本文来自于 Anthropic 组织的线下分享会，从时间上看应该是 5 月前组织的线下分享会，里面不仅有 Claude 工程和算法团队的分享，还包括 Google、Amazon、Manus 甚至是创业者和学生的分享，特别值得观看，这里把其中我认为比较优质的视频内容整理出来分享给大家。本篇文章来自于视频 Prompt 101，以下为原视频精华。

你有没有过这样的经历：想让AI帮你做点事，结果它却给出了一个让你哭笑不得的答案？别担心，你不是一个人。这恰恰说明了“提示词工程”（Prompt Engineering）的重要性。

简单来说，Prompt工程就是我们与大型语言模型（比如Claude）沟通的艺术。它不仅仅是下达一个命令，更是关于如何清晰地描述任务、提供足够的上下文、并巧妙地组织信息，从而引导AI交出我们真正想要的完美答卷。

理论听起来有点枯燥，对吧？最好的学习方式永远是亲自动手。所以，今天我们不聊空泛的概念，而是跟着Anthropic应用AI团队的专家Hannah和Christian，通过一个真实的客户案例，一步步搭建一个高质量的Prompt。

初始挑战：一张瑞典语的事故报告单

想象一下，你是一家瑞典保险公司的理赔员。每天，你都要处理大量的汽车保险索赔。今天，你手上有两份材料：

  1. 一份手填的事故报告表：上面用瑞典语写着事故发生的各种情况，勾选了一些选项。
  2. 一张手绘的事故草图：潦草地画着两辆车是怎么撞上的。

xx

我们的目标是让Claude分析这两份图像材料，搞清楚事故经过，并判断谁是责任方。听起来是个不错的自动化方案，对吧？

Round 1: 最天真的尝试——直接把图片丢给AI

大多数人刚开始可能都会这么做：把两张图片上传，然后给一个超级简单的指令，比如：

“请审查这份事故报告和草图，告诉我发生了什么，以及谁的责任。”

（示意图：简单的指令界面）

结果呢？Claude的回答让人大跌眼镜。它认为这是一起发生在瑞典一条著名商业街上的滑雪事故。

等等，滑雪？

这当然是个无辜的错误。在我们极其简单的指令里，没有给AI任何场景信息。它看到了模糊的手绘线条和表格，做出了一个不那么离谱的猜测。这个结果虽然不对，但它告诉我们一个关键道理：你不能指望AI读懂你的心思，你得把舞台先为它搭好。

Prompt工程的核心：迭代与优化

这次失败恰恰是Prompt工程的起点。它就像一门实验科学，你需要不断尝试、观察结果、然后迭代优化你的指令。我们的第一个优化目标很明确：得让Claude知道，我们处理的是车辆事故，不是什么滑雪运动。

为了做到这一点，我们需要一个更专业的Prompt结构。Anthropic的专家们推荐了一个屡试不爽的黄金结构：

  1. 设定角色和任务：告诉Claude它是什么身份，需要完成什么工作。
  2. 提供上下文/文档：给出完成任务所需的背景信息或固定文档。
  3. 动态内容：这是每次请求都会变化的部分，比如我们这次的事故报告图片。
  4. 详细步骤/指令：像写SOP一样，告诉它一步步该怎么做。
  5. 提供范例 (Few-shot)：如果可能，给一两个已完成的“标准答案”作为参考。
  6. 最后提醒和输出格式要求：在最后，再次强调关键规则，并指定你想要的输出格式。

听起来有点复杂？别急，我们一步步来拆解。

Round 2: 设定角色与基调——“你是专业的理赔助理”

在第一次失败的基础上，我们来丰富一下指令，加入“角色设定”和“基调要求”。

你是一名AI理赔助理，正在帮助人类理赔员审查瑞典的汽车事故报告。你的任务是分析提供的事故报告表（手填表格）和事故草图（手绘图）。

你的分析必须基于事实，保持自信。如果你对信息不确定，或无法看清内容，请直接说明，不要猜测。你的目标是判断事故责任方。

这次，我们明确了几个关键点：

  • 角色：AI理赔助理。
  • 领域：瑞典汽车事故。
  • 输入：手填表格和手绘图。
  • 基调：实事求是，不确定就别瞎说。

再次运行后，结果好多了！Claude准确地识别出这是一起汽车事故，还看出了A车和B车分别勾选了表格中的第1项和第12项。

但是，它最后补充道：“由于信息不足，我无法自信地判断谁是责任方。”

