Claude官方推荐的三大提示词优化技巧！

好的提示词不能保证每次都能获得理想中的输出结果，但糟糕的提示词一定得不到符合你预期的结果。各大AI公司在帮助用户写出更高效的“提示词”，以得到更好的交互体验方面可谓费尽了心思，比如我之前写过的OpenAi。

Claude也不例外。Anthropic——推出Claude这个AI产品的公司在自己的博客中向用户推荐了3个提示词的优化技巧，总结起来分别是：分步提示以增强逻辑性，少量样本提示以提供具体示例，和提示链以分解复杂任务。

分步提示以增强逻辑性

分步提示（Step by step）是一种高效的提示工程技巧，旨在通过引导LLM模型按照一系列有序的步骤来处理问题，从而提高解决问题的逻辑性和准确性。这种方法特别适用于需要逻辑推理或多步骤解决方案的复杂问题。通过明确地指示AI分步骤地思考和回应，可以帮助模型更准确地理解问题的本质，并提供更加精确和有条理的答案。

分步提示技巧详解

1. 明确步骤：在构建提示时，首先要明确解决你这个问题所需的各个步骤。这些步骤应该是连贯的，并且每一步都应该是可操作的。

2. 使用标签：在提示中使用特殊的标签（如）来标记每个步骤的开始，这样可以帮助AI识别并按照预定的顺序执行每个步骤。

3. 逐步引导：在每个步骤中，提供足够的信息和指导，确保AI能够理解并执行该步骤。如果需要，可以包括条件判断或假设，以便AI能够在给定的情境中作出合理的决策。

4. 反馈与迭代：在AI提供答案后，根据其表现进行反馈。如果结果不符合预期，可以通过调整步骤的描述或提供额外的信息来优化提示。

分步提示应用案例：

假设你需要AI来提高客户服务的效率，客户询问关于某个产品的退货政策，AI需要能够做出对应的回答。以下是一个分步提示的示例：

你是一个客户服务代表。一位客户想要了解我们的退货政策。请按照以下步骤回答客户的问题：

确认产品信息。请根据客户提供的产品名称和购买日期，查找相关的退货政策。

概述退货政策。请简洁明了地说明退货的条件，包括退货期限、产品状况要求等。

指导退货流程。请详细描述客户需要遵循的退货步骤，包括联系客服、包装产品、选择运输方式等。

提供额外帮助。询问客户是否有其他问题，或是否需要进一步的帮助来完成退货。

在这个案例中，分步提示不仅帮助AI更系统地处理客户的问题，而且通过明确的步骤和指导，确保了客户能够获得清晰、准确的退货流程指导。

少量样本提示以提供具体示例

少量样本提示（Few-shot prompting）是一种通过提供具体示例来指导LLM模型理解和执行特定任务的技巧。这种方法通过展示期望的输入和输出，帮助LLM模型快速学习并模仿所需的行为模式。少量样本提示特别适用于那些需要模型进行模式识别或适应新任务的场景，因为它能够在没有大量训练数据的情况下，有效地传达用户的意图。

少量样本提示技巧详解

1. 选择代表性样本：挑选几个具有代表性的输入和输出样本，这些样本应该能够覆盖任务的关键方面和可能的变化情况。

2. 明确示例格式：确保示例的格式清晰一致，这样模型可以更容易地理解如何将示例应用到新的输入上。

3. 提供多样化情景：在样本中包含不同的情景和变体，以便模型能够学习到任务的多样性，并提高其泛化能力。

4. 简洁明了的指导：在提示中加入简洁的指导语，明确告诉模型你希望它学习什么样的模式，并如何应用这些模式。

少量样本提示应用案例：

假设你正在使用AI来帮助自动化处理电子邮件，需要AI根据邮件内容将其分类为“紧急”、“重要”或“一般”。以下是一个少量样本提示的示例：

你是一个电子邮件分类助手。请根据以下样本学习如何将电子邮件分类：

输入：我们系统出现了严重的技术问题，需要立即解决。输出：紧急

输入：关于下周会议的日程安排，请查收附件并确认。输出：重要

输入：感谢大家的努力，祝大家周末愉快！输出：一般

现在，请将以下电子邮件内容分类：

输入：我们的项目合作伙伴希望在下周五安排一次电话会议，讨论合作事宜。

在这个案例中，通过提供三个具体的样本，AI能够学习到如何根据邮件内容的紧急性和重要性进行分类。这种少量样本提示的方法使得AI能够快速适应新任务，而不需要大量的训练数据，从而提高了效率并减少了人工干预。

提示链以分解复杂任务

提示链（Prompt chaining）是另一种实用的提示工程技术，它通过将复杂任务分解为一系列更小、更易于管理的步骤，并通过连续的提示来引导LLM模型逐步完成整个任务。这种方法特别适用于那些需要多步骤逻辑或深度思考的问题，它能够帮助模型更好地理解任务的结构，并提供更加连贯和精确的输出。

这里值得一提的是，提示链（Prompt Chaining）和分步提示（Step by Step Prompting）虽然看起来很相似，但其实是两种完全不同的提示工程技术。提示链通过连续的交互，将任务分解为多个子任务，并在每个步骤中建立上下文，形成一个链式结构，以引导模型逐步完成整个任务。这种方法适用于需要深度对话或多步骤逻辑的任务，能够提高模型的推理能力和下游任务的效果。分步提示则是将复杂问题分解为一系列简单、清晰的步骤，每个步骤都是独立的，AI在完成一步后，再根据新的提示开始下一步。这种方法适用于可以通过一系列逻辑清晰、互不依赖的步骤来解决的问题，目的是简化问题解决过程，使其更容易管理和理解。

提示链技巧详解

1. 任务分解：首先，将复杂任务分解为多个逻辑上连贯的子任务。每个子任务都应该是明确且可操作的。

2. 构建连续提示：为每个子任务设计一个提示，并确保每个新的提示都在前一个提示的基础上构建，以便模型能够在已有信息的基础上继续工作。

3. 维持上下文连贯性：在提示链中的每个步骤都要考虑到之前的上下文，确保整个对话的流畅性和连贯性。

4. 逐步细化：随着任务的进行，逐渐提供更多的细节和指导，帮助模型更深入地理解任务需求。

提示链应用案例

假设你正在使用AI来帮助分析市场研究报告，并提取关键的市场趋势和洞察。这项任务涉及到阅读理解、关键信息提取和总结。以下是一个提示链的示例：

你是一个市场分析专家。你有一份新的市场研究报告，需要从中提取关键的市场趋势和洞察。请按照以下步骤进行：

阅读并理解报告的摘要部分。请总结报告中提到的主要市场趋势。

深入分析报告中的数据和图表。请指出任何显著的市场变化或模式，并解释它们对行业的影响。

关注报告中提到的竞争动态。请列出主要竞争对手的市场策略，并评估它们对市场的潜在影响。

基于你的分析，提出几条针对我们公司的战略建议。请确保这些建议考虑到了市场趋势、竞争环境和我们公司的目标。

在这个案例中，提示链帮助AI逐步完成复杂的市场分析任务。通过将任务分解为一系列有序的步骤，并在每个步骤中提供清晰的指导和上下文信息，AI能够更有效地理解报告内容，提取关键信息，并最终提出有价值的战略建议。

总结

Claude分享的提示词优化三大技巧：

分步提示，逻辑清晰步步高，

少量样本，示例引导快又好，

提示链来，任务分解轻松搞。

本文链接：https://www.longguanghui.com/Claude/16.html

Claude试用Claude apiClaude3和GPT4Claude官网入口Claude opusOpenAIGPT-4Anthropic