提示词工程（Prompt Engineering）是指通过精心设计输入给大语言模型的文本，使模型输出符合预期的技术与方法。随着GPT-4、Claude 3系列等前沿模型能力的提升，提示词工程从”玄学”逐渐演变为有迹可循的系统方法。Anthropic、OpenAI等公司均发布了详细的提示词工程指南，这里综合整理最实用的技巧。
## 基础原则：明确、具体、结构化
**明确角色（Role）**：在提示词开头设定模型角色——”你是一位有十年经验的临床试验设计专家”——帮助模型激活相关知识领域，校准输出风格和专业深度。
**具体任务描述**：避免模糊指令（”帮我写个报告”），改为具体规格（”写一份800字的竞品分析报告，包含功能对比表、优劣势分析和市场定位建议，面向非技术背景的管理层读者”）。
**结构化格式要求**：明确指定输出格式——JSON、Markdown表格、编号列表、特定XML标签——减少模型在格式上的随意性。Anthropic推荐使用XML标签组织复杂提示词结构。
## 高级技巧
**思维链（Chain-of-Thought, CoT）**：在提示词末尾加入”请一步一步思考”或”让我们逐步分析”，显著提升模型在推理、数学和逻辑任务上的表现。这对于当前推理模型（o1、Claude 3.7 Sonnet extended thinking）尤为关键。
**少样本示例（Few-shot Prompting）**：提供2-5个输入-输出示例，让模型学习期望的输出模式。对于格式高度定制的任务（如结构化数据提取）效果显著。
**负面示例（Negative Examples）**：告诉模型”不要做什么”——”不要使用营销腔调”、”不要用项目符号列表”——有时比正面指令更有效。
**思维树（Tree of Thoughts）**：让模型生成多个解决方案草案，评估每个方案，选择最优路径继续。适合需要探索性思维的复杂决策问题。
## Claude特有的提示词优化
Anthropic的提示词工程文档（docs.anthropic.com）提供了Claude专属优化技巧：使用`
参见[RAG知识库检索](https://sunqi.org/rag-knowledge-retrieval-zh/)；[AI智能体入门](https://sunqi.org/ai-agent-introduction-zh/)；[Anthropic提示词工程指南](https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview)。
