精通 Claude 4 提示工程：官方权威指南

提示工程（Prompt Engineering）是一门通过优化输入文本（即“提示”）来提升大型语言模型（LLM）输出质量与控制性的核心技术。这份综合指南将系统性地介绍与 Claude 系列模型交互的各项最佳实践，覆盖从基础准备到高级应用的全部环节，帮助开发者和研究者最大限度地发挥 Claude 的潜力。

在开始之前：成功的基础

在深入研究具体的提示工程技术前，必须先奠定坚实的基础。这包括：

1. 明确的成功标准：清晰地定义用例的成功标准是什么。
2. 有效的测试方法：建立一套能够客观、量化地评估模型输出是否符合这些标准的方法。
3. 初步的提示草稿：有一个想要改进的初始版本提示。

如果尚未完成这些准备工作，强烈建议先投入时间建立起来。

何时选择提示工程？（对比微调）

并非所有问题都最适合通过提示工程解决。例如，延迟和成本问题有时通过选择不同模型能更轻易地改善。而当需要在控制模型行为时，提示工程和微调（Finetuning）是两种主要手段，以下是提示工程在多种场景下优于微调的原因：

• 资源效率：微调需要大量的计算资源（如高端 GPU）和内存，而提示工程仅需文本输入，对资源更为友好。
• 成本效益：对于使用云端 AI 服务的场景，微调会产生显著的训练成本。提示工程直接利用基础模型，通常成本更低。
• 模型更新兼容性：当模型提供商更新基础模型时，微调过的版本可能需要重新训练。而设计良好的提示通常可以跨版本继续生效。
• 时间效率：微调过程可能需要数小时甚至数天。相比之下，提示工程提供近乎即时的反馈，极大地加速了迭代和解决问题的速度。
• 数据需求极低：微调需要大量特定于任务的、经过标注的数据集，这些数据可能难以获取或成本高昂。提示工程在少样本（few-shot）甚至零样本（zero-shot）的场景下就能有效工作。
• 灵活性与快速迭代：开发者可以迅速尝试多种方法，调整提示并立即观察结果。这种快速实验的敏捷性是微调难以实现的。
• 领域适应性：通过在提示中提供特定领域的上下文，可以轻松地让模型适应新领域，而无需重新训练。
• 理解力提升：在帮助模型更好地理解和利用外部内容（如通过RAG检索的文档）方面，提示工程远比微调更有效。
• 保留通用知识：微调存在“灾难性遗忘”（catastrophic forgetting）的风险，即模型在学习新知识时可能会丢失其原有的通用能力。提示工程则保留了模型的广泛知识基础。
• 透明度与可解释性：提示是人类可读的，能清晰地展示模型收到的确切信息。这种透明度有助于理解和调试模型的行为。

Claude 4 的提示工程核心原则

Claude 4 系列模型（包括 Opus 4.1、Opus 4 和 Sonnet 4）经过优化，能更精确地遵循指令。为获得最佳效果，请遵循以下核心原则。

1. 指令明确且直接

模型对清晰、具体的指令响应最佳。明确说明期望的输出，可以显著提升结果质量。如果希望模型能像旧版 Claude 一样做出“超常发挥”的表现，现在需要更明确地请求这些行为。

示例：创建一个分析仪表盘

• 效果较差的提示：

  创建一个分析仪表盘。
  

• 效果更佳的提示：

  创建一个分析仪表盘。请包含尽可能多的相关功能和交互细节，超越基础功能，实现一个功能完备的设计。
  

2. 补充上下文以提升性能

在指令背后提供背景或动机，例如向 Claude 解释为何某个行为很重要，可以帮助模型更好地理解目标，并提供更有针对性的响应。

示例：格式偏好

• 效果较差的提示：

  绝不使用省略号。
  

• 效果更佳的提示：

  你的回答将被文本转语音引擎朗读，所以绝不使用省略号，因为引擎不知道如何发音。
  

模型足够智能，能够从这类解释中进行归纳。

3. 审慎使用示例和细节

Claude 4 模型会认真对待指令中的每一个细节和示例。请确保你提供的示例与期望鼓励的行为一致，并尽量减少想要避免的行为。

核心提示工程技术大全

以下技术按照从最普适到更专门的顺序组织。在解决性能问题时，建议按此顺序尝试。

1. 清晰直接的指令 (如上所述)
2. 使用示例 (多样本提示)
3. 引导模型思考 (思维链)
4. 使用 XML 标签
5. 通过系统提示赋予角色
6. 预填充模型的回应
7. 链式复杂提示
8. 长上下文提示技巧
9. 使用提示生成器

