多數人使用 Claude 的方式，可能遠比你以為的更浪費。在生成式 AI 已成為日常工具的今日，如何精準指揮大型語言模型，決定了工作效率的天壤之別。Anthropic 的內部應用工程團隊近日在 X 平台釋出了一場全長 24 分鐘的 Prompt Engineering 工作坊影片 。 在這場濃縮的實戰教學中，來自 Anthropic 應用 AI 部門的工程師 Hannah 與 Christian，直接揭露了建構高品質提示詞的完整框架。
根據工作坊中的分析，大多數使用者在撰寫提示詞時，最多只使用了 6 大核心元素中的 1 到 2 項。這意味著在無意之間，絕大多數人只發揮了 Claude 不到 3 成的真實潛力。
Anthropic 內部 Prompt Engineering 工作坊全公開，揭露專業提示詞的 6 大核心元素
Hannah 進一步解釋，一個完美的 API 提示詞不該像聊天機器人那樣來回修正，而是應該像一份完整的工作說明書。團隊提出了提示詞結構的 6 大關鍵要素。
任務情境（Task Context）：必須明確告訴 Claude 它的角色是什麼。在保險案例中，明確標示為「協助理賠審核員審查瑞典汽車事故報告」，Claude 立即從滑雪連結脫離，正確認知到這是一起車輛事故。
語氣與信心設定（Tone and Confidence）：設定輸出風格為「事實性」與「高信心」。如果 Claude 無法做出有把握的判斷，應該坦承無法判斷，而不是憑空猜測 。
背景細節與資料（Background Details）：這個環節揭示了 prompt engineering 的資訊不對稱。像「事故報告表」這種固定格式的文件，開發者可以在提示詞中先提供完整的表格結構樣板，讓 Claude 預先了解 Checkbox 的編號意義。
詳細的執行指令（Detailed Instructions）：這是最能看出專業程度的環節。工程師讓 Claude 採用「先讀表格，再看草圖」的推理順序，因為草圖若缺乏表格的數字推理解讀，根本無法看出車禍因果。透過逐步推理（Step-by-Step Reasoning）的引導，Claude 才能做出前後連貫的判讀。
範例與輸出格式（Examples and Output Formatting）：對於後端工程師來說，這是最實用的技巧。團隊展示如何透過 XML 標籤結構化輸出，要求 Claude 將最終判決包裹在 <final_verdict> 標籤之內。開發人員只需簡單的解析器就能提取關鍵資訊存入資料庫。
最終提醒與強化（Final Reminder and Reinforcement）：這一步的目的是防止幻覺（Hallucination）。團隊重申，若表格不清楚或草圖無法辨識，Claude 不應自作主張填補空白。同時要求 Claude 在做出事實主張時，必須引用自己在表格中看到的具體欄位證據。
從荒謬的「滑雪事故」開始
為了讓學習過程更具體，Anthropic 團隊選擇了一個真實客戶案例作為演練場景。Christian 模擬了一個瑞典保險公司的理賠情境，他要 Claude 分析兩份資料：一份瑞典文的交通事故報告表（Checkbox 申報），以及一張人繪製的事故現場草圖。
Christian 將這兩份資料直接丟進 Anthropic Console，僅用一行文字要求 Claude 進行審閱。控制台的輸出結果顯示，Claude 竟然將這起車禍判讀為發生在查福恩加坦的一場「滑雪事故」。這個荒謬的錯誤出自於提示詞中完全沒有界定任務場景，模型只能根據有限的文字進行自由聯想。
Hannah 切換到一張架構投影片，畫面中列出提示詞的 6 大核心區塊：任務描述、動態內容（資料圖片）、詳細指令、範例、重點回顧、結尾指引。她強調：「API 環境下不該用聊天的方式來回修正，而是一份一次到位的工作說明書」。
