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
本指南假設您已經：- 為您的使用案例明確定義了成功標準
- 有一些方法可以根據這些標準進行實證測試
- 有一個您想要改進的初稿提示
提示生成器
沒有初稿提示？試試 Claude Console 中的提示生成器！
何時進行提示工程
本指南專注於可透過提示工程控制的成功標準。 並非每個成功標準或失敗評估都最適合透過提示工程來解決。例如，延遲和成本有時可以透過選擇不同的模型更容易地改善。提示工程 vs. 微調
提示工程 vs. 微調
提示工程比其他模型行為控制方法（如微調）快得多，通常可以在更短的時間內實現性能的飛躍。以下是考慮提示工程而非微調的一些原因：
- 資源效率：微調需要高端 GPU 和大記憶體，而提示工程只需要文字輸入，使其更加資源友好。
- 成本效益：對於基於雲端的 AI 服務，微調會產生顯著成本。提示工程使用基礎模型，通常更便宜。
- 維護模型更新：當提供商更新模型時，微調版本可能需要重新訓練。提示通常可以在不同版本間使用而無需更改。
- 節省時間：微調可能需要數小時甚至數天。相比之下，提示工程提供幾乎即時的結果，允許快速解決問題。
- 最小數據需求：微調需要大量特定任務的標記數據，這可能稀缺或昂貴。提示工程可以使用少樣本甚至零樣本學習。
- 靈活性和快速迭代：快速嘗試各種方法，調整提示，並看到即時結果。這種快速實驗在微調中很困難。
- 領域適應：透過在提示中提供特定領域的上下文，輕鬆將模型適應到新領域，無需重新訓練。
- 理解力改善：提示工程在幫助模型更好地理解和利用外部內容（如檢索到的文檔）方面比微調更有效
- 保持通用知識：微調有災難性遺忘的風險，模型可能失去通用知識。提示工程維持模型的廣泛能力。
- 透明度：提示是人類可讀的，準確顯示模型接收到的資訊。這種透明度有助於理解和除錯。