Claude 官方的 Prompt Engineer 建议

字数 2625，阅读大约需 14 分钟

随着大语言模型（LLM）参数的增加和指令遵从性的提升。加上最近的 Agent 开发都越来越多的依赖于 ReAct 这类 node，使得 Prompt 的优化变得比以前更加的重要了。
机缘巧合下看到了 Claude 官方文档中对于 Prompt 的一系列建议与最佳实践，适合拿来改进 prompt。或者对于 AI 生成的 Prompt 自己也可以试着用下面的规则来引导优化

核心原则概览

从 Anthropic 文档中总结的几个核心原则，包括但不限于：

1. 1. Prompting vs. Fine-tuning
   使用 prompt（和 prompt engineering）比起对模型进行 fine-tuning，通常在资源、时间、透明度、灵活性和适应新领域等方面具有优势。
2. 2. “Be clear, direct, and detailed”
   像对待一个新同事一样，Claude 需要清晰的背景、角色说明、任务目标、风格指引等；越明确，越容易让模型按期望执行。
3. 3. Use examples / multishot prompting
   给出多个示例（few-shot / multishot）可以大幅提升一致性、结构性和输出质量，尤其是任务复杂或格式要求严格的时候。
4. 4. Use XML tags to structure prompt
   使用标签（像 <instructions>、<example>、<formatting>、<document> 等）把 prompt 中不同部分区分开来，比如背景说明、要遵守的规则、要输出格式、示例等。这样 Claude 不易混淆这些部分。
5. 5. Chain complex prompts
   对于复杂任务，把任务拆成多个子任务 / 步骤，并通过 prompt chain（多个 prompt 连起来）处理。这样每一步 Claude 的注意力更集中，也便于调试和追踪问题。
6. 6. Long-context prompting tips
   当输入／上下文很长（很多文档或非常多 token）时，有技巧可以让性能更好，比如把长文本放在 prompt 顶部，用标签组织文档和元数据，请求引用相关片段等。

各项技巧与具体示例

下面把每个技巧展开，并配上官方 example（或接近官方示例）以帮助理解。

一、Be Clear, Direct, and Detailed

要点：

• • 提供上下文（context）：任务目标是什么，用于谁，用在什么场景；
• • 明确你希望的输出形式（格式、结构、风格、字数、语调等）；
• • 将指令分步骤／分点列出，以减少模型忽略或误解的可能性。

官方示例：

❌ 模糊 Prompt：
请删除以下客户反馈中的个人身份信息：
{{客户反馈数据}}

✅ 清晰 Prompt：
任务：对客户反馈进行匿名化处理。
规则：
1. 姓名替换为 CUSTOMER_[ID]。
2. 邮箱替换为 EMAIL_[ID]@example.com。
3. 电话替换为 PHONE_[ID]。
4. 产品名保留。
5. 没有发现个人信息则保持原文。
6. 输出用“---”分隔。

输入：
"你好，我是小王（wang@example.com）。我很喜欢你们的产品，但我的手机（555-123-4567）坏了。"

输出：
"你好，我是 CUSTOMER_1（EMAIL_1@example.com）。我很喜欢你们的产品，但我的手机（PHONE_1）坏了。"

二、Multishot Prompting / Use Examples

要点：

• • 提供 3-5 个相关、多样且覆盖边缘情况的示例；
• • 每个示例格式要清晰，用标签或格式标记出来（比如 <example>...</example>），帮助模型学会结构；
• • 确保示例与实际任务尽量相近，包括问题类别、输出格式等。

官方示例：

❌ 模糊 Prompt：
分析此客户反馈并对问题进行归类。请使用以下类别：UI/UX（用户界面/体验）、性能、功能请求、集成、定价，以及其他。同时评估其情绪（积极/中性/消极）和优先级（高/中/低）。

反馈内容如下：{{FEEDBACK}}

✅ 清晰 Prompt：
角色：请分析客户反馈。
类别：界面体验 (UI/UX)、性能问题、功能请求、系统集成、价格相关、其他
对每条反馈输出：类别、情感（正面/负面/中性）、优先级（高/中/低）。

<example>
输入："我上传照片时应用一直崩溃。"
输出：
类别：性能问题
情感：负面
优先级：高
</example>

<example>
输入："我希望应用能支持深色模式。"
输出：
类别：功能请求
情感：中性
优先级：中
</example>

现在分析：
输入："界面很好看，但订阅价格太贵了。"

三、Use XML Tags

要点：

• • 用标签把 prompt 的组成部分分开：指令 (instructions)，示例 (example/examples)，格式 (formatting / formatting_example)、背景、数据等；
• • 标签要语义清晰；统一风格；可嵌套。这样可以方便修改某个块，也能让模型“领会”prompt 的结构。(Anthropic)

官方示例：

❌ 模糊 Prompt：
你是AcmeCorp的一名财务分析师。请为我们的投资者生成一份Q2财务报告。报告需包含收入增长、利润率和现金流等部分，参照去年的示例：{{Q1_REPORT}}。请使用此电子表格中的数据点：{{SPREADSHEET_DATA}}。报告应极其简洁、切中要害、专业，并以列表格式呈现。报告应同时突出优势和改进领域。

