1. 官方提示词指南
本章节参考 Anthropic 官方提示词工程文档：
清晰直接
在与 Claude 交互时，可以把它看作一名聪慧但毫无背景信息的新同事。它不了解使用者的规范、风格、项目历史或偏好。指令越精确，回应越贴合需求。
如何做到清晰、有背景和具体
提供充分的背景信息： Claude 在掌握更多背景的情况下表现更好。常见的背景信息包括：
- 任务结果将被用于什么场景
- 输出的目标受众是谁
- 该任务属于什么工作流程，以及在流程中的位置
- 任务的最终目标，或"成功完成"的样子
具体说明期望的行为： 例如，若希望 Claude 只输出代码、不附加任何解释，请明确写出这一要求。
将指令拆分为有序步骤： 使用编号列表或项目符号列表，能更可靠地引导 Claude 按预期顺序执行任务。
示例： 匿名化客户反馈
Claude 在不清晰的提示中仍会犯错，例如遗漏客户的名字。
不清晰的提示：
请从这些客户反馈中删除所有个人身份信息：
[此处粘贴反馈内容]
Claude 的回应（不理想）：
以下是匿名化的客户反馈：
1. 我已经使用该软件多年了……
2. XXX，客户支持代表……
3. 我是 John Smith，我不满意……
清晰的提示：
任务是为季度审查匿名化客户反馈。
指示：
1. 将所有客户名称替换为 "CUSTOMER_[ID]"
2. 将电子邮件地址替换为 "EMAIL_[ID]@example.com"
3. 将电话号码替换为 "PHONE_[ID]"
4. 提到具体产品名时，保持原样
5. 如果未发现个人信息，逐字复制原文
6. 仅输出处理后的内容，用 "---" 分隔
要处理的数据：
[此处粘贴反馈内容]
Claude 的回应（理想）：
CUSTOMER_001：我已经使用该软件多年了……
---
CUSTOMER_002：……[email protected]……
---
CUSTOMER_003：……PHONE_001……
示例： 制作营销邮件
Claude 在信息缺失时会反复追问或自行猜测。
模糊的提示：
为即将进行的 Q3 AcmeCloud 功能发布制作一封营销邮件。
具体的提示：
任务是为 Q3 功能发布撰写营销邮件。
指示：
1. 目标受众：中型科技公司
2. 突出关键新功能
3. 语气：专业但平易近人
4. 包含限时 CTA
5. 公司名和联系人名暂用占位符 [COMPANY_NAME] / [CONTACT_NAME]
结构：
1. 主题行
2. 正文
3. CTA 按钮文案
示例： 事件响应
提示不够详细时，Claude 会输出冗余文本和不一致的格式。
模糊的提示：
分析这份 AcmeCloud 中断报告并总结建议。
[此处粘贴报告]
详细的提示：
分析中断报告，仅列出：
1) 原因
2) 持续时间
3) 受影响服务
4) 用户数
5) 收入损失
[此处粘贴报告]
Claude 的回应（理想）：
1) 原因：配置错误
2) 持续时间：4 小时 33 分钟
3) 服务：核心同步
4) 用户：130 万
5) 损失：420,000 美元
使用示例（少样本提示）
在提示中提供精心设计的示例，是显著提升输出准确性、一致性和质量的有效手段。这种技术被称为少样本（few-shot）提示，尤其适用于需要结构化输出或特定格式的任务。
增强提示词的建议：包含 3–5 个多样化、相关的示例，向 Claude 展示期望的输出形态。示例越多，性能通常越好，对复杂任务尤其明显。
为什么使用示例？
- 准确性： 示例减少对指令的误解
- 一致性： 示例强制执行统一的结构和风格
- 性能： 精心选择的示例提升 Claude 处理复杂任务的能力
制作有效的示例
为获得最大效果，确保示例满足：
- 相关： 示例反映真实用例
- 多样化： 示例覆盖边缘情况和潜在挑战，且变化足够大，避免 Claude 捕捉到错误模式
- 清晰： 用
<example> 标签包装单个示例；多个示例嵌套在 <examples> 标签内
提示： 可以请 Claude 评估示例的相关性、多样性或清晰度，或基于初始示例自动生成更多变体。
示例： 分析客户反馈
在"无示例"版本中，Claude 未对每条反馈单独分类，并附带了大量解释性文字。
无示例的提示：
分析这个客户反馈并对问题进行分类。
使用这些类别：UI/UX、性能、功能请求、集成、定价和其他。
同时评估情绪（正面 / 中立 / 负面）和优先级（高 / 中 / 低）。
以下是反馈：
[此处粘贴反馈]
Claude 的回应（不理想）：
以下是客户反馈的分析：
问题：UI/UX
