Anthropic官方提示工程最佳实践：12个让AI输出质量飞跃的技巧

Anthropic刚刚公开了他们团队内部使用的提示工程技巧。在此之前我们页分享了OpenAI推荐的技巧。

这套方法论主要围绕Claude设计，但大部分技巧对其他大语言模型也适用。Anthropic强调提示工程通常比微调更高效，原因很简单——资源需求低、成本便宜、迭代速度快。

核心原则

针对最新的Claude 4系列模型，Anthropic特别强调了四个基础原则：

1. 明确具体（Be Explicit） Claude 4更像精确执行者而非创造性延伸者。想要"超越期望"的表现需要明确要求。

2. 提供上下文（Add Context） 解释指令背后的原因。比如"绝不用省略号"改为"因为要用语音朗读，所以不要用省略号"。

3. 示例谨慎（Vigilant with Examples） Claude 4会密切关注每个细节和示例，确保它们传达正确信号。

4. 积极指导（Tell What TO Do） 说"回答用流畅段落"而不是"不要用markdown"。告诉它做什么比告诉它别做什么更有效。

12个按优先级排序的核心实践

1. 使用提示生成器（Prompt Generator）

让AI帮你写提示。这听起来有点meta，但确实有效。如果你没有现成的提示草稿，直接用Anthropic Console里的提示生成器开始。

2. 明确直接（Be Clear and Direct）

Anthropic有个黄金法则：把你的提示给同事看，最好是对任务缺乏了解的人。如果他们困惑，Claude也会困惑。

不要绕弯子。告诉AI具体要做什么，而不是模糊的方向。比如说"列出5个要点"而不是"给我一些信息"。

把Claude想象成一个聪明但不了解背景的新员工，需要明确指导。关键是：

• 给出上下文信息：任务用途、目标受众、工作流程位置、成功标准
• 具体说明要求：如果只要代码，就明确说"只输出代码，不要其他内容"
• 分步骤指导：用编号列表或要点，确保按你要求的方式执行

实际例子对比：

模糊指令：

请移除这些客户反馈中的个人信息

明确指令：

你的任务是为季度审查匿名化客户反馈。

指令：
1. 将所有客户姓名替换为"CUSTOMER_[ID]"（如"张三"→"CUSTOMER_001"）
2. 将邮箱地址替换为"EMAIL_[ID]@example.com"
3. 将电话号码修改为"PHONE_[ID]"
4. 如果提到具体产品名称，保持不变
5. 如果没有个人信息，原样复制
6. 只输出处理后的信息，用"---"分隔

结果差异明显：模糊指令下Claude仍会遗漏客户姓名，明确指令下处理完全准确。

3. 多示例提示（Use Examples - Multishot Prompting）

给AI看几个好例子，比纯文字描述管用得多。示例就是最好的老师。

通过提供几个精心制作的示例，能显著提升AI输出的准确性、一致性和质量。

为什么示例如此有效？

• 准确性：减少对指令的误解
• 一致性：确保统一的结构和风格
• 性能：精选示例能提升Claude处理复杂任务的能力

制作有效示例的要点：

• 相关性：示例要反映你的实际使用场景
• 多样性：覆盖边界情况和潜在挑战，避免AI学到非预期的模式
• 清晰性：用<example>标签包装（多个示例用<examples>标签嵌套）

最佳实践：包含3-5个多样化、相关的示例。示例越多，处理复杂任务的性能越好。

对比效果案例：客户反馈分析

• 无示例版本：Claude会写长篇解释，格式不统一，可能遗漏多重分类
• 有示例版本：输出简洁统一，准确识别多重类别，格式完全符合预期

甚至可以让Claude评估你的示例质量，或基于初始示例生成更多样例。

4. 让AI思考（Let Claude Think - Chain of Thought）

在复杂任务中，明确要求AI展示推理过程。加一句"让我们一步步思考"就能显著提升质量。

何时使用思维链：

• 复杂数学计算、多步分析、复杂文档写作
• 涉及多个因素的决策
• 任何人类需要思考的任务

三种思维链方法：

基础方法： 简单添加"一步步思考"

