提示工程
提示工程概述
While these tips apply broadly to all Claude models, you can find prompting tips specific to extended thinking models here.
提示工程之前
本指南假设您已经：- 明确定义了您的用例的成功标准
- 有一些方法可以根据这些标准进行实证测试
- 有一个想要改进的初始提示
提示生成器
还没有初始提示？试试 Anthropic Console 中的提示生成器！
何时进行提示工程
本指南重点关注可以通过提示工程来控制的成功标准。 并非每个成功标准或失败的评估都最适合通过提示工程来解决。例如，延迟和成本有时可以通过选择不同的模型来更轻松地改进。提示与微调对比
提示与微调对比
与其他模型行为控制方法（如微调）相比，提示工程要快得多，并且通常可以在更短的时间内产生性能的飞跃。以下是选择提示工程而非微调的一些原因：
- 资源效率：微调需要高端GPU和大内存，而提示工程只需要文本输入，使其更加节省资源。
- 成本效益：对于基于云的AI服务，微调会产生巨大的成本。提示工程使用基础模型，通常更便宜。
- 维护模型更新：当提供商更新模型时，微调版本可能需要重新训练。提示通常可以在不同版本间正常工作而无需更改。
- 节省时间：微调可能需要数小时甚至数天。相比之下，提示工程几乎可以立即提供结果，允许快速解决问题。
- 最小数据需求：微调需要大量特定任务的标记数据，这可能稀缺或昂贵。提示工程可以使用少样本甚至零样本学习。
- 灵活性和快速迭代：快速尝试各种方法，调整提示，并立即看到结果。这种快速实验在微调中很难实现。
- 领域适应：通过在提示中提供特定领域的上下文，轻松使模型适应新领域，无需重新训练。
- 理解力提升：提示工程在帮助模型更好地理解和利用外部内容（如检索文档）方面远比微调更有效。
- 保留通用知识：微调存在灾难性遗忘的风险，即模型可能会失去通用知识。提示工程保持了模型的广泛能力。
- 透明度：提示是人类可读的，准确显示模型接收到的信息。这种透明度有助于理解和调试。