构建高效的提示词是一个不断测试、反馈和优化的迭代过程。
提示词（Promt）是我们和大语言模型（LLM）沟通的方式，有效的提示词工程能明显提升模型输出的质量。
网上有很多“邪修”提示词的方法，比如 PUA 大模型。本文想从“正统”的角度（基于 Claude 官方文档），尝试回答两个关键问题：为什么需要学习提示词工程？有什么推荐的实用方法？
可能有人会说，现在都流行“上下文工程”，提示词已经过时了。但如果你再了解一下就会发现，上下文中很重要的一部分，依然是提示词/指令。只要我们和大模型交互，就绕不开提示词。最近很火的“代理（Agent）”，本质上也是一个能调用工具的大模型——其核心能力，依然建立在清晰的指令与上下文理解之上。
那为什么要优先考虑提示词工程，而不是微调？主要因为快、省。微调一般需要几天时间，还需要大量特定任务的数据。但提示词工程恰恰相反：可以立刻生成结果，并通过调整文字快速优化输出。如果用这样几乎零成本的方式就能达到预期效果，为什么还要选择费时费力的微调？除了显得高级之外，可能就没有别的用处了（
Claude 团队分享了在一个车祸报告分析的案例中，初始提示词导致模型错误地将事件判断为“滑雪事故”。然后通过四次迭代优化，模型最终能够正确识别为“汽车事故”，并准确判定责任方。
没有谁能一次写出保证生成完美答案的提示词，我们也不能总是依赖在网上搜索所谓“神级提示词”，而不去思考背后的结构逻辑。
提示词工程最核心的思想是迭代。通过不断优化提示词，逐步逼近预期目标，确保模型输出准确可靠的结果。
迭代 = 定义成功标准 + 控制变量 + 评估测试
1. 定义成功标准
首先要明确“什么样的输出是成功的”。只有这样，我们才知道当前输出存在什么不足、提示词需要往哪个方向改进、迭代到哪一版可以发布。当然不同类型的任务需要制定不同的标准，这里就不细说了（以后再展开讲讲评测）。
最重要的是：标准一定是具体的、可衡量的
- 具体：明确想要实现的输出，如“准确地完成情感分类”
- 可衡量：使用定量指标，如准确率 ≥ 95%、响应时间 ≤ 3 秒
2. 迭代的组成部分：评估测试与控制变量
A. 评估测试 (获取反馈)
在明确标准后，下一步是构建能代表真实用户场景的测试集，需要包含典型与边缘案例。然后：
对比不同版本提示词所输出的结果 -> 保留效果更好的版本 -> 持续迭代，直到模型能通过评测
B. 控制变量
每次只修改提示词中的某一处，其余部分保持不变，然后重新测试输出效果。这样能清晰判断每一次改动带来的影响。具体示例可参见下一部分的附图。
最佳实践
先上总结表格，结合后续图片可以更好理解。
1. 提示生成器（Prompt Generator）
Claude 提供了一套实用的小连招：提示词生成器、预设模板与提示词改进工具。有 Claude 账号的朋友可以体验这个流程，这里就不展开介绍了、、
2. 清晰直接（Be clear and direct）
在使用 Claude 时，可以把 TA 当作一位刚入职的员工，很聪明但是并不了解业务中的“默认规则”。因此，你提供的背景信息越清晰，输出结果就会越贴合预期。共情一下同是打工的大模型：如果你要完成这项任务，需要哪些信息？
建议从以下几方面补充说明：
- 上下文信息：任务结果将用于什么场景？目标受众是谁？最终希望实现什么目标？
- 具体操作要求：比如，仅需提出建议，还是直接生成修改后的代码？
- 步骤顺序：是否需要按特定顺序执行或输出？
模糊的提示可能导致 Claude 自行补充细节、产生冗余内容或偏离预期格式。
如何理解图中表格内容：图中红色标识内容相同部分，蓝色标示改进内容。左侧为优化前提示词，右侧为优化后提示词；上半部分为用户输入，下半部分为模型输出。
3. 使用示例（Use examples）
少样本提示（Few-Shot Prompting）能够有效提升 Claude 在需结构化输出或格式规范任务中的表现，显著增强其回答的准确性、一致性与质量。
有效的示例应满足以下条件：
