Claude 近期在多个技术社区引发了广泛热议，大量用户实测后表示其表现令人惊叹，甚至在某些维度上已展现出超越 GPT 的强劲势头。

向顶尖模型学习精准的对话技巧，本身就是一条快速提升 Prompt 工程能力的捷径。

因此，Claude 官方团队推出的这份 Prompt Engineering 教程，极具参考价值。它系统性拆解了如何为 Claude 设计高效提示词的方法，从基础到进阶、层层递进，非常适合收藏学习与反复实践。

整个教程分为初级、中级和高级三个层面，涵盖了最基础的提示结构，到如何有效避免模型产生错误信息，再到构建复杂的行业应用场景。更关键的是，每一部分都配有“练习场（Example Playground）”，你可以直接在其中修改提示词，实时观察 Claude 的回答变化，真正做到边学边练。

读完这份教程，你能收获的核心能力包括：

• 掌握一个好提示的基本骨架

• 识别常见的故障模式，并学会用“80/20”法则来解决它们

• 清晰了解 Claude 的优势与短板

• 为常见的使用场景，从零开始构建起强大的提示词

以下是教程中提炼出的几个关键要点，值得深入研读。尤其第九点，给出了一个适用于几乎所有大语言模型的提示词模板，可以直接套用。

1、基本的结构要掌握

基础不牢固，一切努力都容易白费，这个道理在提示词工程中同样适用。

当你通过 Messages API 调用 Claude 时，至少需要传递以下几个参数，理解它们的含义至关重要：

• model: 你要调用的具体模型名称。

• max_tokens: 允许生成的最大 token 数量。Claude 可能会在这个上限之前停止。这是一个硬性停止参数。

• messages: 输入消息的数组。模型会在用户和助手消息之间进行切换。它生成的是对话中的下一条消息。每条输入消息都必须包含角色（role）和内容（content）。你可以只指定一条用户消息，也可以包含多条用户和助手的消息（但必须交替出现）。第一条消息必须是“用户”角色。

除此之外，还有一些可选的高级参数，比如系统提示（system prompt）和控制回答创造性的温度参数（temperature）。

2、清晰直接

Claude 对清晰直接的指令反应最为准确。

可以把它想象成一位刚接手新任务的人。它除了你字面上告诉它的信息外，没有任何任务背景。就像你第一次指导一个人完成一项任务一样，你解释得越直截了当，它的回答就越精准。

来看这个例子：

上方的表述不够清晰，下方则更明确。

这个结果已经不错，但你或许希望 Claude 直接输出诗本身，而不要附带“这是为您创作的俳句”这样的前缀。

所以，下方对提示词做了优化：

3、分配角色非常重要

让 Claude 扮演一个特定的角色（并附带所有必要的上下文），这会大幅提升表现，这也被称为角色提示（role prompting）。角色上下文越详细，效果越好。

给 Claude 一个角色，可以提升它在写作、编码、总结等各个领域的能力。这就像我们有时被告知“像一名专家一样思考”时能豁然开朗一样。角色提示还能改变 Claude 回答的风格、语气和方式。

4、分离数据和善用 XML 标签

很多时候，我们不是在写独立的提示词，而是在构建一个提示模板，模板中的某些部分会被后续的输入数据替换。如果你想让 Claude 每次完成相同的任务，但处理的数据不同，这种方法就非常适用。

关键操作是将 Prompt 的固定框架与可变输入分离开，然后在发送前将输入填入模板。

为什么要这样做？模板化能极大简化重复性任务。

例如下面这个例子：

但在替换过程中，有时会出现意外，导致输出多余的字符。

这时候就要善用 XML 标签。

XML 标签就是像尖括号的标记，它们成对出现。比如和，用来包裹内容。

注意： 虽然 Claude 能识别多种分隔符，但官方特别推荐使用 XML 标签，因为 Claude 专门接受过培训，能将 XML 标签视为一种高效的组织机制。除了函数调用外，没有其他 Claude 特别训练的“专属”XML 标签，所以使用它们能最大化性能。

