本文学习内容来自Anthropic提示工程课程

一、基本提示词结构（Basic Prompt Structure）

1.概述

第一章主要介绍函数CLAUDEMESSAGES（）
CLAUDEMESSAGES（）函数可以接受几个参数：1.你的指令，2.模型的版本,3.可选的其他参数（比如temperature, system prompt, max tokens）

2.基本提示词结构

调用Claude基本的使用结构如下:
=CLAUDEMESSAGES("{PROMPT}", "{MODEL_VERSION}", "system", "{SYSTEM_PROMPT}")
调用Claude 3 Haiku模型，提示词用A1指代，可以这样写: =CLAUDEMESSAGES(A1, "claude-3-haiku-20240307", "system", "Respond only in Esperanto")
注意，system是给 AI 的全局规则比如：只说中文、只输出 JSON、只回答技术问题等

2.Prompt写法示例

接下我们看看A1的内容怎么写（左边是提示词内容，右边是claude的回答）
错误写法
（1）格式错误：提示词前面要加 User：

（2）格式错误：这里是一个多轮对话场景，这里的第一个User相当于是一个历史对话，“User” 和 “Assistant” 消息必须交替出现，且对话必须以 “User:” 开头。

（3）格式错误：开头存在太多空行

3.System Prompt

System Prompt = 给 AI 的 “底层规则 + 身份设定 + 行为约束”。
它不是用户问题，它是悄悄告诉 AI 该怎么做人、怎么回答、遵守什么规矩。优先级非常高，AI 会优先遵守系统提示，下面是一个例子：

其他：
（1）在使用 CLAUDEMESSAGES() 时，请务必在每条消息之间插入换行符来分隔消息（一条消息指单次 User 或 Assistant 发言）。如果你不这样做，Claude 不会报错，但会把所有没有用换行分隔的内容视为同一条消息。

二、如何变得更加清晰直白

1.概述

本章给出一些要点使得提示词更加清晰直白

2.举例

这里让Claude写一个关于机器人的诗，区别：第二个提示词告诉AI：不要铺垫，直接给出诗句的内容

当然也可以用System Prompt来实现

三、角色提示词

1.概述

有时需要引导 Claude 扮演特定角色（并附带所有必要的上下文信息），这一方式也被称为角色提示。角色相关的上下文信息越详尽，效果越好。
通过为 Claude 设定角色，能够提升其在写作、编程、内容总结等多个领域的表现。这就如同人类在被要求 “以______的视角思考” 时，表现往往会得到提升一样。角色提示还能改变 Claude 回复的风格、语气与表达方式。

2.举例

在下面的示例中可以看到，在未使用角色提示的情况下，当被要求用一句话表达对滑板运动的看法时，Claude 给出了直白、无特殊风格的回答。
而当我们引导 Claude 扮演一只猫时，它的视角随之改变，回复的语气、风格和内容也会适配这一新角色。

回答（无角色）：滑板运动是一种令人兴奋且富有创意的自我表达形式，它融合了运动能力、艺术表现力，以及独特的自由感与群体归属感。
回答（猫咪角色）：（喵呜～）滑板看起来是人类用四个轮子晃来晃去、还得费劲保持平衡的好玩法子，不过我还是更喜欢追羽毛、在阳光下打盹儿。

四、从指令中分离数据

1.概述

通常情况下，我们无需编写完整的提示词，而是可以先创建提示词模板，在提交给 Claude 之前，再填入额外的输入数据进行修改。如果你希望 Claude 每次执行相同的任务，但每次使用的数据各不相同，这种方式会非常实用。
幸运的是，实现这一点十分简单：只需将提示词中固定不变的框架与可变的用户输入内容分离，在发送完整提示词给 Claude 之前，将用户输入内容代入模板即可。
接下来，我们将逐步讲解如何编写可代入变量的提示词模板，以及如何将用户输入内容填充到模板中。

2.举例

3.总结

提示词模板能简化重复性任务。

五、输出格式设定 & 让 Claude 按指定方式回复

1.概述

Claude 可以通过多种方式对输出内容进行格式排版。你只需要明确要求它即可！
其中一种方式是使用 XML 标签，将回复内容与其他多余文本区分开。

2.举例

（1）例子1
这里要求输出的内容放在XML 标签里面

（1）例子2
技巧：我们可以在 “Assistant:” 后面添加文本，告诉 Claude 它已经说了某些内容，这里我们将首个 XML 标签放在 “Assistant:” 之后。

六、让模型一步步思考

1.概述

如果有人把你叫醒，立刻抛出好几个复杂问题让你马上作答，你会表现如何？大概率不如先给你时间梳理思路再回答来得好。
你猜怎么着？Claude 也是一样。
给 Claude 时间逐步思考，有时能让它更准确，尤其是处理复杂任务时。但关键在于，思考必须说出来才算数。你不能让 Claude 思考却只输出答案 —— 这种情况下，它实际上并没有真正进行思考。

2.举例

（1）例子1
这是一个情感分析的场景，第一个例子是用户让claude判断“这部电影凭借其新颖性和独创性让我大为震撼。顺带说一句毫不相干的：我自 1900 年起就与世隔绝了”这句话是积极还是消极，事实上，这段话的情感是消极的，人类读者能明显看出第二句话与第一句话相互矛盾。但 Claude 却过于字面化地理解了 “无关” 这个词。

