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 2756 个字符，预计需要花费 7 分钟才能阅读完成。

提示词工程（Prompt Engineering）是对话模型开发的核心技能。好的提示词能显著提升模型响应质量，减少无效交互。掌握这项技能可以让你用 20% 的精力获得 80% 的效果提升。

问题类型	糟糕示例	优化后示例	改进点
开放性提问	“ 说说 AI”	“ 用 200 字简介 AI 发展史，重点说明 2010 年后的突破 ”	限定范围和格式
角色设定	“ 回答我的问题 ”	“ 你是一位资深 AI 研究员，用通俗语言解释 transformer 架构 ”	明确角色定位
多轮对话	“ 继续 ”	“ 根据我们刚才讨论的 CNN 原理，现在请对比说明 RNN 的优缺点 ”	保持上下文连贯

Claude- 2 的上下文窗口为 100K tokens，但实际使用需注意：

重要信息放在对话开头和结尾（首因效应和近因效应）
每轮对话后主动清理无效历史（如用户说 ” 重来 ” 时重置上下文）
长文档处理时使用摘要技术（Summary Token 占比建议 <15%）

有效的 system prompt 模板：

system_prompt = """ 你是一个 [角色名称]，具有[特征 1]、[特征 2] 的专业背景。你的对话风格是[风格描述]。回答时请：1. 保持[特定语气]
2. 避免[禁忌事项]
3. 当遇到 [某类问题] 时按 [处理方式] 响应 """

结构化输出示例：

请按以下格式回答：** 核心观点 **：[1- 2 句总结]
** 论据支持 **：- 第一点
- 第二点
** 延伸思考 **：[可选补充]

对话状态机示意图：

graph LR
    A[开始] --> B{用户意图识别}
    B -->| 查询类 | C[知识检索]
    B -->| 操作类 | D[确认参数]
    C --> E[生成回答]
    D --> E
    E --> F{是否需要细化}
    F -->| 是 | B
    F -->| 否 | G[结束]

三层过滤机制：

前置提示词约束（明确禁止领域）
API 参数设置（filter_profanity=True）
后处理正则匹配（如过滤特定关键词）

import anthropic

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

response = client.completion(prompt=f"{anthropic.HUMAN_PROMPT}如何学习提示词工程？{anthropic.AI_PROMPT}",
    model="claude-2",
    max_tokens_to_sample=300,
    temperature=0.7  # 控制创造性
)
print(response['completion'])

dialog_history = []

def add_to_history(role, text):
    dialog_history.append(f"{anthropic.HUMAN_PROMPT if role =='user'else anthropic.AI_PROMPT}{text}")

# 第一轮
add_to_history('user', '推荐 Python 入门书')
response = client.completion(prompt=''.join(dialog_history),
    model="claude-2",
    max_tokens_to_sample=200
)
add_to_history('assistant', response['completion'])

# 第二轮 
add_to_history('user', '这些书适合零基础吗？')
response = client.completion(prompt=''.join(dialog_history),
    model="claude-2",
    max_tokens_to_sample=250
)

import re

prompt = """ 列出 3 个常用的 Python 数据可视化库，按以下格式返回：名称：<lib_name>
特点：<key_features>
适合场景：<use_cases>
---"""

response = client.completion(prompt=prompt, ...)

# 使用正则提取结构化数据
pattern = r"名称：(.*?)\n 特点：(.*?)\n 适合场景：(.*?)(?:\n---|$)"
matches = re.findall(pattern, response['completion'], re.DOTALL)
for lib in matches:
    print(f"Library: {lib[0]}")
    print(f"Features: {lib[1]}")
    print(f"Use Cases: {lib[2]}\n")

使用 anthropic.count_tokens() 监控用量
长文本先进行分块处理（建议每块 <5K tokens）
设置 max_tokens_to_sample 时预留 20% 缓冲

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_completion(prompt):
    try:
        return client.completion(
            prompt=prompt,
            timeout=30  # 秒
        )
    except Exception as e:
        print(f"Error: {e}")
        raise