5、格式化输出

Claude 可以通过多种方式来格式化它的输出。

一种方法是用 XML 标签将回答与其余的文字分开。这能让输出结果更清晰，也更容易被程序解析。

将输出放入 XML 标签中，用户通过一段小程序提取标签之间的内容，就能可靠地只拿到它需要的结果。

另一种有效的方法是把第一个 XML 标签放入助手（assistant）回复轮次中。

同样的思路，对 JSON 格式输出也同样适用。

看看下面的两个例子：

6、思考，一步步来（Thinking Step by Step）

这是提示词工程中一个非常实用的“咒语”，在很多场合都效果显著，务必牢记。

这个方法的本质是给大模型一些“思考”的时间。就像我们回答复杂问题前，多花几秒思考，答案通常更准确。

让 Claude 按照步骤一步步思考，往往能让它变得更准确，尤其是处理复杂任务时。但关键是这个过程必须“说出来”——你不能只让它在内部思考，然后直接输出答案，那样实际上相当于没有思考。

比如用“首先、其次、再次”这类阶段性指令来引导。

这个方法有时能直接让 Claude 的回答从错误变为正确。在很多情况下，Claude 犯错的根源就在这里！

7、少样本提示（Few-Shot Prompting）

这个方法非常实用，尤其是在需要格式化输出时。

给出具体例子，告诉模型你期望它如何表现（或拒绝什么），这在以下两个方面效果显著：

• 获得正确的答案
• 以正确的格式输出答案

这种提示方法叫做“少样本提示”。你可能也听说过“零样本”、“一样本”或“N样本”的说法。这里的“样本数”指的就是提示词中使用的示例数量。

当你直接提问时，Claude 的回答往往相当正式和机械。你可以通过描述你期望的语气或格式来引导它，而给出示例是最直接的方式。

8、避免幻觉

幻觉问题，是所有大模型共同面临的最大挑战，也是最让人头疼的地方。

你可以不回答，但不要瞎编——这是我们使用模型的一条底线。

对于 Claude 而言：

• 坏消息是：它有时确实会“产生幻觉”，提出一些不真实或不合理的说法。
• 好消息是：我们可以通过一些技巧来有效减少幻觉。

方案一：给 Claude 一个“出口”：告诉它可以直接拒绝回答，或者只有在它确实确定知道答案时才回答。

方案二：对长文本，先收集证据：告诉 Claude 先提取相关引文，然后根据这些引文推导出最终答案。

方案三：调整温度参数（temperature）：温度是衡量模型创造性的指标，范围是0到1。温度越高，回答越不可预测、越有创意；温度越低，回答越一致、越标准。

将温度设为 0 提问，通常能在多次试验中得到几乎确定性的回答（虽然不能保证绝对确定）。而在温度1下提问，答案会更富变化。

9、独特而复杂的提示（重要）

这是整个教程的精华。它整合了以上所有知识点，总结出一套通用的提示模板，适用于绝大多数大语言模型的提示词设计。

这是一个引导式的复杂提示结构。并非所有提示都需要包含以下每个元素，但建议先使用尽可能多的元素让提示工作起来，再逐步优化和精简。

教程中特别强调，以下元素的排序至关重要：

• 1、用户角色：确保 API 调用中的消息数组始终以“用户”角色开头。

• 2、任务上下文：告诉 Claude 它应该扮演什么角色，以及希望它完成什么目标和总体任务。这部分最好放在提示正文的前半部分。

• 3、语气设定：如果对输出风格有要求，指明应使用什么语气。

• 4、详细的任务描述和规则：详细说明具体任务以及需要遵守的规则。如果模型没有答案或不知道，也可以在这里给它一个“出路”。

• 5、示例：提供至少一个理想的响应示例，并将其包含在 XML 标签中。一般来说，示例越多效果越好。

• 6、要处理的数据：如果需要处理数据，同样放在 XML 标签中。

• 7、即时任务描述或请求：再次提醒 Claude 当前需要立即完成的任务，可以在此处加入用户的问题等变量。

• 8、分步思考（Thinking Step by Step）：对于多步骤任务，最好告诉 Claude 在给出答案前一步步思考。有时甚至要说“在你给出答案之前……先做XX”，确保它先执行思考过程。

• 9、输出格式：如果希望有特定格式，明确告诉 Claude。通常放在提示末尾比开头效果更好。

• 10、预填 Claude 的回复：如果想预先写好 Claude 的开头，必须放在 API 调用中的“助手”角色里。

以上就是这份教程的核心内容。

教程地址：https://github.com/anthropics/courses/tree/master/prompt_engineering_interactive_tutorial

整份教程最精华的部分就是第九点。按照这个结构来设计提示词，效果立竿见影。