2026年提示工程最佳实践 | Claude by Anthropic
译文 AI 逐段翻译
2026年提示工程最佳实践
使用Claude团队提供的提示工程技术，获得更佳的AI结果。
- 类别代理
- 产品Claude应用
- 日期2025年11月10日
- 阅读时间5分钟
- 分享复制链接https://claude.com/blog/best-practices-for-prompt-engineering
什么是提示工程？
提示工程是一种构建指令以从AI模型获得更佳输出的技巧。它涉及如何措辞查询、指定风格、提供上下文以及引导模型行为以实现目标。
模糊指令与精心设计的提示之间的差异，可能意味着通用输出与你确切需求之间的差距。结构欠佳的提示可能需要多次来回交流以澄清意图，而精心设计的提示则能一次到位。
它也是上下文工程的基本构建块，而上下文工程已成为处理大型语言模型时日益重要的一部分。结构欠佳的提示可能需要多次来回交流以澄清意图，而精心设计的提示则能一次到位。然而，提示正在与Claude 5代模型的上下文工程融合——更少的脚手架，更多的策划。
为帮助您入门，我们汇集了团队的一些最佳实践，包括旨在立即改善您结果的实用方法。我们将从您现在可以使用的简单习惯开始，然后逐步升级到适用于复杂项目的高级方法。
如何使用提示工程
在最基本的层面上，提示工程就是修改您传递给LLM的查询。通常，它只是在提出实际请求之前向查询添加信息——但知道哪些信息是正确的信息，才是设计出卓越有效提示的秘诀。
核心技巧
这些提示工程技术构成了有效AI交互的基础。持续使用它们，您将立即看到响应质量的提升。
明确清晰
现代AI模型对清晰、明确的指令反应特别好。不要假设模型会推断出您想要什么——直接陈述。使用简单的语言，准确无误地说明您想要什么。
关键原则：告诉模型您确切想要看到什么。如果您想要全面的输出，就明确要求。如果您想要特定功能，就列出它们。像Claude这样的现代模型尤其受益于明确的指示。
示例：创建分析仪表板
模糊：“创建一个分析仪表板”
明确：“创建一个分析仪表板。尽可能包含相关的功能和交互。超越基础，打造一个功能齐全的实现。”
第二个版本明确要求全面的功能，并表明您希望模型超越最低要求。
最佳实践：
- 使用直接的动作动词开头：“写”、“分析”、“生成”、“创建”
- 跳过开场白，直接提出请求
- 说明您希望输出包含什么，而不仅仅是需要处理什么
- 明确说明质量和深度的期望
提供背景和动机
解释为什么某事很重要，有助于AI模型更好地理解您的目标并提供更具针对性的响应。这对于能够推理您潜在目标的新模型尤其有效。
示例：格式偏好
效果较差：“永远不要使用项目符号”
效果更好：“我更喜欢自然段落形式的回答，而不是项目符号，因为我觉得流畅的散文更容易阅读，更口语化。对我来说，项目符号对于我随意的学习风格来说太正式、太列表化了。”
第二个版本帮助模型理解规则背后的推理，这使其能够更好地决定相关的格式选择。
何时提供上下文：
- 解释输出的目的或受众
- 阐明某些约束存在的原因
- 描述输出的使用方式
- 表明您尝试解决的问题
具体明确
在提示工程中，具体意味着用明确的指导和需求来构建您的指令。您对需求越具体，结果就越好。
示例：餐食计划
模糊：“为地中海饮食创建一份餐食计划”
具体：“为糖尿病前期管理设计一份地中海饮食餐食计划。每天1800卡路里，强调低升糖食物。列出早餐、午餐、晚餐和一份零食，并提供完整的营养分解。”
什么使提示足够具体？
包括：
- 明确的约束（字数、格式、时间线）
- 相关上下文（受众是谁，目标是什么）
- 期望的输出结构（表格、列表、段落）
- 任何要求或限制（饮食需求、预算限制、技术约束）
使用示例
示例并非总是必要，但在解释概念或演示特定格式时非常有用。也称为一次性或少量示例提示，示例通过展示而非告知来阐明难以仅通过描述表达的细微要求。
现代模型的重要说明：Claude 4.x及类似的高级模型非常关注示例中的细节。确保您的示例与您想鼓励的行为一致，并尽量减少任何您想避免的模式。
示例：文章摘要
无示例：“总结这篇文章”
Here's an example of the summary style I want:
Article: [link to article about AI regulation]
Summary: EU passes comprehensive AI Act targeting high-risk systems. Key provisions include transparency requirements and human oversight mandates. Takes effect 2026.
