：
<quote>"原文内容"</quote>
基于以上引用，我的答案是...

一些小技巧

1. 温度设置为0：需要精确分析时用这个
2. Max tokens设大点：别让Claude发挥受限
3. 善用Claude 4：新模型理解力更强
4. XML标签更高效：比Markdown、JSON等更节省Token
5. 示例胜过千言：1个好例子比100行描述更有效
6. 防幻觉是关键：生产环境必须加入防护机制
7. 多模态很香：图片+文字一起分析
8. Extended Thinking：开发调试神器，生产环境需谨慎

关于分隔符的选择：

• ✅ XML标签：<tag>content</tag> （推荐）
• ⚠️ Markdown：## 标题 （可用但不如XML）
• ❌ 大括号：{content} （Claude容易混淆）
• ❌ 长分隔符：======== （浪费Token）

关于示例的数量：

• 🎯 最佳数量：1-2个精品示例
• ⚠️ 避免过多：超过5个示例会稀释注意力
• 💡 质量>数量：相关性和多样性更重要

总结这期Anthropic官方教程真的干货满满，完整的提示工程方法论让我们看到了"正确打开方式"：👍📋 10层结构框架：

1. 任务背景：明确角色和场景
2. 语气语调：定义AI的"人设"
3. 背景数据：提供必要的文档和图片
4. 详细规则：step-by-step操作指南
5. 标准示例：few-shot学习的威力
6. 对话历史：让AI有"记忆"
7. 即时请求：当前具体要做什么
8. 思考提示：让AI"深呼吸"
9. 输出格式：结构化响应控制
10. 预填充：引导AI按格式开始

🛡️ 防幻觉核心技巧：

• 让Claude承认"不知道"
• 要求高置信度回答
• 先思考再回答
• 基于引用回复

🔄 工程化思维：

• 测试 → 优化 → 迭代循环
• XML标签结构化组织
• 示例胜过千言万语
• Extended Thinking调试，提示工程生产

说实话，以前我们写提示词真的是在"瞎摸索"，现在有了这套官方方法论，写出高质量提示词就像有了GPS导航一样轻松！写在最后在AGI时代，掌握好提示工程就像学会了"AI驯兽术"。这不仅能提升工作效率，更是AI副业变现的核心技能。记住Hannah和Christian的话：提示工程是一门迭代的经验科学，最好的学习方法就是多练多上手！👍提示工程的核心能力：

• 理解LLM的工作原理
• 聚合分析失败案例并找到解决方案
• 让LLM适应更广泛的输入场景
• 用科学思维创建评估体系
• 防止AI幻觉，确保输出可靠性

特别是最后一点，对生产环境至关重要！没有防幻觉机制的AI应用，就像没有刹车的跑车——看起来很快，但危险得要命。这就是为什么提示工程师这么值钱的原因——它需要编程思维、产品思维和工程思维的完美结合，还要有风险控制意识！