Claude提示词工程技能入门指南：从零构建高效对话模型

1次阅读

共计 2545 个字符，预计需要花费 7 分钟才能阅读完成。

提示词工程是对话模型的 ” 方向盘 ”，直接决定了 AI 输出的质量和方向性
优秀的提示词可以节省 80% 的调试时间，让模型输出更符合预期
在相同模型能力下，提示词质量会造成效果表现的指数级差异

问题类型	糟糕示例	优化后示例	改进点分析
开放提问	“ 说说 AI”	“ 用 200 字简介 AI 发展史，侧重 2010 年后的突破 ”	限定范围 + 明确长度 + 时间聚焦
指令执行	“ 写个诗 ”	“ 创作七言绝句，主题秋天，含‘枫叶’意象 ”	格式要求 + 主题限定 + 关键词约束
逻辑推理	“1+ 1 等于几 ”	“ 分步骤证明 1 +1=2，用皮亚诺公理体系解释 ”	解题方法 + 理论框架指定

分块处理：当对话超过 4096 token 时自动切分会话
关键记忆 ：用<memory> 标签标记必须保留的上下文
清理策略：每 5 轮对话后移除最早的非必要历史

# 上下文压缩示例
history = [{"role": "user", "content": "推荐北京餐馆"},
    {"role": "assistant", "content": "<memory> 用户偏好川菜 </memory>"}
]

基础模板：

你是一位资深厨师，有 20 年川菜经验
回答时：1. 使用专业术语但解释含义
2. 给出 3 个备选方案
3. 最后补充营养建议

语气控制：通过形容词调节（严谨 / 活泼 / 权威）

结构化标记：

按 JSON 格式回答：{
  "recommendations": [{"name": "","reason":""}
  ],
  "tips": ""
}

视觉优化：要求使用 Markdown 表格呈现比较数据

stateDiagram
    [*] --> 初始询问
    初始询问 --> 细节澄清: 需补充信息
    细节澄清 --> 方案生成: 信息完整
    方案生成 --> 满意度确认
    满意度确认 --> [*]: 用户满意
    满意度确认 --> 细节澄清: 需要修改

显式声明：” 拒绝回答涉及机密信息的问题 ”
二次确认：当检测到敏感词时要求用户验证意图
替代方案：对危险询问提供无害化建议（如用理论代替实操）

import anthropic

client = anthropic.Client("your_api_key")

response = client.completion(prompt=f"{anthropic.HUMAN_PROMPT}如何泡好红茶？{anthropic.AI_PROMPT}",
    model="claude-2",
    max_tokens_to_sample=300,
    temperature=0.7  # 控制创造性
)
print(response["completion"])

def chat_with_context(history, new_query):
    prompt = "\n".join([f"{anthropic.HUMAN_PROMPT if msg['role']=='user'else anthropic.AI_PROMPT}{msg['content']}" 
        for msg in history
    ]) + f"{anthropic.HUMAN_PROMPT}{new_query}{anthropic.AI_PROMPT}"

    return client.completion(
        prompt=prompt,
        model="claude-2",
        max_tokens_to_sample=500
    )

# 要求模型返回可解析格式
structured_prompt = """
请用以下 JSON 格式回答：{"ingredients": ["名称", "用量"], "steps": ["步骤描述"]}
问题：如何制作卡布奇诺？"""

response = client.completion(prompt=f"{anthropic.HUMAN_PROMPT}{structured_prompt}{anthropic.AI_PROMPT}",
    model="claude-2"
)

import json
recipe = json.loads(response["completion"].split('```json')[1].split('```')[0])

使用 tiktoken 库预先计算 token 数
对长文本采用摘要式上下文（如 ” 用户之前询问过咖啡机选购 ”）

from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def safe_api_call(prompt):
    try:
        return client.completion(
            prompt=prompt,
            model="claude-2",
            timeout=10  # 秒
        )
    except Exception as e:
        print(f"API 调用失败: {str(e)}")
        raise