9.6这一期Anthropic的官方播客youtu.be
深聊了AI prompt engineering的话题，期间4位Claude的工程师也都分享了各自写prompt时会用到的一些技巧。

我整理出了其中一些，并具体举了例子，便于大家理解。

并按基础到进阶分为几个类别：

😀 基础沟通 -> 🤓 理解模型->
😎 提示构建 -> 🥸 迭代优化 -> 🥳 高级技巧

😀 基础沟通

1. 清晰简洁地沟通
例：不要说"我想要一个能够分析数据的东西"，而是说"请创建一个Python脚本，用于分析CSV格式的销售数据"。

2. 给模型明确、简洁且针对你具体任务的指令
例：不要说"改进我的简历"，而是说"优化我的简历中的工作经历部分，突出我在项目管理方面的成就"。

3. 使用正确的语法和标点，但这并非绝对必要
例：尽量写"Could you please analyze this financial report?"而不是"plz analyze financial report"，但后者也是有效的。

🤓 理解模型

4. 思考模型将如何理解你的指令，并预料可能出现的误解
例：使用"编写一个函数来计算两个数的和"而不是"做加法"，以避免模型误解为进行具体的加法运算。

5. 将模型视为拥有丰富知识但需要明确指示的"临时工"
例："你是一位经验丰富的市场分析师。请根据以下数据点分析我们产品在青年市场的表现..."

6. 将模型视为会模仿你写作风格的"模仿者"
例：如果你想要正式的商业文案，使用正式的语言提问："请撰写一份专业的新产品发布新闻稿，强调其创新特性。"

7. 尊重模型，就像它是智能且有能力的一样
例：不要说"如果你能理解的话"，而是直接说"请分析这段代码的时间复杂度"。

😎 提示构建

8. 不要害怕向模型提供比你认为需要的更多信息和背景
例："考虑到我们是一家专注于可持续发展的初创公司，预算有限，请提供三个低成本的市场营销策略"。

9. 使用例子来说明任务，但不要给太多例子
例："请为我们的软件写一个简短的产品描述。这里有一个好的例子：[插入一个简短的例子]。请以类似的风格创作，但内容要原创。"

10. 为模型遇到意外输入时提供明确的"退路"
例："分析这个数据集的趋势。如果数据集为空或格式不正确，请告诉我具体的问题"。

11. 想象你是在向一个受过教育但对该话题一无所知的外行解释提示
例："假设你是在向一个聪明但对编程一无所知的人解释，请描述什么是'递归'以及它在编程中的应用。"

🥸 迭代优化

12. 反复试验不同的提示词
例：尝试"总结这份季度报告的要点"、"提取这份季度报告的5个关键数据"和"分析这份季度报告的优缺点"，看哪个得到最佳结果。

13. 仔细阅读模型的输出并从其错误中学习
例：如果模型在生成代码时出现语法错误，下次可以明确要求"请确保代码没有语法错误"。

14. 使用模型来帮助你写提示
例："请帮我优化以下提示，使其更清晰、更有效：[插入你的初始提示]"

15. 使用与模型实际使用数据不同的例子
例：在训练客户服务AI时，使用与实际客户问题略有不同的示例问题，以提高模型的泛化能力。

🥳 高级技巧

16. 不要害怕挑战模型能力的极限
例：尝试让模型"设计一个多步骤的机器学习流程，包括数据预处理、特征选择、模型训练和评估"。

17. 不要试图强迫模型扮演某个角色或人格
例：不要说"假装你是史蒂夫·乔布斯"，而是说"用简洁有力的语言风格，类似于史蒂夫·乔布斯的演讲，来介绍这个新产品"。

18. 模拟成为模型的感受，从它的角度思考
例：想象模型需要具体的上下文："作为一个自然语言处理模型，你如何解释'银行'这个词在不同上下文中的含义？"

19. 不要害怕发明新概念来帮助向模型传达你的想法
例："请使用'创新度指数'来评估这些产品创意，创新度指数从1到10，10表示最具颠覆性的创新。"

20. 将你的思维外化到模型中
例："让我们一起头脑风暴解决这个问题。首先，列出所有可能的解决方案，然后我们将逐一分析它们的可行性。"