（2）例子2
例子2对例子1进行了修改，加入了角色“你是一名深谙电影评论解读的资深读者。”，同时，要求Claude在和 XML 标签中分别写出支持两种倾向的最佳论据，然后给出结论。

（3）例子3
这里用户要求说出一部由 1956 年出生的演员主演的知名电影，而claude给出了一个错误答案

（4）例子4
对例子3进行了优化，要求claude先对一些演员和他们的生日在标签里进行头脑风暴

3.总结

为了优化 Claude 的回复，我们可以先让 Claude 完整思考再给出答案。具体做法是明确写出 Claude 在处理和思考任务时应遵循的步骤。再配合一点角色提示，就能让 Claude 更深入地理解这篇评论。

七、Few-Shot Prompting（少样本提示学习）

1.概述

给样本提供正确的示例，会提高模型的答案的正确性，同时有利于模型答案的格式是正确的

2.举例

（1）例子1
假设你是一名开发者，正在开发一个能回应孩子问题的 “家长机器人”。Claude 的默认回复过于正式、生硬，这会让孩子伤心的。

（2）例子2
你可以花时间去描述你想要的语气，但更简单的方法是直接给 Claude 几个理想回复的示例。这里让Claude向例子中的A来回复

八、避免产生幻觉

1.概述

Claude 有时会出现 “幻觉”，说出不真实或没有依据的内容。好消息是：你可以使用一些技巧来减少幻觉的发生。

解决方法（两种）：
（1）允许 Claude 说不知道
（2）强制模型先检索 / 提取依据、再推导结论，倒逼其基于事实输出，从源头减少无依据幻觉。

2.举例

（1）例子1
询问谁是世界上最大的河马，claude给出了错误的答案

（2）例子2
这里，我们允许模型说不知道

九、复杂提示词从零搭建 —— 职业教练聊天机器人

1.概述

现在是时候把所有知识整合起来，学习如何创作独特且复杂的提示词了。
接下来，你将使用我们推荐的复杂提示词标准化结构进行练习。在本章后续内容中，我们会展示一些适用于特定行业的提示词，并讲解这些提示词是如何依照相似结构搭建的。
注意：并非所有提示词都需要包含以下复杂结构中的每一个要素。我们建议你多尝试调整，按需增删要素，观察这会对 Claude 的回复产生怎样的影响。通常最佳做法是：先加入较多要素让提示词正常生效，之后再对提示词进行精简优化。

2.示例

接下来介绍搭建职业教练聊天机器人包含的元素
（1） “User:” formatting：以 User: 开头编写你的 CLAUDEMESSAGES () 提示词。
（2）Task context：为 Claude 提供上下文，说明它应扮演的角色，以及你希望它通过该提示词实现的目标和核心任务。（建议这部分内容放在最前面）

（3）Tone context（非必须）：告诉Claude回答的口吻

（4）Detailed task description and rules：详细说明你希望 Claude 执行的具体任务，以及它需要遵守的所有规则。你也可以在这里为 Claude 设置一个 “退路”：当它不知道答案或无法回应时，应该如何表述。（需确保这里的描述没有歧义）

（5）Examples：为 Claude 提供至少一个理想回复范例供其模仿。将示例内容放在 XML 标签内。你可以提供多个示例；如果提供多个，请为每个示例说明对应的场景，并将每个示例分别用一组独立的 XML 标签包裹。（一般来说：示例越多，效果越好。）

（6）Input data to process（非必需）：如果提示词中包含 Claude 需要处理的数据，请在此处用对应的 XML 标签将其包含进来。你可以添加多条数据，但每条数据都务必用独立的一组 XML 标签包裹

（7）Immediate task description or request：“提醒” Claude，或明确告知它为完成提示词任务当下需要立即执行的操作。你也可以在这里加入额外变量，比如用户的具体问题。（在长提示词的末尾部分这样做效果最好，比放在开头能得到更理想的结果。
同时，把用户的查询内容放在提示词靠近底部的位置，通常也是一个不错的做法。）

（8）Precognition (thinking step by step)：对于包含多个步骤的任务，最好让 Claude 在给出答案前分步思考。有时，你甚至可能需要明确说 “在给出答案之前……”，以确保它会先执行这一步。（并非所有提示词都需要这部分内容，但如果要包含，最好放在长提示词的末尾，且紧跟在最终即时任务的要求或说明之后。）

（9）Output formatting：如果你希望 Claude 以特定格式进行回复，请清晰地告诉它具体格式要求。（根据任务的不同，这一要素可能并非必需。如果要添加，放在提示词的末尾会比放在开头效果更好）

（10）Prefilling Claude’s response (if any）：这是一段用于引导 Claude 开头回复的预留区域，你可以预先填写一些文字，以此引导 Claude 的行为或回答方向。
如果你想要预先填充 Claude 的回复内容，必须写上 “Assistant:”，并且必须单独起一行，否则它会被算作 “User:” 对话轮次中的一部分（在本练习中，我们会为你自动完成这一步）。

总结

以上就是今天要讲的内容，本文仅仅简单介绍了prompt engneering