分析这个投资建议。一步步思考。

引导方法： 明确思考步骤

分析投资建议。首先考虑风险因素，然后评估收益潜力，最后给出建议。

结构化方法： 用XML标签分离思考和答案

分析投资建议。在<thinking>标签中思考，在<answer>标签中给出最终建议。

关键点： 必须让Claude输出思考过程，否则不会真正思考。

效果对比：

• 没有思维链：给出合理但缺乏深度的建议
• 有思维链：计算具体数字，考虑历史波动，深入分析风险承受能力

5. 使用XML标签（Use XML Tags）

XML标签是提示工程中最被低估但却极其有效的技巧。当你的提示包含多个组件（上下文、指令、示例）时，XML标签能让Claude准确解析，显著提升输出质量。

为什么要用XML标签？

• 清晰度：明确分离提示的不同部分，确保结构良好
• 准确性：减少Claude误解提示内容的错误
• 灵活性：轻松增删改查提示内容，无需重写整个提示
• 可解析性：让Claude在输出中使用标签，便于后续处理特定部分

最佳实践：

1. 保持一致：在整个提示中使用相同的标签名
2. 嵌套使用：层级内容用 <outer><inner></inner></outer> 结构
3. 语义化命名：标签名要与内容匹配，如 <instructions>、<example>、<data>

实际效果对比：

不用标签（效果差）：

分析这份软件许可协议的风险：{{合同内容}}。重点关注赔偿、责任限制和知识产权条款。这是我们的标准合同：{{标准合同}}。给出分析结果和建议。

使用标签（效果好）：

分析软件许可协议的法律风险。

<agreement>
{{合同内容}}
</agreement>

<standard_contract>{{标准合同}}</standard_contract>

<instructions>
1. 分析条款：赔偿、责任限制、知识产权
2. 标注异常条款
3. 对比标准合同
4. 在<findings>标签中总结发现
5. 在<recommendations>标签中列出建议
</instructions>

高级技巧： 结合其他方法使用XML标签，如 <examples> 配合多示例提示，<thinking> 和 <answer> 配合思维链，创建超结构化的高性能提示。

没有"标准"的XML标签，关键是标签名要有意义。常用的包括：<context>、<task>、<format>、<output>、<data>、<rules> 等。

这个技巧简单但威力巨大，特别是在复杂任务中，能让AI输出从混乱变得井然有序。实际上不止xml有效，json甚至lisp等结构化语言都可以。这一点再OpenAI文档中也有体现。

6. 给AI分配角色（Give Claude a Role - System Prompts）

告诉AI它是什么身份，比如"你是一个经验丰富的数据分析师"。这能让回答更有针对性。

这是大家已经默认用到的提示技术。正确的角色设定能把Claude从通用助手转变为你的专业领域专家。

在笔者书中曾经探讨过其内在原理。

为什么角色提示有效？

• 精准度提升：在法律分析或财务建模等复杂场景中显著提升表现
• 语调调整：CFO的简洁或文案的文采，角色提示能调整沟通风格
• 聚焦优化：设定角色上下文让Claude更专注于特定需求

具体实现方法：

system="你是Fortune 500公司的资深数据科学家"

角色设定技巧： 多试试不同角色！同一数据集，"数据科学家"和"营销策略师"会看到不同洞察。"专门为Fortune 500公司做客户洞察分析的数据科学家"可能产生完全不同的结果。

实际效果对比：

没有角色的法律分析只会说"协议看起来标准"，而设定为"Fortune 500科技公司总法律顾问"角色后，能发现可能造成数百万损失的关键风险，并给出"不要签署这份协议"的专业建议。

没有角色的财务分析只是总结数字，设定为"高增长B2B SaaS公司CFO"后，能在董事会场景下提供可执行的战略洞察：重新分配预算、冻结非必要招聘、优化销售漏斗等具体行动。

7. 预填充回答（Prefill Claude's Response）

给出回答的开头，引导AI朝正确方向输出。

它是Claude独有的强大功能，通过在Assistant消息中预先填入开头文本来引导回答方向。这个技巧可以直接影响输出格式、跳过啰嗦的前言，还能帮助AI保持角色一致性。

核心原理： 在API调用的messages数组中，加入一个"assistant"角色的消息，Claude会从这个预填充内容继续生成。

重要限制： 预填充内容末尾不能有空格，否则会报错。仅支持非扩展思维模式。

两个实用场景

a. 格式控制和跳过前言

高手技巧：预填充一个{可以强制Claude直接输出JSON，跳过"这是JSON格式的提取信息"这类废话。

没有预填充时Claude会说：

"这是JSON格式的提取信息：json{...}我从产品描述中提取了以下详细信息..."