情绪：负面
优先级：高
客户对新仪表板设计感到沮丧，认为设计混乱且加载缓慢……
问题：集成
情绪：正面
优先级：中
客户对现有的 Salesforce 集成感到满意……
（后续条目夹杂大量叙述性文字）
有示例的提示：
客户成功团队被大量非结构化反馈所淹没。
任务是分析反馈并为产品和工程团队对问题进行分类。
使用这些类别：UI/UX、性能、功能请求、集成、定价和其他。
同时评估情绪（正面 / 中立 / 负面）和优先级（高 / 中 / 低）。
以下是一个示例：
<example>
输入：新仪表板一团糟！加载需要很长时间，找不到导出按钮。立即修复！
类别：UI/UX、性能
情绪：负面
优先级：高
</example>
现在，分析这个反馈：
[此处粘贴反馈]
Claude 的回应（理想）：
1. 新仪表板一团糟！加载需要很长时间，找不到导出按钮。立即修复！
类别：UI/UX、性能
情绪：负面
优先级：高
2. 喜欢 Salesforce 集成！但如果能添加 Hubspot 就太好了。
类别：集成、功能请求
情绪：正面
优先级：中
3. 定价太荒谬了！基本功能要 $99/月？要切换到竞争对手了。
类别：定价
情绪：负面
优先级：高
让 Claude 思考（思维链 / CoT）
面对研究、分析、问题解决等复杂任务时，给予 Claude 思考的空间能显著提升性能。这种技术被称为思维链（Chain of Thought, CoT）提示，它鼓励 Claude 逐步分解问题，从而产生更准确、更细致的输出。
实施 CoT 之前
为什么让 Claude 思考？
- 准确性： 逐步推理可减少错误，对数学、逻辑、分析等复杂任务尤其重要
- 连贯性： 结构化思考产生更连贯、组织良好的响应
- 调试： 看到 Claude 的思考过程，有助于定位提示中不清楚的部分
为什么不让 Claude 思考？
- 增加的输出长度可能影响响应速度
- 并非所有任务都需要深入思考；应在性能与延迟之间取得平衡
对人类也需要思考的任务使用 CoT，如复杂数学、多步骤分析、撰写复杂文档或多因素决策。
如何提示思考
下面的思维链技术 按从最简单到最复杂的顺序排列。较简单的方法占用上下文空间较少，但通常也不那么强大。
CoT 提示要点： 始终让 Claude 输出其思考过程。如果不输出思考过程，思考就不会真正发生。
- 基本提示： 在提示中加入"逐步思考"
- 引导式提示： 明确指引 Claude 按特定步骤思考
- 结构化提示： 使用
<thinking> 和 <answer> 等 XML 标签将推理与最终答案分开
示例： 编写捐赠者邮件（基本 CoT）
为捐赠者起草个性化电子邮件，请求其为今年的"关爱儿童"项目捐款。
项目信息：
<program>
[此处粘贴项目详情]
</program>
捐赠者信息：
<donor>
[此处粘贴捐赠者详情]
</donor>
在编写邮件之前逐步思考。
示例： 编写捐赠者邮件（引导 CoT）
为捐赠者起草个性化电子邮件，请求其为今年的"关爱儿童"项目捐款。
项目信息：
<program>
[此处粘贴项目详情]
</program>
捐赠者信息：
<donor>
[此处粘贴捐赠者详情]
</donor>
在编写邮件之前思考：
1. 根据捐赠者的捐赠历史和支持过的活动，思考可能吸引该捐赠者的信息类型
2. 根据其历史，思考"关爱儿童"项目的哪些方面对其有吸引力
3. 利用上述分析撰写个性化邮件
示例： 编写捐赠者邮件（结构化引导 CoT）
为捐赠者起草个性化电子邮件，请求其为今年的"关爱儿童"项目捐款。
项目信息：
<program>
[此处粘贴项目详情]
</program>
捐赠者信息：
<donor>
[此处粘贴捐赠者详情]
</donor>
在 <thinking> 标签中完成以下思考：
1. 根据捐赠者的捐赠历史和支持过的活动，思考可能吸引该捐赠者的信息类型
2. 根据其历史，思考"关爱儿童"项目的哪些方面对其有吸引力
随后，在 <email> 标签中根据上述分析撰写个性化邮件。
示例： 没有思考的财务分析
没有逐步思考时，Claude 给出的建议看似合理但缺乏深度，没有量化潜在结果，也未考虑历史市场表现。
提示：
作为财务顾问。一位客户想投资 $10,000，可在两个选项之间选择：
A）一只历史年回报率 12% 但波动较大的股票
B）一种保证年回报率 6% 的债券
客户计划在 5 年后将资金用于房屋首付。
应推荐哪个选项？
Claude 的回应：
推荐选项 B（保证年回报率 6% 的债券），原因如下：
