AI提示词终极指南：Anthropic讲透90%人不知道的高阶技巧

这是一篇来自AI大厂Anthropic的最新官方提示词教程精要，其内容质量极高，是每一位希望深入了解提示工程的实践者都值得观看和学习的宝贵资料。本文将带您深入探讨提示工程（Prompt Engineering），这门与大型语言模型（LLM，Large Language Model）高效沟通的核心实践。Anthropic应用AI团队的Hannah和Christian通过一个真实的案例，为我们展示了如何通过迭代、系统化的方法，将一个简单的模型指令，升级为一个企业级的自动化解决方案。

挑战：一个简单的汽车保险索赔案

设想您是一家瑞典汽车保险公司的理赔员。您每天需要处理大量索赔，每件案子通常包含两份关键信息：一份手写的汽车事故报告表格（包含17个勾选项）和一份手绘的事故现场草图。我们的目标是利用AI模型（在此案例中是Claude）自动化这一流程：分析这两份图像材料，判断事故原因，并确定责任方。

我们的第一次尝试，是向Claude发起一个简单的询问，附上两张图片。然而，Claude给出的回答却出人意料：它认为这是一起发生在“Chappangan”街的滑雪事故。这个看似“无厘头”的错误，恰恰揭示了提示工程的首要原则：模型缺乏人类直觉，必须提供明确的上下文。

提示工程的基石：结构化方法

为了克服这种“无知之错”，我们需要打破传统的聊天式交互，采用一套严谨的、为API（应用程序编程接口，Application Programming Interface）调用设计的结构化提示方法。Anthropic推荐的优秀提示结构包含以下关键组成部分：

• 任务描述 (Task Description):明确模型的角色、任务目标和要达成的效果。
• 内容 (Dynamic Content):传递需要模型处理的动态信息，如文档、图片、用户输入等。
• 详细指令 (Detailed Instructions):提供具体、可操作的步骤，引导模型如何完成任务。
• 示例 (Examples):通过具体的输入-输出范例，教会模型如何处理复杂或模糊的边界情况。
• 重点回顾 (Review/Reminder):在提示结尾再次强调最重要的规则或要求，以防模型“跑偏”。

迭代进化：从粗糙到精炼的四步法

好的提示不是一蹴而就的，而是一个经验驱动的迭代过程。我们将通过四次关键的迭代，将最初的简单提示，逐步打造成一个高价值的自动化工具。

第一步：明确角色与任务

痛点：模型缺乏上下文，无法正确理解任务。

解决方案：在提示的开头，我们首先设定模型的角色：“你是一个帮助人类理赔员审查瑞典汽车事故报告的AI助手。”同时，我们添加了语气和行为指南，要求模型“保持事实、保持自信”，如果无法确定，则不要妄下结论。

结果：Claude成功识别出这是一起“汽车事故”，解决了最初的“滑雪”问题。但由于信息不足，它仍无法做出最终的责任判断，给出了一个“无法确定”的回答。这正是我们所期望的“有原则的拒绝”，而非错误的猜测。

第二步：注入静态背景知识

痛点：模型每次都需要“重新学习”表格的结构和含义。

解决方案：我们意识到，事故报告表格本身是静态不变的。这是一个绝佳的系统提示（System Prompt）信息。我们将表格中17个勾选项的中文含义和作用，以及表格的填写规则（如可能出现圈、涂鸦等非标准标记），全部作为背景知识提供给Claude。为了增强可读性和结构性，我们采用了XML标签（如<form_description>），这能帮助模型更好地理解和引用特定信息。

结果：这一步带来了质的飞跃。由于模型已经掌握了表格的全部“知识”，它不再需要花费时间去“猜”每个选项的含义。在接收到图像后，它能直接进行内容分析，并首次给出了一个自信的结论：“根据表格和草图，车辆B应承担全部责任。”

第三步：引导推理流程

痛点：虽然结论正确，但我们不确定模型的推理过程是否可靠。解决方案： 我们要求模型按照一个人类理赔员的思维流程进行工作。在提示中，我们加入了详细的步骤：

1. “首先，仔细检查并分析报告表格。”
2. “然后，将表格中的信息与手绘草图进行匹配。”
3. “最后，基于以上分析，给出你的最终评估。”

这种**分步思维（Chain-of-Thought）**的引导，强制模型先处理结构化的、可信度高的表格数据，再结合模糊的草图进行佐证。这模拟了人类的严谨推理过程。

