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。
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）。
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。
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。
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%。
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%。
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。
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。
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。
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。
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