提示工程实战课程：从基础到精通
课程说明：提示工程（Prompt Engineering）不仅是一门技术，更是一套持续优化的方法论。本课程将教您如何通过科学的迭代、结构化的表达以及样本引导，将模糊的需求转化为高质量、稳定的 AI 产出。
第一课：提示工程的本质与迭代循环
1.1 什么是提示工程？
提示工程是指通过不断改进和优化您编写的提示词，以获得更可靠、更高质量的输出。这并非一蹴而就，而是一个系统性的重构过程。
1.2 核心迭代流程
遵循以下循环，直至达到理想效果：
- 设定目标：明确提示词需要完成的具体任务。
- 编写初稿：创建最基础的版本作为基准。
- 性能评估：对照标准测试其输出效果。
- 应用优化技术：使用特定的工程方法（如 XML 标签、示例引导）进行改进。
- 再次评估：验证改动是否真正提升了分数。
第二课：构建评估流水线 (Evaluation Pipeline)
核心逻辑：在没有量化数据的情况下优化提示词就像盲目射击。我们需要“基准测试”来衡量进步。
2.1 案例设置：运动员饮食计划
假设我们要创建一个提示词，根据运动员的身高、体重、目标和饮食限制生成一日三餐建议。
2.2 生成测试数据集
系统可以自动生成测试案例，例如：
- 输入规范：身高 (cm)、体重 (kg)、目标 (增肌/减脂)、饮食禁忌。
- 数量：初期建议 2-3 个案例以加快迭代速度。
2.3 确定评估准则 (Criteria)
除了“好坏”，还需要具体的评估细项：
- 是否包含每日总热量？
- 三大营养素（碳水、蛋白质、脂肪）分布是否合理？
- 是否有精确的食物克数和进食时间？
第三课：黄金第一行：清晰与直接
核心逻辑：提示词的第一行决定了整个任务的基调。
3.1 清晰明确
避免含糊不清的叙述。
- 错误：“我想了解一下屋顶上那些亮晶晶的、利用太阳发电的板子。”
- 正确：“写三段话解释太阳能电池板的工作原理。”
3.2 直接指令
使用动作动词（写、创建、生成），而不是询问。
- 错误：“你知道关于健身的事情吗？”
- 正确：“为初学者创建一个 30 分钟的锻炼计划。”
第四课：细化需求：输出准则与处理步骤
4.1 输出质量准则 (Guidelines)
告诉 Claude 输出必须具备的素质，例如：
- 字数限制。
- 特定的结构或格式。
- 语气要求（专业、友好或幽默）。
4.2 处理步骤 (Process Steps)
对于复杂任务，引导 Claude 分步思考：
- 先头脑风暴三个有冲突的创意。
- 选出最有趣的一个。
- 为其编写大纲。
- 最后完成全文。
第五课：结构化力量：使用 XML 标签
核心逻辑：当提示词包含大量背景资料或多个变量时，Claude 可能会混淆指令和数据。
5.1 为什么要用 XML 标签？
使用 <docs></docs> 或 <my_code></my_code> 标签可以清晰地界定内容边界，防止 Claude 在解析大段文本时出现“注意力迷失”。
5.2 自定义标签名
标签名应具有描述性，例如：
<athlete_info>优于<data>。<ideal_output>用于标注示例答案。
第六课：范例的力量：提示词样本引导
核心逻辑：给 Claude 看一个完美的例子，比写五页说明书都有效。
6.1 单样本 (One-shot) 与 多样本 (Multi-shot)
- 单样本：提供一个输入/输出对，确立基础模式。
- 多样本：提供多个案例，涵盖各种边缘情况（如反讽、特殊格式要求）。
6.2 处理棘手案例（以反讽辨析为例）
单纯告诉 Claude “注意反讽”效果有限。更好的做法是给出样本：
- 输入：“哦得了吧，航班延误真是太棒了！”
- 理想输出：负面（反讽）。
6.3 从评估中提取样本
将评估过程中得分最高的（如 10 分）产出作为样本放入提示词中，相当于告诉 AI：“这就是我想要的满分答案”。
结语：课程要点复盘
- 迭代是核心：不要指望初稿即完美。
- 第一行要给力：使用直接的动作动词。
- 善用 XML：为复杂提示词建立清晰的组织结构。
- 样本胜过指令：用具体的输入/输出对展示您的标准。
© 内容基于技术文档整理 | 提示工程学习专用手册
测验题 (Quiz)
- 你想让 Claude 制定一个锻炼计划。哪种开场白的效果更好？
- [ ] A. “为初学者制定一个 30 分钟的锻炼计划”
- [ ] B. “你了解健身吗？”
- [ ] C. “我在想锻炼和健身方面的事情”
- [ ] D. “我应该做什么样的锻炼？”
- Claude 在分析社交媒体帖子时总是错过讽刺性评论。解决这个问题的最佳方法是？
- [ ] A. 让它猜测什么时候可能是讽刺
- [ ] B. 提供一些展示讽刺帖子被标记为负面的示例
- [ ] C. 告诉它“对讽刺要更小心一点”
- [ ] D. 增加更多指令让提示词变得更长
- 什么是提示工程 (Prompt Engineering)？
- [ ] A. 在新数据集上训练 AI 模型
- [ ] B. 通过改进提示词来获得更可靠、更高质量的输出
- [ ] C. 使用代码从头开始编写 AI 模型
- [ ] D. 为 AI 系统构建硬件基础设施
- “提供示例输入/输出对来引导 AI 回复”描述的是哪种提示工程技术？
- [ ] A. 清晰直接
- [ ] B. 迭代优化
- [ ] C. XML 结构化
- [ ] D. 少样本提示 (One-shot or multi-shot prompting)
- 在提示词中使用 XML 标签的主要目的是什么？
- [ ] A. 减少提示词的词元 (Token) 计数
- [ ] B. 提高 AI 模型的处理速度
- [ ] C. 增加结构和清晰度，尤其是在包含大量内容时
- [ ] D. 让提示词看起来更专业
测验题参考答案
- A (清晰且直接地描述目标)
- B (样本胜过指令，展示具体案例是让 AI 理解隐喻的最佳方式)
- B (它是关于如何更有效地沟通并控制 AI 产出的能力)
- D (通过展示少量的实例，让模型学习你的特定格式或逻辑)
- C (标签可以帮助模型区分“背景信息”和“具体指令”)
© 内容基于技术文档整理 | 提示工程学习专用手册