Now summarize this article in the same style: [link to your new article]何时使用示例：
- 期望的格式更易于展示而非描述
- 您需要特定的语气或风格
- 任务涉及细微的模式或惯例
- 简单指令未能产生一致的结果
专业提示：从一个示例开始（一次性）。只有当输出仍不符合需求时，再添加更多示例（少量示例）。
允许Claude表达不确定性
明确允许AI表达不确定性而不是猜测。这减少了幻觉并提高了可靠性。
示例：“分析这些财务数据并识别趋势。如果数据不足以得出结论，请直接说明，而不是推测。”
这一简单的补充通过让模型承认自身局限，使得回复更加可信。
尝试在Claude中使用这些。
高级提示工程技巧
这些核心习惯能让你走得很远，但你仍可能遇到需要更复杂方法的情况。高级提示工程技巧在构建智能体解决方案、处理复杂数据结构或需要分解多阶段问题时尤为突出。
预填充AI的回复
预填充允许你为AI的回复开头，从而引导格式、语气或结构。这项技术对于强制输出格式或跳过开场白尤其有效。
何时使用预填充：
- 你需要AI输出JSON、XML或其他结构化格式
- 你想跳过对话式开场白，直接进入内容
- 你需要保持特定的语气或角色
- 你想控制AI如何开始其回复
示例：强制JSON输出
没有预填充，Claude可能会说：“这是你要求的JSON：{...}”
使用预填充（API用法）：
messages=[
{"role": "user", "content": "Extract the name and price from this product description into JSON."},
{"role": "assistant", "content": "{"}
]AI将从左花括号继续，只输出有效的JSON。
注意：在聊天界面中，你可以通过非常明确的指示来近似实现：“只输出有效的JSON，不要任何开场白。以左花括号开始你的回复。”
思维链提示
思维链（CoT）提示涉及在回答前请求逐步推理。这种技巧有助于处理受益于结构化思维的复杂分析任务。
现代方法：Claude提供一项扩展思维功能，可自动化结构化推理。在可用时，扩展思维通常比手动思维链提示更可取。然而，在扩展思维不可用或需要可审查的透明推理时，理解手动CoT仍然有价值。
何时使用思维链：
- 扩展思维不可用（例如免费的Claude.ai计划）
- 你需要可以审查的透明推理
- 任务需要多个分析步骤
- 你想确保AI考虑特定因素
思维链有三种常见实现方式：
基本思维链
简单地在指令中添加“一步步思考”。
Draft personalized emails to donors asking for contributions to this year's Care for Kids program.
Program information:
<program>
{{PROGRAM_DETAILS}}
</program>
Donor information:
<donor>
{{DONOR_DETAILS}}
</donor>
Think step-by-step before you write the email.引导式思维链
构建你的提示，以提供特定的推理阶段。
Think before you write the email. First, think through what messaging might appeal to this donor given their donation history. Then, consider which aspects of the Care for Kids program would resonate with them. Finally, write the personalized donor email using your analysis.结构化思维链
使用标签将推理与最终答案分开。
Think before you write the email in <thinking> tags. First, analyze what messaging would appeal to this donor. Then, identify relevant program aspects. Finally, write the personalized donor email in <email> tags, using your analysis.注意：即使扩展思维可用，对于复杂任务，显式CoT提示仍然有益。这两种方法是互补的，而非互斥。
控制输出格式
对于现代AI模型，有几种有效的方法来控制响应格式：
1. 告诉AI该做什么而不是不该做什么
不要这样说：“不要在回复中使用Markdown。”请尝试：“你的回复应该由流畅的散文段落组成。”
2. 使你的提示风格与期望的输出相匹配
提示中使用的格式风格可能会影响AI的回答风格。如果你想要最少的Markdown，减少提示中的Markdown。
3. 明确表达格式偏好
要详细控制格式：
When writing reports or analyses, write in clear, flowing prose using complete paragraphs. Use standard paragraph breaks for organization. Reserve markdown primarily for inline code, code blocks, and simple headings.
DO NOT use ordered lists or unordered lists unless you're presenting truly discrete items where a list format is the best option, or the user explicitly requests a list.