畫面回到控制台，Christian 修改系統提示詞，加入了明確的角色定義：「你是一名協助理賠審核員審查瑞典車禍報告的 AI 系統」，並設定語氣為「事實性、高信心、不確定時不胡亂猜測」。這就是 6 大元素中的前兩項：任務情境與語氣信心。
執行修改後的 V2 版本，控制台輸出顯示 Claude 已經能正確認知這是車禍而非滑雪，並準確指出「車輛 A 標記在核取方塊 1，車輛 B 在核取方塊 12」。但仍缺乏足夠資訊做出最終過失判斷。
Hannah 在投影片上說明第三項核心元素：背景資訊。她指出表單的格式永遠不會改變，因此開發者可以在提示詞中預先提供完整的表單結構樣板：包含 17 列的欄位意義、車輛分欄方式、以及人為填寫可能出現的圈選或塗改標記。這種「預載知識」能大幅降低 Claude 每次判讀的認知負擔。
XML 標籤與逐步推理的實踐
Hannah 展示如何利用 XML 標籤分隔提示詞的不同區塊。畫面中的系統提示詞以 <context>、<instructions>、<examples> 等標籤進行結構化分區，讓 Claude 清楚區分背景知識與執行指令。
當 Claude 被預先告知表單的完整結構後，控制台的輸出出現明顯變化：Claude 不再花時間解讀表單本身，而是直接給出更自信的分析，並明確寫出「車輛 B 有過失」。
畫面進入提示詞的尾段，Hannah 加入最終強化提醒：如果核取方塊看不清楚，Claude 不應憑空猜測是否被勾選；如果草圖難以辨識，Claude 應該坦承無法判斷。同時要求 Claude 在做出事實主張時必須引用具體欄位證據，例如「車輛 B 右轉，這點是基於核取方塊 2 明顯被勾選」。
Hannah 在控制台中加入詳細的逐步執行指令。最關鍵的是她強制了 Claude 的分析順序：「先仔細審閱表單，確保每一個核取方塊的狀態都已被檢查，列出清單後，再轉向草圖進行比對驗證」。畫面中可以看到這段逐步指令是如何被編寫進系統提示詞的。
Christian 展示最後一步：輸出格式規範。畫面中他要求 Claude 將最終判決包裹在 <final_verdict> XML 標籤內，這樣後端系統就能直接解析標籤內容存入資料庫。控制台輸出清楚顯示 Claude 將決策包在指定標籤中。
另一個實用技巧是「預填回應（Prefilled Responses）」。開發者可以在提示詞結尾預先填入 Claude 應該開始的格式，例如輸入開放的 XML 標籤 <final_verdict>，這能讓模型生成時直接遵循指定結構，避免不必要的開場白。
延伸思考與進階應用
對於更高階的使用者，工作坊也點出了一個深層的戰略思維：善用 Claude 4 的延伸思考（Extended Thinking）功能。這個功能為模型提供內部「草稿區」，讓 Claude 在回答前有時間進行內部推理。工程師指出，開發者不應將所有邏輯都硬編寫在提示詞中。更好的做法是分析 Claude 在延伸思考過程中留下的痕跡，反推自己的提示詞架構是否合理。這就好比教練透過觀察運動員的動作來調整訓練菜單，而非只給出結果指令 。
這種做法不僅在 Token 消耗上更加經濟，更為系統提示詞提供了一個動態的優化迴路。只要開發者懂得「閱讀」模型的思考路徑，就能夠設計出直覺無法達到的邏輯結構。
我們也為大家做了中英對照翻譯，有興趣的朋友也可以看看，影片原出處在這：
總結
本次 Anthropic 工作坊的釋出為開發社群提供了一份極具參考價值的實戰藍圖。它再次證明了提示詞工程不是一門無法捉摸的玄學，而是一項嚴謹的資訊設計科學。對於開發者而言，從現在開始將提示詞分解為「情境」、「資料」、「指令」、「格式」、「校驗」的結構化思維，並善用 XML 標籤與逐步推理，將是高效運用 Claude 的關鍵。這 24 分鐘的內容遠遠超越了市面上許多收費的線上課程，對於每一位認真看待 AI 協作的使用者，這堂課是絕對不容錯過的必修內容。