从 Anthropic 全部官方示例中提炼出的「提示工程核心框架」Chris Laub 通过分析 Anthropic 官方提示库的所有示例，提炼出一种高效的提示工程框架。这种框架强调结构化提示，能显著提升 AI 输出的一致性和准确性，远超许多付费课程的通用技巧。作者基于个人测试（如准确率从73%升至91%），认为这将颠覆传统提示设计。10 大核心技巧：以 XML 标签为核心的结构化提示Chris 观察到，Anthropic 偏好 XML 标签来组织提示，因为 Claude 模型训练时更易解析这种结构。每个技巧都通过具体示例说明如何分离角色、任务、过程和输出，避免 AI “混淆”或泛化响应。1. XML 标签优先：用 <role>、<task>、<constraints> 等标签明确划分元素，让 AI 先理解结构再处理内容。示例：法律分析提示中指定角色经验、任务焦点和约束（如关注责任条款）。2. 分离思考与输出：用 <analysis> 标签隔离推理步骤（如识别趋势、计算指标），再用 <output_format> 定义报告结构（如摘要+要点+推荐）。这提升输出准确性。3. 深度角色定义：不止泛称“专家”，而是细化专长（如后端工程师的分布式系统经验）和优先级（如性能<100ms、安全验证）。具体性驱动 AI 调用更精确知识。4. 完整示例结构：示例不止输入-输出对，而是用 <input>、<reasoning>、<output> 展示全过程（如翻译中的词义分解）。这使少样本提示效果从60%升至85%。5. 思考标签辅助复杂推理：用 <thinking> 包裹假设、备选解释、边缘案例和置信度，再用 <answer> 输出最终结果。相当于正式化的“思维链”，推理任务准确率提升34%。6. 负面约束：不止列出“要做什么”，还明确“不要”（如避免企业行话或多请求邮件）。这帮助 AI 设定边界，减少偏差。7. 精确输出格式：定义模板如 [标题: 8字内] + 关键洞见 + 分析要点 + 推荐 + 置信度。几乎消除格式不一致。8. 多文档标签：用 <document index="1"> 标记来源（如财务报告），任务中引用索引（如“根据文档1...”）。防止混淆或幻觉。9. 内置错误处理：预设规则，如数据不全时声明缺失、矛盾时求澄清、无知时承认局限。这创建“优雅失败”，减少胡编。10. 预填充响应：在 API 中启动 AI 回复（如“<analysis>关键风险：1. ”），强制直接输出，无冗余开场白。实施建议5步实用指南：从模板起步、建提示库、添加示例、测试迭代、规模化应用。别从零写提示，而是自定义这些结构。一些启发提示工程本质是清晰传达“谁（角色）+做什么（任务）+怎么做（过程）+格式+避坑”。XML 只是载体，关键是 specificity（具体性）；用模型“母语”而非对抗其架构。作者测试显示，这种方法在准确、一致和速度上均优于非结构化提示。https://docs.claude.com/en/docs/build-with-claude/prompt-engineering/overview

Timeline

Elon Musk (@elonmusk) 2025-10-08 10:01:26.172878258 +0800 CST

从 Anthropic 全部官方示例中提炼出的「提示工程核心框架」

Chris Laub 通过分析 Anthropic 官方提示库的所有示例，提炼出一种高效的提示工程框架。这种框架强调结构化提示，能显著提升 AI 输出的一致性和准确性，远超许多付费课程的通用技巧。作者基于个人测试（如准确率从73%升至91%），认为这将颠覆传统提示设计。

10 大核心技巧：以 XML 标签为核心的结构化提示 Chris 观察到，Anthropic 偏好 XML 标签来组织提示，因为 Claude 模型训练时更易解析这种结构。每个技巧都通过具体示例说明如何分离角色、任务、过程和输出，避免 AI “混淆”或泛化响应。
1. XML 标签优先：用、、等标签明确划分元素，让 AI 先理解结构再处理内容。示例：法律分析提示中指定角色经验、任务焦点和约束（如关注责任条款）。
2. 分离思考与输出：用标签隔离推理步骤（如识别趋势、计算指标），再用定义报告结构（如摘要+要点+推荐）。这提升输出准确性。
3. 深度角色定义：不止泛称“专家”，而是细化专长（如后端工程师的分布式系统经验）和优先级（如性能<100ms、安全验证）。具体性驱动 AI 调用更精确知识。
4. 完整示例结构：示例不止输入-输出对，而是用、、展示全过程（如翻译中的词义分解）。这使少样本提示效果从60%升至85%。
5. 思考标签辅助复杂推理：用包裹假设、备选解释、边缘案例和置信度，再用输出最终结果。相当于正式化的“思维链”，推理任务准确率提升34%。
6. 负面约束：不止列出“要做什么”，还明确“不要”（如避免企业行话或多请求邮件）。这帮助 AI 设定边界，减少偏差。
7. 精确输出格式：定义模板如 [标题: 8字内] + 关键洞见 + 分析要点 + 推荐 + 置信度。几乎消除格式不一致。
8. 多文档标签：用标记来源（如财务报告），任务中引用索引（如“根据文档1…”）。防止混淆或幻觉。
9. 内置错误处理：预设规则，如数据不全时声明缺失、矛盾时求澄清、无知时承认局限。这创建“优雅失败”，减少胡编。
10. 预填充响应：在 API 中启动 AI 回复（如“关键风险：1. ”），强制直接输出，无冗余开场白。
实施建议 5步实用指南：从模板起步、建提示库、添加示例、测试迭代、规模化应用。别从零写提示，而是自定义这些结构。

一些启发提示工程本质是清晰传达“谁（角色）+做什么（任务）+怎么做（过程）+格式+避坑”。XML 只是载体，关键是 specificity（具体性）；用模型“母语”而非对抗其架构。作者测试显示，这种方法在准确、一致和速度上均优于非结构化提示。

https://docs.claude.com/en/docs/build-with-claude/prompt-engineering/overview