我要投稿

教你更会用大模型之prompt engineer

发布日期：2025-05-28 13:49:14 浏览次数： 1907

作者：AI Adam

微信搜一搜，关注“AI Adam”

2025年的大模型是非常聪明，但你也不要高估自己的大模型使用能力，而是谦虚地与时俱进来学习如何更好使用大模型，而且我认为小学生都能学，就不要给自己找借口了。

总结下Anthropic的Prompt Engineer教学

首先为什么要prompt engineering?

prompt engineering比其他模型行为控制方法（例如微调）速度更快，并且通常能够在更短的时间内实现性能飞跃。人话来说就是：省GPU，省钱，模型更新快，省时间，省数据，见效快，不需要重新训练，更好理解文档外内容，保留常识，透明度。

第二点：提示词清晰直接，我们小学生都会用的提示词优化器：yujianaier.xyz就能很好实现这点，论文验证效果提升50%+。

第三点：示例是让 Claude 生成您所需内容的秘密武器。通过在提示中提供一些精心设计的示例，您可以显著提高 Claude 输出的准确性、一致性和质量。这种技巧被称为“few-shot”或“multishot”，对于需要结构化输出或遵循特定格式的任务尤其有效。

第四点：使用 CoT 来完成人类需要思考的任务，例如复杂的数学、多步骤分析、编写复杂的文档或涉及多种因素的决策。

为什么要让Claude思考？准确性：逐步解决问题可以减少错误，尤其是在数学、逻辑、分析或通常复杂的任务中。Debugging：了解克劳德的思维过程有助于您找出提示可能不清楚的地方。

为什么不让Claude思考？增加输出长度可能会影响延迟。并非所有任务都需要深入思考。请谨慎使用 CoT，以确保性能和延迟之间的平衡。

做法：

基本提示：在提示中包含“逐步思考”， “Think step-by-step”。

引导提示：概述Claude在思考过程中要遵循的具体步骤。

结构化提示：使用 <thinking> 和 <answer> 等 XML 标签将推理与最终答案分开。

例子：

第五点：XML标签

XML 提示：使用 <instructions> 、 <example> 和 <formatting> 等标签清晰地分隔提示的各个部分。这可以防止 Claude 将说明与示例或上下文混淆。

高级用户提示：将 XML 标签与其他技巧（例如多重提示 ( <examples> ) 或思维链 ( <thinking> 、 <answer> )）结合使用。这样可以创建超级结构化、高性能的提示。

这里我用ClaudeSonnet 4 Reasoning给我一个简单好懂的例子：

第六点，role prompting。提高准确性：在法律分析或财务建模等复杂场景中，角色提示可以显著提高 Claude 的表现。角色提示：尝试不同的角色！对于同一份数据， data scientist 和 marketing strategist 可能会得出不同的见解。 data scientist specializing in customer insight analysis for Fortune 500 companies 可能仍然会产生不同的结果！

第七点：

预填充Claude的回应以获得更好的输出控制

使用 Claude 时，您可以通过预填充 Assistant 消息来引导其响应。这项强大的技术让您可以控制 Claude 的操作、跳过前导信息、强制执行 JSON 或 XML 等特定格式，甚至帮助 Claude 在角色扮演场景中保持角色的一致性。在某些情况下，如果 Claude 的表现不如预期，一些预先填充的句子可以大大提升 Claude 的表现。一点点预先填充就能带来很大的帮助！