jixiaxue 知识库

bilibili

BV1j4h3zpEPa

Anthropic 官方分享：Prompt 提示词工程技巧分享

基本信息

来源: Bilibili BV1j4h3zpEPa
原始内容: Anthropic Applied AI 团队官方 Prompting 101 分享
讲者: Hannah 和 Christian（均来自 Anthropic Applied AI 团队）
时长: 约 24 分钟
语言: 英文原版（B站中文配音）

核心主题

通过一个瑞典汽车保险理赔的真实客户案例，逐步演示如何从零构建一个高质量的 Prompt，展示 Prompt 工程的迭代优化过程。

内容摘要

1. 什么是 Prompt 工程

Prompt 工程是与语言模型沟通的实践：

为模型编写清晰的指令
提供模型完成任务所需的上下文
思考如何组织信息以获得最佳结果
最好的学习方式是动手实践

2. 案例场景：瑞典车险理赔分析

场景设定: 为瑞典保险公司工作，每天处理车险理赔
输入数据: 两份材料
- 车祸事故报告表（瑞典语，17 个勾选项）
- 手绘事故草图
目标: 让 Claude 分析表单和草图，判断事故经过和责任归属

3. 迭代优化过程（V1 → V4）

V1：最简 Prompt（失败）

只给了简单指令 + 两张图片
Claude 错误地将其理解为滑雪事故
教训: 没有设置场景上下文，模型只能猜测

V2：添加任务上下文 + 语气要求

明确说明这是车祸理赔场景
要求 Claude 保持事实性和自信
如果不确定就不要给出判断
结果: Claude 正确识别了车祸场景，但仍缺少信息做完整判断

V3：添加背景数据和文档

在 System Prompt 中提供表单的完整结构说明
告诉 Claude 表单是瑞典语的、有 17 个选项各代表什么
说明表单是人工填写的
使用 XML 标签组织信息（如 <user_preferences>）
利用 Prompt Caching 缓存不变的表单结构信息
结果: Claude 能更准确地读取表单内容

V4：添加详细步骤指令 + 输出格式

给出分步指令（Chain of Thought）:
1. 先仔细查看表单勾选项
2. 确认信息，不要自行编造
3. 分析草图
4. 综合判断责任方
要求输出使用 XML 标签包裹（如 <final_verdict>）
强调不要幻觉，只基于提供的信息做判断
结果: Claude 给出了结构化的、准确的分析和责任判定

4. Prompt 最佳实践总结（10 要素）

序号	要素	说明
1	任务上下文	告诉 Claude 它的角色和要完成的任务
2	语气上下文	设定回答风格（事实性、自信、不猜测）
3	背景数据	提供表单结构、术语解释等静态知识
4	动态内容	每次变化的输入（图片、文档等）
5	详细指令	分步说明任务执行流程
6	示例	提供输入/输出示例帮助模型理解预期
7	重复强调	重申关键要求和注意事项
8	输出格式	使用 XML 标签或 JSON 格式化输出
9	Prefill 预填充	让 Claude 以特定格式开始回答
10	Extended Thinking	Claude 3.7/4 的扩展思考能力，让模型有时间推理

5. 实用技巧

Prompt 工程是迭代的经验科学: 编写→测试→分析→改进
使用 XML 标签组织提示词中的不同部分
Prompt Caching: 对不变的内容（如表单结构）使用缓存，节省成本
System Prompt vs User Prompt: 静态知识放 System Prompt，动态内容放 User Prompt
Prefill Response: 可以预填充 Claude 的回复开头，引导输出格式
Structured Output: 使用 XML 标签或 JSON 使输出可解析，便于下游系统处理
Extended Thinking: Claude 3.7+ 支持扩展思考，适合复杂推理任务

关键洞察

上下文为王: 没有足够上下文的 Prompt 会导致模型”猜测”，效果很差
迭代是核心方法论: 不要期望一次写出完美 Prompt，要通过测试不断优化
把领域知识喂给模型: 你知道的关于任务的一切，都应该告诉 Claude
结构化输出很重要: 用 XML/JSON 格式化输出，让结果可被程序解析
控制幻觉: 明确告诉模型”不确定就不要回答”，比让它猜测更有价值

适用人群

正在学习如何使用 Claude API 的开发者
希望提升 Prompt 质量的产品经理和技术人员
对 AI 在保险/文档分析等行业应用感兴趣的从业者