Claude提示词工程实战：从零构建高效对话系统的避坑指南

1次阅读

共计 1968 个字符，预计需要花费 5 分钟才能阅读完成。

刚接触 Claude 开发时，我遇到过两个典型翻车案例：

客服对话突然飙车：当用户问 ” 如何退订服务 ” 时，系统突然开始推荐会员升级套餐。后来发现是提示词中 ” 退订 ” 关键词触发了营销模板的优先级错乱
多轮对话失忆症：在预订酒店场景中，用户明明说过 ” 要双床房 ”，但三句话后就变成默认大床房。检查发现对话历史被截断，关键信息没注入新请求

这些坑让我明白：提示词不是随便写的字符串，而是需要系统化设计的对话编程。下面分享我的实战经验。

Claude 的消息结构包含三个关键角色：

system: "你是一个专业客服助手，用简体中文回答，保持友好但专业"  # 设定 AI 人格
user: "怎么重置密码?"  # 实际用户输入
assistant: "请打开 www.example.com/password..."  # 期望 AI 回答示例

System：相当于 AI 的 ” 人格配置文件 ”，建议包含：
身份定位（如客服 / 导师 / 伙伴）
回答风格（专业 / 幽默 / 简洁）
语言要求（方言 / 术语级别）
User/Assistant：构成对话的 ” 一问一答 ” 基本单元，可用于：
提供示例对话（few-shot learning）
引导特定回答格式
注入对话历史上下文

根据业务需求选择提示方式：

零样本（Zero-shot）
适用场景：简单明确的指令（如 ” 翻译这句话 ”）
示例：直接提问 ” 请用 Python 写一个快速排序函数 ”
小样本（Few-shot）
适用场景：需要风格一致的场景（如客服话术）

示例：

用户：我要退款
助理：请问订单号是多少？---
用户：质量太差
助理：具体是哪个产品有问题？

思维链（Chain-of-thought）
适用场景：复杂推理问题（如数学计算）

示例：

问题：小明有 5 个苹果，吃掉 2 个又买了 4 个，现在有几个？思考：首先 5 -2=3，然后 3 +4=7
答案：7 个

用 YAML 管理提示词模板更利于维护：

# prompts/customer_service.yaml
templates:
  password_reset:
    system: |
      你是一名 {{level}} 客服，使用 {{language}} 回答，必须验证用户身份后才能提供帮助
    examples:
      - user: "我忘了密码"
        assistant: "为保障安全，请先提供注册手机号后 4 位"
    variables:
      level:
        type: string
        enum: [初级, 高级]
        default: 初级
      language:
        type: string
        default: "礼貌的简体中文"

关键设计点：

变量插值 ：用{{}} 包裹动态参数，运行时注入
类型校验：定义变量约束条件，避免非法值
示例隔离：不同场景的样本分开存放，防止污染

提示词长度直接影响 API 成本：

API 费用 ≈ (输入 token 数 + 输出 token 数) × 单价

实测数据：

每 1000 个 token 约 $0.02（Claude Instant）
中文平均 1token≈2 个汉字
建议单个提示词控制在 3000token 内

推荐三层过滤方案：

预处理层：在调用 API 前过滤明显违规词（如脏话）
模型层：在 system 提示中加入 ” 拒绝回答违法内容 ” 的指令
后处理层：对 AI 输出进行二次筛查

最佳实践是把核心过滤放在预处理层，可以节省无效 API 调用。

这些词容易导致 AI 瞎编：

RISKY_WORDS = [
    "根据内部消息", "据可靠人士透露",
    "我可以确定", "100% 保证"
]

应对策略：

在 system 提示中明确要求 ” 只回答确认的事实 ”
对包含不确定性的回答自动添加免责声明

用 TF-IDF 裁剪对话历史：

from sklearn.feature_extraction.text import TfidfVectorizer

def compress_history(dialogs, keep_ratio=0.6):
    tfidf = TfidfVectorizer().fit_transform(dialogs)
    word_scores = np.array(tfidf.sum(axis=0))[0]
    important_words = set(np.argsort(word_scores)[-int(len(word_scores)*keep_ratio):])
    return [d for d in dialogs if important_words.intersection(d.split())]