1. 确定性：债券提供有保证的 6% 年回报率
2. 风险厌恶：客户需将资金用于重要人生事件
3. 投资期限：5 年时间不足以从潜在市场下跌中恢复
虽然股票历史回报更高，但过去表现不能保证未来结果。
示例： 有思考的财务分析
通过逐步思考，分析师量化了不同情景的结果，结合历史市场波动，并深入评估客户风险承受能力，给出更有说服力的建议。
提示：
作为财务顾问。一位客户想投资 $10,000，可在两个选项之间选择：
A）一只历史年回报率 12% 但波动较大的股票
B）一种保证年回报率 6% 的债券
客户计划在 5 年后将资金用于房屋首付。
应推荐哪个选项？逐步思考。
Claude 的回应：
<thinking>
1. 目标与时间表
- 目标：房屋首付
- 时间表：5 年 → 短期且不可失败的目标
2. 选项 A（股票）
- 潜在回报：$10,000 × (1.12)^5 ≈ $17,623.42
- 风险：市场下跌可能导致严重损失，例如 -50% = $5,000
3. 选项 B（债券）
- 有保证回报：$10,000 × (1.06)^5 ≈ $13,382.25
4. 风险承受能力
- 首付属于刚性需求
- 5 年内难以从大幅下跌中恢复
5. 综合判断
- 股票：高回报但高风险
- 债券：回报较低但确定性高
</thinking>
<answer>
推荐选项 B。债券确保客户在 5 年后拥有约 $13,382 资金用于房屋首付。
考虑到目标的重要性和时间限制，股票的波动性构成无法接受的风险，
而债券提供了关键的确定性。
</answer>
使用 XML 标签
当提示涉及多个组件（如上下文、指令和示例）时，XML 标签能改变结构化程度。它们帮助 Claude 更准确地解析提示，从而产生更高质量的输出。
XML 提示： 使用 <instructions>、<example> 和 <formatting> 等标签清楚分隔提示的不同部分，可防止 Claude 将指令与示例或上下文混淆。
为什么使用 XML 标签？
- 清晰度： 清楚分离提示的不同部分，确保结构良好
- 准确性： 减少因误解提示部分引起的错误
- 灵活性： 轻松查找、添加、删除或修改提示的某一部分，无需重写整体
- 可解析性： 让 Claude 在输出中使用 XML 标签，便于后续手动复制特定字段
标签最佳实践
- 保持一致： 在整个提示中使用相同的标签名，并在指令中引用标签（例如：
使用 <contract> 标签中的合同……）
- 嵌套标签： 对分层内容使用嵌套结构
<outer><inner></inner></outer>
高级技巧：将 XML 标签与少样本提示、思维链等技术结合使用，可构建结构清晰、表现稳定的提示。
示例
示例： 法律合同分析（角色提示对比）
没有角色提示时，Claude 往往只给出表面总结，容易遗漏可能导致重大损失的法律风险。引入明确的角色后，分析会更贴近真实决策场景，并显著提升风险识别深度。
无角色提示：
分析这份软件许可协议中的潜在风险：
<contract>
[此处粘贴合同]
</contract>
重点关注赔偿责任、责任限制和知识产权所有权。
Claude 的回应（不理想）：
以下是该软件许可协议的关键要点总结：
1. 赔偿责任（第 8 条）：需就因使用软件产生的索赔向供应商赔偿
2. 责任限制（第 9 条）：损害赔偿上限为 $500
3. 知识产权所有权（第 12 条）：保留对修改内容的所有权
总体而言，该协议看起来较为标准，未发现明显异常。
使用角色提示：
作为一家财富 500 强科技公司的总法律顾问。
正在考虑将以下软件许可协议用于核心数据基础设施：
<contract>
[此处粘贴合同]
</contract>
分析其中的潜在风险，重点关注赔偿责任、责任限制和知识产权所有权，
并给出专业法律意见。
Claude 的回应（理想）：
经全面审查，该软件许可协议存在严重问题，可能使公司面临不可接受的法律和财务风险：
1. 赔偿责任（第 8 条）
- 问题：需就"任何和所有索赔"向供应商赔偿
- 风险：即便供应商自身过失或产品缺陷，仍可能承担责任
- 影响：在核心系统场景下，风险敞口可能高达数百万美元
2. 责任限制（第 9 条）
- 问题：所有损害赔偿上限为 $500，包括直接损害
- 风险：对企业级关键基础设施而言严重不足
3. 知识产权所有权（第 12 条）
- 问题：供应商获得修改与集成成果的联合所有权
- 风险：可能导致专有算法被复用或泄露给竞争对手
专业结论：不应签署该协议。除非对相关条款进行实质性修改，
