Claude Code 源码分析：构建高效调用工具的提示词设计实践

1次阅读

没有评论

共计 1880 个字符，预计需要花费 5 分钟才能阅读完成。

在使用大模型进行工具调用时，开发者经常会遇到以下几个问题：

意图识别不准确：模型无法正确理解用户请求的真正意图，导致调用错误的工具或功能。
参数传递错误：模型提取的参数与工具要求的不匹配，类型错误或格式不正确。
上下文丢失：在多轮对话中，模型无法有效保持上下文，导致每次请求都需要重复信息。
错误处理不足：当工具调用失败时，模型缺乏有效的恢复机制，导致用户体验中断。

Claude Code 采用分层架构设计提示词处理流程：

输入预处理层
负责接收并标准化用户输入
提取关键信息并标记敏感内容
意图解析层
使用分类模型识别用户意图
匹配对应的工具调用流程
参数提取层
结构化参数提取
类型验证和格式转换
执行引擎层
生成最终 API 调用
处理错误和重试逻辑

对话历史压缩
使用摘要技术压缩历史对话
保留关键信息，减少 token 消耗
显式状态标记
在提示词中明确标注当前对话状态
帮助模型理解上下文
上下文分块
将长对话分成逻辑块
按需加载相关上下文

模板化参数

def generate_prompt(params):
    return f"""
    请处理以下请求：- 操作类型: {params['action']}
    - 目标对象: {params['target']}
    - 参数列表: {json.dumps(params['args'])}
    """

类型提示
在提示词中明确参数类型
提供示例值辅助理解
参数验证
在调用前验证参数有效性
提供清晰的错误反馈

分级错误响应
根据错误严重性采取不同策略
从简单重试到人工干预
错误上下文保留
在错误发生时保存完整上下文
便于问题诊断和恢复
用户友好反馈
将技术错误转换为用户可理解的语言
提供明确的解决方案

def get_weather_prompt(location, date):
    return {
        "system": "你是一个天气查询助手。请准确提取位置和时间参数。",
        "user": f"我想知道 {location} 地区在 {date} 的天气情况",
        "params": {"location": {"type": "str", "required": True},
            "date": {"type": "date", "required": False, "default": "今天"}
        }
    }

class OrderPrompt:
    def __init__(self):
        self.context = []

    def add_context(self, text):
        # 保留最近 3 条相关上下文
        self.context = [text] + self.context[:2]

    def generate(self, action, order_id=None):
        prompt = {
            "system": "你是一个电商订单处理助手。",
            "context": "\n".join(self.context),
            "action": action,
            "params": {"order_id": order_id}
        }

        if action == "查询":
            prompt["system"] += "请确认订单号格式为 10 位数字。"
        elif action == "取消":
            prompt["system"] += "需要用户确认取消原因。"

        return prompt