Instead of listing items with bullets, incorporate them naturally into sentences. Your goal is readable, flowing text that guides the reader naturally through ideas.提示链
与之前的技巧不同，提示链不能在单个提示中实现。链式分解将复杂任务分解为更小的顺序步骤，每个步骤使用单独的提示。每个提示处理一个阶段，输出馈入下一个指令。
这种方法通过使每个单独的任务更容易，以延迟换取更高的准确性。通常，这种技术会通过工作流或编程方式实现，但你也可以在收到响应后手动提供提示。
示例：研究摘要
- 第一个提示：“总结这篇医学论文，涵盖方法、发现和临床意义。”
- 第二个提示：“审查上面的摘要，检查准确性、清晰度和完整性。提供分级反馈。”
- 第三个提示：“根据此反馈改进摘要：[第2步的反馈]”
每个阶段通过集中的指导增加改进。
何时使用提示链：
- 你有复杂请求需要分解为步骤
- 你需要迭代优化
- 你在进行多阶段分析
- 中间验证增加价值
- 单个提示产生不一致的结果
权衡：链式增加延迟（多次API调用）但通常能显著提高复杂任务的准确性和可靠性。
你或许听说过的技巧
一些在早期AI模型中流行的提示工程技巧，对于像Claude这样的模型，需求减少了。然而，你仍可能在旧文档中遇到它们，或者在特定情况下发现它们有用。
用于结构的XML标签
XML标签曾是一种推荐的方式，用于为提示增加结构和清晰度，尤其是在包含大量数据时。虽然现代模型在没有XML标签的情况下能更好地理解结构，但在特定情况下它们仍然有用。
示例：
<athlete_information>
- Height: 6'2"
- Weight: 180 lbs
- Goal: Build muscle
- Dietary restrictions: Vegetarian
</athlete_information>
Generate a meal plan based on the athlete information above.XML标签可能仍然有帮助的情况：
- 你正在处理混合多种内容类型的极其复杂的提示
- 你需要对内容边界绝对确定
- 你正在使用较旧版本的模型
现代替代方案：对于大多数用例，清晰的标题、空白和明确的语言（“使用下面的运动员信息...”）效果同样好，且开销更少。
角色提示
角色提示在提问时定义专家角色和视角。虽然这可能有效，但现代模型已经足够复杂，过度的角色提示往往不必要。
示例：“你是一名财务顾问。分析这个投资组合...”
重要注意事项：不要过度限制角色。“你是一个乐于助人的助手”通常比“你是一位世界知名的专家，只讲技术术语，从不犯错”更好。过于具体的角色可能会限制AI的实用性。
角色提示可能有帮助的情况：
- 你需要在许多输出中保持一致的语气
- 你正在构建需要特定角色的应用程序
- 对于复杂主题，你需要领域专业知识的框架
现代替代方案：通常，明确说明你想要的角度更有效：“分析这个投资组合，重点关注风险承受能力和长期增长潜力”，而不是分配角色。
试试 在 Claude 中。
综合运用
你已经在孤立的情况下看到了各种技巧，但它们的真正威力在于你战略性地组合它们时。提示工程的艺术不是使用所有可用的技巧，而是为你的特定需求选择正确的组合。
组合多种技巧的示例：
xtractkeyfinancialmetricsfromthisquarterlyreportandpresenttheminJSONformat.
Ineedthisdataforautomatedprocessing, soit'scriticalthatyourresponsecontainsONLYvalidJSONwithnopreambleorexplanation.
Usethisstructure:
{
"revenue": "valuewithunits",
"profit_margin": "percentage",
"growth_rate": "percentage"
}
Ifanymetricisnotclearlystatedinthereport, usenullratherthanguessing.
Beginyourresponsewithanopeningbrace: {这个提示结合了：
- 明确指示（要提取的确切内容）
- 上下文（为什么格式重要）
- 示例结构（展示格式）
- 允许表达不确定性（如果不确定，使用 null）
- 格式控制（以左大括号开头）
选择正确的技巧
不是每个提示都需要每种技巧。这里有一个决策框架：
从这里开始：
- 你的请求清晰明确吗？如果不清晰，先处理清晰度
- 任务简单吗？仅使用核心技巧（具体、清晰、提供上下文）
- 任务需要特定的格式吗？使用示例或预填充
- 任务复杂吗？考虑分解（链接）
- 需要推理吗？使用扩展思维（如果可用）或思维链
技巧选择指南：
| 如果你需要... | 使用... |
|---|---|
| 特定的输出格式 | 示例、预填充或明确的格式指示 |