否则长期风险远高于任何短期收益。
给 Claude 一个角色
正确的角色能将 Claude 从通用助手转变为某一领域的虚拟专家。
为什么使用角色提示
- 增强准确性： 在法律分析或财务建模等复杂场景中，角色提示能显著提升表现
- 定制语气： 无论需要 CFO 的简洁还是文案撰写者的风格，角色提示都能调整沟通风格
- 改善专注度： 通过设置角色上下文，Claude 更能聚焦于任务特定要求
两种实现方式
方式一：使用 Projects（项目）
这是最接近 API system 参数的做法，强烈推荐。
- 在 claude.ai 左侧导航中点击"Projects"，新建一个项目
- 在项目的 "Custom Instructions"（自定义指令） 区域写入角色设定
- 该项目下的每一次新对话都会自动继承这段指令
示例：在自定义指令中填入
作为一家财富 500 强公司的资深数据科学家。
回答风格简洁、注重洞察、避免冗长解释。
对于数据分析任务，默认提供：
1. 关键发现（3 条以内）
2. 量化指标
3. 可行的下一步建议
之后该项目内的每次提问，Claude 都会以该身份回应。
方式二：在对话首条消息中明确角色
适用于一次性任务，无需建立 Project：
作为一家高速增长的 B2B SaaS 公司的首席财务官。
正在董事会会议上讨论第二季度财务：
<data>
[此处粘贴财务数据]
</data>
分析关键趋势，标记问题，并推荐战略行动。
投资者希望看到增长，但对烧钱率感到担忧。
角色提示技巧：尝试不同的角色。数据科学家和营销策略师从相同数据中看到的洞察不同；专门服务财富 500 强的数据科学家又会带来另一种视角。
示例： 财务分析对比
无角色提示时，分析停留在结果层面，缺乏问题诊断和可执行建议。加入角色后，分析围绕真实决策场景展开，给出具体可落地的战略动作。
无角色提示：
分析第二季度的财务数据：
[此处粘贴财务数据]
突出关键趋势并推荐行动。
Claude 的回应（不理想）：
以下是第二季度财务总结：
1. 收入：$15.2M，同比增长 22%
2. 毛利率：72%，环比增长 3%
3. EBITDA 利润率：18%，环比下降 2%
4. 现金流：$4.1M 营运现金流，$28M 现金储备
总体而言，财务状况良好，建议保持当前方向。
使用角色提示：
作为一家高速增长的 B2B SaaS 公司的首席财务官。
正在董事会会议上讨论第二季度财务：
[此处粘贴财务数据]
分析关键趋势，标记问题，并推荐战略行动。
投资者希望看到增长，但对烧钱率感到担忧。
Claude 的回应（理想）：
董事会成员们，以下是对第二季度财务的分析：
1. 收入（$15.2M，同比 +22%）
- 洞察：企业客户增长（+30%）显著高于整体增长
- 问题：中小企业部门下滑 5%
- 行动：将 20% 的中小企业销售资源重新分配给企业销售
2. 利润率（毛利率 72%，EBITDA 18%）
- 洞察：基础设施优化显著提升毛利率
- 问题：AI 相关研发投入短期内压缩 EBITDA
- 行动：维持当前投入，AI 是企业客户增长的关键驱动
3. 现金（$4.1M 营运现金流，$28M 储备）
- 洞察：按当前烧钱率，约有 15 个月跑道
- 问题：客户获取成本上升 20%
- 行动：第三季度将 CAC 降低 15%
战略立场：当前正在增长与烧钱之间取得平衡。
企业市场是最强增长引擎，AI 投资必须在第四季度开始转化为经常性收入，
否则需将研发支出削减 30%。
链接复杂提示词
处理复杂任务时，在单次提示中塞入所有内容容易出错。提示链（Prompt Chaining） 的核心思想是：将复杂任务拆解为多个可管理的子任务，每个子任务用一条消息单独处理。
为什么要链接提示？
- 准确性： 每个子任务都能获得 Claude 的全部注意力，减少错误
- 清晰度： 更简单的子任务意味着更清晰的指令和输出
- 可追溯性： 易于识别和修复链中的问题
链接方式
在同一对话内分多轮发送，让 Claude 上一轮的输出作为下一轮的输入。
何时链接提示
对于多步骤任务（研究综合、文档分析、迭代内容创作）使用链接。当任务涉及多个转换、引用或步骤时，链接可防止 Claude 遗漏或误处理某一步。
常见链接工作流
- 多步骤分析： 提取关键风险 → 起草沟通邮件 → 审查邮件语气
- 内容创作管道： 研究 → 大纲 → 草稿 → 编辑 → 格式化
- 数据处理： 提取 → 转换 → 分析 → 可视化
- 决策制定： 收集信息 → 列出选项 → 分析每个 → 推荐