以下将详细介绍其中最关键的技术。

使用 XML 标签构建结构化提示

当提示包含多个组成部分（如背景信息、指令、示例和输入数据）时，使用 XML 标签是提升 Claude 解析准确性的利器。

• 使用 XML 标签的好处：
  • 清晰性：明确分离提示的不同部分，确保结构良好。
  • 准确性：减少模型因混淆指令与上下文而导致的错误。
  • 灵活性：便于查找、添加、移除或修改提示的特定部分。
  • 可解析性：要求模型在输出中也使用XML标签，可以使程序更容易地提取其响应的特定部分。
• 最佳实践：
  1. 保持一致性：在提示中始终使用相同的标签名，并在指令中引用它们（例如，“使用 <contract> 标签中的合同…”）。
  2. 嵌套标签：对于层级内容，可以使用嵌套标签，如 <outer><inner></inner></outer>。

示例：法律合同分析

未使用 XML 标签的提示：

分析这份软件许可协议的潜在风险和责任：{{CONTRACT}}。关注赔偿、责任限制和知识产权所有权条款。同时，注意任何不寻常或令人担忧的条款。这是我们的标准合同以供参考：{{STANDARD_CONTRACT}}。给出调查结果摘要和给我们法律团队的建议。

结果：分析可能杂乱无章，容易遗漏关键点。

使用 XML 标签的提示：

分析这份软件许可协议的法律风险和责任。
我们是一家跨国企业，正在考虑将此协议用于我们的核心数据基础设施。
<agreement>
{{CONTRACT}}
</agreement>
这是我们的标准合同以供参考：
<standard_contract>
{{STANDARD_CONTRACT}}
</standard_contract>
<instructions>
1. 分析以下条款：
- 赔偿 (Indemnification)
- 责任限制 (Limitation of liability)
- 知识产权所有权 (IP ownership)
2. 指出不寻常或令人担忧的条款。
3. 与我们的标准合同进行比较。
4. 在 <findings> 标签中总结发现。
5. 在 <recommendations> 标签中列出可行的建议。
</instructions>

结果：模型会输出结构清晰的 <findings> 和 <recommendations>，内容详尽，逻辑严谨，便于法律团队直接采纳。

通过系统提示赋予角色 (Role Prompting)

使用 system 参数为 Claude 设定一个角色，是提升其性能最强大的方法之一。一个恰当的角色能将 Claude 从通用助手转变为虚拟的领域专家。

• 使用系统提示设定角色的好处：
  • 增强准确性：在法律分析或财务建模等复杂场景中，角色提示能显著提升 Claude 的表现。
  • 定制化语气：无论是需要 CFO 的言简意赅，还是文案策划的生动活泼，角色提示都能调整 Claude 的沟通风格。
  • 提升专注度：设定角色后，Claude 会更好地将自己限制在任务的具体要求范围内。
• 如何实现：
  在 Messages API 调用中，将角色描述放入 system 参数。将具体的任务指令保留在 user 消息中。

  import anthropic
  client = anthropic.Anthropic()
  response = client.messages.create(
  model="claude-3-opus-20240229",
  max_tokens=2048,
  system="你是一家高增长B2B SaaS公司的CFO。我们的投资者希望实现积极增长，但对我们的烧钱率保持警惕。", # <-- 赋予角色
  messages=[
  {"role": "user", "content": "在董事会议上，请分析我们Q2的财务数据，指出关键趋势，标记关注点，并推荐战略行动：\n\n{{FINANCIALS}}"}
  ]
  )
  print(response.content)
  