预填充{后Claude直接输出：

"name": "SmartHome Mini",
"size": "5 inches wide", 
"price": "$49.99",
"colors": ["black", "white"]
}

b. 角色扮演一致性

在长对话中，用[角色名]预填充可以防止Claude跳出角色。比如扮演福尔摩斯50轮对话后，不预填充可能变成"作为AI助手，我很乐意分析..."，但预填充[Sherlock Holmes]就能保持"啊，华生，这是什么奇特的标本！"这种语调。

这个技巧的精髓在于"少量预填充，巨大改善"——几个字符就能显著提升Claude的表现。

8. 连接复杂提示（Chain Complex Prompts）

当复杂任务塞进单个提示时，Claude容易遗漏步骤。提示链接就是将复杂任务分解为多个可管理的子任务。

核心优势：

1. 准确性 - 每个子任务都能获得Claude的全部关注
2. 清晰度 - 简单的子任务意味着更清楚的指令和输出
3. 可追溯性 - 容易定位和修复链条中的问题

使用场景：

• 研究综合、文档分析、迭代内容创建
• 涉及多重转换、引用或指令的任务

实施方法：

1. 识别子任务 - 将任务分解为不同的连续步骤
2. 用XML标签结构化 - 使用XML标签在提示间传递输出
3. 单一任务目标 - 每个子任务都应有单一、清晰的目标
4. 迭代优化 - 根据Claude的表现优化子任务

典型工作流：

• 内容创建：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 → 分析各项 → 推荐

高级技巧：支持自我纠错链 - 让Claude审查自己的工作，特别适用于高风险任务。通过"总结→反馈→改进"的三步循环，可以显著提升输出质量。

9. 长文本处理技巧（Long Context Tips）

处理大量文本时的特殊策略，确保重要信息不被遗漏。简单说就是：文档在前，问题在后；标签分割；先引后析。

针对Claude的20万token长文本能力，Anthropic给出了三个核心技巧：

a. 长文档放顶部 将长文档（2万token以上）放在提示的顶部，查询和指令放在末尾。测试显示这能提升30%的回答质量。

b. 用XML标签结构化多文档 用<document>、<document_content>、<source>等标签包装多个文档，让Claude更好理解文档结构。

c. 先引用再分析 让Claude先从长文档中引用相关部分，再执行任务。这帮助它在信息海洋中聚焦关键内容。

10. 使用提示模板（Use Prompt Templates）

建立可复用的模板，一次编写，反复使用。提升效率的关键。

它将内容分为两部分：固定内容（静态指令）和变量内容（动态元素如用户输入、检索内容等）。在Anthropic Console中用{{双括号}}标记变量。

主要优势

• 一致性：保持提示结构统一
• 效率：快速替换变量内容
• 可测试性：轻松测试不同输入
• 版本控制：分离固定和动态部分

使用原则

当提示的任何部分需要重复使用时就用模板。目前仅支持API和Anthropic Console。

示例：

Translate this text from English to Spanish: {{text}}

这个简单功能是构建可维护AI应用的基石，特别适合需要大量重复调用的场景。

11. 提示改进工具（Prompt Improver）

Anthropic还提供了专门的工具来优化现有提示。

12. 扩展思维提示技巧（Extended Thinking Tips）

针对需要深度思考的模型的特殊技巧。Claude的扩展思维功能让AI逐步处理复杂问题，显著提升困难任务表现。

技术要点

• 思维token最少1024个，建议从最小预算开始递增
• 超过32K用批处理避免超时
• 英文思维效果最佳，输出可用任何语言

核心技巧

通用指令优于细化步骤 不要说"第一步识别变量，第二步建立方程"，而是"彻底思考这个问题，考虑多种方法，展示完整推理"。

配合多示例 用<thinking>标签展示思维模式，AI会推广到正式扩展思维。

自检验证 让AI完成任务前验证工作，编程任务要求在思维中运行测试用例。

适用场景

• 复杂STEM问题：需要专业知识和逻辑推理
• 约束优化：同时满足多个竞争要求
• 结构化框架：按步骤应用多个分析方法

扩展思维不是为了更多输出，而是给AI更多推理空间，提供更高质量的解决方案。

高级优化技巧

并行工具调用： 对于Claude 4，添加这句话能将并行执行成功率提升到近100%：

为了最大效率，当你需要执行多个独立操作时，同时调用所有相关工具。

前端代码生成： 用"不要保守，全力以赴"这样的鼓励语能让Claude 4生成更复杂的前端代码。

避免硬编码： 明确要求"实现通用解决方案，不要只针对测试用例"。

Anthropic还强调了几个关键前提：明确成功标准、建立测试方法、准备好初始版本。没有这些基础，技巧再多也没用。

文档还包含了交互式教程，有GitHub版本和Google Sheets轻量版，适合不同学习习惯的人。

地址：https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview