提示词入门 | 用 Claude 编程

提示工程是与语言模型沟通并引导其执行特定任务的关键实践。它涉及为模型编写清晰的指令，提供完成任务所需的上下文，并精心组织信息以获得最佳结果。这是一个详细且多方面的工作，但最佳的学习方式是亲自动手实践。本次会议将通过一个受真实客户案例启发的场景进行演示，该案例旨在分析图像并从中提取事实信息，同时让Claude对所发现的内容进行判断。

设想在一个瑞典汽车保险公司工作，日常处理汽车保险索赔。手头有两份关键信息：一份详细描述事故发生经过的汽车事故报告表，以及一份手绘的事故现场草图。目标是将这两份信息传递给Claude，并评估其初步处理能力。

在初次尝试中，将报告表和草图直接输入到Anthropic的Claude控制台，并使用了一个非常简单的提示，要求Claude审查事故报告并确定事故发生的原因以及责任方。然而，Claude的初步回应却误将此场景解释为一场发生在瑞典Chappangan街上的滑雪事故。这个无心之失暴露出提示中缺乏足够的上下文来明确任务场景，因此模型依赖于通用知识库进行了猜测。

Claude认为这与发生在瑞典一条名为Chappangan的街道上的滑雪事故有关。

为了让语言模型能准确有效地完成复杂任务，Anthropic推荐采用一套标准化的提示结构。这种结构旨在最大化模型在一次性交互中成功执行任务的能力，而非依赖多轮对话。这种方法尤其适用于通过API与模型进行交互的场景。

这种结构化的方法不仅有助于模型更好地理解任务边界和期望输出，还能通过提供清晰的引导，显著提高其在复杂场景下的表现，减少不确定性和猜测。

针对初次尝试中Claude对任务场景理解的不足，关键在于提供更清晰的任务上下文和语气指导。通过明确指出Claude将作为一个AI助手，协助人类理赔员审查瑞典语的汽车事故报告表和手绘草图，我们能有效缩小模型的理解范围。

在优化后的提示版本（V2）中，我们强调了Claude应保持事实性和自信。这意味着如果模型无法完全理解所查看的内容，它不应进行猜测或提供误导性信息，而是应明确指出其不确定性。这对于确定事故责任方至关重要，因为任何判断都必须尽可能清晰和自信。

通过运行V2版本，Claude现在能够识别出其任务与汽车事故相关，而非滑雪事故，并能识别出车辆A和车辆B在报告表中的标记。然而，它仍然表示信息不足以完全自信地确定责任方。这符合了我们对模型“不确定时不猜测”的指示，但也提示我们需要提供更多关于表格内容的细节，以便模型能做出更深入的分析。

由于汽车事故报告表的内容结构是固定不变的，我们可以将其详细信息作为背景细节加入到系统提示中。这种做法能够帮助Claude预先了解表格的布局和每项内容的含义，从而减少模型每次处理新查询时重新理解表格的时间，并提高其读取和分析表格的准确性。这类似于为模型提供一份“参考手册”，让它在处理动态数据时能够快速查阅。

为了更好地组织提示中的信息，Anthropic推荐使用XML标签或Markdown等分隔符。XML标签尤其有用，因为它们允许我们明确标记不同类型的内容，例如或。这不仅能帮助Claude理解信息的结构和关联性，还能让它在提示的后续部分轻松引用这些信息。

在V3版本的提示中，我们详细描述了瑞典汽车事故报告表的每一行及其含义，并告知Claude关于人类填写表格时可能出现的非标准标记。此外，我们还提供了关于表格目的的上下文信息。通过这些详细的背景信息，Claude在分析报告时表现出更高的自信。它不再需要叙述对表格的理解过程，而是直接列出其发现和对草图的分析，最终明确指出车辆B应负责。这一改进表明，预先提供充足且结构化的背景知识对提升模型的分析能力至关重要。

示例（或称为“小样本学习”）是引导大型语言模型行为的强大机制。通过在系统提示中嵌入具体的输入-输出示例，模型能够学习如何处理那些对它而言可能棘手，但人类凭直觉或标注数据可以得出正确结论的场景。这就像为模型提供了一本“案例研究”合集，让它在遇到类似情况时有参考依据。

这再次体现了提示工程的实证科学性，你总是希望突破应用程序的极限，并获取反馈循环，找出问题所在，然后将其添加到系统提示中，以便下次出现类似情况时，它能够参考其示例集。

即使在像本演示这样简单的场景中，示例的作用也十分显著。在更复杂的保险理赔场景中，可能需要提供几十甚至上百个具有挑战性或模棱两可的案例，以确保Claude能够根据人类的判断标准做出准确裁决。此外，对话历史也是一种重要的上下文丰富手段，尤其适用于用户交互频繁的LLM应用。通过将先前的对话内容纳入系统提示，可以为Claude提供更全面的语境，使其在后续交互中保持连贯性和相关性。

提示的最后部分应包含对核心任务的最终提醒以及所有重要指导方针，这对于防止模型“幻觉”至关重要。例如，我们希望Claude不要编造数据中不存在的细节，也不要对不确定的信息进行猜测。如果草图难以辨认，即使人类也无法理解，我们希望Claude能够明确指出这一点，而不是尝试“猜测”内容。

为了确保Claude的推理过程严谨，我们可以要求它仅在高度自信时才给出答案，并引用其在报告中看到的具体信息来支持任何事实性声明（例如，“根据第二项清楚勾选的事实，车辆B右转”）。一个重要的发现是，Claude分析信息的顺序至关重要，这与人类处理信息的方式类似。我们指示Claude首先仔细检查报告表，列出所有勾选的方框，然后才根据对事故的理解，结合报告表的信息来分析草图，从而得出最终评估。

在V4版本的提示中，我们加入了这一详细的任务列表。运行后，Claude展现了一种“展示工作”的行为，逐一检查并报告每个方框的勾选情况，这表明它确实按照我们的指示进行了细致的分析。尽管这种详细的输出可能不是最终所需的格式，但它证明了提示能够有效地指导模型的思考过程。在简单示例中，Claude能够清晰地判断车辆B是责任方，而在更复杂、不清晰的场景中，这种分步思考模式对于模型做出正确评估至关重要。

对于下游应用和数据工程师而言，除了模型推理过程，最终输出的格式化至关重要。我们希望模型能够生成简洁、准确的摘要，并以特定结构（如XML标签或JSON）呈现最终判断，以便数据能够被轻松地存储到数据库或用于进一步的分析工具。这意味着，除了模型为得出结论而生成的所有“前言”或中间思考过程，应用程序可能只需要其最终的、结构化的裁决信息。

除了明确的输出格式指令，我们还可以使用“预填充响应”来强制Claude以特定格式开始其输出。例如，要求其输出以一个开放的方括号或特定的XML标签开始，以确保其可序列化。这种技术尤其适用于需要JSON输出的场景，因为它能保证输出的起始格式符合预期。此外，Claude 3.7及更高版本，特别是Claude 4，支持“扩展思考”功能，允许模型通过生成中间思考标签（scratchpad）来展示其推理过程。这对于调试提示工程至关重要，因为它能让你分析模型是如何处理数据的，并据此优化系统提示，提高效率和准确性。

通过逐步迭代，从最初的“滑雪事故”误判到不自信的输出，再到最终格式严格、自信的裁决，我们展示了如何通过精细的提示工程构建一个能够服务于真实世界应用的LLM系统，例如为汽车保险公司提供自动化理赔辅助。这种方法论不仅提升了模型输出的质量，也使其更易于集成到现有的业务流程中。