专家技巧：尝试不同的角色！对于同样的数据，数据科学家、市场营销策略师 或 专为财富500强公司提供客户洞察分析的数据科学家 可能会得出截然不同的洞见。

引导模型思考 (思维链, Chain of Thought)

当面对研究、分析或解决问题等复杂任务时，给予 Claude 思考的空间可以极大地改善其表现。这种技术被称为思维链（CoT）提示，它鼓励 Claude 分步拆解问题，从而产出更准确、更精细的输出。

• 何时使用思维链？
  • 需要思考的任务：用于处理那些人类也需要思考才能完成的任务，如复杂数学计算、多步骤分析、撰写复杂文档或需要权衡多因素的决策。
  • 提升准确性：逐步解决问题可以减少在逻辑、数学和分析任务中的错误。
  • 调试：观察 Claude 的思考过程有助于你发现提示中可能不清晰的地方。
• 如何引导思考？
  从简单到复杂，有多种方式可以引导 Claude 思考。一个核心技巧是：始终让 Claude 将其思考过程输出出来，否则思考就不会发生。
  1. 基础提示：在提示中加入“请一步步思考”。
  2. 引导性提示：为 Claude 的思考过程勾勒出具体步骤。
  3. 结构化提示：使用 <thinking> 和 <answer> 等XML标签将推理过程与最终答案分离开。

示例：财务分析

未使用思维链的分析：

• 用户：一个客户想投资1万美元，A选项是年化12%但波动的股票，B选项是年化6%的固定收益债券。客户5年后需要这笔钱付首付。推荐哪个？
• 模型：推荐B。理由是确定性高、风险规避、时间周期短。结论看似合理但缺乏深度。

使用思维链的分析：

• 用户：(同上)，但最后加上“请一步步思考”。
• 模型：

  <thinking>
  1. 理解客户目标和时间线：目标是房屋首付，时间线5年。结论：这是一个短期的、高优先级的财务目标，客户可能无法承受重大风险。
  2. 分析选项A（股票）：
  - 优点：历史回报率高（12%）。
  - 缺点：波动性大。
  - 计算潜在的5年回报：
  - 最佳情况（年化12%）：$10,000 * (1.12)^5 ≈ $17,623.42
  - 最差情况（市场崩盘）：可能损失惨重，例如50%的崩盘 = $5,000
  3. 分析选项B（债券）：
  - 优点：保证回报率（6%）。
  - 缺点：回报率低于股票的历史表现。
  - 计算5年回报：
  - 保证：$10,000 * (1.06)^5 ≈ $13,382.25
  4. 考虑风险承受能力：目标是房屋首付（必需品，非可有可无），时间短，无法承受市场低迷。结论：客户风险承受能力可能较低。
  ...
  </thinking>
  <answer>
  我推荐选项B，即保证年回报率为6%的债券。虽然股票的历史回报率很诱人，但债券能确保您在5年后拥有$13,382.25用于房屋首付。考虑到您目标的重要性和短暂的时间线，股票的波动性构成了不可接受的风险。
  </answer>
  

  这种分析提供了量化数据和更严谨的逻辑，结论更有说服力。

预填充 Claude 的回应 (Prefilling)

预填充是一个独特而强大的技术，允许你在 API 调用的 assistant 消息中提供初始文本，Claude 将从该文本末尾继续生成。这能让你强制执行特定格式（如JSON）、跳过冗长的开场白，或在角色扮演中强化角色一致性。

注意：预填充内容不能以尾随空格结束。此功能目前在扩展思维模式下不受支持。

• 如何预填充：

  import anthropic
  client = anthropic.Anthropic()
  response = client.messages.create(
  model="claude-3-opus-20240229",
  max_tokens=1024,
  messages=[
  {"role": "user", "content": "你最喜欢的颜色是什么？"},
  {"role": "assistant", "content": "作为一个AI助手，我没有最喜欢的颜色，但如果我必须选一个，那会是绿色，因为"}  # 在此预填充
  ]
  )
  

