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.
開始提示工程之前
本指南假設您已經：- 明確定義了您的使用案例的成功標準
- 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步提示
提示生成器
還沒有初步提示？試試 Anthropic Console 中的提示生成器！
何時進行提示工程
本指南著重於可以通過提示工程來控制的成功標準。 並非每個成功標準或失敗的評估都最適合用提示工程來解決。例如，延遲和成本有時可以通過選擇不同的模型來更輕鬆地改善。提示與微調的比較
提示與微調的比較
相比其他模型行為控制方法（如微調），提示工程要快得多，並且通常能在更短的時間內產生巨大的性能提升。以下是選擇提示工程而非微調的一些理由：
- 資源效率：微調需要高端 GPU 和大量記憶體，而提示工程只需要文本輸入，使其更加節省資源。
- 成本效益：對於基於雲的 AI 服務，微調會產生巨大成本。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無需更改就能工作。
- 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量示例甚至零示例學習。
- 靈活性和快速迭代：快速嘗試各種方法，調整提示，並立即看到結果。這種快速實驗在微調中很難實現。
- 領域適應：通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。
- 理解力提升：提示工程在幫助模型更好地理解和利用外部內容（如檢索文檔）方面比微調更有效。
- 保留通用知識：微調有災難性遺忘的風險，即模型可能失去通用知識。提示工程保持模型的廣泛能力。
- 透明度：提示是人類可讀的，準確顯示模型接收到的信息。這種透明度有助於理解和調試。