学习记录：AI提示词工程

urlname

type

Post

password

SyncToConfluence

案例场景与迭代科学

以一个瑞典汽车保险公司的理赔场景为例：每天处理汽车事故索赔，需要分析两份关键信息——一份汽车事故报告表和一份手绘的事故草图。

这里的目标是让 Claude 分析这些手动生成的数据，评估事故中发生了什么，并确定事故责任方。

初次尝试：缺乏上下文的代价

当我们使用一个非常简单的提示词，仅设定要求 Claude 审查事故报告并确定事故责任时，模型犯了一个“无辜的错误”。Claude 认为这与在瑞典某街道发生的滑雪事故有关。

这表明，提示词工程是一门迭代的、经验科学。我们必须不断地改进提示词，确保模型在正确的环境中处理问题。

优秀提示词的基本结构

当通过 API 发送单个消息给 Claude 并期望它一次性完成任务时，Anthropic 推荐采用以下结构：

1. 任务描述 (Task Description): 明确告诉 Claude 它的角色、任务以及需要完成的目标。

2. 内容 (Content): 提供动态内容，如本例中的图像、表格和草图（或从其他系统检索的数据）。

3. 详细指令 (Detailed Instructions): 提供分步列表，指导 Claude 如何进行推理和处理任务。

4. 示例 (Examples): 提供输入内容及其对应的期望响应示例（少样本学习，Few-Shot）。

5. 重要信息回顾 (Repetition/Review): 重复强调任何关键信息，然后指示 Claude 开始工作。

提示词工程的最佳实践与迭代优化

在构建提示词时，Anthropic 推荐以下关键步骤，这些步骤可以帮助我们将模型的输出从不自信的猜测转变为结构化、自信的结论：

1. 设定任务和语气上下文 (Task and Tone Context)

在 V2 版本中，我们增加了场景的详细信息，例如指定 AI 助手是帮助人类理赔员审查瑞典语的汽车事故报告表和手绘草图。

关键点： 确保 Claude 了解它所处的任务环境。

语气： 要求 Claude 保持事实性和自信。如果不确定或无法理解，不要猜测，以避免误导。

2. 利用系统提示词提供静态背景数据

对于那些永远不会改变的信息，例如事故报告表本身的结构，应将其放入系统提示词中。

结构化数据： 使用 XML 标签或 Markdown 等分隔符（Delimiters）来组织信息，帮助 Claude 更好地理解和引用特定内容。例如，可以使用 XML 标签来指定“用户偏好”。

好处： Claude 将花费更少的时间去理解表格结构，并且能更好地阅读表格。

细节补充： 告知 Claude 填写表格的是人类，因此标记可能不完美（可能是圆圈、涂鸦或 X），它需要识别各种标记类型。

通过添加这些上下文（V3），Claude 不仅能够识别出这是汽车事故，而且能更自信地根据表格和草图判断 Vehicle B 负有责任。

3. 提供明确的推理步骤（顺序至关重要）

即使提供了所有背景信息，如何处理数据的顺序也对结果至关重要。

人类思维模拟： 就像人类理赔员一样，Claude 不应该先看模糊的草图。

指令： 明确告诉 Claude 首先仔细检查表格，并列出发现的事实。然后，再根据从表格中获得的事故理解去分析草图，并进行最终评估。

提示工程观察： 如果我们要求 Claude “非常仔细地检查每一个框”，它会向我们展示其工作过程，详细说明每一步的检查结果。这种分步思维对于复杂或不清晰的案例中做出正确评估非常有帮助。

4. 强化指令与输出格式化

为了让 LLM 应用的产出可以直接用于后续系统（例如存储到 SQL 数据库或用于分析工具），输出格式化是关键步骤。

输出指南： 在提示词末尾添加“重要指南”部分，再次强调我们期望的行为，例如要求总结清晰、简洁、准确。

结构化输出： 要求 Claude 将最终的裁决（Final Verdict）用特定的 XML 标签包裹起来，如 <final_verdict>。

预填充响应 (Pre-filled Responses): 如果需要特定的格式，比如 JSON，可以要求 Claude 以特定的起始格式开始输出，例如开放的方括号或 XML 标签，以确保输出是 JSON 可序列化的。

进阶优化技巧

为了进一步增强 Claude 的性能和应用的可拓展性，还可以考虑以下技巧：

Few-Shot 示例

对于棘手或灰色地带的事故场景，可以将这些案例（包括 Base64 编码的图像数据）及其正确的人工标记结论，作为示例烘焙到系统提示词中。这有助于 Claude 在遇到类似情况时进行参考，从而提高应用的准确性。

会话历史 (Conversation History)

对于面向用户的 LLM 应用，将完整的会话历史包含在系统提示词中至关重要，因为它能丰富 Claude 工作的上下文。

启用扩展思维 (Extended Thinking)

尤其是 Claude 4 模型，具有混合推理能力。启用扩展思维可以让 Claude 有时间思考，并在输出中添加 <thinking> 标签（暂存器）。数据工程师可以分析这些思考记录（transcript），了解模型是如何处理数据的，并据此进一步优化系统提示词，使其更加高效。

通过这些迭代和最佳实践，提示词工程能够确保 Claude 提供一个从最初的误解（滑雪事故）转变为一个结构严谨、自信且可用于实际应用（汽车理赔）的输出。

提示词模版结构总结

结合上面的提示词结构、实践、进阶，总结一个最终的优秀提示词模版：