这是一个巨大的进步！它没有再犯“滑雪事故”那样的错误，并且严格遵守了我们“不确定就不猜测”的指令。现在的问题是，如何给它足够的信息，让它变得“确定”？

Round 3: 提供背景知识——把“说明书”喂给AI

那份瑞典事故报告表，虽然每次填写的内容不同，但表格本身的格式和每个选项的含义是固定的。这部分信息就是完美的“背景知识”，可以预先提供给Claude。

我们决定把这份“说明书”放进**系统提示（System Prompt）**里。这样，AI在处理任何请求前，就已经把这份知识内化于心了。我们还使用了XML标签（比如``）来组织信息，这能让AI更好地理解不同信息块的作用。

系统提示词（System Prompt）里大概是这样写的：

  这份表格用于记录交通事故详情。它有两列，分别代表车辆A和车辆B。表格共有17个选项，每个选项都描述了一种特定的驾驶行为或情况。

  含义是“车辆停放/停止”。
  含义是“离开停车位/开门”。
  ...
  含义是“其他情况”。

  - 这是由普通人手填的，标记可能不完美，比如用圈、涂抹代替了标准的“X”。
  - 仔细识别勾选了哪个框。

我们在用户指令（User Prompt）中保持不变，但现在Claude有了这份“说明书”撑腰。它不再需要每次都费力地去现场解读表格上每个瑞典单词的意思，而是可以直接调用这些预置知识。

再次运行，奇迹发生了！

Claude不仅准确识别了勾选的选项，还结合“说明书”理解了它们的含义。最重要的是，它自信地给出了结论：“根据表格和草图，车辆B明显是责任方。” 这和人类理赔员的判断完全一致。

（示意图：成功分析并判断责任方的结果）

迈向完美：精细化指令与格式化输出

我们已经得到了正确的答案，但这还不够。在真实的业务流程中，我们可能需要AI遵循特定的思考路径，并以固定的格式输出结果，方便后续的程序调用。

Round 4: 指导思考顺序与最终要求

我们发现，一个合理的分析顺序至关重要。就像人类理赔员一样，应该先看信息更明确的表格，建立对事故的基本认知，然后再用这份认知去解读相对模糊的草图。

于是，我们在用户指令的最后，加入了一段非常详细的步骤说明和最终提醒：


    请仔细检查事故报告表。逐一确认17个选项中，车辆A和车辆B分别勾选了哪些。把你的发现列成清单。
  
    在分析完表格后，再去检查手绘草图。结合你从表格中获得的信息来解读草图，分析事故是如何发生的。
  
    综合以上所有信息，给出一个最终的事故摘要和责任方判断。
  
  - 你的摘要必须清晰、简洁、准确。
  - 只依赖你看到的图像信息，不要自己编造细节。
  - **最后，请将你的最终结论包裹在<final_verdict> XLM 标签内。**

这一步做了三件事：

  1. 规定了思考顺序：先看表，再看图，最后总结。这被称为“思维链”（Chain of Thought）的一种引导，能显著提高复杂任务的准确性。
  2. 强化了核心原则：再次提醒它要实事求是。
  3. 指定了输出格式：要求用XML标签包裹最终结论，这样我们的后端系统就能轻松地抓取final_verdict里的内容，而忽略掉AI的其它分析过程。

运行最终版的Prompt，我们得到了一个堪称完美的输出。它不仅分析过程井井有条，最终还给出了一个干净、可供机器直接读取的结论。

更多高级技巧

在这个案例中我们没有用到，但同样强大的技巧还包括：

  • 提供范例 (Few-shot Prompting)：在系统提示词中加入几个完整的“输入-输出”范例，特别是针对那些模棱两可或容易出错的边缘案例。这能极大地校准AI的判断标准。
  • 预填充回答 (Prefill Responses)：你可以让AI的回答从一个你指定的开头起笔，比如直接以{ "fault_party": 开头，来强制它输出JSON格式。
  • 利用模型的“思考过程”：一些模型允许你查看它的“草稿纸”（Scratchpad），看看它是如何一步步推理的。这对于调试和优化你的Prompt来说，是一个宝藏功能。

总结一下

从一个啼笑皆非的“滑雪事故”，到一个能无缝集成到业务系统中的精准判断，我们见证了Prompt工程的真正威力。

这趟旅程告诉我们，与AI高效合作的秘诀在于：

  1. 别想当然：清晰地设定场景和角色。
  2. 授人以渔：提供必要的背景知识和“说明书”。
  3. 结构为王：用XML标签或Markdown等工具组织你的指令。
  4. 引导思考：告诉AI分析问题的正确步骤。
  5. 迭代，迭代，再迭代：把Prompt工程当成一门实验科学，不断优化。

下一次，当你觉得AI“不够聪明”时，不妨停下来想一想：我是不是可以写一个更好的Prompt，来解锁它的全部潜能呢？

xxx