在人工智能交互领域，提示工程已从简单的指令输入演变为一门精细的协作艺术。Greg Isenberg近期发布的深度视频《我用错了Claude》基于Anthropic官方研究，系统拆解了10个能显著提升AI模型效率的技巧，这些方法不仅适用于Claude，对各类大语言模型均有普适价值。本文将从技术原理、应用场景和思维转变三个维度，对这些技巧进行详细分析。
这些技巧的核心在于解决AI模型常见的“幻觉”（生成不准确信息）、“懒惰”（输出过于简略）和“平庸回答”（缺乏深度和针对性）三大问题。通过结构化、情境化的提示设计，用户可以将AI从被动的信息检索工具转变为主动的思维合作伙伴。
1. **协作语气：激活模型的“队友模式”**
Anthropic研究发现，命令式语气会触发模型的防御机制，导致输出保守且缺乏创造性。例如，对比“立刻把这堆垃圾修好！这代码根本跑不通”与“请检查这段代码中的错误。我的目标是让它运行得更有效率。如果你发现了bug，请解释原因并提出修复建议，就像我们在进行代码审查一样”，后者通过模拟团队协作场景，激活了模型的问题解决权重，使其更倾向于深入分析和提出建设性方案。这种语气转变本质上是利用了模型在训练数据中对协作对话模式的学习，使其输出更具互动性和思考深度。
2. **明确性原则：从模糊需求到精准输出**
模糊输入必然导致模糊输出，这是大语言模型基于概率生成的基本特性。将“我需要一些关于咖啡的博客点子”优化为“生成10个关于‘精品咖啡对现代职场文化影响’的博客标题。目标受众是25-35岁的科技工作者。语气要诙谐且引发共鸣”，通过明确主题、数量、受众和语气四个维度，大幅缩小了模型的生成空间。这种约束不仅提高了输出的相关性，还减少了模型需要猜测用户意图的计算负担，从而提升响应质量。在实际应用中，明确性原则应涵盖内容范围、格式要求、情感倾向和实用目标等多个方面。
3. **定义边界：限制作为创造力的催化剂**
给AI无限的自由度往往会导致输出泛化或偏离主题。通过设置具体边界，如将“写一个关于未来的故事”优化为“写一个不超过500字的短篇故事。风格限制：结合海明威的极简主义和赛博朋克设定。主角限制：一个在火星上调查数据盗窃案的过时机器人侦探”，模型被迫在特定框架内进行深度创作。这种边界定义利用了模型的风格迁移能力和知识组合能力，使其输出既符合约束条件又具有创造性。边界可以包括字数限制、风格要求、角色设定、时间背景等，关键在于找到限制与自由之间的平衡点。
4. **草拟、计划、然后行动：分步思维的重要性**
直接要求模型生成复杂内容（如“写一份关于远程工作优势的完整报告”）容易导致输出结构松散或重点偏移。采用分步法——先要求起草大纲，再根据反馈修订，最后撰写完整报告——模拟了人类的创作过程。这种方法利用了模型的迭代优化能力，每一步都为下一步提供了更明确的上下文。从技术角度看，分步提示减少了单次生成的认知负荷，使模型能够更专注地处理每个子任务，从而提高整体输出的逻辑连贯性和内容深度。
5. **要求结构化输出：提升信息可用性**
非结构化输出（如“告诉我关于阿波罗任务的事”）虽然可能包含丰富信息，但难以直接利用。指定结构化格式（如“列出最后三次阿波罗任务。格式要求：使用Markdown表格。列标题应为：任务名称、发射日期、机组人员名单、关键科学成就”）强制模型按照预设框架组织信息。这种技巧特别适用于数据提取、报告生成和知识整理场景，它利用了模型对格式规范的理解能力，使输出更易于人类阅读和机器处理。结构化要求可以包括表格、列表、JSON、XML等多种格式。
6. **解释原因：提供背景以增强推断能力**