示例：控制输出格式并跳过前言

未使用预填充：当要求提取JSON时，模型可能会先说“这是您要的JSON格式的信息：”，然后才给出代码块。

使用预填充：

• 用户：从产品描述中提取名称、尺寸、价格和颜色作为JSON对象…
• 助手 (预填充)：{
• Claude 的回应：

    "name": "SmartHome Mini",
  "size": "5 inches wide",
  "price": "$49.99",
  "colors": ["black", "white"]
  }
  

  这会强制 Claude 直接输出JSON内容，干净利落，便于程序解析。

特定场景的指导

• 控制响应格式：
  1. 正面指令优于负面指令：与其说“不要在你的回应中使用 markdown”，不如说“你的回应应该由流畅的散文段落组成”。
  2. 使用 XML 格式指示器：尝试：“请将你回应中的散文部分写在 <smoothly_flowing_prose_paragraphs> 标签里。”
  3. 提示风格与期望输出匹配：你提示中使用的格式风格可能会影响 Claude 的回应风格。
• 优化并行工具调用：Claude 4 模型擅长并行执行工具。虽然它们在没有提示的情况下并行工具调用的成功率很高，但一些轻微的提示可以把成功率提升到接近100%。这个提示被证明最有效：“为达最高效率，每当需要执行多个独立操作时，应同时调用所有相关工具，而非顺序调用。”
• 减少在代码生成中创建文件：Claude 4 模型有时会创建新文件用于测试和迭代。如果你希望尽量减少新文件的创建，可以指示 Claude 自行清理：“如果你为迭代创建了任何临时的新文件、脚本或辅助文件，请在任务结束时删除这些文件来清理。”
• 增强视觉和前端代码生成：对于前端代码生成，可以通过明确的鼓励来引导 Claude 4 模型创建复杂、详细和交互式的设计：“别拘束，全力以赴。”

自动生成与管理提示

使用提示生成器

有时，使用 AI 模型最难的部分是想出如何有效地提示它。Anthropic 提供了一个提示生成工具，可以引导 Claude 生成针对你特定任务的高质量提示模板。这些模板遵循了许多提示工程的最佳实践，对于解决“空白页问题”特别有用。你可以在 Anthropic Console 中直接尝试提示生成器。

使用提示模板和变量

在部署基于 LLM 的应用时，API 调用通常包含两类内容：

• 固定内容：在多次交互中保持不变的静态指令或上下文。
• 可变内容：每次请求或对话都会变化的动态元素，如用户输入、RAG检索的内容、对话历史等。

提示模板 将这些固定和可变部分结合起来，为动态内容使用占位符。在 Anthropic Console 中，这些占位符用 {{双花括号}} 表示。

使用提示模板的好处：

• 一致性：确保提示在多次交互中结构一致。
• 效率：轻松替换可变内容，无需重写整个提示。
• 可测试性：通过仅更改可变部分，快速测试不同的输入和边缘案例。
• 可扩展性：随着应用复杂性的增长，简化提示管理。
• 版本控制：通过将提示的核心部分与动态输入分开，轻松跟踪提示结构的更改。

从 Sonnet 3.7 迁移到 Claude 4 的注意事项

1. 具体说明期望的行为：考虑准确描述你希望在输出中看到的内容。
2. 用修饰语构建你的指令：添加鼓励 Claude 提高输出质量和细节的修饰语，有助于更好地塑造 Claude 的表现。
3. 明确要求特定功能：如果需要动画和交互元素，应明确提出要求。

后续步骤与学习资源

对于希望通过实例深入学习的开发者，可以探索以下资源：

• GitHub 提示工程教程：一个包含丰富示例的教程，涵盖了文档中的提示工程概念。
• Google Sheets 提示工程教程：一个通过交互式电子表格呈现的轻量级版本的提示工程教程。

通过系统地学习和应用本指南中的技术，你将能够更精确、更高效地驾驭 Claude 的强大能力，构建出更加智能和可靠的应用程序。