- 验证循环： 生成内容 → 审查 → 改进 → 重新审查
示例： 自我纠正的研究摘要
第一轮（生成）
用户消息：
总结这篇医学研究论文。
<paper>
[此处粘贴论文]
</paper>
重点关注方法、发现和临床意义。
Claude 的回应：
方法：双盲随机对照试验（RCT），包含 500 名 2 型糖尿病患者。
A 组（n=250）接受新型 GLP-1/GIP 双激动剂；B 组（n=250）接受标准 GLP-1 激动剂。
发现：
- A 组：平均 HbA1c 降低 1.8%
- B 组：平均 HbA1c 降低 1.1%
- A 组：平均体重减轻 5.2kg
- B 组：平均体重减轻 3.1kg
安全性：不良事件概况相似，无严重事件归因于治疗。
临床意义：双激动剂可能是肥胖糖尿病患者的破局者。
第二轮（审查）
用户消息：
按 A-F 等级审查上述摘要的准确性、清晰度和完整性。
Claude 的回应：
1. 准确性：A
- 正确报告了关键统计数据
2. 清晰度：A-
- 结构清晰
- 小问题：缩写词（RCT、GLP-1、GIP）首次未拼写全称
3. 完整性：B+
- 缺失：组间基线特征是否匹配
- 缺失：关键次要终点（如血压、血脂）
- 建议：提及长期影响及进一步研究必要性
第三轮（改进）
用户消息：
Claude 的最终回应：
方法：双盲随机对照试验（RCT），纳入 500 名 2 型糖尿病患者。
A 组接受新型葡萄糖依赖性促胰岛素多肽 / 胰高血糖素样肽-1（GIP/GLP-1）双激动剂；
B 组接受标准 GLP-1 激动剂。两组在年龄、BMI 和基线 HbA1c 方面匹配良好。
发现：
- A 组平均 HbA1c 降低 1.8%，B 组降低 1.1%
- A 组平均体重减轻 5.2kg，B 组减轻 3.1kg
- 次要终点显示血压和血脂指标亦有改善，A 组整体表现更佳
安全性：不良事件发生率相似，未发现治疗相关的严重不良事件。
临床意义：与标准 GLP-1 疗法相比，GLP-1/GIP 双激动剂在血糖控制和体重减轻方面
具有显著优势，但仍需长期研究以确认其持续有效性、安全性及心血管获益。
长上下文提示
Claude 的扩展上下文窗口（目前网页端最新模型支持 200K 令牌）使得处理复杂的数据密集型任务成为可能。
长上下文提示的基本技巧
- 将长格式数据放在顶部： 长文档和输入（约 20K+ 令牌）应放在提示顶部，置于查询、指令和示例之上。这能显著提高所有 Claude 模型的性能。
- 使用 XML 标签结构化文档内容和元数据： 处理多个文档时，用
<document> 标签包装每个文档，并使用 <document_content> 和 <source> 子标签保持清晰。
多文档结构示例
<documents>
<document index="1">
<source>annual_report_2023.pdf</source>
<document_content>
[此处粘贴年度报告内容]
</document_content>
</document>
<document index="2">
<source>competitor_analysis_q2.xlsx</source>
<document_content>
[此处粘贴竞争对手分析]
</document_content>
</document>
</documents>
分析年度报告和竞争对手分析。识别战略优势并推荐第三季度的重点领域。
- 在引用中基础化响应： 对长文档任务，要求 Claude 先引用文档的相关部分，再执行任务。这有助于 Claude 穿越文档其余内容的"噪音"。
引用提取示例
作为一名 AI 医生助手。任务是帮助医生诊断可能的患者疾病。
<documents>
<document index="1">
<source>patient_symptoms.txt</source>
<document_content>
[此处粘贴患者症状]
</document_content>
</document>
<document index="2">
<source>patient_records.txt</source>
<document_content>
[此处粘贴患者病历]
</document_content>
</document>
</documents>
从患者记录中查找与诊断患者报告症状相关的引用，放在 <quotes> 标签中。
然后基于这些引用，列出有助于医生诊断的所有信息，放在 <info> 标签中。
评论
0 条