为指令提供背景信息（如“给我5个新运动鞋品牌的营销口号。背景：我们的品牌核心是‘极度舒适’和‘可持续发展’，鞋子用回收海洋塑料做的。目的：打动那些在意环保但又想要舒适度的城市跑者”）使模型能够理解任务的深层目标，从而推断出未明确说明的细节。这种背景提供利用了模型的情境理解能力，使其输出更贴合实际需求。在复杂任务中，背景信息应包括行业背景、用户画像、商业目标和情感诉求等多个维度，以全面激活模型的相关知识权重。
7. **控制详略程度：匹配输出与受众需求**
同一主题在不同详略要求下会产生截然不同的输出。例如，“用5岁孩子能懂的语言解释量子纠缠”会触发模型的简化解释能力，使用比喻和日常语言；而“为物理系研究生详细解释量子纠缠”则会激活专业术语和数学推导。这种控制利用了模型的多层次知识表示，使其能够根据受众水平调整输出复杂度。在实际应用中，详略程度应与使用场景紧密相关，如教育、科普、专业研究或商业演示等。
8. **提供模板：确保输出一致性**
让AI从零构建结构（如“总结这篇文章”）可能导致输出格式不统一。提供模板（如“阅读这篇文章，严格按照以下格式总结：一句话核心论点：[在此处插入]；关键数据/事实（3个）：[数据1][数据2][数据3]；潜在的反直觉见解：[在此处插入]”）保证了输出的标准化和可比较性。这种技巧特别适合批量处理任务，如文献综述、数据报告或内容审核。模板设计应平衡灵活性与规范性，既要给出明确框架，又要留出足够的填充空间。
9. **使用专业术语：激活特定训练权重**
特定短语能直接激活模型的特定能力模块。例如，“Think step by step”强制模型展示推理过程，减少逻辑跳跃；“Critique your own response”触发自我反思机制，提高准确性；“Adopt the persona of…”切换语料库风格，实现角色扮演；“Chain of Thought”要求模型写出思维链，增强可解释性。这些术语本质上是模型训练中的元指令，它们直接调用了预定义的响应模式。用户应熟悉这些术语及其对应效果，以更精准地控制模型行为。
10. **分而治之：模块化处理复杂任务**
即使模型拥有大上下文窗口，一次性处理过于复杂的任务（如“帮我写一个完整的iOS应用程序”）仍可能导致质量下降。采用分步模块化方法（先设计数据库架构，再编写用户认证模块，最后编写前端UI代码）将大任务分解为可管理的子任务。这种方法利用了模型的专注能力，每个步骤都在最优上下文中执行，从而保证各模块质量。分治策略应基于任务的自然逻辑划分，并确保各模块间的接口一致性。
将这些技巧融合的超级提示词示例：“扮演一位世界级的大学历史教授。我正在为一群对二战历史没有任何了解的高中生准备一堂45分钟的入门课。我的目标是让他们对那段历史产生兴趣，而非死记硬背日期。首先，不要写讲稿。请先为我创建一个讲座大纲。大纲必须包含三个主要部分，且总时长严格控制在45分钟内。使用嵌套的Markdown列表格式。每个要点都要包含一个具体的‘故事钩子’。语气要生动、引人入胜，但保持学术严谨性。”这个请求综合运用了角色设定、背景说明、任务分解、边界定义、格式要求、具体细节和语气指导，展示了提示工程的高级应用。
总结而言，这些技巧的核心在于思维转变：从将AI视为简单的搜索引擎，转变为将其作为理解复杂需求的专业协作伙伴。用户需要从指令发布者转变为任务设计者，通过精心构建的提示词引导模型发挥最大潜力。这种转变不仅提升了单次交互的效率，更开启了一种新的人机协作模式，其中人类负责战略规划和创意构思，AI负责战术执行和知识整合。随着模型能力的不断提升，提示工程将成为每个人与AI高效互动的必备技能。
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：http://www.itsolotime.com/archives/7097