- 相关性强：贴近实际应用场景
- 案例多样：包含典型及边缘案例
- 清晰标注：建议使用 标签包装示例部分
值得注意的是，如图，没有示例的情况下，Claude 并没有为每个类别列出多个选项，同时还可能生成冗长而不必要的解释。
4. 让 Claude 思考（CoT: Chain of Thought）
思维链（CoT）方法可鼓励 Claude 对复杂问题进行分步推理，适用于数学计算、多步骤分析、文档编写或含多影响因素的任务
常用引导方式包括：
- 基础提示：直接在指令中加入“逐步思考”
- 引导式提示：概述在思考过程中需遵循的具体步骤
- 结构化提示：采用如 和 等 XML 标签区分推理部分与最终答案
5. 使用XML标签（Use XML tags）
借助 XML 标签，可帮助 Claude 更精准地解析提示词结构，适用于包含多个组成部分（如上下文、指令与示例）的复杂场景。
推荐做法：
- 保持一致性：在整个提示词中使用统一的标签命名规范，并在描述内容时准确引用对应标签，如：参考标签中所定义的合同条款
- 嵌套结构：处理层次化内容时，可通过嵌套标签实现清晰结构化，如 内容
- 结合其他技术：可将 XML 标签与多样例提示（如 ）或思维链技术（如 、）结合使用，增强表达与控制
若未采用 XML 标签，Claude 可能会误解任务目标，导致输出结构混乱、语气不当，或分析内容缺乏组织性与关键细节。
6. 给 Claude 一个角色（Giving Claude a role）
通过system参数为 Claude 分配明确角色，可显著提升其在专业场景中的表现。建议将角色定义置于系统提示中、具体任务说明放在user回合中。
如未设定角色，Claude 的分析可能偏离重点，遗漏关键问题，或缺乏足够的专业深度。
7. 预填充 Claude 的回复（Prefill Claude’s response）
通过预填充 Assistant 消息，可引导 Claude 从指定内容继续生成响应。该方式适用于跳过冗余前言、强制响应遵循特定格式（如 JSON 或 XML）等场景。
例如，在 Assistant 消息中预先写入{，可强制 Claude 跳过开场内容，直接生成 JSON 对象。
8. 链式分解复杂提示（Chain complex prompts）
面对多步骤复杂任务时，可将其拆解为多个较小子任务分步执行，以避免 Claude 遗漏环节或处理错误。
建议：
识别子任务：将主任务分解为连续、独立的步骤
使用 XML 实现清晰传递：借助 XML 标签在提示步骤间结构化地传递输出内容
设定单一任务目标：每个子任务应目标明确、单一
迭代优化：根据 Claude 的实际反馈持续调整与优化步骤设计
9. 长文本技巧（Long context prompting）
长文本置顶：将长文档（约 2 万+ Token）置于提示词顶部，位于查询、指令与示例之前，可显著提升模型的理解与表现
XML 结构化封装：处理多文档时，建议使用 标签封装各文档，并利用 <document_content> 和 等子标签标注内容与来源元数据，提升可读性与解析准确性
引用辅助响应：在处理长文档任务时，先要求 Claude 引用原文中的相关段落，再基于引述执行分析或生成，有助于聚焦关键信息，排除冗余“噪音”
举例，“从患者记录和就诊历史中找出与诊断患者报告症状相关的引用。将这些引用放在标签中。然后，根据这些引用，列出所有能帮助医生诊断患者症状的信息。将您的诊断信息放在标签中。”
这些方法可能只对 Claude 有效，但万变不离其宗：清晰的结构、明确的指令和持续的迭代，才是提示词工程的通用法则。提示词不是“玄学”，掌握底层逻辑，你也能灵活设计出适用于任何模型和场景的最佳方案。
最后，可以利用图中结构作为清单，快速检查你的提示词，进行查漏补缺～
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
