Documentation Index
Fetch the complete documentation index at: https://docs.claude.com/llms.txt
Use this file to discover all available pages before exploring further.
While these tips apply broadly to all Claude models, you can find prompting tips specific to extended thinking models here.
提示工程之前
本指南假設您已經：- 為您的使用案例明確定義了成功標準
- 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稿提示
提示生成器
沒有初稿提示？試試 Claude Console 中的提示生成器！
何時進行提示工程
本指南專注於可透過提示工程控制的成功標準。 並非每個成功標準或失敗評估都最適合透過提示工程來解決。例如，延遲和成本有時可以透過選擇不同的模型更容易地改善。提示工程 vs. 微調
提示工程 vs. 微調
提示工程比其他模型行為控制方法（如微調）快得多，通常可以在更短的時間內實現性能的飛躍。以下是考慮提示工程而非微調的一些原因：
- 資源效率：微調需要高端 GPU 和大記憶體，而提示工程只需要文字輸入，使其更加資源友好。
- 成本效益：對於基於雲端的 AI 服務，微調會產生顯著成本。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使用而無需更改。
- 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樣本甚至零樣本學習。
- 靈活性和快速迭代：快速嘗試各種方法，調整提示，並看到即時結果。這種快速實驗在微調中很困難。
- 領域適應：透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。
- 理解力改善：提示工程在幫助模型更好地理解和利用外部內容（如檢索到的文檔）方面比微調更有效
- 保持通用知識：微調有災難性遺忘的風險，模型可能失去通用知識。提示工程維持模型的廣泛能力。
- 透明度：提示是人類可讀的，準確顯示模型接收到的資訊。這種透明度有助於理解和除錯。
如何進行提示工程
本節中的提示工程頁面已從最廣泛有效的技術組織到更專業的技術。在排除性能問題時，我們建議您按順序嘗試這些技術，儘管每種技術的實際影響將取決於您的使用案例。提示工程教學
如果您是互動式學習者，您可以直接深入我們的互動教學！GitHub 提示教學
一個充滿範例的教學，涵蓋我們文檔中的提示工程概念。
Google Sheets 提示教學
透過互動式試算表提供的輕量版提示工程教學。