Anthropic《提示词工程 101》

前言

我们认为，熟练使用提示词是高效运用 AI 的关键。Anthropic 出品的提示词工程教程（包括视频和文档），质量都很高。今后，我们工作室也会继续整理优质的视频资源，分享给大家。

本文是对 Anthropic 官方教程《Prompting 101》，视频展示了的高阶 Prompt 工程方法的理解。 视频通过一个为瑞典保险公司分析交通事故报告的真实案例，展示了如何将一个初始 Prompt 通过系统性迭代，优化为一个精准、可靠的生产级 Prompt。

案例背景

•任务目标: 自动化分析保险理赔材料，判断事故责任。•输入材料:

1.事故报告表 (Form): 一份包含 17 个复选框的标准化表格图像。2.事故草图 (Sketch): 一份手绘的事故发生过程示意图。

一、 起点：简单 Prompt 的局限性

视频首先展示了一个基础尝试，即直接向模型提供两张图片，并附上一个简单的指令：

"请审查这份事故报告，并判断谁是过错方。"

•结果: 模型将场景误判为“滑雪事故”。•结论: 这个结果直接暴露了缺乏明确上下文的风险。模型在信息不足时会进行猜测，导致事实性错误。这证明了提供显式、结构化的指令是 Prompt 工程的必要前提。

二、 核心框架：Anthropic 推荐的 Prompt 结构

为确保模型能够稳定、准确地执行任务，Anthropic 推荐采用一种分层、结构化的 Prompt 范式。一个完整的 Prompt 应按顺序包含以下模块：

1.角色与任务描述 (Role & Task): 为模型设定身份和总体目标。2.上下文/数据 (Context/Data): 提供完成任务所需的动态内容，例如本案例中的用户图片。对于固定不变的背景知识，应使用 系统提示 (System Prompt)。3.详细指令 (Detailed Instructions): 提供清晰的、分步骤的思考和操作指南。4.示例 (Examples / Few-shot): （可选）提供一或多个“输入-理想输出”的范例，用于处理复杂或模糊的边界情况。5.输出格式要求 (Output Format): 明确指定输出的结构，如 JSON 或 XML。6.关键点提醒 (Reminder): 在 Prompt 的最后，重申最关键的约束条件。

三、 实践路径：Prompt 的分步构建与优化

视频通过 V1 到 V5 的版本迭代，展示了如何应用上述框架逐步完善 Prompt。

第 1 步：设定任务上下文与基调 (V2)

•目标: 解决场景误判问题，并建立行为准则。•具体操作:

•明确任务: 在 Prompt 中加入说明：“你是一个 AI 系统，旨在协助理赔员处理瑞典语的汽车事故报告。”•定义语调: 要求模型必须保持事实性，并且“如果你不完全自信，就不要做出评估”。

第 2 步：注入领域知识 (V3 - 使用 System Prompt)

•目标: 让模型理解标准化的事故报告表，无需每次都从零开始解析。•具体操作:

•利用 系统提示 (System Prompt) 植入关于表格的静态知识。这是一个存放不随单次请求而改变的背景信息的理想位置，也有利于利用缓存（Prompt Caching）提升性能。•知识内容:

•表格的官方名称、结构（车辆 A/B 两列）。•对 17 个复选框每一项的具体含义进行文字说明。•关于用户填写习惯的提示（标记可能是潦草的 X、圆圈等）。

第 3 步：引导推理顺序 (V4)

•目标: 确保模型的分析逻辑符合最佳实践（先易后难，先结构化后非结构化）。•具体操作:

•在 Prompt 中加入一个清晰的、分步骤的任务清单。

1.第一步：仔细检查表格。通读表格，列出所有被勾选的项目。2.第二步：分析草图。在已获取表格信息的基础上，解读手绘草图。3.第三步：综合评估。结合两方面信息，做出最终结论。

第 4 步：规范化输出格式 (V5)

•目标: 使模型的输出结果能够被下游的自动化系统直接解析和使用。•具体操作:

•在 Prompt 的最后加入明确的格式指令：“请将你的最终裁决用 <final_verdict> XML 标签包裹起来。”

<final_verdict>  基于对表格和草图的综合分析，车辆B应承担事故责任。</final_verdict>

四、 其他关键技术点补充

视频中还提到了几种在实际应用中非常有价值的高阶技巧：

•少样本示例 (Few-Shot Examples): 在系统提示中提供几个完整的“输入（含图像）-理想分析输出”的例子。这对于处理特别棘手或模糊的边界案例非常有效，能强力“校准”模型的判断标准。•预填充响应 (Pre-filled Response): 在 API 调用时，可以通过在助手的回答区域预先填入部分内容（如一个左花括号{），来强制模型以特定格式（如 JSON）开始生成，确保输出的结构化。•扩展思考 (Extended Thinking / Scratchpad): Claude 模型拥有一个内部“思考”区。通过特定设置启用它，可以观察到模型在生成最终答案前的详细推理过程（即 Scratchpad）。分析这个过程是调试和优化复杂 Prompt 的强大工具，可以洞察模型的“思路”，从而针对性地改进指令。

总结

Anthropic 的《Prompting 101》教程通过一个具体案例，系统性地展示了构建高效、可靠 Prompt 的核心原则：

1.结构化优于模糊化: 采用分层、清晰的结构来组织 Prompt。2.指令必须明确: 清晰定义模型的角色、任务、上下文、步骤和输出格式。3.善用 System Prompt: 将静态背景知识放入系统提示，以提升效率和准确性。4.引导思维过程: 指导模型按逻辑顺序进行分析，使其决策过程更透明、更可靠。5.迭代与测试: 将 Prompt 工程视为一个持续优化的过程，通过分析输出（尤其是失败案例）来不断改进。

EOF