结果：Claude的回答中，清晰地展示了它的工作过程：它逐一列出了每个勾选项的分析，然后详细描述了草图如何与表格信息对应，最终给出了评估。这种“展示工作过程”的能力，极大地增强了模型的透明度和可信度。

第四步：标准化输出格式

痛点：模型的输出包含大量推理过程，不便于下游应用（如数据库存储、数据分析）。

解决方案：在提示的最后，我们添加了输出格式化的明确指令。例如，我们要求模型用特定的XML标签<final_verdict>来包裹其最终的责任判断。此外，我们还可以使用**预填充响应（Prefilled Response）**技术，让模型直接以特定格式（如JSON）开始其回答，确保输出的可解析性。

结果：最终，模型给出了一个简洁、清晰的结论，并用指定的标签进行了包裹。这使得该输出可以直接被后端系统或数据库捕获和利用，真正实现了自动化和企业级应用。

总结与进阶思考

这个案例不仅仅展示了如何编写一个好的提示，更重要的是揭示了利用AI解决商业问题的本质洞察：将人类的领域知识和思维流程，通过结构化、可迭代的方式，编码进给AI的指令中。

• 注入领域知识：静态不变的背景信息（如表格结构、专业术语）是提升模型性能的关键。
• 引导思维流程：像指导新手员工一样，告诉模型先做什么、后做什么，可以显著提高推理的准确性和可靠性。
• 关注可操作性：最终的输出必须是结构化的、易于机器处理的，才能真正融入业务流程。

此外，我们还可以利用少量示例学习（Few-shot Prompting），通过提供一些“疑难杂症”的范例及其正确答案，来帮助模型更好地处理棘手情况。对于Anthropic的Claude 3.5和Claude 4等高级模型，我们还可以开启**“扩展思维（Extended Thinking）”**模式，分析其内部的思考过程（即“草稿本”），从而反向优化我们的提示。

从一次“滑雪事故”的乌龙，到最终高度可靠、可集成的自动化理赔系统，这趟旅程生动地诠释了提示工程的巨大价值。它不是简单的提问技巧，而是连接人类智能与机器智能，将复杂问题拆解为可执行步骤的高阶思维实践。

官方提示词模板

通用框架

1.  Task context (任务上下文)
2.  Tone context (语气上下文)
3.  Background data, documents, and images (背景数据、文档和图像)
4.  Detailed task description & rules (详细任务描述与规则)
5.  Examples (示例)
6.  Conversation history (对话历史)
7.  Immediate task description or request (即时任务描述或请求)
8.  Thinking step by step / take a deep breath (逐步思考/深呼吸)
9.  Output formatting (输出格式化)
10. Prefilled response (if any) (预填充回复，如果有)

提示词示例

**角色扮演与指令：**

* 你将扮演一个名为Joe的AI职业教练，由AdAstra Careers公司创建。你的目标是为用户提供职业建议。
* 你将回复AdAstra网站上的用户，如果你没有以Joe的角色回复，他们会感到困惑。
* 你应该保持友好的客户服务语气。

**互动规则：**

* 始终保持Joe这个AdAstra Careers的AI角色。
* 如果你不确定如何回复，请说：“抱歉，我没听懂。能请你再重复一下问题吗？”
* 如果有人问了不相关的问题，请说：“抱歉，我是Joe，提供职业建议。你今天有职业方面的问题吗？我可以帮你解答。”

**参考内容：**

* 这是你在回答用户问题时应参考的职业指导文档：`<guide>[DOCUMENT]</guide>`

**标准互动示例：**

* `<example>`
* User: Hi, how were you created and what do you do? (你好，你是怎么被创造出来的，是做什么的？)
* Joe: Hello! My name is Joe, and I was created by AdAstra Careers to give career advice. What can I help you with today? (你好！我叫Joe，由AdAstra Careers创造出来提供职业建议。今天我能帮你什么？)
* `</example>`

**对话历史与问题：**

* 这里是对话历史（用户和你之前的对话）。历史可能为空，如果没有的话：`<history>[HISTORY]</history>`
* 这里是用户的问题：`<question>[QUESTION]</question>`

**最终回复指令：**

* 你将如何回复用户的问题？
* 在回复之前先思考一下你的答案。
* 将你的回复放在 `<response></response>` 标签内。

**助手预填充：**

* `<response>`

本文转载自​​草台AI​​，作者：RangerEX