第一原则：写得像给同事的指令
模糊的提示得到模糊的回答：
❌ 帮我看看这段代码
✓ 你是 Python 资深开发。请审查下面代码，按"潜在 bug / 性能问题 / 可读性"三类列出问题，每条不超过 50 字。代码：
模板 1：System Prompt 三段式
你是 [角色]，专长 [领域]。
你的回答规则：
- [规则 1]
- [规则 2]
- [规则 3]
不擅长的事：[范围]，遇到时回答"不在我的能力范围"。
例：
system = """你是 Python 代码审查员。
回答规则：
- 总是用中文
- 先指出主要问题（最多 3 条），再说改进方向
- 代码用 ```python ``` 包起来
- 不超过 200 字
不擅长的事：除 Python 外的语言，遇到回答"不在我的能力范围"。"""
模板 2：Few-Shot（少样本）
模型不会的格式或风格 → 先给几个例子：
任务：把口语句子改成正式商业英语。
例 1：
口语：can u send me the report
正式：Could you please send me the report?
例 2：
口语：thx, looks good!
正式：Thank you, this looks good!
现在：
口语：[用户输入]
正式：
5 个例子比 50 字描述更管用。
模板 3：思维链（Chain of Thought）
让模型先思考再回答——解题准确率显著上升：
问题：[复杂问题]
请按以下步骤回答：
1. 列出已知条件
2. 分析需要解决的子问题
3. 逐步推导
4. 给出最终答案
让我们一步步来。
或更简单：
[问题]
请一步步思考，然后给出答案。
Claude 模型的"扩展思考"模式（extended thinking）是这条规则的内置版。
模板 4：结构化输出
要 JSON 用 system 限定 + 给 schema：
你必须严格按以下 JSON 格式返回，除 JSON 外不要任何其他文字：
{
"sentiment": "positive" | "neutral" | "negative",
"score": 0~1 浮点数,
"keywords": ["最多 3 个关键词"]
}
OpenAI 用 response_format={"type":"json_object"}，Claude 用 prefill 技巧：
messages=[
{"role": "user", "content": "..."},
{"role": "assistant", "content": "{"}, # 强制以 { 开始
]
返回开头会接着 { 继续——避免开头废话。
模板 5：避免 hallucination
任务：根据下面的文档回答用户问题。
规则：
- 答案必须来源于文档
- 文档里没有的信息，回答"文档中未提及"
- 引用时标注 [文档行号]
文档：
"""
[文档内容]
"""
问题：[用户问题]
RAG 系统的核心提示就是这种结构。
XML / Markdown 标签划分
Claude 特别喜欢 XML 标签：
<context>
[长文档]
</context>
<task>
请基于上面的 context 回答以下问题。
</task>
<question>
[问题]
</question>
清晰的边界让模型不会混淆。
减少废话
❌ 直接回答，不要解释。
✓ 回答应该 ≤ 30 字，不要前置废话（"好的，我来帮你..."）。
明确长度上限比"简洁"管用。
实战：评论分类
prompt = """你是评论分类员。给定一条电商评论，返回 JSON：
{"category": "质量"|"物流"|"价格"|"服务"|"其他",
"sentiment": "positive"|"neutral"|"negative"}
例：
评论：东西很好，发货也快
{"category":"质量","sentiment":"positive"}
评论：包装太烂，物流慢
{"category":"物流","sentiment":"negative"}
现在：
评论：客服回复很及时
"""
# Claude API 调用
msg = client.messages.create(
model="claude-haiku-4-5",
max_tokens=100,
messages=[
{"role": "user", "content": prompt},
{"role": "assistant", "content": "{"}, # prefill
],
)
调 prompt 的循环
- 写第一版
- 跑 10 个样本，看哪些不对
- 看错例的共同点 → 加规则 / 加例子
- 再跑 10 个新样本
- 重复
记得保留每版——用 git 管理 prompt。
别迷信 prompt
如果调了一周还不行——换个思路：
- 任务是不是太难，要不要拆？
- 用 RAG 给上下文？
- 微调更靠谱？
- 干脆换个模型？
下一篇讲 embeddings——RAG 的基础。