Prompt Engineering（提示工程）

概述

提示工程（Prompt Engineering）是设计和优化输入提示以获得 AI 模型最佳输出的技术和实践。有效的提示工程可以优化 Claude 的输出质量、降低部署成本，并确保一致的品牌体验。Anthropic 将其视为一种科学方法，强调测试和迭代，并建议将提示工程视为提示工程师与领域专家之间的协作工作。在长上下文场景中，提示工程的技巧对于提升信息召回率尤为关键。

关键信息

三大核心技术

1. 逐步思考（Step-by-Step Thinking）

• 简单地在任务后指示 Claude "逐步思考"
• 使用 <scratchpad> 标签让 Claude 展示推理过程（对用户隐藏）
• 适用于需要多步推理的任务，如保险索赔评估

2. 少样本提示（Few-Shot Prompting）

• 提供现实、具体的输入和理想输出示例
• 包括具有挑战性的边界情况
• 示例应尽可能贴近实际使用场景
• 例如：PII（个人身份信息）编辑任务中的前后对比示例

3. 提示链（Prompt Chaining）

• 将复杂任务分解为多个顺序提示
• 每个新提示包含之前的提示-回答对以建立上下文
• 适用于需要多步分析的复杂场景

长上下文提示技巧

• 引用提取 scratchpad：指示 Claude 先提取相关引用到 scratchpad 再回答
• 上下文示例：提供来自同一文档的正确回答示例（通用无关示例无效）
• 更多示例更优：5 个示例优于 2 个
• 指令位置：将指令放在提示末尾以最大化召回
• 使用这些技术可将 Claude 2 的错误率降低 36%

商业价值

• 准确性：减少不准确输出（幻觉）的风险
• 一致性：确保一致的质量、格式、相关性和语气
• 有用性：为特定受众、行业和角色提供有针对性的体验
• 成本节约：最大限度减少不必要的来回，大规模节省成本
• 案例：一家财富 500 强公司使用这些技术构建了 Claude 驱动的客服助手，准确率提升 20%

关键原则

• 把 Claude 当作新实习生——提供清晰、明确的指示和所有必要细节
• 没有单一最佳技术；每个 LLM 都不同，领域在不断演进
• 科学方法：经常测试和迭代
• 协作：提示工程师与领域专家的合作至关重要

2026 范式转移：从「过程导向」到「结果导向」

2026 年前沿模型（openai GPT-5.5、Claude-Opus-4.7 Opus 4.7）的提示词工程正在经历根本性范式转移：从过程导向（告诉模型怎么做）转向结果导向（告诉模型要什么）。

转移原因

• 推理能力质变：GPT-5.5 和 Claude 4.7 具备原生深度推理，过度约束反而限制发挥
• 上下文窗口突破：超长上下文使模型可一次性处理复杂任务
• 工具使用成熟：模型可自主决定调用时机
• 评估标准前置：定义"好的结果长什么样"比描述过程更高效

GPT-5.5 优化技巧（6 条）

1. 定义验收标准而非步骤 — 直接说明输出要求和质量指标
2. 使用"负空间"约束 — 明确"不要做什么"比"要做什么"更高效
3. 多模态锚点 — 附加参考图片/架构图比文字描述更精确
4. 动态温度策略 — 创意任务高温度，分析任务低温度，混合任务分阶段调节
5. 引用式上下文注入 — 用 XML 标签或代码块结构化嵌入文档
6. 自我验证循环 — 要求模型输出前自检是否满足验收标准

Claude 4.7 Opus 优化技巧（5 条）

1. Extended Thinking + 结果约束 — 只定义结果，不干预推理过程
2. Constitutional 原则式提示 — 给出原则而非具体指令
3. 长上下文文档处理 — 指令放末尾，XML 标签分隔，提供 2-3 个示例
4. 工具使用的自主决策 — 描述工具能力，让模型自行判断调用时机
5. 角色精简原则 — 避免过度角色扮演，防止产出「奖励模型风格产物」

核心转变

相关概念

• Context-Window
• Extended-Thinking
• Agentic-Coding
• Constitutional-AI