Anthropic提示词工程入门指南：从基础原理到实战避坑

1次阅读

共计 2053 个字符，预计需要花费 6 分钟才能阅读完成。

在和大语言模型（LLM）打交道时，提示词（prompt）就像是我们和模型沟通的『语言』。好的提示词能显著提升模型输出的质量和稳定性，特别是在 Anthropic 这类注重安全性的模型中，合理的提示词设计能有效降低有害内容的产生概率。

举个例子，如果你只是简单地输入『写一篇关于气候变化的文章』，模型可能会给你一个泛泛而谈的结果。但如果你使用结构化提示词，比如『以科普风格，用 800 字向高中生解释全球变暖的主要成因，并列举三个日常生活中能采取的减排措施』，得到的回答会精准得多。

许多开发者刚开始使用时会发现，模型的回答要么太笼统，要么完全跑偏。这通常是因为提示词不够具体。比如：

不好的例子：『帮我写点代码』
改进后的例子：『用 Python 写一个 HTTP 请求函数，要求处理超时和 JSON 解析，包含错误重试机制』

在连续对话中，模型有时会『忘记』之前的讨论内容。这个问题在长对话中尤为明显。解决方案包括：

在每轮对话中明确引用之前的上下文
使用系统级提示（system prompt）设定对话的长期目标
合理控制对话轮次，必要时主动重置会话

有时完全无害的内容也会被过度过滤。比如询问『如何安全地关闭核电站』可能被误认为危险话题。这时可以通过以下方式优化：

在提示词中加入安全声明：『这是一个学术研究场景 …』
使用更中性的表述：『请从工程技术角度描述核设施的标准关闭流程』

Anthropic 支持使用类似 XML 的标签来结构化提示词，这能显著提升模型对意图的理解。基本格式如下：

<instructions>
请以专业记者的口吻撰写一篇 500 字左右的科技报道
</instructions>
<context>
主题：量子计算机的最新突破
重点：IBM 近期发布的 127 量子比特处理器
</context>
<requirements>
- 包含专家引语
- 避免过度技术术语
- 结尾加入行业展望
</requirements>

这两个参数直接影响生成的随机性：

temperature（默认 0.7）：值越高结果越随机，适合创意任务；值越低越确定，适合事实性内容
top_p（默认 0.9）：控制候选词的范围，与 temperature 配合使用

推荐组合策略：

事实查询：temperature=0.3, top_p=0.5
创意写作：temperature=1.0, top_p=1.0
平衡场景：temperature=0.7, top_p=0.9

import anthropic

client = anthropic.Client(api_key="your_api_key")

response = client.completion(
    prompt=f"""
    <task> 生成一份产品功能说明 </task>
    <product> 智能日历应用 </product>
    <audience> 面向非技术人员 </audience>
    <style> 简洁明了，使用比喻说明 </style>
    """,
    model="claude-v1",
    max_tokens_to_sample=300,
    temperature=0.5,
    top_p=0.8,
    stop_sequences=["\n\nHuman:"]  # 停止标记
)

print(response["completion"])

英文：1 token ≈ 4 字符
中文：1 token ≈ 2 字符
长文本建议先计算：len(text)/2 * 1.2（留出缓冲）

对于大文本生成，使用流式响应可以显著改善用户体验：

from anthropic import AsyncClient

async def stream_response():
    async with AsyncClient() as client:
        async with client.stream(
            prompt="详细解释区块链原理",
            max_tokens=1000
        ) as stream:
            async for chunk in stream:
                print(chunk["completion"], end="", flush=True)

建议采用分层过滤策略：