第二章 提示工程核心技术

提示工程（Prompt Engineering） 是与 Claude 高效沟通的艺术与科学。一个好的提示词，能让 Claude 的输出质量提升数倍。

提示工程 vs 上下文工程：本章聚焦单次交互层面的提示技巧——如何措辞、结构化指令、设计示例和引导推理。这些是与 LLM 协作的基本功。而第十三章介绍的“上下文工程”（Context Engineering）则是系统架构层面的实践——如何动态选择、组织和管理提供给模型的全部信息（包括 RAG 检索结果、工具输出、对话历史等）。可以这样理解：提示工程解决“怎么说”，上下文工程解决“给什么”。掌握本章的提示技巧，是迈向上下文工程的必要基础。

---

为什么提示工程重要？

同样的模型，不同的提示词，效果天差地别：

❌ 差的提示词
"帮我写个代码"

✅ 好的提示词
"请用 Python 编写一个函数，功能是计算斐波那契数列的第 n 项。
要求：
1. 使用递归实现
2. 添加缓存优化性能
3. 包含类型注解
4. 编写 docstring 说明函数用法"

提示工程不是“玄学”，而是一套可学习、可复用的技术。

---

本章学习目标

完成本章后，你将掌握：

• 编写清晰、直接、具体的提示词

• 使用 XML 标签结构化复杂指令

• 设计高质量的系统提示词

• 应用少样本学习提升输出质量

• 使用思维链引导 Claude 逐步推理

• 精确控制输出格式

• 调试和优化不理想的提示词

---

章节导航

章节	主题	核心技术
2.1	基础原则	清晰、直接、具体
2.2	XML 标签	结构化复杂指令
2.3	系统提示词	角色设定与行为约束
2.4	少样本学习：AI 的“举一反三”	通过示例引导输出
2.5	链式思维与逐步推理	逐步推理与深度思考
2.6	输出控制	格式、长度、风格
2.7	调试优化	常见问题与解决方案

---

核心理念

与 Claude 沟通的核心理念可以概括为：

把 Claude 当作一个聪明但不了解背景的新同事

你需要告诉它：

1. 你是谁（上下文）

2. 你需要什么（任务）

3. 怎样才算做好（标准）

4. 有哪些限制（约束）

---

提示工程的 ROI

掌握提示工程的回报是巨大的：

投入	回报
10 分钟学习结构化提示	避免数小时的来回修改
5 分钟思考示例设计	显著提升首次输出质量
1 次系统提示词优化	整个项目的持续受益

---

💡 实践建议：本章每节都有可运行的示例。建议在 claude.ai 或 API 中同步实践，加深理解。