# 本章小结

### 本章小结

虽然提示词工程的基本原则（清晰、具体、提供示例等）在所有模型中通用，但各大主流模型因其后训练策略（RLHF 机制、数据集差异、安全对齐强度）的不同，在提示词的细微偏好上存在显著差异。本章深入剖析了 OpenAI GPT、Anthropic Claude、Google Gemini 以及典型开源模型的脾气秉性，并提供了平台针对性的优化策略。

#### 关键概念

* **平台方言 (Platform Dialects)**：不同平台对于高亮、隔离、推理引导等指令的特殊格式偏好（如 Claude 的 XML 与 GPT 的 Markdown）。
* **预填充 (Prefilling)**：在支持的 API 中，预先写入 `Assistant` 角色的开头内容以强制模型按某种特定格式继续回答。**注：Claude Mythos Preview / Opus 4.7 / Opus 4.6 / Sonnet 4.6 已停止支持 prefill 并返回 400；Sonnet 4.5 仍是官方 Messages 文档中的 prefill 示例模型。详见** [**13.2 节**](/prompt_engineering_guide/di-si-bu-fen-jin-jie-yu-zhan-wang/13_platform_specific/13.2_anthropic_claude.md)**。**
* **聊天模板 (Chat Template)**：开源模型中用于区分系统指令、用户提问和助手回复的特定词元结构（如 Llama 3 的 `<|start_header_id|>`）。

#### 核心要点

1. **OpenAI GPT 系列 (GPT-5.5 / GPT-5.4 / o 系列 / GPT-4o)**
   * **Markdown 亲和**：对 Markdown 的层级结构理解最佳，极其适合使用带有 `##` 和代码块的结构化提示词。
   * **JSON Schema 与结构化输出**：拥有最成熟和严格的 Structured Outputs (结构化输出) 机制。
   * **系统提示词服从度极高**：对 `system` 角色的指令具有最高的服从性，适合放置极其严厉的行为约束。
2. **Anthropic Claude 系列 (Claude Opus 4.7, Claude Sonnet 4.6, Claude Haiku 4.5)**
   * **XML 标签狂热者**：官方极度推荐使用 `<document>` 等 XML 标签来区分数据源和划定指令范围。
   * **长文本寻觅者**：Opus 4.7 与 Sonnet 4.6 支持 1M 上下文，但在极长文本中，经常需要配合在最后一段重复其核心任务。成本评估需按目标模型的官方价格页和 token counting 结果测算。
   * **预填充兼容性收窄**：早期 Claude（Sonnet 4.5 / Sonnet 4 / 3.5 及更早）可用预填充技巧（提供大括号 `{` 作为 Assistant Response 开头）控制 JSON 输出，但 Claude Mythos Preview、Opus 4.7、Opus 4.6、Sonnet 4.6 已停止支持 prefill 并返回 400。新项目请优先评估 Structured Outputs、System Prompt 或 `output_config.format`（详见 13.2 节）。
3. **Google Gemini 系列 (Gemini 2.5 Pro / Gemini 3.1 Pro Preview)**
   * **稳定与预览要分开**：`Gemini 2.5 Pro` 适合生产使用，`Gemini 3.1 Pro Preview` 更适合前沿验证和能力评估。
   * **超长上下文强项**：Gemini 2.5 Pro / Flash / Flash-Lite 官方模型页列出 1,048,576 输入 token；Preview 模型的限制应以最新模型页为准。
   * **原生多模态混合交织**：非常擅长交错排列的处理，如 `[文本指令] -> [视频帧] -> [表格文本] -> [音频轨]` 的穿插式推理。
4. **开源模型策略 (Llama / Qwen 等)**
   * **精确的模板闭环**：如果不严格采用开发者训练时的 Jinja2 或特定 Token 模板组装会极速引发格式崩盘和严重幻觉。
   * **提纯与去冗余**：小模型（如 7B/8B）容易因为提示词过长造成灾难性遗忘，必须去掉高情商的人工寒暄语，只留最核心直接的动作动词。

#### 实践检查清单

* [ ] 是否在切换底层模型后，重新评测甚至重写了基于前一个模型调优的超长系统提示词？
* [ ] 在调用 Claude API 时，是否将其长参考资料用 XML 切实包裹并在 User prompt 中进行了引用？
* [ ] 如果需要在应用中无缝兼容多个大厂模型，是否在架构侧准备了可以统一抹平并动态切换语言方言（如 LangChain PromptTemplate）的中间件？
* [ ] 测试开源模型时，是否确保应用的代码注入能够完美匹配官方所公布的对话模板（Chat Template）？

#### 延伸阅读

**13.1 OpenAI 与结构化输出**

* [OpenAI Prompt Engineering Guide](https://platform.openai.com/docs/guides/prompt-engineering) - OpenAI 官方最佳实践
* [OpenAI Structured Outputs](https://platform.openai.com/docs/guides/structured-outputs) - 结构化输出技术文档

**13.2 Claude 与长文本/XML 技巧**

* [Claude Prompt Engineering Interactive Tutorial](https://github.com/anthropics/prompt-eng-interactive-tutorial) - 强烈推荐，Claude 官方互动式提示词教程
* [Claude Long Context Window Tips](https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/long-context-window) - 处理超长文档的使用技巧

**13.3 Gemini 原生混合技巧**

* [Google Gemini API Cookbook](https://github.com/google-gemini/cookbook) - 涵盖各种多模态提示词的配方与范例

**13.4 开源模型提示词范例**

* [HuggingFace Chat Templates Guide](https://huggingface.co/docs/transformers/main/chat_templating) - 开源模型对话模板深入解析

#### 下一章预告

经过对各大平台特性的细致拆解，我们的提示词工程体系已趋于完备。最后一章[第十四章](/prompt_engineering_guide/di-si-bu-fen-jin-jie-yu-zhan-wang/14_future.md)，我们将跳出眼前的技术细节，探讨未来一两年内提示词工程将走向何方（基于 Agent 系统的 Context Engineering 将逐渐替代单点 Prompt Engineering），并讨论在这个快速变迁的赛道上工程师的职业发展路径。

***

### [下一章：未来趋势与展望 →](/prompt_engineering_guide/di-si-bu-fen-jin-jie-yu-zhan-wang/14_future.md)

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/prompt_engineering_guide/issues) 或 [PR](https://github.com/yeasy/prompt_engineering_guide/pulls)。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://yeasy.gitbook.io/prompt_engineering_guide/di-si-bu-fen-jin-jie-yu-zhan-wang/13_platform_specific/summary.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.