| 逐步推理 | 扩展思维（Claude 4.x）或思维链 |
| 复杂的多阶段任务 | 提示链接 |
| 透明的推理 | 带结构化输出的思维链 |
| 防止幻觉 | 允许说“我不知道” |
排查常见提示问题
即使是善意的提示也可能产生意外结果。以下是常见问题及解决方法：
- 问题：回复过于笼统 → 解决方案：增加具体性、示例，或明确要求全面的输出。让 AI “超越基础”。
- 问题：回复偏离主题或没有抓住要点 → 解决方案：更明确地说明你的实际目标。提供你提问的原因背景。
- 问题：回复格式不一致 → 解决方案：添加示例（少样本）或使用预填充来控制回复的开头。
- 问题：任务过于复杂，结果不可靠 → 解决方案：分解为多个提示（链接）。每个提示应该做好一件事。
- 问题：AI 包含不必要的开场白 → 解决方案：使用预填充或明确要求：“跳过开场白，直接回答。”
- 问题：AI 编造信息 → 解决方案：明确允许在不确定时说“我不知道”。
- 问题：AI 建议更改，而你希望实施 → 解决方案：明确行动：“修改这个函数”而不是“你能建议修改吗？”
专业建议：从简单开始，只有需要时才增加复杂性。测试每个添加项，看看它是否真的改善了结果。
要避免的常见错误
学习这些常见陷阱，以节省时间并改进你的提示：
- 不要过度设计：更长、更复杂的提示不一定更好。
- 不要忽视基础：如果你的核心提示不清晰或含糊，高级技巧也无济于事。
- 不要假设 AI 能读心：具体说明你想要什么。含糊不清会给 AI 留下误解的空间。
- 不要同时使用所有技巧：选择针对你特定挑战的技巧。
- 不要忘记迭代：第一次提示很少能完美工作。测试并改进。
- 不要依赖过时的技巧：对于现代模型，XML 标签和大量角色提示不太必要。从明确、清晰的指示开始。
提示工程考量
处理长内容
实施高级提示工程的挑战之一是，它通过额外 token 使用增加了上下文开销。示例、多个提示、详细指示都会消耗 token，而上下文管理本身就是一项技能。
记住，在提示工程技术合理且值得使用时使用它们。有关有效管理上下文的全面指导，请查看我们关于 上下文工程 的博客文章。
上下文感知改进：现代 AI 模型，包括 Claude 4.x，显著改善了上下文感知能力，有助于解决历史性的“中间迷失”问题，即模型难以平等关注长上下文的所有部分。
为什么任务拆分仍然有帮助：即使有这些改进，将大任务拆分为更小的独立块仍然是一项有价值的技巧——不是由于上下文限制，而是因为它帮助模型在非常具体的要求和范围内专注于做最好的工作。边界清晰、重点明确的任务始终比在单个提示中尝试多个目标产生更高质量的结果。
策略：处理长上下文时，清晰地组织信息，将最关键细节放在开头或结尾。处理复杂任务时，考虑将它们分解为聚焦的子任务是否会提高每个组件的质量和可靠性。
提示工程示例：好的提示长什么样
提示工程是一项技能，需要多次尝试才能掌握。唯一知道你是否做对的方法是测试并观察。第一步就是自己尝试。你会立刻看到使用和不使用我们这里介绍的技巧的查询之间的差异。
要真正磨练你的提示工程技巧，你需要客观地衡量提示的有效性。好消息是，这正是我们在 anthropic.skilljar.com 上的提示工程课程中涵盖的内容。
快速评估技巧：
- 输出是否匹配你的具体需求？
- 你是一次成功还是需要多次迭代？
- 格式在多次尝试中是否一致？
- 你是否避免了上面列出的常见错误？
最后的建议
提示工程归根结底是沟通：说一种能帮助AI最清晰理解你意图的语言。从本指南前面介绍的核心技术开始。持续使用它们，直到成为第二天性。只有在解决特定问题时，才加入高级技术。
记住：最好的提示不是最长或最复杂的。而是以最少的必要结构可靠地实现你目标的那一个。随着你练习，你会培养出一种直觉，知道哪种技术适合哪种情况。
对于你希望应用于每次会话而不是每次提示的指令，将它们移到CLAUDE.md 文件、技能或其他引导方法中。然而，向上下文工程的转变并不会削弱提示工程的重要性。
事实上，提示工程是上下文工程中的一个基本构建块。每个精心设计的提示都成为塑造AI行为的更大上下文的一部分，与对话历史、附加文件和系统指令一起工作，以产生更好的结果。
立即开始提示使用Claude。
其他资源
未找到项目。
0/5
电子书
常见问题
未找到项目。
立即开始提示使用Claude。
相关文章
探索更多产品新闻和关于使用Claude构建团队的最佳实践。
2026年8月6日
Millennium和Anthropic正在使用Claude构建数字风险分析师
企业AI
Millennium和Anthropic正在使用Claude构建数字风险分析师
Millennium和Anthropic正在使用Claude构建数字风险分析师
2026年7月24日
Claude模型解析：为你的用例选择最佳模型
企业AI
2026年7月24日
Claude 5代模型上下文工程的新规则
Claude Code
2026年7月21日
Anthropic如何保障其AI原生软件开发生命周期
Claude Code
使用Claude改变你组织的运营方式
查看定价
联系销售
获取开发者通讯
产品更新、操作指南、社区亮点等。每月发送到你的收件箱。
谢谢！你已订阅。
抱歉，提交时出现问题，请稍后再试。