（注：{{Q1_REPORT}} 和 {{SPREADSHEET_DATA}} 为模板变量，在实际使用时会替换为具体内容）

✅ 清晰 Prompt：
分析下面的合同。
重点关注：风险分配、责任限制、知识产权。
在输出中，请将发现写在 <findings>，建议写在 <recommendations>。
</instructions>

<agreement>
本协议由甲方（Alpha 公司）与乙方（Beta 公司）签订……
</agreement>

<standard_contract>
标准合同条款示例：……
</standard_contract>

预期输出：
<findings>
- 缺少责任上限条款
- 未明确知识产权归属
</findings>

<recommendations

四、Chain Complex Prompts（任务拆链）

要点：

• • 对于复杂的任务，不要把所有子任务压在一个 prompt 里。拆开来，例如先生成摘要，然后检查摘要，再改进，最后格式化／撰写最终稿。这样每一步任务清晰、输出控制好。(Anthropic)
• • 结构化交接：用 XML 标签或类似方式，在步骤间传输内容；每个子任务聚焦一个目标。(Anthropic)
• • 可以用“自我纠错链”（self-correction chains）：让 Claude 在某一步输出后自己检查／评估，提出反馈，再做改进。(Anthropic)

官方示例：

请总结以下研究论文。
重点包括：研究方法、研究结果、临床意义。
<strategy>  
{{STRATEGY}}  
</strategy>  
  请审阅以下摘要，从准确性、清晰度、完整性三个方面打分（1-5 分），并给出反馈。
<analysis>  
{{ANALYSIS}}  
</analysis>  
  请根据反馈改进摘要。
Include an executive summary, detailed analysis, and recommendations.

五、Long-Context Prompting Tips

当 prompt 输入中包含非常长的内容（多个文档、大量文本）时，这些技巧尤为重要。以下是官方建议并配示例。

要点：

• • 长文本／长输入放在 prompt 的顶部，即在指令／示例／query 之前。实验显示这样能提升质量。(Anthropic)
• • Query（你要模型做的事）放在末尾：在处理多文档或复杂输入时，把任务目标／问题放在 prompt 的末尾，会让输出质量好很多（在测试里提高了 ~30%）。(Anthropic)
• • 用 XML 标签组织多个文档及其元数据：每个文档用 <document> 标签包裹，并附 source、document_content 等子标签。(Anthropic)
• • 请 Claude 引用相关文档片段：在回答任务前，让 Claude 抽取／引用 input 中与任务相关内容，以便“从长上下文中去噪声”。(Anthropic)

示例：

• • 多文档结构示例（文档 + 源 + 内容）：

<documents>
  <document index="1">
    <source>annual_report_2023.pdf</source>
    <document_content>
      {{ANNUAL_REPORT}}
    </document_content>
  </document>
  <document index="2">
    <source>competitor_analysis_q2.xlsx</source>
    <document_content>
      {{COMPETITOR_ANALYSIS}}
    </document_content>
  </document>
</documents>

分析这些报告，识别战略优势并推荐 Q3 的重点领域。

• • 引用提取示例（诊断任务）：

您是 AI 医生助手。任务：帮助医生诊断患者疾病。

<documents>
  <document index="1">
    <source>patient_symptoms.txt</source>
    <document_content>
      {{PATIENT_SYMPTOMS}}
    </document_content>
  </document>
  <document index="2">
    <source>patient_records.txt</source>
    <document_content>
      {{PATIENT_RECORDS}}
    </document_content>
  </document>
  <document index="3">
    <source>patient01_appt_history.txt</source>
    <document_content>
      {{PATIENT01_APPOINTMENT_HISTORY}}
    </document_content>
  </document>
</documents>

要求：  
- 在 `<quotes>` 标签内放出与诊断最相关的文档片段  
- 然后基于这些引用片段列出诊断信息，在 `<info>` 标签中输出。  

使用顺序建议 &调试方法

除了具体技巧，Anthropic 的文档里也建议一个大致的调优流程／顺序，以及调试方法：

• • 如果你没有一个初步 prompt（first draft），先构建一个简单版本，再逐步改进。
• • 优先尝试简单的改进（清晰指令、明确格式、用示例），再用更复杂的技巧（long context, prompt chaining 等）。也就是说，从大多数情形中收益最高的技巧先用。
• • 在拆链 prompt 的时候，如果某一步出错了／表现不好，可以 isolate（隔离）那一步，只调试这一部分，而不是重写整个流程。

常见问题 &坑

结合官方提示，这里也整理一些可能的误区／坑，以及如何回避：

总结

• • Claude 的 prompt 工程建议总体可以归纳为三层：清晰指令 → 示例指导 → 结构与上下文管理。清晰、具体是基础；示例可以快速传达你的格式与风格；复杂任务和大上下文时要用结构标签、拆链与引用来保证质量。
• • 在实践中，不一定所有技巧都必须用到。Prompt 的复杂度也要权衡成本（编辑／维护 prompt 的时间／token 成本）与收益。
• • 推荐做法：先写一个清晰明确的版本 + 一个或两个示例 → 如果输入文本很长就用 long context 技巧 → 如果任务复杂，就拆链 prompt → 用 XML tags 来组织 prompt 内的部分。